GATK推荐的序列存储格式-uBAM

二代测序平台产生的数据通常用fastq格式进行存储，fastq 存储了我们最关心的序列和碱基质量的信息。就测序而言，这样的信息当然是足够了。但是对于分析而言，还缺少了一点信息。

给你一个fastq文件，你最多可以看出来样本名，测序平台，测序读长等基本信息，如果想知道测序类型（是WES, WGS 还是RNA-seq）,  样本的采样信息，样本的分组信息，这些信息从fastq 文件是无法得到的。这些实验相关的数据，称之为metadata。

uBAM和FASTQ相比，处理存储了序列和碱基质量信息之外，还可以存储metadata信息。

GATK4中，数据预处理部分的示意图如下

可以看到，对于原始数据，有两种格式，一种就是我们常见的FASTQ; 另外一种就是uBAM。官方更加推荐使用uBAM格式。

如何从FASTQ转换得到uBAM格式呢？我们需要借助picatd工具。picard提供了一个FastqToSam功能，可以将序列转换成ubam格式。

基本用法如下：

java -jar picard.jar FastqToSam
   F1=sampleA_R1.fastq.gz
   F2=sampleA_R2.fastq.gz
   PL=illumina
   SM=sampleA
   LB=sampleA
   RG=sampleA
   O=sampleA.ubam

F1和F2指定原始的fastq格式的数据，对于双端测序，同时指定F1和F2, 对于单端测序，指定F1就可以了。PL代表platform, 指定测序平台，取值包含 illumina 和  solid 两种；SM代表 sample  name, 指定样本名称；LB代表library name, 指定文库名称，RG代表read group, 指定reads group的名字，这两个参数一般和样本名相同就可以了。

ubam从名称上也可以看出来，是属于bam格式的，所以其内容也分成了头部和正文两个部分。

1. 头部的内容

samtools view -H  sampleA.ubam
@HD    VN:1.5    SO:queryname
@RG    ID:sampleA    SM:sampleA    LB:sampleA    PL:illumina

第一行是标准的bam文件头部的声明，第二行的@RG就是转换过程中添加的几种metadata信息。

2. 正文的内容

samtools view  sampleA.ubam

由于列数较多，这里我截取了前面几列

每一行代表一条序列，序列ID相同的实际上是R1和R2端，从第二列的flag可以区分R1和R2端。

samtools flags 77
0x4d    77    PAIRED,UNMAP,MUNMAP,READ1
samtools flags 141
0x8d    141    PAIRED,UNMAP,MUNMAP,READ2

77对应R1端, 141对应R2端。
第三列的*代表没有比对上染色体，这就是unmapped bam的由来。

通过FastqToSam可以从fastq文件得到ubam文件，picard 还提供了SamtoFastq命令，从bam 文件得到fastq 文件
用法如下：

java -jar picard.jar SamToFastq
   I=sampleA.ubam
   F=sampleA_R1.fastq
   F2=sampleA_R2.fastq

I代表input, 指定输入的bam 文件；F和F2 指定输出的fastq 文件。

总结

通过picard工具，可以轻松实现FASTQ和uBAM格式之间的转换。