检测CIGAR字符串中的大型删除

Question

我是序列分析的新手，我正在做一些练习，以帮助我学习使用pysam和samtools进行WGS数据分析。我想做的一件事是从2D牛津纳米孔数据（大读数）中检测（相当大）缺失。为此，我从大肠杆菌基因组中提取了第一个10kb，以及覆盖该区域的测序读数。调用原始基因组A.然后通过在A的中间插入1kb的序列来创建基因组A'，并使用A'作为参考来对齐A的读数，以模仿序列中的缺失。我现在想编写一个程序来检测我的“删除”的位置。我的问题是我的读取的CIGAR字符串不符合我的期望，我认为这一定是错的。我发现山姆文档中的信息相当不完整，并希望对以下内容进行解释。

假设我有一个序列.... GTTGCA --- 1kb删除--- GAACGT ...并且读取与该序列对齐。我做了以下假设：

案例1.在删除的左侧读取并且与删除不重叠可以以aHbS（a和b为常数，a，b> = 0）开始，后跟一系列Ms，Is，Ds和之前以cSdH结尾。我不希望在这些读取中找到大部分的Is和Ds。

情况2.与左侧删除部分重叠的读取应该与（1）中的读取开始相同，但应以rS结束，常数r的大小由读取与删除重叠的程度决定。

案例3.完全读取重叠删除（记住，我有很长的读取，所以这样的读取存在）应该与（1）中的读取相同但后来我希望在我的CIGAR中看到1000D或类似的东西字符串然后读取应该与（1）中的读取结束相同。这是我在我的数据中没有观察到的。我的“删除”从5kb开始，但读取的数据为4500 < POS＆lt; 5000和超过2kb实际上似乎包含相同的Ms，Is和Ds序列，就像它们已经与参考对齐一样。

我的问题，我希望不是主题，因为我更倾向于询问数据格式而不是实际编程 一世）。我上面的哪些假设是错误的 ⅱ）。读取的雪茄串与删除部分重叠的样子应该是什么样的？ III）。读取的雪茄串应该完全重叠（也就是说，其末端映射在删除的任一侧），删除看起来像什么？

我附上了一个有希望有助于说明我的三个案例的人物。

Answer 1

我并不是这个主题的专家，但是我敢打赌，情况1和2就是您所说的。情况3可能因所使用的对准器而异。 表示这种对齐方式的一种方法是您所期望的：xHxSxM1000DxMxSxH，但拆分映射器可以为您提供另一种方式：xHxSxM1000SxH加xH1000SxMxSxH在两个不同的条目中，其中一个标记为主要对齐，另一个标记为补充对齐（一些旧的对齐器可以将其标记为辅助对齐，因为补充对齐在标准中稍后出现）。对齐器在如何表示中起着至关重要的作用。

您是否检查过完全重叠的读取在sam / bam文件中仅代表一次？

Answer 2

如果我正确理解了您的问题，我认为您的假设听起来不错。您所描述的内容（删除未在CIGAR字符串中表示）使我认为，尽管您更改了参考基因组（大概是* .fasta文件？），但是您可能没有将读段重新运行为该参考。

您的BAM / SAM文件（可能是从中获取CIGAR字符串）是对齐的结果，当您仅更改参考基因组时，自身不会更改。更改参考基因组后，您现在需要重新进行比对以获得新的BAM / SAM文件，然后再查看其中的CIGAR字符串，该字符串现在应反映模拟的删除。请让我知道这是否是正确的评估。

（我知道这本来应该是一篇值得评论的帖子，但我还没有写评论的特权。）