bed bam wig、bigWig和bedgraph文件详解

SOPs/coordinates – BaRC Wikihttp://barcwiki.wi.mit.edu/wiki/SOPs/coordinates

文件，就是把测序reads比对到参考基因组后的文件！bam或者bed格式的文件主要是为了追踪我们的reads到底比对到了参加基因组的什么区域，而UCSC规定的这几个文件格式(wig、bigWig和bedgraph)用处不一样，仅仅是为了追踪参考基因组的各个区域的覆盖度，测序深度！而且这些定义好的文件，可以无缝连接到UCSC的Genome?Browser工具里面进行可视化！

这个网站提供了这几种数据格式的构造及转换脚本：SOPs/coordinates – BaRC Wiki

BED、WIG、BIGWIG和BEDGRAPH文件的比较

文件格式	数据类型	存储方式	应用场景
BED	基因组区域	文本	基因组注释、ChIP-seq、ATAC-seq等
WIG	连续测量值	文本	基因表达、DNA甲基化、染色质可及性等
BIGWIG	连续测量值	压缩	基因表达、DNA甲基化、染色质可及性等
BEDGRAPH	连续测量值	文本	基因表达、DNA甲基化、染色质可及性等

BAM文件是生物信息学中广泛使用的文本文件格式，用于存储高通量测序数据（如DNA-seq、RNA-seq和ChIP-seq）的比对结果。BAM文件通常由一个或多个比对结果组成，每个比对结果由一个或多个读取组成。

BAM文件的基本结构

BAM文件由一个或多个“记录”组成，每个记录描述一个比对结果或读取。记录由以下字段组成：

• 染色体名称（Reference Name）：描述比对结果或读取所在的染色体的名称或编号。
• 起始位置（Start）：比对结果或读取的起始坐标，通常是以0-based的方式表示。
• 结束位置（End）：比对结果或读取的结束坐标，也是0-based。
• 碱基序列（Bases）：比对结果或读取的碱基序列。
• 质量值（Qualities）：比对结果或读取的质量值。
• 附加信息（Auxiliary Information）：比对结果或读取的附加信息，如比对得分、信任度等。

1 BAM文件的示例

以下是一个简化的BAM文件示例，以更好理解其结构：

@SQ	SN:chr1	LN:249250621
@SQ	SN:chr2	LN:243199373
@RG	ID:test_readgroup	LB:test_library	PL:illumina	SM:test_sample

read1	100	200	ACGTACGTACGTACGT	*	0	0	.	MD:Z:1234567890
read2	300	400	ACGTACGTACGTACGT	*	0	0	.	MD:Z:1234567890

在上述示例中，第一行和第二行定义了两个染色体的信息。第三行和第四行定义了两个读取的信息。

BAM文件的应用

BAM文件在生物信息学中具有多种应用，包括但不限于：

• 比对数据分析：用于分析高通量测序数据的比对结果，如比对精度、比对信任度等。
• 数据可视化：用于可视化高通量测序数据的比对结果，如基因表达图谱、染色质可及性图谱等。
• 数据挖掘：用于挖掘高通量测序数据的比对结果中的潜在规律，如基因调控机制、疾病相关性等。

2 BED文件

BED文件是生物信息学中广泛使用的文本文件格式，用于描述基因组上的特征和区域。BED文件通常包含基因组坐标、特征的名称、描述和其他附加信息。

BED文件的基本结构

BED文件由文本行组成，每一行表示一个基因组上的特征或区域。每行通常包含以下字段，用制表符或空格来分隔：

• 染色体名称（Chromosome Name）：描述特征或区域所在的染色体的名称或编号。
• 起始位置（Start）：特征或区域的起始坐标，通常是以0-based的方式表示。
• 结束位置（End）：特征或区域的结束坐标，也是0-based。

BED文件的可选字段

• 名称（Name）：特征或区域的名称或标识符。
• 分数（Score）：用于表示特征的分数、质量或重要性。
• 链方向（Strand）：表示特征所在链的方向，通常是“+”（正链）或“-”（负链），或“.”表示未知链方向。
• 分区信息（Thick Start、Thick End、Item RGB）：这些字段通常与蛋白质编码区域（CDS）相关，描述CDS的起始和结束位置以及颜色信息。
• 块数（Block Count）：描述特征中的区块数。
• 块大小（Block Sizes）：描述每个区块的大小，以逗号分隔。
• 块起始位置（Block Starts）：描述每个区块的相对起始位置，以逗号分隔。

BED文件的示例

以下是一个简化的BED文件示例，以更好理解其结构：

chr1    1000    2000    Gene1    0     +
chr1    2500    3000    Gene2    0     -
chr2    5000    6000    Gene3    0     +

在上述示例中，每行描述了一个基因组上的特征，包括染色体名称、起始和结束位置、名称、分数和链方向等字段。

BED文件的应用

BED文件在生物信息学中具有多种应用，包括但不限于：

• 基因组注释：用于描述基因的外显子、内含子、UTR（非翻译区）等区域。
• ChIP-seq和ATAC-seq分析：用于定义与蛋白质结合、染色质可及性等有关的区域。
• 比对和可视化：用于比对测序数据到基因组，构建可视化图谱，帮助研究人员理解基因组结构。
• 功能注释：用于注释基因和非编码区域的功能，帮助解释生物学数据。
• 基因组测序和组装：用于定义组装后的序列中的区域，如外显子、CDS等。

BAM文件

BAM文件是生物信息学中广泛使用的文本文件格式，用于存储高通量测序数据（如DNA-seq、RNA-seq和ChIP-seq）的比对结果。BAM文件通常由一个或多个比对结果组成，每个比对结果由一个或多个读取组成。

BAM文件的基本结构

BAM文件由一个或多个“记录”组成，每个记录描述一个比对结果或读取。记录由以下字段组成：

• 染色体名称（Reference Name）：描述比对结果或读取所在的染色体的名称或编号。
• 起始位置（Start）：比对结果或读取的起始坐标，通常是以0-based的方式表示。
• 结束位置（End）：比对结果或读取的结束坐标，也是0-based。
• 碱基序列（Bases）：比对结果或读取的碱基序列。
• 质量值（Qualities）：比对结果或读取的质量值。
• 附加信息（Auxiliary Information）：比对结果或读取的附加信息，如比对得分、信任度等。

3 WIG文件

WIG文件是生物信息学中广泛使用的文本文件格式，用于存储沿基因组方向的连续测量值。WIG文件通常用于存储基因表达数据、DNA甲基化数据和染色质可及性数据等。

WIG文件的基本结构

WIG文件由一个或多个“记录”组成，每个记录描述一个连续测量值。记录由以下字段组成：

• 染色体名称（Reference Name）：描述测量值所在的染色体的名称或编号。
• 起始位置（Start）：测量值的起始坐标，通常是以0-based的方式表示。
• 结束位置（End）：测量值的结束坐标，也是0-based。
• 测量值（Value）：测量值的实际值。

WIG文件的示例

以下是一个简化的WIG文件示例，以更好理解其结构：

chr1    1000    2000    1.0
chr1    2500    3000    2.0
chr2    5000    6000    3.0

在上述示例中，每行描述了一个基因组上的连续测量值，包括染色体名称、起始和结束位置、测量值等字段。

4 BIGWIG文件

BIGWIG文件是WIG文件的一种变体，它使用了更高效的压缩算法来存储数据。BIGWIG文件通常用于存储高通量测序数据（如DNA-seq、RNA-seq和ChIP-seq）的表达数据。

BIGWIG文件的基本结构

BIGWIG文件由一个或多个“块”组成，每个块描述一个连续测量值。块由以下字段组成：

• 染色体名称（Reference Name）：描述测量值所在的染色体的名称或编号。
• 起始位置（Start）：测量值的起始坐标，通常是以0-based的方式表示。
• 结束位置（End）：测量值的结束坐标，也是0-based。
• 测量值（Value）：测量值的实际值。
• 块大小（BlockSize）：块的大小，以字节为单位。

BIGWIG文件的示例

以下是一个简化的BIGWIG文件示例，以更好理解其结构：

chr1    1000    2000    1.0    100
chr1    2500    3000    2.0    200
chr2    5000    6000    3.0    300

在上述示例中，每行描述了一个基因组上的连续测量值，包括染色体名称、起始和结束位置、测量值、块大小等字段。

5 BEDGRAPH文件

BEDGRAPH文件是BIGWIG文件的另一种变体，它使用了更简单的格式来存储数据。BEDGRAPH文件通常用于存储基因表达数据、DNA甲基化数据和染色质可及性数据等。

BEDGRAPH文件的基本结构

BEDGRAPH文件由一个或多个“记录”组成，每个记录描述一个连续测量值。记录由以下字段组成：

• 染色体名称（Reference Name）：描述测量值所在的染色体的名称或编号。
• 起始位置（Start）：测量值的起始坐标，通常是以0-based的方式表示。
• 结束位置（End）：测量值的结束坐标，也是0-based。
• 测量值（Value）：测量值的实际值。

BEDGRAPH文件的示例

以下是一个简化的BEDGRAPH文件示例，以更好理解其结构：

chr1    1000    2000    1.0
chr1    2500    3000    2.0
chr2    5000    6000    3.0

在上述示例中，每行描述了一个基因组上的连续测量值，包括染色体名称、起始和结束位置、测量值等字段

6 sam文件

SAM文件是BAM文件的前身，它是生物信息学中广泛使用的文本文件格式，用于存储高通量测序数据（如DNA-seq、RNA-seq和ChIP-seq）的比对结果。SAM文件通常由一个或多个比对结果组成，每个比对结果由一个或多个读取组成。

SAM文件的基本结构与BAM文件的基本结构相同，但SAM文件没有附加信息字段。SAM文件的记录由以下字段组成：

• 染色体名称（Reference Name）：描述比对结果或读取所在的染色体的名称或编号。
• 起始位置（Start）：比对结果或读取的起始坐标，通常是以0-based的方式表示。
• 结束位置（End）：比对结果或读取的结束坐标，也是0-based。
• 碱基序列（Bases）：比对结果或读取的碱基序列。
• 质量值（Qualities）：比对结果或读取的质量值。

SAM文件的应用与BAM文件的应用相同。

总体而言，SAM文件与BAM文件的区别在于SAM文件没有附加信息字段。SAM文件的结构更简单，但也更不灵活。BAM文件的结构更复杂，但也更灵活，可以存储更多类型的信息。

其实对我们的bam文件，用samtools软件也可以很容易得到基因组区域的覆盖度和测序深度，比如：

samtools?depth?-r?chr12:126073855-126073965??Ip.sorted.bam

chr12????126073855????5

chr12????126073856????15

chr12????126073857????31

chr12????126073858????40

chr12????126073859????44

chr12????126073860????52

~~~~~~~~~其余省略输出~~~~~~~~~

这其实就是wig文件的雏形，但是wig文件会更复杂一点！

首先它不需要第一列了，因为全部是重复字段，只需要在每个染色体的第一行定义好染色体即可。

7bw文件

bw文件是bigwig的一种变体，它是bigwig文件的一种压缩格式。bw文件的压缩方式与bigwig文件的压缩方式相同，但bw文件的压缩率更高。

bw文件由一个或多个“块”组成，每个块描述一个连续测量值。块由以下字段组成：

• 染色体名称（Reference Name）：描述测量值所在的染色体的名称或编号。
• 起始位置（Start）：测量值的起始坐标，通常是以0-based的方式表示。
• 结束位置（End）：测量值的结束坐标，也是0-based。
• 测量值（Value）：测量值的实际值。
• 块大小（BlockSize）：块的大小，以字节为单位。

bw文件的压缩方式采用了RLE（Run-length encoding）算法。RLE算法是一种压缩算法，它通过记录连续相同字符的个数来进行压缩。

bw文件的压缩率比bigwig文件的压缩率更高，这是因为bw文件使用了RLE算法。RLE算法可以有效地压缩连续相同字符的序列，而bigwig文件使用的是索引压缩算法，它不太适合压缩连续相同字符的序列。

bw文件的应用与bigwig文件的应用相同。bw文件通常用于存储基因表达数据、DNA甲基化数据和染色质可及性数据等。

bw文件的优点包括：

• 压缩率更高，可以节省存储空间。
• 使用RLE算法，压缩效率更高。

bw文件的缺点包括：

• 读取速度较慢，因为需要解压缩。
• 不适合存储非连续测量值。

总结

文件格式	数据类型	存储方式	应用场景
BED	基因组区域	文本	基因组注释、ChIP-seq、ATAC-seq等
WIG	连续测量值	文本	基因表达、DNA甲基化、染色质可及性等
BIGWIG	连续测量值	压缩	基因表达、DNA甲基化、染色质可及性等
BEDGRAPH	连续测量值	文本	基因表达、DNA甲基化、染色质可及性等
SAM	比对结果	文本	高通量测序数据比对
BAM	比对结果	文本	高通量测序数据比对
bw	连续测量值	压缩	基因表达、DNA甲基化、染色质可及性等

drive_spreadsheetExport to Sheets

BED文件用于存储基因组上的特征和区域，每行描述一个基因组上的特征或区域，包括染色体名称、起始和结束位置、名称、分数和链方向等字段。

WIG文件用于存储沿基因组方向的连续测量值，每行描述一个连续测量值，包括染色体名称、起始和结束位置、测量值等字段。

BIGWIG文件是WIG文件的一种变体，使用了更高效的压缩算法来存储数据。

BEDGRAPH文件是BIGWIG文件的另一种变体，使用了更简单的格式来存储数据。

SAM文件用于存储高通量测序数据（如DNA-seq、RNA-seq和ChIP-seq）的比对结果，每行描述一个比对结果或读取，包括染色体名称、起始位置、结束位置、碱基序列、质量值等字段。

BAM文件是SAM文件的前身，使用了更复杂的格式来存储数据，可以存储更多类型的信息。

bw文件是bigwig的一种变体，使用了RLE算法来压缩数据，压缩率比bigwig文件更高。

这些参数一般不用管，除非你很熟悉了UCSC的Genome?Browser工具

然后需要设置每条染色体的属性，几个比较重要的参数是：

fixedStepchrom=chrNstart=positionstep=stepInterval[span=windowSize]

下面是wig的一个具体例子：

track?type=print?wiggle_0?name=hek??description=hek

variableStep?chrom=chr1?span=10

10008????7

10018????14

10028????27

10038????37

10048????45

10058????43

10068????37

10078????26

~~~~~~~~~其余省略输出~~~~~~~~~

UCSC也提供了一个wig文件：http://genome.ucsc.edu/goldenPath/help/examples/wiggleExample.txt

可以看到我设置的参数很少很少，而且我是直接对sort后的bam文件用脚本变成wig文件的。

wig文件格式如下：

那么bigwig格式文件就没什么好讲的了，它就是wig格式文件的二进制压缩版本，这样更加节省空间。

我们只需要用UCSC提供的工具把自己的wig文件转换一下即可，步骤如下：

• Save this?wiggle file?to your machine (this satisfies?steps 1?and?2?above).
• Save this?text file?to your machine. It contains the chrom.sizes for the human (hg19) assembly (this satisfies?step 4?above).
• Download the?wigToBigWig?utility (see?step 3).
• Run the utility to create the bigWig output file (see?step 5):
  wigToBigWig?wigVarStepExample.gz hg19.chrom.sizes myBigWig.bw

最后我们讲一下BedGraph格式文件，它是BED文件的扩展，是4列的BED格式，但是需要添加UCSC的Genome?Browser工具里面显示的属性，但是一般就定义有限的几个属性即可。

track type=bedGraph name=track_labeldescription=center_label        visibility=display_modecolor=r,g,baltColor=r,g,b        priority=priorityautoScale=on|offalwaysZero=on|off        gridDefault=on|offmaxHeightPixels=max:default:min        graphType=bar|pointsviewLimits=lower:upper        yLineMark=real-valueyLineOnOff=on|off        windowingFunction=maximum|mean|minimumsmoothingWindow=off|2-16

有一点需要注意：?These coordinates are?zero-based, half-open.

?Chromosome positions are specified as 0-relative. The first chromosome position is 0. The last position in a chromosome of length N would be N - 1. Only positions specified have data.

?Positions not specified do not have data and will not be graphed.

All positions specified in the input data must be in numerical order.

我这里有一个MACS对CHIP-seq数据call peaks附带的BedGraph文件，也可以用工具直接从bam格式文件得到：

track?type=bedGraph?name="hek_treat_all"?description="Extended?tag?pileup?from?MACS?version?1.4.2?20120305"

chr1????9997????9999????1

chr1????9999????10000???2

chr1????10000???10001???4

chr1????10001???10003???5

chr1????10003???10007???6

chr1????10007???10010???7

chr1????10010???10012???8

chr1????10012???10015???9

chr1????10015???10016???10

chr1????10016???10017???11

chr1????10017???10018???12