这是用户在 2024-9-19 10:49 为 https://app.immersivetranslate.com/pdf-pro/1278e129-84c3-433c-99af-fee32bda17e5 保存的双语快照页面,由 沉浸式翻译 提供双语支持。了解如何保存?


CRAM 格式规范(版本 3.1)

samtools-devel@lists.sourceforge.net

 2024 年 9 月 4 日

 摘要


该文档的主版本可以在 https://github.com/samtools/hts-specs 找到。此打印版本为该存储库中的 4127441,最后修改日期如上所示。

 许可证:Apache 2.0

 1 概述


该规范描述了 CRAM 3.0 和 3.1 格式。


CRAM 具有以下主要目标:

  1. 比 BAM 显著更好的无损压缩

  2. 与 BAM 完全兼容

  3. 轻松从使用 BAM 文件过渡到 CRAM

  4. 对 BAM 数据的受控丢失支持

前三个目标使用户能够立即利用 CRAM 格式,同时提供从使用 BAM 文件平滑过渡的路径。第四个目标支持探索不同的有损压缩策略,并提供一个框架以实施这些选择。请注意,CRAM 格式并不对应该保留或不应保留的数据施加任何规则。相反,CRAM 支持广泛的无损和有损数据保留策略,使用户能够选择应保留哪些数据。


CRAM 中的数据存储为 CRAM 记录或使用通用压缩器(gzip,bzip2)。CRAM 记录使用多种不同的编码策略进行压缩。例如,碱基通过编码碱基差异进行参考压缩,而不是存储碱基本身。 1 1 ^(1){ }^{1}

 2 数据类型


CRAM 规范使用逻辑数据类型和存储数据类型;逻辑数据类型用单词表示(例如 int),而物理数据类型用单个字母表示(例如 i)。两者之间的区别在于存储数据类型定义了逻辑数据类型在 CRAM 中的存储方式。CRAM 中的数据以位或字节的形式存储。以下将详细描述以位和字节写入值的方式。


2.1 逻辑数据类型

 字节


有符号字节(8 位)。

 整数

 签名的 32 位整数。

 


签名的 64 位整数。

 数组


任何逻辑数据类型的数组:array


2.2 将位写入位流


位流由一系列的 1 和 0 组成。位是从最重要的位开始书写,新位堆叠在右侧,左侧的完整字节被写出。在位流中,如果最后一个字节写入的位少于 8 位,则该字节将不完整。在这种情况下,最后一个字节中的位将向左移动。


写入位流的示例


让我们考虑以下示例。下表显示了一系列写操作:
 操作顺序  缓冲区状态之前  书写的位元  缓冲区状态之后  发出字节
1 0 × 0 0 × 0 0xx00 \times 0 1 0 × 1 0 × 1 0xx10 \times 1 -
2 0 × 1 0 × 1 0xx10 \times 1 0 0 × 2 0 × 2 0xx20 \times 2 -
3 0 × 2 0 × 2 0xx20 \times 2 11 0 × B 0 × B 0xx B0 \times B -
4 0 × B 0 × B 0xx B0 \times B 00000111 0 × 7 0 × 7 0xx70 \times 7 0 × B 0 0 × B 0 0xx B00 \times B 0
Operation order Buffer state before Written bits Buffer state after Issued bytes 1 0xx0 1 0xx1 - 2 0xx1 0 0xx2 - 3 0xx2 11 0xx B - 4 0xx B 00000111 0xx7 0xx B0| Operation order | Buffer state before | Written bits | Buffer state after | Issued bytes | | :--- | :--- | :--- | :--- | :--- | | 1 | $0 \times 0$ | 1 | $0 \times 1$ | - | | 2 | $0 \times 1$ | 0 | $0 \times 2$ | - | | 3 | $0 \times 2$ | 11 | $0 \times B$ | - | | 4 | $0 \times B$ | 00000111 | $0 \times 7$ | $0 \times B 0$ |

在刷新上述比特流后,写入以下字节: 0 x B 0 0 x B 0 0xB00 x B 0 0x70。请注意,最后一个字节在左移之前是 0 × 7 0 × 7 0xx70 \times 7 ,左移后变为 0 x 70 0 x 70 0x 700 x 70
> echo "obase=16; ibase=2; 00000111" | bc
7
> echo "obase=16; ibase=2; 01110000" | bc
7 0

整个比特序列:
echo “obase=2; ibase=16; B070” | bc
1011000001110000

在读取位序列中的位时,必须知道只有 12 位是有意义的,位流在此之后不应再读取。


写入比特流的注意事项


在写入比特流时,必须知道值和该值中的比特数。这是因为编程语言通常以字节(8 位)为单位操作,而要指定要写入哪些比特需要一个比特持有者,例如一个整数,以及其中的比特数。同样,在从比特流中读取值时,必须提前知道比特数。在前缀编码(例如霍夫曼编码)的情况下,所有可能的比特组合要么是提前已知的,要么可以根据前几个比特计算出后面将跟随多少比特。或者,可以组合两个编码,第一个编码包含要读取的比特数。


2.3 将字节写入字节流


字节流的解释很简单。CRAM 在适用时使用小端字节序,并定义以下存储数据类型:

 布尔值 (bool)


布尔值以 1 字节表示,其中 0 x 0 0 x 0 0x00 x 0 为‘假’,0x1 为‘真’。

 整数 (int32)


签名的 32 位整数,以小端字节顺序写为 4 个字节。

 长整型 (int64)


签名的 64 位整数,以小端字节顺序写为 8 个字节。

 ITF-8 整数 (itf8)


这是一种写整数值的替代方法。这个想法类似于 UTF-8 编码,因此这种编码被称为 ITF-8(整数转换格式 - 8 位)。


第一个字节的最高有效位具有特殊含义,称为“前缀”。这些是 0 到 4 个真实位,后面跟着一个 0。1 的数量表示后续字节的数量。为了适应 32 位,这种表示需要 5 个字节,最后一个字节仅使用 4 个低位。

 LTF-8 长 (ltf8)


请参阅 ITF-8 以获取更多详细信息。ITF-8 和 LTF-8 之间的唯一区别是用于编码单个值的字节数。为此需要 64 位,最多可以使用 9 个字节,第一个字节仅由 1 或 0xFF 值组成。

 数组 (array<类型>)


一个具有显式维度的可变大小数组。数组长度首先以整数(itf8)形式写出,随后是数组的元素。


隐式或固定大小的数组也被使用,写作类型 [ ] 或类型 [4](例如)。这些在文件格式中没有包含显式维度,而是依赖于规范本身来记录数组大小。

 编码


编码是一种数据类型,指定数据系列是如何被压缩的。编码被定义为 encoding,其中类型是逻辑数据类型,而不是存储数据类型。


编码如下所示。第一个整数(itf8)表示编解码器 ID,第二个整数(itf8)表示后续编码特定值的字节数。


亚指数编码示例:
   类型  名称
0x7 itf8  编解码器 ID
0x2 itf8
后续字节数
0x0 itf8  偏移量
0x1 itf8  K 参数
Value Type Name 0x7 itf8 codec id 0x2 itf8 number of bytes to follow 0x0 itf8 offset 0x1 itf8 K parameter| Value | Type | Name | | :--- | :--- | :--- | | 0x7 | itf8 | codec id | | 0x2 | itf8 | number of bytes to follow | | 0x0 | itf8 | offset | | 0x1 | itf8 | K parameter |

第一个字节 " 0 × 7 0 × 7 0xx70 \times 7 " 是编解码器 ID。


下一个字节 "0 x 2" 表示后续字节的长度 (2)。


子指数编码有两个参数:整数(itf8)偏移量和整数(itf8)K。

 偏移 = 0 x 0 = 0 = 0 x 0 = 0 =0x0=0=0 \mathrm{x} 0=0
K = 0 x 1 = 1 K = 0 x 1 = 1 K=0x1=1\mathrm{K}=0 \mathrm{x} 1=1
 地图

映射是键及其关联值的集合。具有 N N NN 个键的映射写作如下:
 字节大小 N  键 1  值 1  键...  值 ...  键 N  值 N
size in bytes N key 1 value 1 key... value ... key N value N| size in bytes | N | key 1 | value 1 | key... | value ... | key N | value N | | :--- | :--- | :--- | :--- | :--- | :--- | :--- | :--- |

字节大小和键的数量都以整数(itf8)形式写入。键和值根据其数据类型进行书写,并且对每个映射都是特定的。

 字符串


字符串使用 UTF-8 格式表示为字节数组。读取名称、参考序列名称和类型为 ' Z Z ZZ ' 的标签值存储为 UTF-8。

 3 编码


编码是一种数据结构,用于捕获关于数据系列压缩细节的信息,这些信息是解压缩所必需的。这可能是一组常量,用于初始化特定的解压缩算法,或者是数据系列的统计属性,或者在数据系列存储在外部块的情况下,块内容的 ID。

编码标记被定义为关键字“encoding”后跟其数据类型的尖括号,例如“encoding”表示对数据类型为“byte”的数据系列进行操作的编码。


编码可能具有不同数据类型的参数,例如 EXTERNAL 编码只有一个参数,即外部块的整数 ID。定义了以下编码:
 编解码器 ID  参数  评论
NULL 0    系列未被保留
EXTERNAL 1
int 块内容 id

用于将外部数据块与数据系列关联的块内容标识符
the block content identifier used to associate external data blocks with data series| the block content identifier used to | | :--- | | associate external data blocks with | | data series |
 已弃用 (GOLOMB) 2 int offset, int M  戈隆布编码
HUFFMAN 3 array<int>, array<int>
使用 int/byte 值进行编码
BYTE_ARRAY_LEN 4

编码 数组长度,编码 字节
encoding<int> array length, encoding<byte> bytes| encoding<int> array length, | | :--- | | encoding<byte> bytes |

字节数组的编码与数组长度
coding of byte arrays with array length| coding of byte arrays with array | | :--- | | length |
BYTE_ARRAY_STOP 5

字节停止,整数外部块内容 ID
byte stop, int external block content id| byte stop, int external block | | :--- | | content id |

字节数组的编码与停止值
coding of byte arrays with a stop value| coding of byte arrays with a stop | | :--- | | value |
BETA 6
int 偏移量, int 位数
 二进制编码
SUBEXP 7 int offset, int K  亚指数编码

已弃用 (GOLOMB_RICE)
8 int offset, int log 2 m log 2 m log_(2)m\log _{2} \mathrm{~m}  戈隆布-赖斯编码
GAMMA 9 int offset  埃利亚斯伽马编码
Codec ID Parameters Comment NULL 0 none series not preserved EXTERNAL 1 int block content id "the block content identifier used to associate external data blocks with data series" Deprecated (GOLOMB) 2 int offset, int M Golomb coding HUFFMAN 3 array<int>, array<int> coding with int/byte values BYTE_ARRAY_LEN 4 "encoding<int> array length, encoding<byte> bytes" "coding of byte arrays with array length" BYTE_ARRAY_STOP 5 "byte stop, int external block content id" "coding of byte arrays with a stop value" BETA 6 int offset, int number of bits binary coding SUBEXP 7 int offset, int K subexponential coding Deprecated (GOLOMB_RICE) 8 int offset, int log_(2)m Golomb-Rice coding GAMMA 9 int offset Elias gamma coding| Codec | ID | Parameters | Comment | | :--- | :--- | :--- | :--- | | NULL | 0 | none | series not preserved | | EXTERNAL | 1 | int block content id | the block content identifier used to <br> associate external data blocks with <br> data series | | Deprecated (GOLOMB) | 2 | int offset, int M | Golomb coding | | HUFFMAN | 3 | array<int>, array<int> | coding with int/byte values | | BYTE_ARRAY_LEN | 4 | encoding<int> array length, <br> encoding<byte> bytes | coding of byte arrays with array <br> length | | BYTE_ARRAY_STOP | 5 | byte stop, int external block <br> content id | coding of byte arrays with a stop <br> value | | BETA | 6 | int offset, int number of bits | binary coding | | SUBEXP | 7 | int offset, int K | subexponential coding | | Deprecated (GOLOMB_RICE) | 8 | int offset, int $\log _{2} \mathrm{~m}$ | Golomb-Rice coding | | GAMMA | 9 | int offset | Elias gamma coding |

请参阅第 13 节以获取上述所有编码算法及其参数的更详细描述。

 4 个校验和


校验和用于确保数据完整性。CRAM 中使用了以下校验和算法。

4.1 CRC32


这是一个 32 位长的循环冗余校验,使用多项式 0x04C11DB7。有关更多详细信息,请参阅 ITU-T V. 42。CRC32 哈希函数的值以整数形式表示。

 4.2 CRC32 校验和


CRC32 和是通过对所有单个 CRC32 值进行求和并对 2 32 2 32 2^(32)2^{32} 取模得到的 CRC32 值的组合。

 5 文件结构


本节描述了整体的 CRAM 文件结构。有关更详细的信息,请参阅本文档的其他部分。


CRAM 文件由一个固定长度的文件定义组成,后面是一个 CRAM 头容器,然后是零个或多个数据容器,最后是一个特殊的文件结束容器。
 文件定义
File definition| File | | :---: | | definition |
 CRAM 头部容器
CRAM Header Container| CRAM Header | | :---: | | Container |
 数据容器
Data Container| Data | | :---: | | Container |
cdots\cdots
 数据容器
Data Container| Data | | :---: | | Container |
 CRAM EOF 容器
CRAM EOF Container| CRAM EOF | | :---: | | Container |
"File definition" "CRAM Header Container" "Data Container" cdots "Data Container" "CRAM EOF Container"| File <br> definition | CRAM Header <br> Container | Data <br> Container | $\cdots$ | Data <br> Container | CRAM EOF <br> Container | | :---: | :---: | :---: | :---: | :---: | :---: |

图 1:CRAM 文件由文件定义组成,后面是头部容器,然后是其他容器。


容器由一个或多个块组成。第一个容器称为 CRAM 头容器,用于存储如 SAM 规范中所述的文本头(参见第 7.1 节)。此容器可能会有额外的填充字节,以便允许对 SAM 头进行小规模的内联重写。这些填充字节是未定义的,但我们建议用零填充。填充字节可以是显式未压缩的块结构,或者是未分配的额外空间,其中容器的大小大于其内部块的总大小。

图 2:第一个容器包含 CRAM 头文本。


每个容器以一个容器头结构开始,后面跟着一个或多个块。每个容器中的第一个块是压缩头块,提供有关如何解码后续块中数据的详细信息。每个块以一个块头结构开始,后面跟着块数据。

图 3:容器作为一系列块


压缩头后的块在逻辑上组织成切片。一个切片可能包含例如一段连续的对齐数据。切片以切片头块开始,后面跟着一个或多个数据块。正是这些数据块保存了 CRAM 数据的主要部分。数据块进一步细分为核心数据块和一个或多个外部数据块。

图 4:由一系列连接块形成的切片

 6 文件定义


每个 CRAM 文件以固定长度(26 字节)的定义开始,包含以下字段:
 数据类型  名称  
 字节[4]  格式魔数 CRAM (0x43 0x52 0x41 0x4d)
 无符号字节  主要格式编号 3 ( 0 x 3 ) 3 ( 0 x 3 ) 3(0x3)3(0 x 3)
 无符号字节  小格式编号 1 (0x1)
 字节[20]  文件 ID
CRAM 文件标识符(例如文件名或 SHA1 校验和)
Data type Name Value byte[4] format magic number CRAM (0x43 0x52 0x41 0x4d) unsigned byte major format number 3(0x3) unsigned byte minor format number 1 (0x1) byte[20] file id CRAM file identifier (e.g. file name or SHA1 checksum)| Data type | Name | Value | | :--- | :--- | :--- | | byte[4] | format magic number | CRAM (0x43 0x52 0x41 0x4d) | | unsigned byte | major format number | $3(0 x 3)$ | | unsigned byte | minor format number | 1 (0x1) | | byte[20] | file id | CRAM file identifier (e.g. file name or SHA1 checksum) |

有效的 CRAM 主版本.次版本号如下:


1.0 原始公共 CRAM 版本。


2.0 第一个 CRAM 版本在 Java 和 C 中实现;整理了 1.0 中的实现与规范差异。


2.1 获得文件结束标记;与 2.0 兼容。


3.0 额外的压缩方法;头部和数据校验和;对无序数据的改进。


3.1 仅限额外的外部压缩编解码器。

CRAM 3.0 和 3.1 仅在可用的压缩方法列表上有所不同,因此输出 CRAM 3 而不使用任何 3.1 编解码器的工具应写入头部以指示 3.0,以便允许最大兼容性。


7 容器头结构


文件定义后面跟着一个或多个容器,具有以下头部结构,其中容器内容存储在“blocks”字段中:
 数据类型  名称  
int32  长度

该容器中所有块的长度总和(头部和数据)以及任何填充字节(仅限 CRAM 头部容器);等于容器的总字节长度减去该头部结构的字节长度
the sum of the lengths of all blocks in this container (headers and data) and any padding bytes (CRAM header container only); equal to the total byte length of the container minus the byte length of this header structure| the sum of the lengths of all blocks in this container | | :--- | | (headers and data) and any padding bytes (CRAM header | | container only); equal to the total byte length of the | | container minus the byte length of this header structure |
itf8  参考序列 ID

参考序列标识符或 -1 表示未映射的读取 -2 表示多个参考序列。此容器中的所有切片必须具有与此值匹配的参考序列 ID。
reference sequence identifier or -1 for unmapped reads -2 for multiple reference sequences. All slices in this container must have a reference sequence id matching this value.| reference sequence identifier or | | :--- | | -1 for unmapped reads | | -2 for multiple reference sequences. | | All slices in this container must have a reference sequence | | id matching this value. |
itf8

参考上的起始位置
starting position on the reference| starting position on the | | :--- | | reference |

对齐起始位置
itf8  对齐跨度
对齐的长度
itf8  记录数
容器中的记录数
ltf8  记录计数器
文件/流中记录的基于 1 的顺序索引。
ltf8  基础
读取碱基数
itf8  块的数量
此容器中的块总数
array<itf8>  地标

该容器中切片的位置作为从该容器头部末尾的字节偏移量,用于随机访问索引。对于序列数据容器,地标计数必须等于切片计数。由于第一个切片之前的块是压缩头,因此 landmarks[0] 等于压缩头的字节长度。
the locations of slices in this container as byte offsets from the end of this container header, used for random access indexing. For sequence data containers, the landmark count must equal the slice count. Since the block before the first slice is the compression header, landmarks[0] is equal to the byte length of the compression header.| the locations of slices in this container as byte offsets from | | :--- | | the end of this container header, used for random access | | indexing. For sequence data containers, the landmark | | count must equal the slice count. | | Since the block before the first slice is the compression | | header, landmarks[0] is equal to the byte length of the | | compression header. |
 整数 crc32
容器中所有前面字节的 CRC32 哈希。
 字节[  区块
容器内包含的块。
Data type Name Value int32 length "the sum of the lengths of all blocks in this container (headers and data) and any padding bytes (CRAM header container only); equal to the total byte length of the container minus the byte length of this header structure" itf8 reference sequence id "reference sequence identifier or -1 for unmapped reads -2 for multiple reference sequences. All slices in this container must have a reference sequence id matching this value." itf8 "starting position on the reference" the alignment start position itf8 alignment span the length of the alignment itf8 number of records number of records in the container ltf8 record counter 1-based sequential index of records in the file/stream. ltf8 bases number of read bases itf8 number of blocks the total number of blocks in this container array<itf8> landmarks "the locations of slices in this container as byte offsets from the end of this container header, used for random access indexing. For sequence data containers, the landmark count must equal the slice count. Since the block before the first slice is the compression header, landmarks[0] is equal to the byte length of the compression header." int crc32 CRC32 hash of the all the preceding bytes in the container. byte[ blocks The blocks contained within the container.| Data type | Name | Value | | :---: | :---: | :---: | | int32 | length | the sum of the lengths of all blocks in this container <br> (headers and data) and any padding bytes (CRAM header <br> container only); equal to the total byte length of the <br> container minus the byte length of this header structure | | itf8 | reference sequence id | reference sequence identifier or <br> -1 for unmapped reads <br> -2 for multiple reference sequences. <br> All slices in this container must have a reference sequence <br> id matching this value. | | itf8 | starting position on the <br> reference | the alignment start position | | itf8 | alignment span | the length of the alignment | | itf8 | number of records | number of records in the container | | ltf8 | record counter | 1-based sequential index of records in the file/stream. | | ltf8 | bases | number of read bases | | itf8 | number of blocks | the total number of blocks in this container | | array<itf8> | landmarks | the locations of slices in this container as byte offsets from <br> the end of this container header, used for random access <br> indexing. For sequence data containers, the landmark <br> count must equal the slice count. <br> Since the block before the first slice is the compression <br> header, landmarks[0] is equal to the byte length of the <br> compression header. | | int | crc32 | CRC32 hash of the all the preceding bytes in the container. | | byte[ | blocks | The blocks contained within the container. |

在初始的 CRAM 头容器中,读取时必须忽略参考序列 ID、参考上的起始位置和比对跨度字段。地标数组对于 CRAM 头是可选的,但如果存在,它应该指向块偏移而不是切片,第一个块包含文本头。

在数据容器中指定未映射的读取或多个参考序列(即参考序列 ID < 0 < 0 < 0<0 )时,读取时必须忽略参考上的起始位置和比对跨度字段。在写入时,建议将每个被忽略的字段设置为值 0。


7.1 CRAM 头部容器


CRAM 文件中的第一个容器包含一个或多个块中的文本头。有关这些块内数据布局和对 SAM 头内容施加的约束的更多详细信息,请参见第 8.3 节。

容器头结构的地标字段可用于指示在头容器中使用的块的偏移量。通过指定数组大小为零,这些可以选择性地省略。

 8 块结构


容器由一个或多个块组成。块压缩是独立应用的,并且是对块内数据进行压缩时使用的任何编码的补充。块具有以下头部结构,数据存储在“块数据”字段中:
 数据类型  名称  
 字节  方法
块压缩方法(以及第一个 CRAM 版本):
 0: 原始 (无)*
1: gzip
2: bzip2 (v2.0)
3: lzma (v3.0)
4: rans4x8 (v3.0)
5: rans4x16 (v3.1)

6: 自适应算术编码器 (v3.1)
7: fqzcomp (v3.1)

8: 名称分词器 (v3.1)
 字节
区块内容类型 ID

块内容类型标识符
itf8  字节大小*
用于关联外部数据的块内容标识符

原始大小(字节)*

数据系列的块
itf8  块数据
应用块压缩后块数据的大小
itf8
在应用块压缩之前存储的数据
 字节[]
・ CRAM 记录的位流(核心数据块)

\bullet 字节流(外部数据块)
CRC32
附加字段(头部块)
 字节[4]
区块中所有前导字节的 CRC32 哈希值
Data type Name Value byte method the block compression method (and first CRAM version): 0: raw (none)* 1: gzip 2: bzip2 (v2.0) 3: lzma (v3.0) 4: rans4x8 (v3.0) 5: rans4x16 (v3.1) 6: adaptive arithmetic coder (v3.1) 7: fqzcomp (v3.1) 8: name tokeniser (v3.1) byte block content type id the block content type identifier itf8 size in bytes* the block content identifier used to associate external data raw size in bytes* blocks with data series itf8 block data size of the block data after applying block compression itf8 the data stored in the before applying block compression byte[] ・ bit stream of CRAM records (core data block) ∙ byte stream (external data block) CRC32 additional fields ( header blocks) byte[4] CRC32 hash value for all preceding bytes in the block | Data type | Name | Value | | :--- | :--- | :--- | | byte | method | the block compression method (and first CRAM version): | | | | 0: raw (none)* | | | | 1: gzip | | | | 2: bzip2 (v2.0) | | | | 3: lzma (v3.0) | | | | 4: rans4x8 (v3.0) | | | | 5: rans4x16 (v3.1) | | | | 6: adaptive arithmetic coder (v3.1) | | | | 7: fqzcomp (v3.1) | | | | 8: name tokeniser (v3.1) | | byte | block content type id | the block content type identifier | | itf8 | size in bytes* | the block content identifier used to associate external data | | | raw size in bytes* | blocks with data series | | itf8 | block data | size of the block data after applying block compression | | itf8 | | the data stored in the before applying block compression | | byte[] | ・ bit stream of CRAM records (core data block) | | | | | $\bullet$ byte stream (external data block) | | | CRC32 | additional fields ( header blocks) | | byte[4] | CRC32 hash value for all preceding bytes in the block | |

  • 关于原始方法的说明:压缩大小和原始大小必须设置为相同的值。

文件中可能会出现空块。原始(未压缩)大小为零的块被视为空块,无论其“方法”字节是什么。这相当于将它们解释为具有方法零(原始)和压缩大小为零。


8.1 块内容类型


CRAM 具有以下块内容类型:
 块内容类型

块内容类型 ID
Block content type id| Block | | :--- | | content | | type id |
 名称  内容
FILE_HEADER 0  CRAM 头块  CRAM 头部
COMPRESSION_HEADER 1
压缩头块
 查看特定部分
SLICE_HEADER a ^("a "){ }^{\text {a }} 2  切片头块  查看特定部分
3  保留
EXTERNAL_DATA 4  外部数据块

由外部编码生成的数据
data produced by external encodings| data produced by | | :--- | | external encodings |
CORE_DATA 5  核心数据块

所有编码的比特流,除了外部编码
bit stream of all encodings except for external encodings| bit stream of all | | :--- | | encodings except for | | external encodings |
Block content type "Block content type id" Name Contents FILE_HEADER 0 CRAM header block CRAM header COMPRESSION_HEADER 1 Compression header block See specific section SLICE_HEADER ^("a ") 2 Slice header block See specific section 3 reserved EXTERNAL_DATA 4 external data block "data produced by external encodings" CORE_DATA 5 core data block "bit stream of all encodings except for external encodings"| Block content type | Block <br> content <br> type id | Name | Contents | | :--- | :--- | :--- | :--- | | FILE_HEADER | 0 | CRAM header block | CRAM header | | COMPRESSION_HEADER | 1 | Compression header block | See specific section | | SLICE_HEADER ${ }^{\text {a }}$ | 2 | Slice header block | See specific section | | | 3 | | reserved | | EXTERNAL_DATA | 4 | external data block | data produced by <br> external encodings | | CORE_DATA | 5 | core data block | bit stream of all <br> encodings except for <br> external encodings |


8.2 块内容 ID


块内容 ID 用于区分同一切片中的外部块。每个外部编码都有一个 id 参数,该参数必须是外部块内容 ID 之一。对于外部块,内容 ID 是一个正整数。对于所有其他块,内容 ID 应为 0。因此,所有外部编码不得使用小于 1 的内容 ID。

 数据块


数据存储在数据块中。数据块有两种类型:核心数据块和外部数据块。核心数据块和外部数据块的区别在于,核心数据块由使用位编码压缩的数据序列组成,而外部数据块则是字节压缩的。每个切片关联一个核心数据块和任意数量的外部数据块。


通过 CRAM 记录组织对核心和外部数据块的读写。每个数据系列都与一种编码相关联。在外部编码的情况下,使用块内容 ID 来识别存储数据系列的块。请注意,外部块可以与多个数据系列相关联;在这种情况下,这些数据系列的值将交错。


8.3 CRAM 头块


SAM 头信息存储在 CRAM 头容器的第一个块中(见第 7.1 节)。该块可以是未压缩的或仅 gzip 压缩的。该块后面可以跟零个或多个未压缩的扩展块。如果存在,这些块允许对 CRAM 头进行就地编辑,使其能够随着补偿性大小变化而增长或缩小,避免了重写文件其余部分的需要。任何扩展块的内容应为零字节(空字符)。


初始 SAM 头块的格式是一个 32 位小端整数,表示 SAM 头文本的长度,减去空终止字节,后面是文本本身。尽管是 32 位,允许的最大值是 2 31 2 31 2^(31)2^{31} ,所有长度必须为正。


以下约束适用于 SAM 头文本:

  • SQ:MD5 校验和是必需的,除非参考序列已嵌入文件中。


8.4 压缩头块


压缩头块由三个部分组成:保留映射、数据系列编码映射和标签编码映射。

 保护地图


保留映射包含有关在 CRAM 文件中保留了哪些数据的信息。它作为一个具有 byte[2]键的映射存储:
 关键  值数据类型  名称  
RN  布尔值  读取包含的名称
如果所有读取的名称都被保留,则为真
AP  布尔值
AP 数据系列增量

如果 AP 数据系列是增量,则为 true,否则为 false
RR  布尔值  参考要求

如果需要参考序列以完全恢复数据,则为真
true if reference sequence is required to restore the data completely| true if reference sequence is required to restore | | :--- | | the data completely |
SM  字节[5]  替代矩阵  替代矩阵
TD  字节数组  标签 ID 字典
标签 ID 的列表列表,请参见标签编码部分
Key Value data type Name Value RN bool read names included true if read names are preserved for all reads AP bool AP data series delta true if AP data series is delta, false otherwise RR bool reference required "true if reference sequence is required to restore the data completely" SM byte[5] substitution matrix substitution matrix TD array<byte> tag ids dictionary a list of lists of tag ids, see tag encoding section| Key | Value data type | Name | Value | | :--- | :--- | :--- | :--- | | RN | bool | read names included | true if read names are preserved for all reads | | AP | bool | AP data series delta | true if AP data series is delta, false otherwise | | RR | bool | reference required | true if reference sequence is required to restore <br> the data completely | | SM | byte[5] | substitution matrix | substitution matrix | | TD | array<byte> | tag ids dictionary | a list of lists of tag ids, see tag encoding section |

布尔值是可选的,缺省为 true,尽管建议明确设置它们。SM 和 TD 是必需的。

 数据系列编码


每个数据系列都有一个编码。这些编码存储在一个以 byte[2] 为键的映射中,并大致按照以下顺序解码 2 2 ^(2){ }^{2}
 关键  值数据类型  名称  
BF  编码  BAM 位标志  请参见单独部分
CF  编码  CRAM 位标志  查看特定部分
RI  编码  参考 ID
从 SAM 文件头中记录参考 ID
RL  编码  读取长度  读取长度
AP  编码  序列中的位置

如果 AP-Delta = true:基于 0 的对齐开始增量来自于前一记录中的 AP 值。请注意,这个增量可能是负数,例如在多参考切片中切换参考时。当记录是切片中的第一个时,使用的前一个位置是切片对齐开始字段(因此对于单参考切片,第一个增量应该为零,对于多参考切片,应该是 AP 值本身)。如果 AP-Delta = false:直接编码对齐开始位置。
if AP-Delta = true: 0-based alignment start delta from the AP value in the previous record. Note this delta may be negative, for example when switching references in a multi-reference slice. When the record is the first in the slice, the previous position used is the slice alignment-start field (hence the first delta should be zero for single-reference slices, or the AP value itself for multi-reference slices). if AP-Delta = false: encodes the alignment start position directly| if AP-Delta = true: 0-based alignment start | | :--- | | delta from the AP value in the previous record. | | Note this delta may be negative, for example | | when switching references in a multi-reference | | slice. When the record is the first in the slice, the | | previous position used is the slice alignment-start | | field (hence the first delta should be zero for | | single-reference slices, or the AP value itself for | | multi-reference slices). | | if AP-Delta = false: encodes the alignment start | | position directly |
RG  编码  阅读组

读取组。特殊值 '-1' 表示没有组。
read groups. Special value ' -1 ' stands for no group.| read groups. Special value ' -1 ' stands for no | | :--- | | group. |
RN a RN a RN^(a)\mathrm{RN}^{\mathrm{a}}  编码  读取名称  读取名称
MF  编码
下一个伙伴位标志
 查看特定部分
NS  编码

下一个片段参考序列 ID
next fragment reference sequence id| next fragment | | :--- | | reference sequence id |

下一个片段的参考序列 ID
NP  编码

下一个配对对齐开始
next mate alignment start| next mate alignment | | :--- | | start |

下一个片段的对齐位置
TS  编码  模板大小  模板大小
NF  编码

到下一个片段的距离
distance to next fragment| distance to next | | :--- | | fragment |

跳过到下一个片段的记录数 b b ^(b){ }^{b}
TL C TL C TL^(C)\mathrm{TL}^{\mathrm{C}}  编码  标签 ID
标签 ID 列表,请参见标签编码部分
FN  编码

读取特征的数量
number of read features| number of read | | :--- | | features |

每条记录中读取特征的数量
FC  编码  阅读功能代码  请参见单独部分
FP  编码  阅读中的位置

读取特征的位置;相对于最后一个位置的正增量(从零开始)
positions of the read features; a positive delta to the last position (starting with zero)| positions of the read features; a positive delta to | | :--- | | the last position (starting with zero) |
DL  编码  删除长度
碱基对缺失长度
BB  编码  基础的延伸  基础
QQ  编码

质量分数的区间
stretches of quality scores| stretches of quality | | :--- | | scores |
 质量分数
BS  编码
 碱基替代编码
base substitution codes| base substitution | | :--- | | codes |
 碱基替代编码
IN  编码  插入  插入的碱基
RS  编码  参考跳过长度
'N'读取特征的跳过碱基数量
PD  编码  填充
填充碱基的数量
HC  编码  硬剪辑
硬剪切碱基的数量
SC  编码  软剪辑  软剪切碱基
MQ  编码  映射质量  映射质量分数
BA  编码  基础  基础
QS  编码  质量分数  质量分数
TC d TC d TC^(d)\mathrm{TC}^{\mathrm{d}}  不适用  遗留字段  被忽略
TN d TN d TN^(d)\mathrm{TN}^{\mathrm{d}}  不适用  遗留字段  被忽略
Key Value data type Name Value BF encoding<int> BAM bit flags see separate section CF encoding<int> CRAM bit flags see specific section RI encoding<int> reference id record reference id from the SAM file header RL encoding<int> read lengths read lengths AP encoding<int> in-seq positions "if AP-Delta = true: 0-based alignment start delta from the AP value in the previous record. Note this delta may be negative, for example when switching references in a multi-reference slice. When the record is the first in the slice, the previous position used is the slice alignment-start field (hence the first delta should be zero for single-reference slices, or the AP value itself for multi-reference slices). if AP-Delta = false: encodes the alignment start position directly" RG encoding<int> read groups "read groups. Special value ' -1 ' stands for no group." RN^(a) encoding<byte[ ]> read names read names MF encoding<int> next mate bit flags see specific section NS encoding<int> "next fragment reference sequence id" reference sequence ids for the next fragment NP encoding<int> "next mate alignment start" alignment positions for the next fragment TS encoding<int> template size template sizes NF encoding<int> "distance to next fragment" number of records to skip to the next fragment ^(b) TL^(C) encoding<int> tag ids list of tag ids, see tag encoding section FN encoding<int> "number of read features" number of read features in each record FC encoding<byte> read features codes see separate section FP encoding<int> in-read positions "positions of the read features; a positive delta to the last position (starting with zero)" DL encoding<int> deletion lengths base-pair deletion lengths BB encoding<byte[]> stretches of bases bases QQ encoding<byte[ ]> "stretches of quality scores" quality scores BS encoding<byte> "base substitution codes" base substitution codes IN encoding<byte[]> insertion inserted bases RS encoding<int> reference skip length number of skipped bases for the ' N ' read feature PD encoding<int> padding number of padded bases HC encoding<int> hard clip number of hard clipped bases SC encoding<byte[ ]> soft clip soft clipped bases MQ encoding<int> mapping qualities mapping quality scores BA encoding<byte> bases bases QS encoding<byte> quality scores quality scores TC^(d) N/A legacy field to be ignored TN^(d) N/A legacy field to be ignored| Key | Value data type | Name | Value | | :---: | :---: | :---: | :---: | | BF | encoding<int> | BAM bit flags | see separate section | | CF | encoding<int> | CRAM bit flags | see specific section | | RI | encoding<int> | reference id | record reference id from the SAM file header | | RL | encoding<int> | read lengths | read lengths | | AP | encoding<int> | in-seq positions | if AP-Delta = true: 0-based alignment start <br> delta from the AP value in the previous record. <br> Note this delta may be negative, for example <br> when switching references in a multi-reference <br> slice. When the record is the first in the slice, the <br> previous position used is the slice alignment-start <br> field (hence the first delta should be zero for <br> single-reference slices, or the AP value itself for <br> multi-reference slices). <br> if AP-Delta = false: encodes the alignment start <br> position directly | | RG | encoding<int> | read groups | read groups. Special value ' -1 ' stands for no <br> group. | | $\mathrm{RN}^{\mathrm{a}}$ | encoding<byte[ ]> | read names | read names | | MF | encoding<int> | next mate bit flags | see specific section | | NS | encoding<int> | next fragment <br> reference sequence id | reference sequence ids for the next fragment | | NP | encoding<int> | next mate alignment <br> start | alignment positions for the next fragment | | TS | encoding<int> | template size | template sizes | | NF | encoding<int> | distance to next <br> fragment | number of records to skip to the next fragment ${ }^{b}$ | | $\mathrm{TL}^{\mathrm{C}}$ | encoding<int> | tag ids | list of tag ids, see tag encoding section | | FN | encoding<int> | number of read <br> features | number of read features in each record | | FC | encoding<byte> | read features codes | see separate section | | FP | encoding<int> | in-read positions | positions of the read features; a positive delta to <br> the last position (starting with zero) | | DL | encoding<int> | deletion lengths | base-pair deletion lengths | | BB | encoding<byte[]> | stretches of bases | bases | | QQ | encoding<byte[ ]> | stretches of quality <br> scores | quality scores | | BS | encoding<byte> | base substitution <br> codes | base substitution codes | | IN | encoding<byte[]> | insertion | inserted bases | | RS | encoding<int> | reference skip length | number of skipped bases for the ' N ' read feature | | PD | encoding<int> | padding | number of padded bases | | HC | encoding<int> | hard clip | number of hard clipped bases | | SC | encoding<byte[ ]> | soft clip | soft clipped bases | | MQ | encoding<int> | mapping qualities | mapping quality scores | | BA | encoding<byte> | bases | bases | | QS | encoding<byte> | quality scores | quality scores | | $\mathrm{TC}^{\mathrm{d}}$ | N/A | legacy field | to be ignored | | $\mathrm{TN}^{\mathrm{d}}$ | N/A | legacy field | to be ignored |

a a ^(a){ }^{a} 注意 RN 这是在 MF 之后解码的,如果记录与配对分离,并且我们正在尝试自动生成读取名称。


b b ^(b){ }^{\mathrm{b}} 计数在每个切片中重置,因此 NF 只能在该切片内引用后面的记录。


c c ^(c){ }^{c} TL 后面是按标签字典中出现的顺序解码标签值。


d TC d TC ^(d)TC{ }^{\mathrm{d}} \mathrm{TC} 和 TN 是来自 CRAM 1.0 的遗留数据系列。它们在 CRAM 3.0 中没有功能,不应存在。然而,一些实现确实输出它们,解码器必须默默跳过这些字段。TC 和 TN 包含任何数据值是非法的,尽管可能与它们相关联的块是空的。

 标签编码


标签字典(TD)描述了每个比对记录中出现的标签 ID / 类型的唯一组合。例如,如果我们搜索每个记录中存在的 ID / 类型,并且只找到两个组合 - X1:i BC:Z SA:Z: 和 X1:i: BC:Z - 那么我们在 TD 映射中就有两个字典条目。


L i = { T i 0 , T i 1 , , T i x } L i = T i 0 , T i 1 , , T i x L_(i)={T_(i0),T_(i1),dots,T_(ix)}L_{i}=\left\{T_{i 0}, T_{i 1}, \ldots, T_{i x}\right\} 成为记录 R i R i R_(i)R_{i} 的所有标签 ID 的列表,其中 i i ii 是顺序记录索引, T i j T i j T_(ij)T_{i j} 表示记录中的第 j j jj 个标签 ID。唯一的 L i L i L_(i)L_{i} 列表作为保留映射中的 TD 值存储。保持顺序对编码器不是必需的(因此称为“组合”),但这是允许的,因此应该支持不同的排列,每个排列在 TD 中用其自己的元素进行编码。TD 中的每个 L i L i L_(i)L_{i} 元素都分配一个从 0 开始的顺序整数。这些整数通过 TL 数据系列进行引用。使用 TD,可以将 TL 数据系列中的一个整数映射回标签 ID 列表。因此,对于每个对齐记录,我们只需要存储标签值,而不需要存储它们的 ID 和类型。


TD 被写成一个字节数组,由 L i L i L_(i)L_{i} 值用 0 0 \\0\backslash 0 分隔。每个 L i L i L_(i)L_{i} 值被写成 3 个字节 T i j T i j T_(ij)T_{i j} 元素的连接:标签 ID 后跟 BAM 标签类型代码(在 SAM 规范中描述的 A、c、C、s、S、i、I、f、Z、H 或 B 之一)。例如,标签列表 X1:i BC:Z SA:Z 和 X1:i BC:Z 的 TD 可以编码为 X1CBCZSAZ 0 X 1 CBCZ 0 0 X 1 CBCZ 0 \\0X1CBCZ\\0\backslash 0 \mathrm{X} 1 \mathrm{CBCZ} \backslash 0 ,其中 X1C 表示标签 X1 的 1 字节无符号值。

 标签值


不同标签使用的编码存储在一个映射中。键是由 BAM 标签 ID 和类型代码形成的 3 个字节,与上述描述的 TD 字典匹配。与数据系列编码映射不同,键以 ITF8 编码的整数形式存储在映射中,构造方式为(char 1 << 16 ) + ( 1 << 16 ) + ( 1<<16)+(1<<16)+( char 2 << 8 ) + 2 << 8 ) + 2<<8)+2<<8)+ type。例如,OQ:Z 的 3 字节表示为 { 0 x 4 F , 0 x 51 , 0 × 5 A } { 0 x 4 F , 0 x 51 , 0 × 5 A } {0x4F,0x51,0xx5A}\{0 \mathrm{x} 4 \mathrm{~F}, 0 \mathrm{x} 51,0 \times 5 \mathrm{~A}\} ,这些字节被解释为整数键 0 x 004 F 515 A,导致 ITF8 字节流 { 0 xE 0 , 0 x 4 F , 0 x 51 , 0 x 5 A } { 0 xE 0 , 0 x 4 F , 0 x 51 , 0 x 5 A } {0xE0,0x4F,0x51,0x5A}\{0 \mathrm{xE} 0,0 \mathrm{x} 4 \mathrm{~F}, 0 \mathrm{x} 51,0 \mathrm{x} 5 \mathrm{~A}\}
 关键  值数据类型  名称  

标签 ID 1:标签类型 1
 编码  读取标签 1

标签值(名称和类型在数据系列代码中可用)
tag values (names and types are available in the data series code)| tag values (names and types are | | :--- | | available in the data series code) |
dots\ldots dots\ldots dots\ldots

标签 ID N:标签类型 N
 编码  读取标签 N dots\ldots
Key Value data type Name Value TAG ID 1:TAG TYPE 1 encoding<byte[ ]> read tag 1 "tag values (names and types are available in the data series code)" dots dots dots TAG ID N:TAG TYPE N encoding<byte[]> read tag N dots| Key | Value data type | Name | Value | | :--- | :--- | :--- | :--- | | TAG ID 1:TAG TYPE 1 | encoding<byte[ ]> | read tag 1 | tag values (names and types are <br> available in the data series code) | | $\ldots$ | | $\ldots$ | $\ldots$ | | TAG ID N:TAG TYPE N | encoding<byte[]> | read tag N | $\ldots$ |

请注意,标签值被编码为字节数组。将标签值转换为字节数组及其反向转换的例程与 BAM 中的相同,唯一的区别是值类型被捕获在标签键中而不是值中。因此,类型 'C' 和 'c' 消耗 1 个字节,类型 'S' 和 's' 消耗 2 个字节,类型 'I'、'i' 和 'f' 消耗 4 个字节,而类型 ' H H HH '、' Z Z ZZ ' 和 ' B B BB ' 消耗可变数量的字节。


8.5 切片头块


切片头块从不压缩(块方法=原始)。对于参考映射读取,切片头还定义了与切片相关的数据块的参考序列上下文。映射读取可以与放置的未映射 3 3 ^(3){ }^{3} 读取存储在同一切片中的同一参考上。


带有多个参考标志(-2)设置为头部中的序列 ID 的切片可能包含映射到多个外部参考的读取,包括未映射的 3 3 ^(3){ }^{3} 读取(放置在这些参考上或未放置),但无法以这种方式组合多个嵌入的参考。当使用多个参考时,将使用 RI 数据系列来确定每个记录的参考序列 ID。当切片中仅使用单个参考时,此数据系列不存在。

头部中的未映射 (-1) 序列 ID 用于仅包含未放置的未映射 3 3 ^(3){ }^{3} 读取的切片。


一个包含不在任何序列中使用外部引用的数据切片可以将引用的 MD5 和设置为零。这可能是因为数据未映射或序列已逐字存储,而不是通过引用差异化。对于未排序或非坐标排序的数据,推荐使用后一种情况。

切片头块包含以下字段。
 数据类型  名称  
itf8  参考序列 ID

参考序列标识符或 -1 表示未映射的读取 -2 表示多个参考序列。此值必须与其封闭容器的值匹配。
reference sequence identifier or -1 for unmapped reads -2 for multiple reference sequences. This value must match that of its enclosing container.| reference sequence identifier or | | :--- | | -1 for unmapped reads | | -2 for multiple reference sequences. | | This value must match that of its enclosing | | container. |
itf8  对齐开始
对齐起始位置
itf8  对齐跨度
对齐的长度
itf8  记录数
切片中的记录数
ltf8  记录计数器

文件/流中记录的基于 1 的顺序索引
1-based sequential index of records in the file/stream| 1-based sequential index of records in the | | :--- | | file/stream |
itf8  块的数量
切片中的块数
itf8[]
嵌入式参考基块内容 ID

块内容的 ID,切片中块的内容 ID,用于嵌入引用序列的碱基,或 -1 表示无
block content ids of the blocks in the slice block content id for the embedded reference sequence bases or -1 for none| block content ids of the blocks in the slice | | :--- | | block content id for the embedded reference | | sequence bases or -1 for none |
itf8  参考 md5

切片边界内参考基因组的 MD5 校验和。如果该切片的参考序列 ID 为-1(未映射)或-2(多参考),则 MD5 应为 16 个字节的 0 0 \\0\backslash 0 。对于嵌入的参考,MD5 可以是全零或嵌入序列的 MD5。
MD5 checksum of the reference bases within the slice boundaries. If this slice has reference sequence id of -1 (unmapped) or -2 (multi-ref) the MD5 should be 16 bytes of \\0. For embedded references, the MD5 can either be all-zeros or the MD5 of the embedded sequence.| MD5 checksum of the reference bases within | | :--- | | the slice boundaries. If this slice has | | reference sequence id of -1 (unmapped) or -2 | | (multi-ref) the MD5 should be 16 bytes of $\backslash 0$. | | For embedded references, the MD5 can either | | be all-zeros or the MD5 of the embedded | | sequence. |
 字节[16]

一系列根据 BAM 辅助字段编码的标签、类型、值元组。
a series of tag,type,value tuples encoded as per BAM auxiliary fields.| a series of tag,type,value tuples encoded as | | :--- | | per BAM auxiliary fields. |
 字节[]  可选标签
Data type Name Value itf8 reference sequence id "reference sequence identifier or -1 for unmapped reads -2 for multiple reference sequences. This value must match that of its enclosing container." itf8 alignment start the alignment start position itf8 alignment span the length of the alignment itf8 number of records the number of records in the slice ltf8 record counter "1-based sequential index of records in the file/stream" itf8 number of blocks the number of blocks in the slice itf8[] embedded reference bases block content id "block content ids of the blocks in the slice block content id for the embedded reference sequence bases or -1 for none" itf8 reference md5 "MD5 checksum of the reference bases within the slice boundaries. If this slice has reference sequence id of -1 (unmapped) or -2 (multi-ref) the MD5 should be 16 bytes of \\0. For embedded references, the MD5 can either be all-zeros or the MD5 of the embedded sequence." byte[16] "a series of tag,type,value tuples encoded as per BAM auxiliary fields." byte[] optional tags | Data type | Name | Value | | :--- | :--- | :--- | | itf8 | reference sequence id | reference sequence identifier or <br> -1 for unmapped reads <br> -2 for multiple reference sequences. <br> This value must match that of its enclosing <br> container. | | itf8 | alignment start | the alignment start position | | itf8 | alignment span | the length of the alignment | | itf8 | number of records | the number of records in the slice | | ltf8 | record counter | 1-based sequential index of records in the <br> file/stream | | itf8 | number of blocks | the number of blocks in the slice | | itf8[] | embedded reference bases block content id | block content ids of the blocks in the slice <br> block content id for the embedded reference <br> sequence bases or -1 for none | | itf8 | reference md5 | MD5 checksum of the reference bases within <br> the slice boundaries. If this slice has <br> reference sequence id of -1 (unmapped) or -2 <br> (multi-ref) the MD5 should be 16 bytes of $\backslash 0$. <br> For embedded references, the MD5 can either <br> be all-zeros or the MD5 of the embedded <br> sequence. | | byte[16] | | a series of tag,type,value tuples encoded as <br> per BAM auxiliary fields. | | byte[] | optional tags | |

对齐开始和对齐跨度值仅在解码时使用,如果切片已映射数据对齐到单个参考(参考序列 ID >= 0 >= 0 >=0>=0 )。对于多参考切片或那些具有未映射数据的切片,建议将这些字段填充为值 0。

MD5 校验和不应在存储的校验和全为零时进行验证。嵌入的引用应遵循与 MD5 校验和计算之前对外部引用应用的相同大小写和字母顺序规则。如果使用了嵌入引用,并不要求它与用于序列比对的引用完全匹配。例如,它可能包含在覆盖缺失时的“N”碱基,或者对于 SNP 变异可能有不同的碱基调用。因此,当使用嵌入序列时,MD5 校验和指的是嵌入序列的校验和,不应与任何外部参考文件进行验证。


注意嵌入引用与用于对齐的原始引用之间的差异,MD 和 NM 标签可能需要逐字存储,以便在嵌入和外部引用子字符串不同的记录中使用。

可选标签的编码方式与 BAM 标签相同。即一系列二进制编码的标签连接在一起,每个标签由一个 2 字节的键(匹配[A-Za-z][A-Za-z0-9])后跟一个 1 字节的类型([AfZHcCsSiIB]),然后是由类型定义格式的字节字符串。


以大写字母开头的标签是保留的,而小写字母开头的标签或以 X , Y X , Y X,Y\mathrm{X}, \mathrm{Y} 或 Z 开头的标签是用户可定义的。任何解码器无法理解的标签应被跳过,而不产生错误。


目前没有定义任何标签。


8.6 核心数据块


核心数据块是一个比特流(最高有效位优先),由一个或多个 CRAM 记录的数据组成。请注意,一个字节可以容纳多个 CRAM 记录,因为最小的 CRAM 记录可能只有几位长。核心数据块具有以下字段:
 数据类型  名称  
 位[ ]  CRAM 记录 1
第一个 CRAM 记录
dots\ldots dots\ldots dots\ldots
 位[ ]  CRAM 记录 N
第 N 个 CRAM 记录
Data type Name Value bit[ ] CRAM record 1 The first CRAM record dots dots dots bit[ ] CRAM record N The Nth CRAM record| Data type | Name | Value | | :--- | :--- | :--- | | bit[ ] | CRAM record 1 | The first CRAM record | | $\ldots$ | $\ldots$ | $\ldots$ | | bit[ ] | CRAM record N | The Nth CRAM record |


8.7 外部数据块


核心数据块与外部数据块之间的关系如下面的图片所示:

图 5:核心编码与外部编码之间的关系,以及核心数据块与外部数据块之间的关系。


图片显示了一个 CRAM 记录(左侧)是如何通过核心或外部编码在核心数据块和一个或多个外部数据块之间分配的。所呈现的具体编码仅为示例,旨在说明。主要目的是区分核心位编码,其输出始终存储在核心数据块中,以及外部字节编码,其输出始终存储在外部数据块中。


9 文件结束容器


一个特殊的容器用于标记文件或流的结束。它在版本 3 或更高版本中是必需的。这个想法是提供一种简单快捷的方法来检测 CRAM 文件或流是否完整。该标记基本上是一个空容器,参考序列 ID 设置为-1(未对齐),对齐起始位置设置为 4542278。


这里是 EOF 容器的完整内容,详细解释如下:
 十六进制字节  数据类型  十进制值  字段名称
 容器头部
 000000 的  整数 15
块数据的大小

ff ff ff ff 的
itf8 -1  参考序列 ID
e0 45 4f 46 itf8 4542278  对齐开始
00 itf8 0  对齐跨度
00 itf8 0  记录数
00 itf8 0  全局记录计数器
00 itf8 0  基础
01 itf8 1  块计数
00  数组 0  地标
05 bd d 94 f  整数 1339669765  容器头 CRC32

压缩头块
00  字节  0 (原始)  压缩方法
01  字节  1 (压缩头)  块内容类型
00 itf8 0  块内容 ID
06 itf8 6  压缩大小
06 itf8 6  未压缩大小
 压缩头部
01 itf8 1
保留映射字节大小
00 itf8 0  保留地图大小
01 itf8 1
编码映射字节大小
00 itf8 0  编码映射大小
01 itf8 1
标签编码字节大小
00 itf8 0
标签编码映射大小
ee 63014 b  整数 1258382318  块 CRC32
hex bytes data type decimal value field name Container header Of 000000 integer 15 size of blocks data ff ff ff ff of itf8 -1 ref seq id e0 45 4f 46 itf8 4542278 alignment start 00 itf8 0 alignment span 00 itf8 0 number of records 00 itf8 0 global record counter 00 itf8 0 bases 01 itf8 1 block count 00 array 0 landmarks 05 bd d 94 f integer 1339669765 container header CRC32 Compression header block 00 byte 0 (RAW) compression method 01 byte 1 (COMPRESSION_HEADER) block content type 00 itf8 0 block content id 06 itf8 6 compressed size 06 itf8 6 uncompressed size Compression header 01 itf8 1 preservation map byte size 00 itf8 0 preservation map size 01 itf8 1 encoding map byte size 00 itf8 0 encoding map size 01 itf8 1 tag encoding byte size 00 itf8 0 tag encoding map size ee 63014 b integer 1258382318 block CRC32| hex bytes | data type | decimal value | field name | | :---: | :---: | :---: | :---: | | Container header | | | | | Of 000000 | integer | 15 | size of blocks data | | ff ff ff ff of | itf8 | -1 | ref seq id | | e0 45 4f 46 | itf8 | 4542278 | alignment start | | 00 | itf8 | 0 | alignment span | | 00 | itf8 | 0 | number of records | | 00 | itf8 | 0 | global record counter | | 00 | itf8 | 0 | bases | | 01 | itf8 | 1 | block count | | 00 | array | 0 | landmarks | | 05 bd d 94 f | integer | 1339669765 | container header CRC32 | | Compression header block | | | | | 00 | byte | 0 (RAW) | compression method | | 01 | byte | 1 (COMPRESSION_HEADER) | block content type | | 00 | itf8 | 0 | block content id | | 06 | itf8 | 6 | compressed size | | 06 | itf8 | 6 | uncompressed size | | Compression header | | | | | 01 | itf8 | 1 | preservation map byte size | | 00 | itf8 | 0 | preservation map size | | 01 | itf8 | 1 | encoding map byte size | | 00 | itf8 | 0 | encoding map size | | 01 | itf8 | 1 | tag encoding byte size | | 00 | itf8 | 0 | tag encoding map size | | ee 63014 b | integer | 1258382318 | block CRC32 |

当编译在一起时,EOF 标记长度为 38 字节,十六进制表示为:Of 000000 ff ff ff ff of e0 454 f 4600000000010005 bd d9 4f 0001000606010001000100 ee 6301 4b

 10 记录结构


CRAM 记录基于 SAM 记录,但具有额外的功能,允许更高效的数据存储。与 BAM 记录相比,CRAM 记录使用位和字节进行数据存储。这样,例如,可以直接在 CRAM 中使用输出可变长度二进制代码的各种编码技术。另一方面,不需要二进制编码的数据序列可以单独存储在外部块中,并对它们应用其他压缩。


由于 CRAM 数据系列可能在同一块内交错 4 4 ^(4){ }^{4} ,理解 CRAM 数据系列必须解码的顺序至关重要。

整体流程图如下,后续部分有更详细的描述。

 10.1 CRAM 记录


映射和未映射的读取都以以下字段开始。请注意,数据系列类型指的是逻辑数据类型,而数据系列名称对应于数据系列编码映射。
 数据系列类型
Data series type| Data series | | :--- | | type |
 数据系列名称
Data series name| Data series | | :--- | | name |
 字段  描述
 整数 BF  BAM 位标志
请参见下面的 BAM 位标志
 整数 CF  CRAM 位标志
请参见下面的 CRAM 位标志
- -  位置信息  请参见第 10.2 节
- -  读取名称  请参见第 10.3 节
- -  配对记录  请参见第 10.4 节
- -  辅助标签  请参见第 10.5 节
- -  序列
请参见第 10.6 节和第 10.7 节
"Data series type" "Data series name" Field Description int BF BAM bit flags see BAM bit flags below int CF CRAM bit flags see CRAM bit flags below - - Positional data See section 10.2 - - Read names See section 10.3 - - Mate records See section 10.4 - - Auxiliary tags See section 10.5 - - Sequences See sections 10.6 and 10.7| Data series <br> type | Data series <br> name | Field | Description | | :--- | :--- | :--- | :--- | | int | BF | BAM bit flags | see BAM bit flags below | | int | CF | CRAM bit flags | see CRAM bit flags below | | - | - | Positional data | See section 10.2 | | - | - | Read names | See section 10.3 | | - | - | Mate records | See section 10.4 | | - | - | Auxiliary tags | See section 10.5 | | - | - | Sequences | See sections 10.6 and 10.7 |


BAM 位标志 (BF 数据系列)


以下标志是从 SAM 和 BAM 规范中复制的,具有相同的含义。然而,请注意,其中一些标志可以在解码过程中推导出来,因此可能在 CRAM 文件中被省略,并且基于同一切片内的成对文库的两个读取计算位。
 位标志  评论  描述
0x1

模板具有多个序列段
template having multiple segments in sequencing| template having multiple | | :--- | | segments in sequencing |
0x2