Linux 下 BWA 与 SAMtools 的安装与使用详解

在高通量测序（NGS）数据分析领域，将测序得到的短序列（Reads）回贴到参考基因组上是几乎所有下游分析（如变异检测、基因表达定量等）的关键第一步。BWA（Burrows-Wheeler Aligner）和 SAMtools 是这一流程中最核心、最广泛使用的工具集之一。

  • BWA： 一款非常高效的短序列比对软件，它利用 Burrows-Wheeler 变换（BWT）算法，能够在保证准确性的同时，快速地将大量短序列比对到参考基因组上。
  • SAMtools： 一个用于处理 SAM（Sequence Alignment/Map）和 BAM（Binary Alignment/Map）格式比对文件的工具集。BAM 是 SAM 的二进制压缩版本。SAMtools 提供了查看、排序、索引、合并、提取比对数据等强大功能，是操作比对结果的“瑞士军刀”。

本文将提供一份从零开始的详细指南，涵盖在 Linux 环境下 BWA 和 SAMtools 的编译安装、基本使用方法、常用命令组合以及最佳实践。

目录#

  1. 环境准备
  2. 安装 BWA
    1. 使用源码编译安装（推荐）
    2. 使用 Conda 安装（更简单）
  3. 安装 SAMtools
    1. 使用源码编译安装
    2. 使用 Conda 安装
  4. BWA 的使用
    1. 准备工作：为参考基因组建立索引
    2. 序列比对：bwa mem 算法
    3. 其他算法简介
  5. SAMtools 的使用
    1. 格式转换：SAM 与 BAM 互转
    2. 排序：按坐标或名称排序
    3. 索引：建立快速检索索引
    4. 查看：快速浏览比对结果
    5. 过滤与统计
  6. 完整流程示例
  7. 最佳实践与常见问题
  8. 总结
  9. 参考资料

环境准备#

在开始之前，请确保你的 Linux 系统满足以下条件：

  • 操作系统： 常见的 Linux 发行版，如 Ubuntu, CentOS, Red Hat 等。
  • 编译器： 需要安装 C 编译器（如 gcc）和 make 工具。
    • 在 Ubuntu/Debian 上：sudo apt-get update && sudo apt-get install build-essential
    • 在 CentOS/RHEL 上：sudo yum groupinstall "Development Tools"
  • 依赖库： SAMtools 需要 zlib 和 ncurses 开发库。
    • 在 Ubuntu/Debian 上：sudo apt-get install zlib1g-dev libncurses5-dev
    • 在 CentOS/RHEL 上：sudo yum install zlib-devel ncurses-devel
  • 包管理器（可选）： 推荐安装 Conda（Miniconda 或 Anaconda），它可以极大地简化生物信息学软件的安装和管理。

安装 BWA#

使用源码编译安装（推荐）#

这种方式能获得最新的版本和最好的性能控制。

  1. 下载源码： 访问 BWA 在 GitHub 的 发布页面，找到最新的稳定版源码包（如 bwa-0.7.17.tar.bz2）。使用 wget 下载。

    wget https://github.com/lh3/bwa/releases/download/v0.7.17/bwa-0.7.17.tar.bz2

  2. 解压并编译：

    tar -xjvf bwa-0.7.17.tar.bz2
cd bwa-0.7.17
make

    编译成功后，当前目录会生成一个名为 bwa 的可执行文件。

  3. 添加到环境变量（可选但推荐）： 为了能在任何目录下直接使用 bwa 命令，可以将其移动到系统路径，例如 /usr/local/bin（需要 root 权限）：

    sudo cp bwa /usr/local/bin/

    或者，将其添加到你的个人 ~/.bashrc 文件中：

    echo 'export PATH=$PATH:/path/to/your/bwa-0.7.17' >> ~/.bashrc
source ~/.bashrc

  4. 验证安装：

    bwa

    如果安装成功，会输出 BWA 的帮助信息。

使用 Conda 安装（更简单）#

如果你已经安装了 Conda（如 Bioconda 频道），安装过程会非常简单。

  1. 添加 Bioconda 频道（如果尚未添加）：

    conda config --add channels bioconda
conda config --add channels conda-forge

  2. 创建并激活一个虚拟环境（推荐，用于管理依赖）：

    conda create -n ngs-tools bwa
conda activate ngs-tools

  3. 直接安装 BWA：

    conda install bwa

    Conda 会自动解决所有依赖关系。

  4. 验证安装：

    bwa

安装 SAMtools#

安装过程与 BWA 类似。

使用源码编译安装#

  1. 下载源码： 访问 SAMtools 的 官方网站 或 GitHub 页面下载源码。

    wget https://github.com/samtools/samtools/releases/download/1.17/samtools-1.17.tar.bz2

  2. 解压、配置并编译：

    tar -xjvf samtools-1.17.tar.bz2
cd samtools-1.17
./configure --prefix=/your/installation/path  # 如果不指定--prefix，默认安装到/usr/local
make
sudo make install  # 如果配置了prefix且你有写入权限，可能不需要sudo

    --prefix 参数指定安装目录。

  3. 验证安装：

    samtools

使用 Conda 安装#

在之前创建的 ngs-tools 环境中，直接安装：

conda activate ngs-tools
conda install samtools

验证安装：samtools。

BWA 的使用#

准备工作：为参考基因组建立索引#

在进行比对之前，必须先为参考基因组（FASTA 格式，如 hg19.fa）建立 BWA 索引。这是一个一次性但计算密集的步骤。

命令：

bwa index /path/to/reference/genome.fa

常见选项：

  • -a： 指定索引算法。对于大型基因组（如人类基因组），使用默认的 bwtsw 算法即可。对于小型基因组（如细菌），可以使用 is 算法。 
    bwa index -a bwtsw genome.fa

索引完成后，会生成多个以 genome.fa 为前缀的索引文件（如 .amb, .ann, .bwt, .pac, .sa）。后续比对时需要的是原始的 genome.fa 文件，BWA 会自动识别这些索引文件。

序列比对：bwa mem 算法#

bwa mem 是当前最推荐的算法，尤其适用于 Illumina 的 70bp-1Mbp 的序列。

基本语法：

bwa mem [options] <reference.fa> <read1.fq> [<read2.fq>] > output.sam
  • reference.fa： 已建立索引的参考基因组路径。
  • read1.fq / read2.fq： 测序 reads 文件。如果是单端测序，只提供一个文件；如果是双端测序，提供两个文件。
  • > output.sam： 将标准输出重定向到 output.sam 文件。

示例：

  1. 单端测序比对：

    bwa mem -t 8 human_g1k_v37.fa sample_single.fq > sample_se.sam

  2. 双端测序比对：

    bwa mem -t 8 human_g1k_v37.fa sample_1.fq sample_2.fq > sample_pe.sam

重要选项：

  • -t <INT>： 指定使用的线程数，可以显著加快比对速度。例如 -t 8 表示使用 8 个 CPU 核心。
  • -R <STR>： 设置 SAM 文件头中的 @RG 读组信息，非常重要！它包含样本、文库、平台等信息，是下游分析（如 GATK 变异检测）所必需的。格式为 '@RG\tID:foo\tSM:bar\tLB:library1\tPL:ILLUMINA'。
    • ID： 读组唯一标识符。
    • SM： 样本名。
    • LB： 文库名。
    • PL： 测序平台（如 ILLUMINA, PACBIO）。
    • 最佳实践示例： 
      bwa mem -t 8 -R '@RG\tID:Sample1\tSM:Sample1\tLB:LIB1\tPL:ILLUMINA' \
  human_g1k_v37.fa sample_1.fq sample_2.fq > sample_with_rg.sam
  • -M： 将较短的 split hits 标记为次要比对，方便 Picard 兼容。

其他算法简介#

  • bwa aln / bwa sampe / bwa samse： 这是 BWA 的旧版算法。对于非常短的序列（< 70bp）可能比 mem 更准确，但现在已较少使用。
  • bwa bwasw： 用于比对长序列，如 PacBio 或 Oxford Nanopore 测序数据。

SAMtools 的使用#

BWA 产生的 SAM 文件是文本格式，体积庞大，不利于存储和快速处理。SAMtools 主要用于将其转换为二进制 BAM 格式并进行后续处理。

格式转换：SAM 与 BAM 互转#

将 SAM 转换为 BAM（view 命令）：

samtools view -@ 8 -Sb input.sam > output.bam
  • -S： 自动识别输入格式（可省略，新版本已默认）。
  • -b： 输出为 BAM 格式。
  • -@： 指定线程数，加快处理速度。

将 BAM 转换为 SAM：

samtools view -@ 8 -h input.bam > output.sam
  • -h： 在输出中包含 SAM 头信息（以 @ 开头的行），非常重要！没有这个选项，头信息会被丢弃。

排序：按坐标或名称排序#

比对后的文件通常是无序的。按基因组坐标排序是许多下游分析（如变异检测）的必要步骤。

按坐标排序（sort 命令）：

samtools sort -@ 8 -o sorted.bam input.bam
  • -@： 指定线程数。
  • -o： 指定排序后的输出文件名。
  • 默认按坐标排序。排序后会生成 sorted.bam。

按 reads 名称排序：

samtools sort -@ 8 -n -o name_sorted.bam input.bam
  • -n： 按 reads 名称排序，在某些特定分析中会用到。

索引：建立快速检索索引#

对于坐标排序后的 BAM 文件，必须建立索引（生成 .bai 文件），才能实现快速随机访问（如查看特定区域的比对情况）。

为 BAM 文件建立索引（index 命令）：

samtools index sorted.bam

这会生成一个 sorted.bam.bai 索引文件。

查看：快速浏览比对结果#

查看 BAM 文件头信息：

samtools view -H sorted.bam

查看特定基因组区域的比对情况： 需要先建立索引。

samtools view sorted.bam chr1:1000000-1005000

使用 tview 进行交互式查看（非常直观）：

samtools tview sorted.bam reference.fa

过滤与统计#

过滤比对结果： 使用 view 命令的 -f（保留符合标志的）和 -F（过滤掉符合标志的）选项。

  • 提取唯一比对的 reads（常见的过滤条件）： 
    samtools view -@ 8 -b -F 4 -q 1 input.bam > unique_mapped.bam
    • -F 4： 过滤掉未比对的 reads（SAM 标志位 4 表示未比对）。
    • -q 1： 只保留 Mapping Quality >= 1 的 reads，通常可以过滤掉重复和低质量比对。

统计比对信息（flagstat 命令）： 快速生成比对的统计报告，非常有用。

samtools flagstat sorted.bam

输出会显示总 reads 数、比对上的 reads 数、 properly paired 的 reads 数等。

完整流程示例#

下面是一个从原始 fastq 文件到最终排序去重 BAM 文件的完整、高效的命令行流程（使用管道，避免生成中间文件）。

# 假设参考基因组是 ref.fa，并且已建立索引
# 双端测序文件： read_1.fastq, read_2.fastq
 
# 1. 使用BWA进行比对，并直接通过管道传递给samtools转换为BAM
# 2. 对BAM文件按坐标排序
# 3. 将排序后的BAM文件输出到 sorted.bam
bwa mem -t 8 -R '@RG\tID:MySample\tSM:MySample\tPL:ILLUMINA' \
  ref.fa read_1.fastq read_2.fastq | \
samtools view -@ 4 -Sb - | \
samtools sort -@ 4 -o sorted.bam -
 
# 为最终的BAM文件建立索引
samtools index sorted.bam
 
# 生成比对统计报告
samtools flagstat sorted.bam > flagstat.txt

解释：

  • |（管道）： 将上一个命令的输出直接作为下一个命令的输入，省去了生成巨大 SAM 文件的步骤，节省磁盘 I/O 和时间。
  • -： 在管道中代表标准输入或标准输出。

最佳实践与常见问题#

  1. 始终使用 -R 参数： 在 bwa mem 中设置读组信息，这是下游分析的基础。
  2. 使用多线程： BWA（-t）和 SAMtools（-@）都支持多线程，能极大提升处理速度。
  3. 使用管道： 将 bwa mem | samtools view | samtools sort 串联起来，避免生成巨大的中间 SAM 文件。
  4. 质量控制： 在比对前，建议先使用 FastQC 对原始 fastq 文件进行质量检查，并使用 Trimmomatic 或 fastp 等进行质量控制和过滤。
  5. 标记重复： 排序后的 BAM 文件通常还需要使用 Picard 或 SAMtools 的 markdup 命令来标记 PCR 重复，这是变异检测前的标准步骤。 
    samtools markdup -@ 8 sorted.bam marked_duplicates.bam
  6. 常见错误：
    • BWA 报错 "fail to locate the index"： 确保参考基因组文件（.fa）和它的索引文件（.amb, .bwt 等）在同一个目录下，并且 BWA 命令中指定的路径正确。
    • SAMtools 报错 "samtools index: failed to create index"： 确保 BAM 文件是已经按坐标排序过的。未排序的 BAM 文件不能建立索引。

总结#

BWA 和 SAMtools 是 NGS 数据分析基石般的工具。通过本文的指南，你应该已经掌握了如何在自己的 Linux 系统上安装这两个工具，并理解了从序列比对到生成排序、索引 BAM 文件的完整流程。记住核心步骤：建立索引 -> BWA比对 -> SAM转BAM -> 排序 -> 建索引。熟练运用这些命令，结合多线程和管道技巧，你将能高效地处理海量的测序数据。

参考资料#

  1. BWA 官方手册： man bwa 或 李恒的BWA页面
  2. SAMtools/htslib 官方文档： man samtools 或 htslib.org
  3. SAM 格式说明： SAM Format Specification
  4. Bioconda： https://bioconda.github.io/
  5. GATK Best Practices： https://gatk.broadinstitute.org/hc/en-us/sections/360007226651-Best-Practices-Workflows （了解读组信息的重要性）
2026-03