bam.c

   1 #include <stdio.h>
   2 #include <ctype.h>
   3 #include <errno.h>
   4 #include <assert.h>
   5 #include "bam.h"
   6 #include "bam_endian.h"
   7 #include "kstring.h"
   8 #include "sam_header.h"
   9
  10 int bam_is_be = 0;
  11 char *bam_flag2char_table = "pPuUrR12sfd\0\0\0\0\0";
  12
  13 /**************************
  14  * CIGAR related routines *
  15  **************************/
  16
  17 uint32_t bam_calend(const bam1_core_t *c, const uint32_t *cigar)
  18 {
  19         uint32_t k, end;
  20         end = c->pos;
  21         for (k = 0; k < c->n_cigar; ++k) {
  22                 int op = cigar[k] & BAM_CIGAR_MASK;
  23                 if (op == BAM_CMATCH || op == BAM_CDEL || op == BAM_CREF_SKIP)
  24                         end += cigar[k] >> BAM_CIGAR_SHIFT;
  25         }
  26         return end;
  27 }
  28
  29 int32_t bam_cigar2qlen(const bam1_core_t *c, const uint32_t *cigar)
  30 {
  31         uint32_t k;
  32         int32_t l = 0;
  33         for (k = 0; k < c->n_cigar; ++k) {
  34                 int op = cigar[k] & BAM_CIGAR_MASK;
  35                 if (op == BAM_CMATCH || op == BAM_CINS || op == BAM_CSOFT_CLIP)
  36                         l += cigar[k] >> BAM_CIGAR_SHIFT;
  37         }
  38         return l;
  39 }
  40
  41 /********************
  42  * BAM I/O routines *
  43  ********************/
  44
  45 bam_header_t *bam_header_init()
  46 {
  47         bam_is_be = bam_is_big_endian();
  48         return (bam_header_t*)calloc(1, sizeof(bam_header_t));
  49 }
  50
  51 void bam_header_destroy(bam_header_t *header)
  52 {
  53         int32_t i;
  54         extern void bam_destroy_header_hash(bam_header_t *header);
  55         if (header == 0) return;
  56         if (header->target_name) {
  57                 for (i = 0; i < header->n_targets; ++i)
  58                         free(header->target_name[i]);
  59                 free(header->target_name);
  60                 free(header->target_len);
  61         }
  62         free(header->text);
  63         if (header->dict) sam_header_free(header->dict);
  64         if (header->rg2lib) sam_tbl_destroy(header->rg2lib);
  65         bam_destroy_header_hash(header);
  66         free(header);
  67 }
  68
  69 bam_header_t *bam_header_read(bamFile fp)
  70 {
  71         bam_header_t *header;
  72         char buf[4];
  73         int magic_len;
  74         int32_t i = 1, name_len;
  75         // check EOF
  76         i = bgzf_check_EOF(fp);
  77         if (i < 0) {
  78                 // If the file is a pipe, checking the EOF marker will *always* fail
  79                 // with ESPIPE.  Suppress the error message in this case.
  80                 if (errno != ESPIPE) perror("[bam_header_read] bgzf_check_EOF");
  81         }
  82         else if (i == 0) fprintf(stderr, "[bam_header_read] EOF marker is absent. The input is probably truncated.\n");
  83         // read "BAM1"
  84         magic_len = bam_read(fp, buf, 4);
  85         if (magic_len != 4 || strncmp(buf, "BAM\001", 4) != 0) {
  86                 fprintf(stderr, "[bam_header_read] invalid BAM binary header (this is not a BAM file).\n");
  87                 return 0;
  88         }
  89         header = bam_header_init();
  90         // read plain text and the number of reference sequences
  91         bam_read(fp, &header->l_text, 4);
  92         if (bam_is_be) bam_swap_endian_4p(&header->l_text);
  93         header->text = (char*)calloc(header->l_text + 1, 1);
  94         bam_read(fp, header->text, header->l_text);
  95         bam_read(fp, &header->n_targets, 4);
  96         if (bam_is_be) bam_swap_endian_4p(&header->n_targets);
  97         // read reference sequence names and lengths
  98         header->target_name = (char**)calloc(header->n_targets, sizeof(char*));
  99         header->target_len = (uint32_t*)calloc(header->n_targets, 4);
 100         for (i = 0; i != header->n_targets; ++i) {
 101                 bam_read(fp, &name_len, 4);
 102                 if (bam_is_be) bam_swap_endian_4p(&name_len);
 103                 header->target_name[i] = (char*)calloc(name_len, 1);
 104                 bam_read(fp, header->target_name[i], name_len);
 105                 bam_read(fp, &header->target_len[i], 4);
 106                 if (bam_is_be) bam_swap_endian_4p(&header->target_len[i]);
 107         }
 108         return header;
 109 }
 110
 111 int bam_header_write(bamFile fp, const bam_header_t *header)
 112 {
 113         char buf[4];
 114         int32_t i, name_len, x;
 115         // write "BAM1"
 116         strncpy(buf, "BAM\001", 4);
 117         bam_write(fp, buf, 4);
 118         // write plain text and the number of reference sequences
 119         if (bam_is_be) {
 120                 x = bam_swap_endian_4(header->l_text);
 121                 bam_write(fp, &x, 4);
 122                 if (header->l_text) bam_write(fp, header->text, header->l_text);
 123                 x = bam_swap_endian_4(header->n_targets);
 124                 bam_write(fp, &x, 4);
 125         } else {
 126                 bam_write(fp, &header->l_text, 4);
 127                 if (header->l_text) bam_write(fp, header->text, header->l_text);
 128                 bam_write(fp, &header->n_targets, 4);
 129         }
 130         // write sequence names and lengths
 131         for (i = 0; i != header->n_targets; ++i) {
 132                 char *p = header->target_name[i];
 133                 name_len = strlen(p) + 1;
 134                 if (bam_is_be) {
 135                         x = bam_swap_endian_4(name_len);
 136                         bam_write(fp, &x, 4);
 137                 } else bam_write(fp, &name_len, 4);
 138                 bam_write(fp, p, name_len);
 139                 if (bam_is_be) {
 140                         x = bam_swap_endian_4(header->target_len[i]);
 141                         bam_write(fp, &x, 4);
 142                 } else bam_write(fp, &header->target_len[i], 4);
 143         }
 144         bgzf_flush(fp);
 145         return 0;
 146 }
 147
 148 static void swap_endian_data(const bam1_core_t *c, int data_len, uint8_t *data)
 149 {
 150         uint8_t *s;
 151         uint32_t i, *cigar = (uint32_t*)(data + c->l_qname);
 152         s = data + c->n_cigar*4 + c->l_qname + c->l_qseq + (c->l_qseq + 1)/2;
 153         for (i = 0; i < c->n_cigar; ++i) bam_swap_endian_4p(&cigar[i]);
 154         while (s < data + data_len) {
 155                 uint8_t type;
 156                 s += 2; // skip key
 157                 type = toupper(*s); ++s; // skip type
 158                 if (type == 'C' || type == 'A') ++s;
 159                 else if (type == 'S') { bam_swap_endian_2p(s); s += 2; }
 160                 else if (type == 'I' || type == 'F') { bam_swap_endian_4p(s); s += 4; }
 161                 else if (type == 'D') { bam_swap_endian_8p(s); s += 8; }
 162                 else if (type == 'Z' || type == 'H') { while (*s) ++s; ++s; }
 163         }
 164 }
 165
 166 int bam_read1(bamFile fp, bam1_t *b)
 167 {
 168         bam1_core_t *c = &b->core;
 169         int32_t block_len, ret, i;
 170         uint32_t x[8];
 171
 172         assert(BAM_CORE_SIZE == 32);
 173         if ((ret = bam_read(fp, &block_len, 4)) != 4) {
 174                 if (ret == 0) return -1; // normal end-of-file
 175                 else return -2; // truncated
 176         }
 177         if (bam_read(fp, x, BAM_CORE_SIZE) != BAM_CORE_SIZE) return -3;
 178         if (bam_is_be) {
 179                 bam_swap_endian_4p(&block_len);
 180                 for (i = 0; i < 8; ++i) bam_swap_endian_4p(x + i);
 181         }
 182         c->tid = x[0]; c->pos = x[1];
 183         c->bin = x[2]>>16; c->qual = x[2]>>8&0xff; c->l_qname = x[2]&0xff;
 184         c->flag = x[3]>>16; c->n_cigar = x[3]&0xffff;
 185         c->l_qseq = x[4];
 186         c->mtid = x[5]; c->mpos = x[6]; c->isize = x[7];
 187         b->data_len = block_len - BAM_CORE_SIZE;
 188         if (b->m_data < b->data_len) {
 189                 b->m_data = b->data_len;
 190                 kroundup32(b->m_data);
 191                 b->data = (uint8_t*)realloc(b->data, b->m_data);
 192         }
 193         if (bam_read(fp, b->data, b->data_len) != b->data_len) return -4;
 194         b->l_aux = b->data_len - c->n_cigar * 4 - c->l_qname - c->l_qseq - (c->l_qseq+1)/2;
 195         if (bam_is_be) swap_endian_data(c, b->data_len, b->data);
 196         return 4 + block_len;
 197 }
 198
 199 inline int bam_write1_core(bamFile fp, const bam1_core_t *c, int data_len, uint8_t *data)
 200 {
 201         uint32_t x[8], block_len = data_len + BAM_CORE_SIZE, y;
 202         int i;
 203         assert(BAM_CORE_SIZE == 32);
 204         x[0] = c->tid;
 205         x[1] = c->pos;
 206         x[2] = (uint32_t)c->bin<<16 | c->qual<<8 | c->l_qname;
 207         x[3] = (uint32_t)c->flag<<16 | c->n_cigar;
 208         x[4] = c->l_qseq;
 209         x[5] = c->mtid;
 210         x[6] = c->mpos;
 211         x[7] = c->isize;
 212         bgzf_flush_try(fp, 4 + block_len);
 213         if (bam_is_be) {
 214                 for (i = 0; i < 8; ++i) bam_swap_endian_4p(x + i);
 215                 y = block_len;
 216                 bam_write(fp, bam_swap_endian_4p(&y), 4);
 217                 swap_endian_data(c, data_len, data);
 218         } else bam_write(fp, &block_len, 4);
 219         bam_write(fp, x, BAM_CORE_SIZE);
 220         bam_write(fp, data, data_len);
 221         if (bam_is_be) swap_endian_data(c, data_len, data);
 222         return 4 + block_len;
 223 }
 224
 225 int bam_write1(bamFile fp, const bam1_t *b)
 226 {
 227         return bam_write1_core(fp, &b->core, b->data_len, b->data);
 228 }
 229
 230 char *bam_format1_core(const bam_header_t *header, const bam1_t *b, int of)
 231 {
 232         uint8_t *s = bam1_seq(b), *t = bam1_qual(b);
 233         int i;
 234         const bam1_core_t *c = &b->core;
 235         kstring_t str;
 236         str.l = str.m = 0; str.s = 0;
 237
 238         kputsn(bam1_qname(b), c->l_qname-1, &str); kputc('\t', &str);
 239         if (of == BAM_OFDEC) { kputw(c->flag, &str); kputc('\t', &str); }
 240         else if (of == BAM_OFHEX) ksprintf(&str, "0x%x\t", c->flag);
 241         else { // BAM_OFSTR
 242                 for (i = 0; i < 16; ++i)
 243                         if ((c->flag & 1<<i) && bam_flag2char_table[i])
 244                                 kputc(bam_flag2char_table[i], &str);
 245                 kputc('\t', &str);
 246         }
 247         if (c->tid < 0) kputsn("*\t", 2, &str);
 248         else {
 249                 if (header) kputs(header->target_name[c->tid] , &str);
 250                 else kputw(c->tid, &str);
 251                 kputc('\t', &str);
 252         }
 253         kputw(c->pos + 1, &str); kputc('\t', &str); kputw(c->qual, &str); kputc('\t', &str);
 254         if (c->n_cigar == 0) kputc('*', &str);
 255         else {
 256                 for (i = 0; i < c->n_cigar; ++i) {
 257                         kputw(bam1_cigar(b)[i]>>BAM_CIGAR_SHIFT, &str);
 258                         kputc("MIDNSHP"[bam1_cigar(b)[i]&BAM_CIGAR_MASK], &str);
 259                 }
 260         }
 261         kputc('\t', &str);
 262         if (c->mtid < 0) kputsn("*\t", 2, &str);
 263         else if (c->mtid == c->tid) kputsn("=\t", 2, &str);
 264         else {
 265                 if (header) kputs(header->target_name[c->mtid], &str);
 266                 else kputw(c->mtid, &str);
 267                 kputc('\t', &str);
 268         }
 269         kputw(c->mpos + 1, &str); kputc('\t', &str); kputw(c->isize, &str); kputc('\t', &str);
 270         if (c->l_qseq) {
 271                 for (i = 0; i < c->l_qseq; ++i) kputc(bam_nt16_rev_table[bam1_seqi(s, i)], &str);
 272                 kputc('\t', &str);
 273                 if (t[0] == 0xff) kputc('*', &str);
 274                 else for (i = 0; i < c->l_qseq; ++i) kputc(t[i] + 33, &str);
 275         } else kputsn("*\t*", 3, &str);
 276         s = bam1_aux(b);
 277         while (s < b->data + b->data_len) {
 278                 uint8_t type, key[2];
 279                 key[0] = s[0]; key[1] = s[1];
 280                 s += 2; type = *s; ++s;
 281                 kputc('\t', &str); kputsn((char*)key, 2, &str); kputc(':', &str);
 282                 if (type == 'A') { kputsn("A:", 2, &str); kputc(*s, &str); ++s; }
 283                 else if (type == 'C') { kputsn("i:", 2, &str); kputw(*s, &str); ++s; }
 284                 else if (type == 'c') { kputsn("i:", 2, &str); kputw(*(int8_t*)s, &str); ++s; }
 285                 else if (type == 'S') { kputsn("i:", 2, &str); kputw(*(uint16_t*)s, &str); s += 2; }
 286                 else if (type == 's') { kputsn("i:", 2, &str); kputw(*(int16_t*)s, &str); s += 2; }
 287                 else if (type == 'I') { kputsn("i:", 2, &str); kputuw(*(uint32_t*)s, &str); s += 4; }
 288                 else if (type == 'i') { kputsn("i:", 2, &str); kputw(*(int32_t*)s, &str); s += 4; }
 289                 else if (type == 'f') { ksprintf(&str, "f:%g", *(float*)s); s += 4; }
 290                 else if (type == 'd') { ksprintf(&str, "d:%lg", *(double*)s); s += 8; }
 291                 else if (type == 'Z' || type == 'H') { kputc(type, &str); kputc(':', &str); while (*s) kputc(*s++, &str); ++s; }
 292         }
 293         return str.s;
 294 }
 295
 296 char *bam_format1(const bam_header_t *header, const bam1_t *b)
 297 {
 298         return bam_format1_core(header, b, BAM_OFDEC);
 299 }
 300
 301 void bam_view1(const bam_header_t *header, const bam1_t *b)
 302 {
 303         char *s = bam_format1(header, b);
 304         puts(s);
 305         free(s);
 306 }
 307
 308 int bam_validate1(const bam_header_t *header, const bam1_t *b)
 309 {
 310         char *s;
 311
 312         if (b->core.tid < -1 || b->core.mtid < -1) return 0;
 313         if (header && (b->core.tid >= header->n_targets || b->core.mtid >= header->n_targets)) return 0;
 314
 315         if (b->data_len < b->core.l_qname) return 0;
 316         s = memchr(bam1_qname(b), '\0', b->core.l_qname);
 317         if (s != &bam1_qname(b)[b->core.l_qname-1]) return 0;
 318
 319         // FIXME: Other fields could also be checked, especially the auxiliary data
 320
 321         return 1;
 322 }
 323
 324 // FIXME: we should also check the LB tag associated with each alignment
 325 const char *bam_get_library(bam_header_t *h, const bam1_t *b)
 326 {
 327         const uint8_t *rg;
 328         if (h->dict == 0) h->dict = sam_header_parse2(h->text);
 329         if (h->rg2lib == 0) h->rg2lib = sam_header2tbl(h->dict, "RG", "ID", "LB");
 330         rg = bam_aux_get(b, "RG");
 331         return (rg == 0)? 0 : sam_tbl_get(h->rg2lib, (const char*)(rg + 1));
 332 }