sam/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, bam_verbose = 2, bam_no_B = 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         int k, end = c->pos;
  20         for (k = 0; k < c->n_cigar; ++k) {
  21                 int op  = bam_cigar_op(cigar[k]);
  22                 int len = bam_cigar_oplen(cigar[k]);
  23                 if (op == BAM_CBACK) { // move backward
  24                         int l, u, v;
  25                         if (k == c->n_cigar - 1) break; // skip trailing 'B'
  26                         for (l = k - 1, u = v = 0; l >= 0; --l) {
  27                                 int op1  = bam_cigar_op(cigar[l]);
  28                                 int len1 = bam_cigar_oplen(cigar[l]);
  29                                 if (bam_cigar_type(op1)&1) { // consume query
  30                                         if (u + len1 >= len) { // stop
  31                                                 if (bam_cigar_type(op1)&2) v += len - u;
  32                                                 break;
  33                                         } else u += len1;
  34                                 }
  35                                 if (bam_cigar_type(op1)&2) v += len1;
  36                         }
  37                         end = l < 0? c->pos : end - v;
  38                 } else if (bam_cigar_type(op)&2) end += bam_cigar_oplen(cigar[k]);
  39         }
  40         return end;
  41 }
  42
  43 int32_t bam_cigar2qlen(const bam1_core_t *c, const uint32_t *cigar)
  44 {
  45         uint32_t k;
  46         int32_t l = 0;
  47         for (k = 0; k < c->n_cigar; ++k)
  48                 if (bam_cigar_type(bam_cigar_op(cigar[k]))&1)
  49                         l += bam_cigar_oplen(cigar[k]);
  50         return l;
  51 }
  52
  53 /********************
  54  * BAM I/O routines *
  55  ********************/
  56
  57 bam_header_t *bam_header_init()
  58 {
  59         bam_is_be = bam_is_big_endian();
  60         return (bam_header_t*)calloc(1, sizeof(bam_header_t));
  61 }
  62
  63 void bam_header_destroy(bam_header_t *header)
  64 {
  65         int32_t i;
  66         extern void bam_destroy_header_hash(bam_header_t *header);
  67         if (header == 0) return;
  68         if (header->target_name) {
  69                 for (i = 0; i < header->n_targets; ++i)
  70                         free(header->target_name[i]);
  71                 free(header->target_name);
  72                 free(header->target_len);
  73         }
  74         free(header->text);
  75         if (header->dict) sam_header_free(header->dict);
  76         if (header->rg2lib) sam_tbl_destroy(header->rg2lib);
  77         bam_destroy_header_hash(header);
  78         free(header);
  79 }
  80
  81 bam_header_t *bam_header_read(bamFile fp)
  82 {
  83         bam_header_t *header;
  84         char buf[4];
  85         int magic_len;
  86         int32_t i = 1, name_len;
  87         // check EOF
  88         i = bgzf_check_EOF(fp);
  89         if (i < 0) {
  90                 // If the file is a pipe, checking the EOF marker will *always* fail
  91                 // with ESPIPE.  Suppress the error message in this case.
  92                 if (errno != ESPIPE) perror("[bam_header_read] bgzf_check_EOF");
  93         }
  94         else if (i == 0) fprintf(stderr, "[bam_header_read] EOF marker is absent. The input is probably truncated.\n");
  95         // read "BAM1"
  96         magic_len = bam_read(fp, buf, 4);
  97         if (magic_len != 4 || strncmp(buf, "BAM\001", 4) != 0) {
  98                 fprintf(stderr, "[bam_header_read] invalid BAM binary header (this is not a BAM file).\n");
  99                 return 0;
 100         }
 101         header = bam_header_init();
 102         // read plain text and the number of reference sequences
 103         bam_read(fp, &header->l_text, 4);
 104         if (bam_is_be) bam_swap_endian_4p(&header->l_text);
 105         header->text = (char*)calloc(header->l_text + 1, 1);
 106         bam_read(fp, header->text, header->l_text);
 107         bam_read(fp, &header->n_targets, 4);
 108         if (bam_is_be) bam_swap_endian_4p(&header->n_targets);
 109         // read reference sequence names and lengths
 110         header->target_name = (char**)calloc(header->n_targets, sizeof(char*));
 111         header->target_len = (uint32_t*)calloc(header->n_targets, 4);
 112         for (i = 0; i != header->n_targets; ++i) {
 113                 bam_read(fp, &name_len, 4);
 114                 if (bam_is_be) bam_swap_endian_4p(&name_len);
 115                 header->target_name[i] = (char*)calloc(name_len, 1);
 116                 bam_read(fp, header->target_name[i], name_len);
 117                 bam_read(fp, &header->target_len[i], 4);
 118                 if (bam_is_be) bam_swap_endian_4p(&header->target_len[i]);
 119         }
 120         return header;
 121 }
 122
 123 int bam_header_write(bamFile fp, const bam_header_t *header)
 124 {
 125         char buf[4];
 126         int32_t i, name_len, x;
 127         // write "BAM1"
 128         strncpy(buf, "BAM\001", 4);
 129         bam_write(fp, buf, 4);
 130         // write plain text and the number of reference sequences
 131         if (bam_is_be) {
 132                 x = bam_swap_endian_4(header->l_text);
 133                 bam_write(fp, &x, 4);
 134                 if (header->l_text) bam_write(fp, header->text, header->l_text);
 135                 x = bam_swap_endian_4(header->n_targets);
 136                 bam_write(fp, &x, 4);
 137         } else {
 138                 bam_write(fp, &header->l_text, 4);
 139                 if (header->l_text) bam_write(fp, header->text, header->l_text);
 140                 bam_write(fp, &header->n_targets, 4);
 141         }
 142         // write sequence names and lengths
 143         for (i = 0; i != header->n_targets; ++i) {
 144                 char *p = header->target_name[i];
 145                 name_len = strlen(p) + 1;
 146                 if (bam_is_be) {
 147                         x = bam_swap_endian_4(name_len);
 148                         bam_write(fp, &x, 4);
 149                 } else bam_write(fp, &name_len, 4);
 150                 bam_write(fp, p, name_len);
 151                 if (bam_is_be) {
 152                         x = bam_swap_endian_4(header->target_len[i]);
 153                         bam_write(fp, &x, 4);
 154                 } else bam_write(fp, &header->target_len[i], 4);
 155         }
 156         bgzf_flush(fp);
 157         return 0;
 158 }
 159
 160 static void swap_endian_data(const bam1_core_t *c, int data_len, uint8_t *data)
 161 {
 162         uint8_t *s;
 163         uint32_t i, *cigar = (uint32_t*)(data + c->l_qname);
 164         s = data + c->n_cigar*4 + c->l_qname + c->l_qseq + (c->l_qseq + 1)/2;
 165         for (i = 0; i < c->n_cigar; ++i) bam_swap_endian_4p(&cigar[i]);
 166         while (s < data + data_len) {
 167                 uint8_t type;
 168                 s += 2; // skip key
 169                 type = toupper(*s); ++s; // skip type
 170                 if (type == 'C' || type == 'A') ++s;
 171                 else if (type == 'S') { bam_swap_endian_2p(s); s += 2; }
 172                 else if (type == 'I' || type == 'F') { bam_swap_endian_4p(s); s += 4; }
 173                 else if (type == 'D') { bam_swap_endian_8p(s); s += 8; }
 174                 else if (type == 'Z' || type == 'H') { while (*s) ++s; ++s; }
 175                 else if (type == 'B') {
 176                         int32_t n, Bsize = bam_aux_type2size(*s);
 177                         memcpy(&n, s + 1, 4);
 178                         if (1 == Bsize) {
 179                         } else if (2 == Bsize) {
 180                                 for (i = 0; i < n; i += 2)
 181                                         bam_swap_endian_2p(s + 5 + i);
 182                         } else if (4 == Bsize) {
 183                                 for (i = 0; i < n; i += 4)
 184                                         bam_swap_endian_4p(s + 5 + i);
 185                         }
 186                         bam_swap_endian_4p(s+1);
 187                 }
 188         }
 189 }
 190
 191 int bam_read1(bamFile fp, bam1_t *b)
 192 {
 193         bam1_core_t *c = &b->core;
 194         int32_t block_len, ret, i;
 195         uint32_t x[8];
 196
 197         assert(BAM_CORE_SIZE == 32);
 198         if ((ret = bam_read(fp, &block_len, 4)) != 4) {
 199                 if (ret == 0) return -1; // normal end-of-file
 200                 else return -2; // truncated
 201         }
 202         if (bam_read(fp, x, BAM_CORE_SIZE) != BAM_CORE_SIZE) return -3;
 203         if (bam_is_be) {
 204                 bam_swap_endian_4p(&block_len);
 205                 for (i = 0; i < 8; ++i) bam_swap_endian_4p(x + i);
 206         }
 207         c->tid = x[0]; c->pos = x[1];
 208         c->bin = x[2]>>16; c->qual = x[2]>>8&0xff; c->l_qname = x[2]&0xff;
 209         c->flag = x[3]>>16; c->n_cigar = x[3]&0xffff;
 210         c->l_qseq = x[4];
 211         c->mtid = x[5]; c->mpos = x[6]; c->isize = x[7];
 212         b->data_len = block_len - BAM_CORE_SIZE;
 213         if (b->m_data < b->data_len) {
 214                 b->m_data = b->data_len;
 215                 kroundup32(b->m_data);
 216                 b->data = (uint8_t*)realloc(b->data, b->m_data);
 217         }
 218         if (bam_read(fp, b->data, b->data_len) != b->data_len) return -4;
 219         b->l_aux = b->data_len - c->n_cigar * 4 - c->l_qname - c->l_qseq - (c->l_qseq+1)/2;
 220         if (bam_is_be) swap_endian_data(c, b->data_len, b->data);
 221         if (bam_no_B) bam_remove_B(b);
 222         return 4 + block_len;
 223 }
 224
 225 inline int bam_write1_core(bamFile fp, const bam1_core_t *c, int data_len, uint8_t *data)
 226 {
 227         uint32_t x[8], block_len = data_len + BAM_CORE_SIZE, y;
 228         int i;
 229         assert(BAM_CORE_SIZE == 32);
 230         x[0] = c->tid;
 231         x[1] = c->pos;
 232         x[2] = (uint32_t)c->bin<<16 | c->qual<<8 | c->l_qname;
 233         x[3] = (uint32_t)c->flag<<16 | c->n_cigar;
 234         x[4] = c->l_qseq;
 235         x[5] = c->mtid;
 236         x[6] = c->mpos;
 237         x[7] = c->isize;
 238         bgzf_flush_try(fp, 4 + block_len);
 239         if (bam_is_be) {
 240                 for (i = 0; i < 8; ++i) bam_swap_endian_4p(x + i);
 241                 y = block_len;
 242                 bam_write(fp, bam_swap_endian_4p(&y), 4);
 243                 swap_endian_data(c, data_len, data);
 244         } else bam_write(fp, &block_len, 4);
 245         bam_write(fp, x, BAM_CORE_SIZE);
 246         bam_write(fp, data, data_len);
 247         if (bam_is_be) swap_endian_data(c, data_len, data);
 248         return 4 + block_len;
 249 }
 250
 251 int bam_write1(bamFile fp, const bam1_t *b)
 252 {
 253         return bam_write1_core(fp, &b->core, b->data_len, b->data);
 254 }
 255
 256 char *bam_format1_core(const bam_header_t *header, const bam1_t *b, int of)
 257 {
 258         uint8_t *s = bam1_seq(b), *t = bam1_qual(b);
 259         int i;
 260         const bam1_core_t *c = &b->core;
 261         kstring_t str;
 262         str.l = str.m = 0; str.s = 0;
 263
 264         kputsn(bam1_qname(b), c->l_qname-1, &str); kputc('\t', &str);
 265         if (of == BAM_OFDEC) { kputw(c->flag, &str); kputc('\t', &str); }
 266         else if (of == BAM_OFHEX) ksprintf(&str, "0x%x\t", c->flag);
 267         else { // BAM_OFSTR
 268                 for (i = 0; i < 16; ++i)
 269                         if ((c->flag & 1<<i) && bam_flag2char_table[i])
 270                                 kputc(bam_flag2char_table[i], &str);
 271                 kputc('\t', &str);
 272         }
 273         if (c->tid < 0) kputsn("*\t", 2, &str);
 274         else {
 275                 if (header) kputs(header->target_name[c->tid] , &str);
 276                 else kputw(c->tid, &str);
 277                 kputc('\t', &str);
 278         }
 279         kputw(c->pos + 1, &str); kputc('\t', &str); kputw(c->qual, &str); kputc('\t', &str);
 280         if (c->n_cigar == 0) kputc('*', &str);
 281         else {
 282                 uint32_t *cigar = bam1_cigar(b);
 283                 for (i = 0; i < c->n_cigar; ++i) {
 284                         kputw(bam1_cigar(b)[i]>>BAM_CIGAR_SHIFT, &str);
 285                         kputc(bam_cigar_opchr(cigar[i]), &str);
 286                 }
 287         }
 288         kputc('\t', &str);
 289         if (c->mtid < 0) kputsn("*\t", 2, &str);
 290         else if (c->mtid == c->tid) kputsn("=\t", 2, &str);
 291         else {
 292                 if (header) kputs(header->target_name[c->mtid], &str);
 293                 else kputw(c->mtid, &str);
 294                 kputc('\t', &str);
 295         }
 296         kputw(c->mpos + 1, &str); kputc('\t', &str); kputw(c->isize, &str); kputc('\t', &str);
 297         if (c->l_qseq) {
 298                 for (i = 0; i < c->l_qseq; ++i) kputc(bam_nt16_rev_table[bam1_seqi(s, i)], &str);
 299                 kputc('\t', &str);
 300                 if (t[0] == 0xff) kputc('*', &str);
 301                 else for (i = 0; i < c->l_qseq; ++i) kputc(t[i] + 33, &str);
 302         } else kputsn("*\t*", 3, &str);
 303         s = bam1_aux(b);
 304         while (s < b->data + b->data_len) {
 305                 uint8_t type, key[2];
 306                 key[0] = s[0]; key[1] = s[1];
 307                 s += 2; type = *s; ++s;
 308                 kputc('\t', &str); kputsn((char*)key, 2, &str); kputc(':', &str);
 309                 if (type == 'A') { kputsn("A:", 2, &str); kputc(*s, &str); ++s; }
 310                 else if (type == 'C') { kputsn("i:", 2, &str); kputw(*s, &str); ++s; }
 311                 else if (type == 'c') { kputsn("i:", 2, &str); kputw(*(int8_t*)s, &str); ++s; }
 312                 else if (type == 'S') { kputsn("i:", 2, &str); kputw(*(uint16_t*)s, &str); s += 2; }
 313                 else if (type == 's') { kputsn("i:", 2, &str); kputw(*(int16_t*)s, &str); s += 2; }
 314                 else if (type == 'I') { kputsn("i:", 2, &str); kputuw(*(uint32_t*)s, &str); s += 4; }
 315                 else if (type == 'i') { kputsn("i:", 2, &str); kputw(*(int32_t*)s, &str); s += 4; }
 316                 else if (type == 'f') { ksprintf(&str, "f:%g", *(float*)s); s += 4; }
 317                 else if (type == 'd') { ksprintf(&str, "d:%lg", *(double*)s); s += 8; }
 318                 else if (type == 'Z' || type == 'H') { kputc(type, &str); kputc(':', &str); while (*s) kputc(*s++, &str); ++s; }
 319                 else if (type == 'B') {
 320                         uint8_t sub_type = *(s++);
 321                         int32_t n;
 322                         memcpy(&n, s, 4);
 323                         s += 4; // no point to the start of the array
 324                         kputc(type, &str); kputc(':', &str); kputc(sub_type, &str); // write the typing
 325                         for (i = 0; i < n; ++i) {
 326                                 kputc(',', &str);
 327                                 if ('c' == sub_type || 'c' == sub_type) { kputw(*(int8_t*)s, &str); ++s; }
 328                                 else if ('C' == sub_type) { kputw(*(uint8_t*)s, &str); ++s; }
 329                                 else if ('s' == sub_type) { kputw(*(int16_t*)s, &str); s += 2; }
 330                                 else if ('S' == sub_type) { kputw(*(uint16_t*)s, &str); s += 2; }
 331                                 else if ('i' == sub_type) { kputw(*(int32_t*)s, &str); s += 4; }
 332                                 else if ('I' == sub_type) { kputuw(*(uint32_t*)s, &str); s += 4; }
 333                                 else if ('f' == sub_type) { ksprintf(&str, "%g", *(float*)s); s += 4; }
 334                         }
 335                 }
 336         }
 337         return str.s;
 338 }
 339
 340 char *bam_format1(const bam_header_t *header, const bam1_t *b)
 341 {
 342         return bam_format1_core(header, b, BAM_OFDEC);
 343 }
 344
 345 void bam_view1(const bam_header_t *header, const bam1_t *b)
 346 {
 347         char *s = bam_format1(header, b);
 348         puts(s);
 349         free(s);
 350 }
 351
 352 int bam_validate1(const bam_header_t *header, const bam1_t *b)
 353 {
 354         char *s;
 355
 356         if (b->core.tid < -1 || b->core.mtid < -1) return 0;
 357         if (header && (b->core.tid >= header->n_targets || b->core.mtid >= header->n_targets)) return 0;
 358
 359         if (b->data_len < b->core.l_qname) return 0;
 360         s = memchr(bam1_qname(b), '\0', b->core.l_qname);
 361         if (s != &bam1_qname(b)[b->core.l_qname-1]) return 0;
 362
 363         // FIXME: Other fields could also be checked, especially the auxiliary data
 364
 365         return 1;
 366 }
 367
 368 // FIXME: we should also check the LB tag associated with each alignment
 369 const char *bam_get_library(bam_header_t *h, const bam1_t *b)
 370 {
 371         const uint8_t *rg;
 372         if (h->dict == 0) h->dict = sam_header_parse2(h->text);
 373         if (h->rg2lib == 0) h->rg2lib = sam_header2tbl(h->dict, "RG", "ID", "LB");
 374         rg = bam_aux_get(b, "RG");
 375         return (rg == 0)? 0 : sam_tbl_get(h->rg2lib, (const char*)(rg + 1));
 376 }
 377
 378 /************
 379  * Remove B *
 380  ************/
 381
 382 int bam_remove_B(bam1_t *b)
 383 {
 384         int i, j, end_j, k, l, no_qual;
 385         uint32_t *cigar, *new_cigar;
 386         uint8_t *seq, *qual, *p;
 387         // test if removal is necessary
 388         if (b->core.flag & BAM_FUNMAP) return 0; // unmapped; do nothing
 389         cigar = bam1_cigar(b);
 390         for (k = 0; k < b->core.n_cigar; ++k)
 391                 if (bam_cigar_op(cigar[k]) == BAM_CBACK) break;
 392         if (k == b->core.n_cigar) return 0; // no 'B'
 393         if (bam_cigar_op(cigar[0]) == BAM_CBACK) goto rmB_err; // cannot be removed
 394         // allocate memory for the new CIGAR
 395         if (b->data_len + (b->core.n_cigar + 1) * 4 > b->m_data) { // not enough memory
 396                 b->m_data = b->data_len + b->core.n_cigar * 4;
 397                 kroundup32(b->m_data);
 398                 b->data = (uint8_t*)realloc(b->data, b->m_data);
 399                 cigar = bam1_cigar(b); // after realloc, cigar may be changed
 400         }
 401         new_cigar = (uint32_t*)(b->data + (b->m_data - b->core.n_cigar * 4)); // from the end of b->data
 402         // the core loop
 403         seq = bam1_seq(b); qual = bam1_qual(b);
 404         no_qual = (qual[0] == 0xff); // test whether base quality is available
 405         i = j = 0; end_j = -1;
 406         for (k = l = 0; k < b->core.n_cigar; ++k) {
 407                 int op  = bam_cigar_op(cigar[k]);
 408                 int len = bam_cigar_oplen(cigar[k]);
 409                 if (op == BAM_CBACK) { // the backward operation
 410                         int t, u;
 411                         if (k == b->core.n_cigar - 1) break; // ignore 'B' at the end of CIGAR
 412                         if (len > j) goto rmB_err; // an excessively long backward
 413                         for (t = l - 1, u = 0; t >= 0; --t) { // look back
 414                                 int op1  = bam_cigar_op(new_cigar[t]);
 415                                 int len1 = bam_cigar_oplen(new_cigar[t]);
 416                                 if (bam_cigar_type(op1)&1) { // consume the query
 417                                         if (u + len1 >= len) { // stop
 418                                                 new_cigar[t] -= (len - u) << BAM_CIGAR_SHIFT;
 419                                                 break;
 420                                         } else u += len1;
 421                                 }
 422                         }
 423                         if (bam_cigar_oplen(new_cigar[t]) == 0) --t; // squeeze out the zero-length operation
 424                         l = t + 1;
 425                         end_j = j; j -= len;
 426                 } else { // other CIGAR operations
 427                         new_cigar[l++] = cigar[k];
 428                         if (bam_cigar_type(op)&1) { // consume the query
 429                                 if (i != j) { // no need to copy if i == j
 430                                         int u, c, c0;
 431                                         for (u = 0; u < len; ++u) { // construct the consensus
 432                                                 c = bam1_seqi(seq, i+u);
 433                                                 if (j + u < end_j) { // in an overlap
 434                                                         c0 = bam1_seqi(seq, j+u);
 435                                                         if (c != c0) { // a mismatch; choose the better base
 436                                                                 if (qual[j+u] < qual[i+u]) { // the base in the 2nd segment is better
 437                                                                         bam1_seq_seti(seq, j+u, c);
 438                                                                         qual[j+u] = qual[i+u] - qual[j+u];
 439                                                                 } else qual[j+u] -= qual[i+u]; // the 1st is better; reduce base quality
 440                                                         } else qual[j+u] = qual[j+u] > qual[i+u]? qual[j+u] : qual[i+u];
 441                                                 } else { // not in an overlap; copy over
 442                                                         bam1_seq_seti(seq, j+u, c);
 443                                                         qual[j+u] = qual[i+u];
 444                                                 }
 445                                         }
 446                                 }
 447                                 i += len, j += len;
 448                         }
 449                 }
 450         }
 451         if (no_qual) qual[0] = 0xff; // in very rare cases, this may be modified
 452         // merge adjacent operations if possible
 453         for (k = 1; k < l; ++k)
 454                 if (bam_cigar_op(new_cigar[k]) == bam_cigar_op(new_cigar[k-1]))
 455                         new_cigar[k] += new_cigar[k-1] >> BAM_CIGAR_SHIFT << BAM_CIGAR_SHIFT, new_cigar[k-1] &= 0xf;
 456         // kill zero length operations
 457         for (k = i = 0; k < l; ++k)
 458                 if (new_cigar[k] >> BAM_CIGAR_SHIFT)
 459                         new_cigar[i++] = new_cigar[k];
 460         l = i;
 461         // update b
 462         memcpy(cigar, new_cigar, l * 4); // set CIGAR
 463         p = b->data + b->core.l_qname + l * 4;
 464         memmove(p, seq, (j+1)>>1); p += (j+1)>>1; // set SEQ
 465         memmove(p, qual, j); p += j; // set QUAL
 466         memmove(p, bam1_aux(b), b->l_aux); p += b->l_aux; // set optional fields
 467         b->core.n_cigar = l, b->core.l_qseq = j; // update CIGAR length and query length
 468         b->data_len = p - b->data; // update record length
 469         return 0;
 470
 471 rmB_err:
 472         b->core.flag |= BAM_FUNMAP;
 473         return -1;
 474 }