contrib/file/magic/Magdir/bioinformatics

   1
   2 #------------------------------------------------------------------------------
   3 # $File: bioinformatics,v 1.4 2016/06/20 16:13:46 christos Exp $
   4 # bioinfomatics:  file(1) magic for Bioinfomatics file formats
   5
   6 ###############################################################################
   7 # BGZF (Blocked GNU Zip Format) - gzip compatible, but also indexable
   8 # used by SAMtools bgzip/tabix (http://samtools.sourceforge.net/tabix.shtml)
   9 ###############################################################################
  10 0       string          \037\213
  11 >3      byte            &0x04
  12 >>12    string          BC
  13 >>>14   leshort         &0x02   Blocked GNU Zip Format (BGZF; gzip compatible)
  14 >>>>16  leshort         x       \b, block length %d
  15 !:mime  application/x-gzip
  16
  17
  18 ###############################################################################
  19 # Tabix index file
  20 # used by SAMtools bgzip/tabix (http://samtools.sourceforge.net/tabix.shtml)
  21 ###############################################################################
  22 0       string  TBI\1           SAMtools TBI (Tabix index format)
  23 >0x04   lelong  =1              \b, with %d reference sequence
  24 >0x04   lelong  >1              \b, with %d reference sequences
  25 >0x08   lelong  &0x10000        \b, using half-closed-half-open coordinates (BED style)
  26 >0x08   lelong  ^0x10000
  27 >>0x08  lelong  =0              \b, using closed and one based coordinates (GFF style)
  28 >>0x08  lelong  =1              \b, using SAM format
  29 >>0x08  lelong  =2              \b, using VCF format
  30 >0x0c   lelong  x               \b, sequence name column: %d
  31 >0x10   lelong  x               \b, region start column: %d
  32 >0x08   lelong  =0
  33 >>0x14  lelong  x               \b, region end column: %d
  34 >0x18   byte    x               \b, comment character: %c
  35 >0x1c   lelong  x               \b, skip line count: %d
  36
  37
  38 ###############################################################################
  39 # BAM (Binary Sequence Alignment/Map format)
  40 # used by SAMtools (http://samtools.sourceforge.net/SAM1.pdf)
  41 # data is normally present only within compressed BGZF blocks (CDATA), so use file -z to examine it
  42 ###############################################################################
  43 0       string  BAM\1   SAMtools BAM (Binary Sequence Alignment/Map)
  44 >0x04   lelong  >0
  45 >>&0x00 regex   =^[@]HD\t.*VN:          \b, with SAM header
  46 >>>&0   regex   =[0-9.]+                \b version %s
  47 >>&(0x04)       lelong  >0      \b, with %d reference sequences
  48
  49
  50 ###############################################################################
  51 # BAI (BAM indexing format)
  52 # used by SAMtools (http://samtools.sourceforge.net/SAM1.pdf)
  53 ###############################################################################
  54 0               string  BAI\1   SAMtools BAI (BAM indexing format)
  55 >0x04           lelong  >0      \b, with %d reference sequences
  56
  57
  58 ###############################################################################
  59 # CRAM (Binary Sequence Alignment/Map format)
  60 ###############################################################################
  61 0       string  CRAM    CRAM
  62 >0x04   byte    >-1     version %d.
  63 >0x05   byte    >-1     \b%d
  64 >0x06   string  >\0     (identified as %s)
  65
  66
  67 ###############################################################################
  68 # BCF (Binary Call Format), version 1
  69 # used by SAMtools & VCFtools (http://vcftools.sourceforge.net/bcf.pdf)
  70 # data is normally present only within compressed BGZF blocks (CDATA), so use file -z to examine it
  71 ###############################################################################
  72 0               string     BCF\4
  73 # length of seqnm data in bytes is positive
  74 >&0x00          lelong    >0
  75 # length of smpl data in bytes is positive
  76 >>&(&-0x04)     lelong    >0                    SAMtools BCF (Binary Call Format)
  77 # length of meta in bytes
  78 >>>&(&-0x04)    lelong    >0
  79 # have meta text string
  80 >>>>&0x00       search    ##samtoolsVersion=
  81 >>>>>&0x00      string    x                     \b, generated by SAMtools version %s
  82
  83
  84 ###############################################################################
  85 # BCF (Binary Call Format), version 2.1
  86 # used by SAMtools (http://samtools.github.io/hts-specs/BCFv2_qref.pdf)
  87 # data is normally present only within compressed BGZF blocks (CDATA), so use file -z to examine it
  88 ###############################################################################
  89 0               string     BCF\2\1    Binary Call Format (BCF) version 2.1
  90 # length of header text
  91 >&0x00          lelong    >0
  92 # have header string
  93 >>&0x00 search    ##samtoolsVersion=
  94 >>>&0x00        string    x                     \b, generated by SAMtools version %s
  95
  96
  97 ###############################################################################
  98 # BCF (Binary Call Format), version 2.2
  99 # used by SAMtools (http://samtools.github.io/hts-specs/BCFv2_qref.pdf)
 100 # data is normally present only within compressed BGZF blocks (CDATA), so use file -z to examine it
 101 ###############################################################################
 102 0               string     BCF\2\2    Binary Call Format (BCF) version 2.2
 103 # length of header text
 104 >&0x00          lelong    >0
 105 # have header string
 106 >>&0x00 search    ##samtoolsVersion=
 107 >>>&0x00        string    x                     \b, generated by SAMtools version %s
 108
 109 ###############################################################################
 110 # VCF (Variant Call Format)
 111 # used by VCFtools (http://vcftools.sourceforge.net/)
 112 ###############################################################################
 113 0      search      ##fileformat=VCFv    Variant Call Format (VCF)
 114 >&0    string      x                    \b version %s
 115
 116 ###############################################################################
 117 # FASTQ
 118 # used by MAQ (http://maq.sourceforge.net/fastq.shtml)
 119 ###############################################################################
 120 # XXX Broken?
 121 # @<seqname>
 122 #0      regex   =^@[A-Za-z0-9_.:-]+\?\n
 123 # <seq>
 124 #>&1    regex   =^[A-Za-z\n.~]++
 125 # +[<seqname>]
 126 #>>&1   regex   =^[A-Za-z0-9_.:-]*\?\n
 127 # <qual>
 128 #>>>&1  regex   =^[!-~\n]+\n            FASTQ
 129
 130 ###############################################################################
 131 # FASTA
 132 # used by FASTA (http://fasta.bioch.virginia.edu/fasta_www2/fasta_guide.pdf)
 133 ###############################################################################
 134 #0      byte    0x3e
 135 # q>0   regex   =^[>][!-~\t\ ]+$
 136 # Amino Acid codes: [A-IK-Z*-]+
 137 #>>1    regex   !=[!-'Jj;:=?@^`|~\\]            FASTA
 138 # IUPAC codes/gaps: [ACGTURYKMSWBDHVNX-]+
 139 # not in IUPAC codes/gaps: [EFIJLOPQZ]
 140 #>>>1   regex   !=[EFIJLOPQZefijlopqz]          \b, with IUPAC nucleotide codes
 141 #>>>1   regex   =^[EFIJLOPQZefijlopqz]+$        \b, with Amino Acid codes
 142
 143 ###############################################################################
 144 # SAM (Sequence Alignment/Map format)
 145 # used by SAMtools (http://samtools.sourceforge.net/SAM1.pdf)
 146 ###############################################################################
 147 # Short-cut version to recognise SAM files with (optional) header at beginning
 148 ###############################################################################
 149 0      string      @HD\t
 150 >4     search      VN:          Sequence Alignment/Map (SAM), with header
 151 >>&0   regex       [0-9.]+      \b version %s
 152 ###############################################################################
 153 # Longer version to recognise SAM alignment lines using (many) regexes
 154 ###############################################################################
 155 # SAM Alignment QNAME
 156 0               regex   =^[!-?A-~]{1,255}(\t[^\t]+){11}
 157 # SAM Alignment FLAG
 158 >0              regex   =^([^\t]+\t){1}[0-9]{1,5}\t
 159 # SAM Alignment RNAME
 160 >>0             regex   =^([^\t]+\t){2}\\*|[^*=]*\t
 161 # SAM Alignment POS
 162 >>>0            regex   =^([^\t]+\t){3}[0-9]{1,9}\t
 163 # SAM Alignment MAPQ
 164 >>>>0           regex   =^([^\t]+\t){4}[0-9]{1,3}\t
 165 # SAM Alignment CIGAR
 166 >>>>>0          regex   =\t(\\*|([0-9]+[MIDNSHPX=])+)\t
 167 # SAM Alignment RNEXT
 168 >>>>>>0         regex   =\t(\\*|=|[!-()+->?-~][!-~]*)\t
 169 # SAM Alignment PNEXT
 170 >>>>>>>0        regex   =^([^\t]+\t){7}[0-9]{1,9}\t
 171 # SAM Alignment TLEN
 172 >>>>>>>>0       regex   =\t[+-]{0,1}[0-9]{1,9}\t.*\t
 173 # SAM Alignment SEQ
 174 >>>>>>>>>0      regex   =^([^\t]+\t){9}(\\*|[A-Za-z=.]+)\t
 175 # SAM Alignment QUAL
 176 >>>>>>>>>>0     regex   =^([^\t]+\t){10}[!-~]+  Sequence Alignment/Map (SAM)
 177 >>>>>>>>>>>0    regex   =^[@]HD\t.*VN:          \b, with header
 178 >>>>>>>>>>>>&0  regex   =[0-9.]+                \b version %s