小鬼的转录组测序分析专题（二）

祥强6csdm0n3vs 2019-03-27

展开全文

【转录组测序分析专题2】gff和gtf格式介绍

【转录组测序分析专题】将要讲解流程的内容如下：

fq和fq见微信文章：【转录组测序分析专题1】各种数据格式介绍

此次介绍gff和gtf文件，如有错误，还请各位大侠批评指正！

在介绍之前，先抛出几个问题：

l GFF文件与GTF文件有什么区别么？

l 他们之间是否可以转换？

l 都在什么时候用这两个文件呢？

l 在分析之前为啥要先介绍这两个文件呢？

人类参考基因组GFF与GTF下载连接（我这里一般分析的时候用的都是ensembl数据库GRCh38版本的，后续的文章会提到不同数据库的GFF文件以及版本不同的问题）：

GFF: ftp://ftp./pub/release-81/gff3/homo_sapiens/

GTF: ftp://ftp./pub/release-81/gtf/homo_sapiens/

每个目录下都附有很详细的readme介绍，大家也可以自己仔细研究一下哦～此外还有官网说明，更加详细：

https://github.com/The-Sequence-Ontology/Specifications/blob/master/gff3.md

一，GFF文件介绍

GFF，全称为Generic Feature Format，主要用来描述基因的结构与功能信息，对基因组进行注释。现在流行的版本为GFF3。

1，格式文件为文本文件，分为9列，以TAB分开。控制符使用RFC 3986 Percent-Encoding 编码。比如：%20 代表着ASCII的空格。

2，GFF允许使用#作为注释符号，例如很多GFF文件都会使用如下的两行来表明其版本其创建日期：

##gff-version 3

##created 2018/09/12

3，9列文件依次是：

1	seqid	参考序列的id，通常是chromosome或者contig编号。该id的取名不能以’>’开头，不能包含空格。
2	source	注释的来源。如果未知，则用点（.）代替。一般指明产生此gff3文件的软件如havana或数据库如ensembl。
3	type	属性的类型。建议使用符合SO惯例的名称（sequence ontology）,如gene，mRNA，start_codon，stop_codon，exon，CDS等。
4	start position	属性对应片段的起点，对应在第一列上的坐标。从1开始计数。
5	end position	属性对应片段的终点。一般比起点的数值要大。
6	score	得分，对于一些可以量化的属性，可以在此设置一个数值以表示程度的不同。如果为空，用点（.）代替。
7	strand	“＋”表示正链，“－”表示负链，“.”表示不需要指定正负链。
8	phase	步进。对于编码蛋白质的CDS来说，本列指定下一个密码子开始的位置。可以是0，1或2，表示到达下一个密码子需要跳过的碱基个数。对于其它属性，则用点（.）代替。
9	attributes	含众多属性feature的列表。格式为“标签＝值”（tag=value）。不同属性之间用分号“；”隔开，可以存在空格。不过若有“,=;”，则用URL（URL escaping rule）进行转义，同时TAB空格也需要转换为“%09”表示。

第九列的详解：

ID	属性feature的唯一标识，一个GFF文件内ID具有唯一性
Name	属性feature所展示的名称
Alias	属性feature的第二个name，可以不具有唯一性
Parent	属性feature的上一级ID，可以将exons聚集成transcripts, transcripts聚集成genes, and so forth。一个feature可以有多个parents。
Target	表示比对的目标区域，格式为'target_id start end [strand]', 其中strand是可选（'+' or '-'）。如果target_id含有空格,必须转换为’%20’
Gap	比对结果的Gap信息
Note	文本描述
Ontology_term	A reference to an ontology term，对应的GO数据库ID
Is_circular	表明属性feature是否为环化

敲黑板，重点来了！！！

说了这么多大家可能会觉得很抽象，下面我们使用实际例子来说一下这个格式。举例：编码蛋白基因EDEN在基因组上的注释结果与信息使用GFF文件展示：

从图片中可以看出：

这个基因的名字为EDEN，位置从1000 到9000。它编码生成了三个可变剪切转录本，分别为EDEN.1，EDEN.2 和EDEN.3，而EDEN.3有两个可选翻译起始位点，生成两个编码蛋白序列CDS1和CDS2。位于EDEN.1和 EDEN2上游50bp的转录起始位点还有一个转录因子结合位点。

这些信息使用GFF表示如下：

二，GTF文件

GTF全称为gene transfer format，主要是用来对基因进行注释，前八个字段与GFF相同（有一些小的差别），重点在第九列的不同。

两种文件差异比较：

		GTF	GFF3
第1列	seqid	same	same
第2列	source	same	same
第3列	type	feature requirements depend on software	can be anything
第4列	start position	same	same
第5列	end position	same	same
第6列	score	same	same
第7列	strand	same	same
第8列	phase	same	same
第9列	Attributes	键值对使用空格” ”分开，“标签值”（tag value）	使用”=”号，“标签＝值”（tag=value）