NGS数据格式之gff/gtf

什么是gff/gtf细说gffgtf是什么gff和gtf的区别两种文件格式之间的转换

什么是gff/gtf

测序完成后，获得的是一堆ATGC字母组成的序列，想直接从中得出有用信息的难度不亚于解读一部“天书”，因此若是先找到这些序列中编码序列在什么地方、哪里是内含子、哪里是翻译起始位点等信息后再进行分析，才不会被海量数据所淹没。而类似刚才所述的基因组注释信息就保存在gff/gtf文件内。

gff/gtf是一种文件格式，借用目前对这两种文件格式最通用的描述：

gff主要是用来注释基因组；

gtf主要是用来对基因进行注释。

细说gff

gff全称为general feature format，gff文件是一种用来描述基因组特征的文件，现在我们所使用的大部分都是第三版（gff3）。

gff文件除gff1以外均由9列数据组成，前8列在gff的3个版本中信息都是相同的，只是名称不同：

例如第一列在gff1、gff2和gff3中分别叫做”seqname"，“reference  sequence”和“seqID”，type在gff1、gff2中也被称作feature，phase在gff1、gff2中也被称作frame。

第9列attributes的内容存在很大的版本特异性。这9列信息（以gff3为例）分别是：

seqid source type start end score strand strand attributes

• seqid ：参考序列的id。

• source：注释的来源。如果未知，则用点（.）代替。一般指明产生此gff3文件的软件或方法。

• type： 类型，此处的名词是相对自由的，建议使用符合SO惯例的名称（sequenceontology），如gene，repeat_region，exon，CDS等。

• start：开始位点，从1开始计数（区别于bed文件从0开始计数）。

• end：结束位点。

• 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。

• strand：“＋”表示正链，“－”表示负链，“.”表示不需要指定正负链。

• 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。

• attributes：属性。一个包含众多属性的列表，格式为“标签＝值”（tag=value），不同属性之间以分号相隔。

  几个attributes举例：

  ID：type的标识；

  Name：type的展示名称。Name的值在可视化的时候得到展示。因此，Name可以根据自己展示的需要随意取值；

  Parent ：指明type所从属的上一级ID。用于将exons聚集成transcript，将transripts聚集成gene。

gtf是什么

gtf全称为gene transfer format，主要是用来对基因进行注释，当前所广泛使用的gtf格式为第二版（gtf2）。以下均基于gtf2叙述。

gtf同gff3很相似，也是9列内容，其内容如下：

seqname source feature start end score strand frame attributes

• seqname: 序列的名字。通常格式染色体ID或是contig ID。

• source：注释的来源。通常是预测软件名或是公共数据库。

• start：开始位点，从1开始计数。

• end：结束位点。

• feature ：基因结构。CDS，start_codon，stop_codon是一定要含有的类型。

• score ：这一列的值表示对该类型存在性和其坐标的可信度，不是必须的，可以用点“.”代替。

• strand：链的正向与负向，分别用加号+和减号-表示。

• frame：密码子偏移，可以是0、1或2。

• attributes：必须要有以下两个值：

  gene_id value; 表示转录本在基因组上的基因座的唯一的ID。gene_id与value值用空格分开，如果值为空，则表示没有对应的基因。

  transcript_id value; 预测的转录本的唯一ID。transcript_id与value值用空格分开，空表示没有转录本。

  attribures之后有可能会有comments选项，以“#”开头，一直到行末尾。

gff和gtf的区别

gtf2的内容和gff3也是很相似的，区别只在其中的2列：

两种文件格式之间的转换

使用Cufflinks里面的工具"gffread":

#gff2gtf
gffread my.gff3 -T -o my.gtf
#gtf2gff
gffread merged.gtf -o- > merged.gff3

参考资料

1.NGS数据格式BED/GFF/GTF之介绍，比较，转换

2.【生信攻略】 GTF文件格式介绍

3.gff3文件格式介绍

4.两种文件格式之间的转换(http://www.jianshu.com/p/48b5a0972301)

还有更多文章，请移步公众号阅读

如果你生信基本技能已经入门，需要提高自己，请关注上面的生信技能树，看我们是如何完善生信技能，成为一个生信全栈工程师。

如果你是初学者，请关注下面的生信菜鸟团，了解生信基础名词，概念，扎实的打好基础，争取早日入门。