8.生物数据格式 - gff/gtf

格式

GFF是 general feature format的缩写，是储存基因结构信息的文件格式，主要是用来注释基因组。GTF全称Gene transfer format，是在GFF的基础上发展而来，二者有很多类似的地方，内容也比较接近。GFF能够包含的信息更多更全，可以包含染色体，基因，转录本的信息，而GTF主要用来描述基因和转录本的信息。

GFF文件格式如下： image.png GFF文件是由tab键分割的9列组成，这九列的内容分别是：

第一列：seq_id，序列的编号，一般为chr或者scanfold编号；
第二列：source，注释的来源，一般为数据库或者注释的机构，如果未知，则用点“.”代替；
第三列：type，注释信息的类型，比如Gene、cDNA、mRNA、CDS等；
第四列：start，该基因或转录本在参考序列上的起始位置(从1开始，包含)；
第五列：end，该基因或转录本在参考序列上的终止位置(从1开始，包含)；
第六列：score，是注释信息可能性的说明，可以是序列相似性比对时的E-values值或者基因预测是的P-values值，.表示为空；
第七列：strand，该基因或转录本位于参考序列的正链(+)或负链(-)上；
第八列：phase，仅对注释类型为“CDS”有效，表示起始编码的位置，有效值为0、12. (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。每3个核苷酸翻译一个氨基酸，从0开始，CDS的起始位置，除以3，余数就是这个值，，表示到达下一个密码子需要跳过的碱基个数。该编码区第一个密码子的位置，取值0,1,2。0表示该编码框的第一个密码子第一个碱基位于其5’末端；1表示该编码框的第一个密码子的第一个碱基位于该编码区外；2表示该编码框的第一个密码子的第一、二个碱基位于该编码区外；如果Feature为CDS时，必须指明具体值)；
第九列：attributes，一个包含众多属性的列表，格式为“标签＝值”(tag=value)，以多个键值对组成的注释信息描述，键与值之间用“=”，不同的键值用“；”隔开，一个键可以有多个值，不同值用“,”分割。注意如果描述中包括tab键以及“，= ；”，要用URL转义规则进行转义，如tab键用 代替。键是区分大小写的，以大写字母开头的键是预先定义好的，在后面可能被其他注释信息所调用。

GTF文件格式如下： image.png GTF与GFF的区别在第三列于第八列。GFF第三列是type常见类型有：gene、exon、intron等；GTF第三列是feature，常见类型有：gene、transcript、CDS、5‘UTR、start_codon、exon、stop_codon、3‘UTR。GTF第九列的attributes必须有gene_id和transcript_id这两个属性，GFF则不需要。

获取

NCBI包含现有的最全的参考基因组数据，在NCBI的FTP站点中储存；Ensembl数据库是欧洲生物信息研究所和Wellcome Trust Sanger研究所联合创办的数据库，常用的信息齐全的参考基因组和GTF文件下载网站。文件夹以物种拉丁名命名储存，可以使用wget下载。

处理

## GFF与GTF互换，可以使用Cufflinks里面的工具gffread
gffread my.gff3 -T -o my.gtf #gff2gtf
gffread my.gtf -o- > my.gff3 #gtf2gff
## 根据GTF文件提取序列
gffread transcripts.gtf –g genome.fa –w transcripts.output.fa #获取转录本序列
gffread transcripts.gtf –g genome.fa -x cds.output.fa #获取CDS序列
gffread transcripts.gtf –g genome.fa -y protein.output.fa #获取蛋白序列