美文网首页学习LinuxmtDNA数据处理
基因组注释文件（二）| gff 和 gtf文件格式说明

基因组注释文件（二）| gff 和 gtf文件格式说明

作者: 生信师姐 | 来源:发表于2020-09-03 09:34 被阅读0次

    简介

    GFF和GTF是两种最常用的基因组注释格式，在信息分析中建库时除了需要fasta文件一般还会需要这两种文件，提取需要的信息进行注释。

    一、GFF

    GFF(General Feature Format)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：

    gtf文件是以tab键分割的9列组成，以下为每一列的对应信息：

    1. seqid ：参考序列的id。
    2. source：注释的来源。如果未知，则用点（.）代替。一般指明产生此gff3文件的软件或方法。
    3. 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。
    4. start：开始位点，从1开始计数（区别于bed文件从0开始计数）。
    5. end：结束位点。
    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。
    9. 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。
      下列的标签已定义：
    • ID：指定一个唯一的标识。对属性分类是非常好用（例如查找一个转录单位中所以的外显子）。
    • Name：指定属性的名称。展示给用户的就是该属性。
    • Alias：名称的代称或其它。当存在其它名称时使用该属性。
    • Note：描述性的一些说明。
      Alias和Note可以有多个值，不同值之间以逗号分隔。
      如：Alias=M19211,gna-12,GAMMA-GLOBULIN

    在GFF文件的开头，可以有#开头的注释行,示例如下

    ##gff-version 3
#!gff-spec-version 1.21
#!processor NCBI annotwriter
#!genome-build GRCh38.p12
#!genome-build-accession NCBI_Assembly:GCF_000001405.38
#!annotation-date 26 March 2018
#!annotation-source NCBI Homo sapiens Annotation Release 109
##sequence-region NC_000001.11 1 248956422
##species https://www.ncbi.nlm.nih.gov/Taxonomy/Browser/wwwtax.cgi?id=9606

    对于不同的基因组特征，其属性不同。

    1. 染色体
      染色体用region表示，1号染色体对应的信息如下
    NC_000001.11    RefSeq    region    1    248956422    .    +    .    ID=id0;Dbxref=taxon:9606;Name=1;chromosome=1;gbkey=Src;genome=chromosome;mol_type=genomic DNA

    染色体是基础，后续的基因，exon等都是需要定位在染色体上的。

    1. 非编码基因
      对于非编码基因，首先给出基因的起始和终止位置，然后描述转录本的信息。对于转录本而言, 通过exon展示其结构。

    假基因示例如下

    NC_000001.11    BestRefSeq    pseudogene    11874    14409    .    +    .    ID=gene0;Dbxref=GeneID:100287102,HGNC:HGNC:37102;Name=DDX11L1;description=DEAD/H-box helicase 11 like 1;gbkey=Gene;gene=DDX11L1;gene_biotype=transcribed_pseudogene;pseudo=true
NC_000001.11    BestRefSeq    transcript    11874    14409    .    +    .    ID=rna0;Parent=gene0;Dbxref=GeneID:100287102,Genbank:NR_046018.2,HGNC:HGNC:37102;Name=NR_046018.2;gbkey=misc_RNA;gene=DDX11L1;product=DEAD/H-box helicase 11 like 1;transcript_id=NR_046018.2
NC_000001.11    BestRefSeq    exon    11874    12227    .    +    .    ID=id1;Parent=rna0;Dbxref=GeneID:100287102,Genbank:NR_046018.2,HGNC:HGNC:37102;gbkey=misc_RNA;gene=DDX11L1;product=DEAD/H-box helicase 11 like 1;transcript_id=NR_046018.2
NC_000001.11    BestRefSeq    exon    12613    12721    .    +    .    ID=id2;Parent=rna0;Dbxref=GeneID:100287102,Genbank:NR_046018.2,HGNC:HGNC:37102;gbkey=misc_RNA;gene=DDX11L1;product=DEAD/H-box helicase 11 like 1;transcript_id=NR_046018.2
NC_000001.11    BestRefSeq    exon    13221    14409    .    +    .    ID=id3;Parent=rna0;Dbxref=GeneID:100287102,Genbank:NR_046018.2,HGNC:HGNC:37102;gbkey=misc_RNA;gene=DDX11L1;product=DEAD/H-box helicase 11 like 1;transcript_id=NR_046018.2

    tRNA基因示例如下

    NC_000010.11    tRNAscan-SE    gene    67764503    67764584    .    +    .    ID=gene28271;Dbxref=GeneID:100189279,HGNC:HGNC:34845;Name=TRS-TGA1-1;gbkey=Gene;gene=TRS-TGA1-1;gene_biotype=tRNA
NC_000010.11    tRNAscan-SE    tRNA    67764503    67764584    .    +    .    ID=rna83632;Parent=gene28271;Dbxref=GeneID:100189279,HGNC:HGNC:34845;Note=transfer RNA-Ser (TGA) 1-1;anticodon=(pos:67764536..67764538);gbkey=tRNA;gene=TRS-TGA1-1;inference=COORDINATES: profile:tRNAscan-SE:1.23;product=tRNA-Ser
NC_000010.11    tRNAscan-SE    exon    67764503    67764584    .    +    .    ID=id1011659;Parent=rna83632;Dbxref=GeneID:100189279,HGNC:HGNC:34845;Note=transfer RNA-Ser (TGA) 1-1;anticodon=(pos:67764536..67764538);gbkey=tRNA;gene=TRS-TGA1-1;inference=COORDINATES: profile:tRNAscan-SE:1.23;product=tRNA-Ser

    miRNA基因示例如下

    NC_000001.11    BestRefSeq    gene    17369    17436    .    -    .    ID=gene2;Dbxref=GeneID:102466751,HGNC:HGNC:50039,miRBase:MI0022705;Name=MIR6859-1;description=microRNA 6859-1;gbkey=Gene;gene=MIR6859-1;gene_biotype=miRNA;gene_synonym=hsa-mir-6859-1
NC_000001.11    BestRefSeq    primary_transcript    17369    17436    .    -    .    ID=rna2;Parent=gene2;Dbxref=GeneID:102466751,Genbank:NR_106918.1,HGNC:HGNC:50039,miRBase:MI0022705;Name=NR_106918.1;gbkey=precursor_RNA;gene=MIR6859-1;product=microRNA 6859-1;transcript_id=NR_106918.1
NC_000001.11    BestRefSeq    exon    17369    17436    .    -    .    ID=id15;Parent=rna2;Dbxref=GeneID:102466751,Genbank:NR_106918.1,HGNC:HGNC:50039,miRBase:MI0022705;gbkey=precursor_RNA;gene=MIR6859-1;product=microRNA 6859-1;transcript_id=NR_106918.1
NC_000001.11    BestRefSeq    miRNA    17369    17391    .    -    .    ID=rna3;Parent=rna2;Dbxref=GeneID:102466751,miRBase:MIMAT0027619,HGNC:HGNC:50039,miRBase:MI0022705;gbkey=ncRNA;gene=MIR6859-1;product=hsa-miR-6859-3p
NC_000001.11    BestRefSeq    exon    17369    17391    .    -    .    ID=id16;Parent=rna3;Dbxref=GeneID:102466751,miRBase:MIMAT0027619,HGNC:HGNC:50039,miRBase:MI0022705;gbkey=ncRNA;gene=MIR6859-1;product=hsa-miR-6859-3p
NC_000001.11    BestRefSeq    miRNA    17409    17431    .    -    .    ID=rna4;Parent=rna2;Dbxref=GeneID:102466751,miRBase:MIMAT0027618,HGNC:HGNC:50039,miRBase:MI0022705;gbkey=ncRNA;gene=MIR6859-1;product=hsa-miR-6859-5p
NC_000001.11    BestRefSeq    exon    17409    17431    .    -    .    ID=id17;Parent=rna4;Dbxref=GeneID:102466751,miRBase:MIMAT0027618,HGNC:HGNC:50039,miRBase:MI0022705;gbkey=ncRNA;gene=MIR6859-1;product=hsa-miR-6859-5p

    一个miRNA基因的最终会形成两个成熟的miRNA。

    lncRNA基因示例如下

    NC_000001.11    Gnomon    gene    29926    31295    .    +    .    ID=gene3;Dbxref=GeneID:107985730,HGNC:HGNC:52482;Name=MIR1302-2HG;gbkey=Gene;gene=MIR1302-2HG;gene_biotype=lncRNA
NC_000001.11    Gnomon    lnc_RNA    29926    31295    .    +    .    ID=rna5;Parent=gene3;Dbxref=GeneID:107985730,Genbank:XR_001737835.1,HGNC:HGNC:52482;Name=XR_001737835.1;gbkey=ncRNA;gene=MIR1302-2HG;model_evidence=Supporting evidence includes similarity to: 100%25 coverage of the annotated genomic feature by RNAseq alignments%2C including 8 samples with support for all annotated introns;product=MIR1302-2 host gene;transcript_id=XR_001737835.1
NC_000001.11    Gnomon    exon    29926    30039    .    +    .    ID=id18;Parent=rna5;Dbxref=GeneID:107985730,Genbank:XR_001737835.1,HGNC:HGNC:52482;gbkey=ncRNA;gene=MIR1302-2HG;product=MIR1302-2 host gene;transcript_id=XR_001737835.1
NC_000001.11    Gnomon    exon    30564    30667    .    +    .    ID=id19;Parent=rna5;Dbxref=GeneID:107985730,Genbank:XR_001737835.1,HGNC:HGNC:52482;gbkey=ncRNA;gene=MIR1302-2HG;product=MIR1302-2 host gene;transcript_id=XR_001737835.1
    1. 蛋白编码基因
      对于蛋白编码基因，在非编码基因的基础上，多出了CDS的信息。示例如下
    NC_000010.11    BestRefSeq%2CGnomon    gene    35126830    35212958    .    +    .    ID=gene27850;Dbxref=GeneID:1390,HGNC:HGNC:2352,MIM:123812;Name=CREM;description=cAMP responsive element modulator;gbkey=Gene;gene=CREM;gene_biotype=protein_coding;gene_synonym=CREM-2,hCREM-2,ICER
NC_000010.11    BestRefSeq    mRNA    35126841    35179847    .    +    .    ID=rna82191;Parent=gene27850;Dbxref=GeneID:1390,Genbank:NM_001881.3,HGNC:HGNC:2352,MIM:123812;Name=NM_001881.3;gbkey=mRNA;gene=CREM;product=cAMP responsive element modulator%2C transcript variant 2;transcript_id=NM_001881.3
NC_000010.11    BestRefSeq    exon    35126841    35127193    .    +    .    ID=id995818;Parent=rna82191;Dbxref=GeneID:1390,Genbank:NM_001881.3,HGNC:HGNC:2352,MIM:123812;gbkey=mRNA;gene=CREM;product=cAMP responsive element modulator%2C transcript variant 2;transcript_id=NM_001881.3
NC_000010.11    BestRefSeq    exon    35148368    35148491    .    +    .    ID=id995819;Parent=rna82191;Dbxref=GeneID:1390,Genbank:NM_001881.3,HGNC:HGNC:2352,MIM:123812;gbkey=mRNA;gene=CREM;product=cAMP responsive element modulator%2C transcript variant 2;transcript_id=NM_001881.3
NC_000010.11    BestRefSeq    exon    35178889    35178986    .    +    .    ID=id995820;Parent=rna82191;Dbxref=GeneID:1390,Genbank:NM_001881.3,HGNC:HGNC:2352,MIM:123812;gbkey=mRNA;gene=CREM;product=cAMP responsive element modulator%2C transcript variant 2;transcript_id=NM_001881.3
NC_000010.11    BestRefSeq    exon    35179134    35179847    .    +    .    ID=id995821;Parent=rna82191;Dbxref=GeneID:1390,Genbank:NM_001881.3,HGNC:HGNC:2352,MIM:123812;gbkey=mRNA;gene=CREM;product=cAMP responsive element modulator%2C transcript variant 2;transcript_id=NM_001881.3
NC_000010.11    BestRefSeq    CDS    35148372    35148491    .    +    0    ID=cds57086;Parent=rna82191;Dbxref=CCDS:CCDS7184.1,GeneID:1390,Genbank:NP_001872.3,HGNC:HGNC:2352,MIM:123812;Name=NP_001872.3;Note=isoform 2 is encoded by transcript variant 2;gbkey=CDS;gene=CREM;product=cAMP-responsive element modulator isoform 2;protein_id=NP_001872.3
NC_000010.11    BestRefSeq    CDS    35178889    35178986    .    +    0    ID=cds57086;Parent=rna82191;Dbxref=CCDS:CCDS7184.1,GeneID:1390,Genbank:NP_001872.3,HGNC:HGNC:2352,MIM:123812;Name=NP_001872.3;Note=isoform 2 is encoded by transcript variant 2;gbkey=CDS;gene=CREM;product=cAMP-responsive element modulator isoform 2;protein_id=NP_001872.3
NC_000010.11    BestRefSeq    CDS    35179134    35179329    .    +    1    ID=cds57086;Parent=rna82191;Dbxref=CCDS:CCDS7184.1,GeneID:1390,Genbank:NP_001872.3,HGNC:HGNC:2352,MIM:123812;Name=NP_001872.3;Note=isoform 2 is encoded by transcript variant 2;gbkey=CDS;gene=CREM;product=cAMP-responsive element modulator isoform 2;protein_id=NP_001872.3

    需要注意是，由于可变剪切的存在，一个蛋白编码基因可能会有多个转录本。

    查看第9列有哪些注释信息：

    $awk 'BEGIN{FS=OFS="\t"} $3=="gene"{split($9, a, ";"); for(i in a){split(a[i], b, "="); if(++c[b[1]]==1) print b[1]}}'  abc.gff
ID
Accession
annotation
Name
product

    二、GTF

    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：

    1. seqname: 序列的名字。通常格式染色体ID或是contig ID。
    2. source：注释的来源。通常是预测软件名或是公共数据库。
    3. start：开始位点，从1开始计数。
    4. end：结束位点。
    5. feature：基因结构。CDS，start_codon，stop_codon是一定要含有的类型。
    6. 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。
    7. strand：链的正向与负向，分别用加号+和减号-表示。
    8. frame：密码子偏移，可以是0、1或2。
    9. 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。

    例子：

    YL_Chr01    EVM transcript  6582    7082    .   +   .   transcript_id "YL_Chr01G000010.1"; gene_id "YL_Chr01G000010";
YL_Chr01    EVM exon        6582    6648    .   +   .   transcript_id "YL_Chr01G000010.1"; gene_id "YL_Chr01G000010";
YL_Chr01    EVM exon        6829    7082    .   +   .   transcript_id "YL_Chr01G000010.1"; gene_id "YL_Chr01G000010";
YL_Chr01    EVM CDS         6582    6648    .   +   0   transcript_id "YL_Chr01G000010.1"; gene_id "YL_Chr01G000010";
YL_Chr01    EVM CDS         6829    7082    .   +   2   transcript_id "YL_Chr01G000010.1"; gene_id "YL_Chr01G000010";
YL_Chr01    EVM transcript  24963   25235   .   +   .   transcript_id "YL_Chr01G000020.1"; gene_id "YL_Chr01G000020";
YL_Chr01    EVM exon        24963   25235   .   +   .   transcript_id "YL_Chr01G000020.1"; gene_id "YL_Chr01G000020";
YL_Chr01    EVM CDS         24963   25235   .   +   0   transcript_id "YL_Chr01G000020.1"; gene_id "YL_Chr01G000020";
YL_Chr01    EVM transcript  147350  157709  .   -   .   transcript_id "YL_Chr01G000030.1"; gene_id "YL_Chr01G000030";
YL_Chr01    EVM exon        147350  147511  .   -   .   transcript_id "YL_Chr01G000030.1"; gene_id "YL_Chr01G000030";

    三、 GTF与GFF比较

    GFF全称为general feature format，这种格式主要是用来注释基因组。
    GTF全称为gene transfer format，主要是用来对基因进行注释。

    GTF 的第九列，通常为：

    gene _ id "At1ge0001"; transcript _ id "At1g0ee01.1";

    而 GFF 的第九列，通常为：

    ID =mrnae01; Name = abc 
ID =exon1; Parent =mrnae01
ID =exon2; Parent =mrnae01

    目前两种文件可以方便的相互转化:使用gffread

    gffread  YL.gff -T -o li.gtf

    参考

    UCSC GTF format
    https://blog.csdn.net/sinat_38163598/article/details/72851239

    相关文章

      网友评论

        本文标题：基因组注释文件（二）| gff 和 gtf文件格式说明

        本文链接：https://www.haomeiwen.com/subject/hnxnmhtx.html

        延伸阅读

        深度阅读

        • 您也可以注册成为美文阅读网的作者，发表您的原创作品、分享您的心情！

        栏目导航

        热点阅读

        学习

        Linux

        mtDNA数据处理

        RNA-seq

        收入即学习

        生物信息学

        已应用

        关于我们|服务条款|联系我们|基因组注释文件（二）| gff 和 gtf文件格式说明|投稿指南|网站地图|RSS订阅|排版工具|手机版

        提供经典美文摘抄,优美散文欣赏,现代诗歌精选,短篇小说,心情随笔,表白情书范文,故事会在线阅读欣赏

        Copyright © 2014-2023 Haomeiwen.com All Rights Reserved. 好美文阅读网 版权所有

        备案信息：桂公网安备 45052102000051号 · 桂ICP备13007215号-3

        本站所收录作品、热点评论等信息部分来源互联网，目的只是为了系统归纳学习和传递资讯

        所有作品版权归原创作者所有，与本站立场无关，如不慎侵犯了你的权益，请联系我们告知，我们将做删除处理！