山羊转录组GFF文件与GTF格式转换

1. GFF文件与GFF文件来源

1.1 GFF文件来源

GFF文件来源于 NCBI

1.1 GTF文件来源

GTF文件来源于 ensemble

2. GFF文件与GTF文件格式

2.1 GFF文件格式

GFF 文件格式 GFF 文件格式

1. seqid ：参考序列的id
2. annotation 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. feature 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 coordinate：开始位点，从1开始计数（区别于bed文件从0开始计数）。
5. nd coordinate：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，这一列最后没有分号。

2.2 GTF文件格式

GTF 文件格式 GTF 文件格式

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. rame：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。

3. GFF与GTF文件格式转换

3.1 R包rtracklayer转换

3.1.1 安装rtracklayer包

if (!requireNamespace("BiocManager", quietly = TRUE))
    install.packages("BiocManager")

BiocManager::install("rtracklayer")

3.1.2 导入包完成转换

#将gff3 文件转换为gtf格式
library(rtracklayer)
##输入需要转换的文件
test = import("GCF_001704415.1_ARS1_genomic.gff")
##输出转换完成的文件
export(test,"GCF_001704415.1_ARS1_genomic.gtf","gtf")

转换后的GTF文件

3.1 cufflinks转换

3.1.1 cufflinks安装

pip3 install cufflinks --user -i https://pypi.tuna.tsinghua.edu.cn/simple
## -i 指定国内镜像源

cufflinks --help
## 测试是否安装成功

3.1.2 GTF与GFF文件之间的相互转换

gffread GCF_001704415.1_ARS1_genomic.gff -T -o GCF_001704415.1_ARS1_genomic.gtf
gffread GCF_001704415.1_ARS1_genomic.gtf -o- > GCF_001704415.1_ARS1_genomic.gff