convert bed to gtf

1.使用conda安装bedtogenepred和genepredtogtf包

conda install -c bioconda ucsc-bedtogenepred

conda install -c bioconda ucsc-genepredtogtf

2. 使用bedToGenePred将bed转换为GenePred格式

bedToGenePred input.bed input.GenePred

3. 使用genepredtogtf将GenePred转换为gtf格式

genePredToGtf file input.GenePred input.gtf

附：

（1）bed文件格式

BED (Browser Extensible Data) 文件包括3个必须列（chrom，chromStart，chromEnd）三列和9个可选列，并且这些列的顺序是固定的。bed文件一般以‘.bed’作为文件扩展名，以“\t”作为列分隔符。

3个必需列：

chrom：染色体的名称（例如chr3，chrY，chr2_random），其中的chr一般要求是小写。

chromStart：染色体中特征的起始位置。染色体中的第一个碱基编号为0。（注：由于基因注释文件格式中采用的是从1开始计算）

chromEnd：染色体中特征的结束位置。所述 chromEnd碱基并不包含在特性中。例如，染色体的前100个碱基定义为chromStart = 0，chromEnd = 100，并跨越编号为0-99的碱基。

9个可选列：

name：BED行的名称。

score：设定值在0到1000之间，可以用于表示基因的丰度，富集程度等，在genome browser中会以对于的灰度显示。

strand：基因的链方向，可以设定为无链方向“.” 或正方向“+”或负方向“ - ”。

thickStart：绘制自定义的起始位置（例如，基因显示中的起始密码子）。

thickEnd：绘制自定义的结束位置（例如基因显示中的终止密码子）。

itemRgb：R，G，B形式的RGB值（例如255,0,0）。

blockCount：BED行中的块（例如外显子）数。

blockSizes：块大小的逗号分隔列表。此列表中的项目数应与blockCount相对应。

blockStarts：以逗号分隔的块开始列表。应该相对于chromStart计算所有 blockStart位置。此列表中的项目数应与blockCount相对应。

例如:

（2）gtf文件格式

GTF全称为gene transfer format，主要是用来对基因进行注释。GTF文件包括9列。gtf文件一般以‘.gtf’作为文件扩展名，以“\t”作为列分隔符。

1）seqid：序列的编号，一般为chr或者scanfold编号。

2）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。

3）feature：注释信息的类型，比如Gene、cDNA、mRNA、CDS，5UTR，start_codon等

4）start：该基因或转录本在参考序列上的起始位置；

5）end：该基因或转录本在参考序列上的终止位置；

6）score：得分，数字，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；

7）strand：该基因或转录本位于参考序列的正链(+)或负链(-)上;

8）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、1、2(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。)

9）attributes：一个包含众多属性的列表，格式为“标签＝值”（tag=value），标签与值之间以空格分开，且每个特征之后都要有分号；（包括最后一个特征），其内容必须包括gene_id和transcript_id。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“。

Ref

http://onetipperday.sterding.com/2012/08/convert-bed-to-gtf.html

http://genome.ucsc.edu/FAQ/FAQformat.html#format1