散文網(wǎng) » 生活 »日常 » GFF/GTF簡介及格式轉(zhuǎn)換

GFF/GTF簡介及格式轉(zhuǎn)換

2022-04-27 16:07 作者:笨笨熊愛吃肉 0人讀過 | 我要投稿

最近做轉(zhuǎn)錄組的比對時，在建立索引過程中，遇見一個問題，就是我從ncbi下載的序列文件和gtf文件中，染色體命名規(guī)則竟然不一樣，但序列文件和gff文件染色體命名規(guī)則是一樣的，具體來說：序列文件和GFF文件中染色體位置以GWHAMMI開頭，可是，gff文件又沒辦法直接和基因組fasta文件搭配使用，只好將 gff文件轉(zhuǎn)gtf文件了。

gff和gtf格式都可以儲存基因信息，有很多共同點(diǎn)，存儲信息側(cè)重點(diǎn)又不一樣，最主要的是不同的軟件對于文件格式的要求不同，有時候你找不到需要的格式文件時，就得用另一個格式文件進(jìn)行轉(zhuǎn)換，我這次就得把gff文件轉(zhuǎn)為我需要的gtf文件。

一、GFF/GTF簡介：

GFF全稱為general feature format，這種格式主要是用來注釋基因組；

GTF全稱為gene transfer format，主要是用來對基因進(jìn)行注釋。

GTF文件以及GFF文件都由9列數(shù)據(jù)組成，這兩種文件的前8列都是相同的，非常好理解，區(qū)別在于第九列;

二、GFF/GTF文件比較

GFF文件每一列所代表的含義前面表格中有，但請注意，它的第3列feature type是不受約束的，你可以使用任意的名稱。

我們需要注意的是GFF文件的第9列，從第二版開始(GFF2)，所有的屬性都以標(biāo)簽=值的方式呈現(xiàn)，各個屬性之間以;作為分隔符。

在最新版本的GFF文件中(GFF3)，有一些是已經(jīng)預(yù)先定義的屬性特征，并且這些特征往往還有特殊的含義：ID這個標(biāo)簽在各行有；另外有一個Parent的屬性，它表明了當(dāng)前的特征是Parent特征的子集。

GFF文件內(nèi)容：

GTF當(dāng)前所廣泛使用的GTF格式為第二版(GTF2)，它主要是用來描述基因的注釋。GTF格式有兩個硬性標(biāo)準(zhǔn)：

?? 根據(jù)所使用的軟件的不同，featuretypes是必須注明的;

?? 第9列必須以gene_id以及transcript_id開頭,GTF文件的第9列同GFF文件不同，雖然同樣是標(biāo)簽與值配對的情況，但標(biāo)簽與值之間以空格分開，且每個特征之后都要有分號;（包括最后一個特征）：

????????GTF文件內(nèi)容：

三、GFF/GTF格式轉(zhuǎn)換：

有不同的工具可以來完成這個工作，生成的結(jié)果還略有不同，這次重新學(xué)習(xí)，決定比較一下，選一個更適合自己課題的結(jié)果。

Cufflinks里面的工具gffread

下載地址：

?????????????????https://github.com/cole-trapnell-lab/cufflinks和

???????????? ? ? https://github.com/gpertea/gffread

下載后tar -zxvf 解壓后就能夠使用，解壓后程序列表：

/cufflinks-2.2.1/gffread -T my.gff -o my_gffread.gtf，

生成的gtf文件有164210行信息，如下圖，只保留了exon和CDS的信息，而它源自的gff文件有220938行信息，少了gene、mRNA行的信息；相比于ncbi上原下載的gtf文件，少了transcript、start_codon、stop_codon的信息，此外，第九列的屬性也只有transcript_id, gene_id, gene_name這3種屬性，有人提到這些ID沒有任何含義，Entrez ID和轉(zhuǎn)錄本的RefSeq 編號很重要，目前我也不是很確定這些信息對后面建立索引及比對會有啥影響，未來會讓師妹去探索一下。新生成的gtf文件：