本文主要是介绍生物信息数据格式：gff,gtf格式，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
文章目录
- gff
- 示例
- gtf
- 示例
- gff和gtf的区别
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：
第9列attributes的内容存在很大的版本特异性。这9列信息（以gff3为例）分别是：
seqid source type start end score strand strand attributes
-
seqid ：参考序列的id。
-
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。
-
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。
-
start：开始位点，从1开始计数（区别于bed文件从0开始计数）。
-
end：结束位点。
-
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。
-
strand：“＋”表示正链，“－”表示负链，“.”表示不需要指定正负链。
-
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。
-
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。
http://gmod.org/wiki/GFF3
awk分析拟南芥gff文件
示例
##gff-version 3
ctg123 . mRNA 1300 9000 . + . ID=mrna0001;Name=sonichedgehog
ctg123 . exon 1300 1500 . + . ID=exon00001;Parent=mrna0001
ctg123 . exon 1050 1500 . + . ID=exon00002;Parent=mrna0001
ctg123 . exon 3000 3902 . + . ID=exon00003;Parent=mrna0001
ctg123 . exon 5000 5500 . + . ID=exon00004;Parent=mrna0001
ctg123 . exon 7000 9000 . + . ID=exon00005;Parent=mrna0001
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：
seqname source feature start end score strand frame attributes
-
seqname: 序列的名字。通常格式染色体ID或是contig ID。
-
source：注释的来源。通常是预测软件名或是公共数据库。
-
start：开始位点，从1开始计数。
-
end：结束位点。
-
feature ：基因结构。CDS，start_codon，stop_codon是一定要含有的类型。
-
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。
-
strand：链的正向与负向，分别用加号+和减号-表示。
-
frame：密码子偏移，可以是0、1或2。
-
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。
示例
AB000381 Twinscan exon 150 200 . + . gene_id "AB000381.000"; transcript_id "AB000381.000.1";
AB000381 Twinscan exon 300 401 . + . gene_id "AB000381.000"; transcript_id "AB000381.000.1";
AB000381 Twinscan CDS 380 401 . + 0 gene_id "AB000381.000"; transcript_id "AB000381.000.1";
AB000381 Twinscan exon 501 650 . + . gene_id "AB000381.000"; transcript_id "AB000381.000.1";
AB000381 Twinscan CDS 501 650 . + 2 gene_id "AB000381.000"; transcript_id "AB000381.000.1";
AB000381 Twinscan exon 700 800 . + . gene_id "AB000381.000"; transcript_id "AB000381.000.1";
AB000381 Twinscan CDS 700 707 . + 2 gene_id "AB000381.000"; transcript_id "AB000381.000.1";
AB000381 Twinscan exon 900 1000 . + . gene_id "AB000381.000"; transcript_id "AB000381.000.1";
AB000381 Twinscan start_codon 380 382 . + 0 gene_id "AB000381.000"; transcript_id "AB000381.000.1";
AB000381 Twinscan stop_codon 708 710 . + 0 gene_id "AB000381.000"; transcript_id "AB000381.000.1";
基因组注释文件（gtf）数据示例
gff和gtf的区别
gtf2的内容和gff3也是很相似的，区别：
| - | gtf2 | gff3 |
|---|---|---|
| type/feature | 必须注明 | 可以是任意名称 |
| attributes | key和value以空格分割 | key和value以“=”隔开 |
这篇关于生物信息数据格式：gff,gtf格式的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
