gff/gtf格式

1）gff3及gtf2简介

一个物种的基因组测序完成后，需要对这些数据进行解读，首先要先找到这些序列中转录起始位点、基因、外显子、内含子等组成元件在染色体中的位置信息(即注释)后才能再进行深入的分析。gff/gtf是贮存这些注释信息的两种文件格式。

GFF(general feature format)：这种格式主要是用来注释基因组。 现大部分利用的是第三版，即gff3。

GTF(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，即gtf2 。

1.1）GFF3

GFF3允许使用#作为注释符号 ，除去注释外，主体部分共有9列。 GFF3中每一列的含义：seqid source type start end score strand strand attributes

1) seqid ：序列的id。(The name of the sequence where the feature is located.)
2）source：注释的来源，一般指明产生此gff3文件的软件或方法(e.g. Augustus or RepeatMasker)。如果未知，则用点（.）代替。
3）type： 类型，此处不受约束，但为下游分析方便，建议使用gene，repeat_region，exon，CDS，或SO对应编号等。
4）start：起始位置，从1开始计数（区别于bed文件从0开始计数）。
5）end：终止位置。
6）score：得分，注释信息可能性说明，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。(indicates the confidence of the source on the annotated feature)
7）strand：“＋”表示正链，“－”表示负链，“.”表示不需要指定正负链，“?” 表示未知. 
8）phase ：步进。仅对编码蛋白质的CDS有效，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。

1.2）GTF2

gtf文件也是由9列组成,其中每一列含义：seqname source feature start end score strand frame attributes

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：起始位置，从1开始计数。
4） end：终止位置。
5） feature ：基因结构.根据所使用软件不同，feature types必须注明。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。

2)GFF3和GTF2之间的异同及相互转换。
---------------------------------------------------

GFF3和GTF2之间的转换可以用Cufflinks里面的工具"gffread":

gffread my.gff3 -T -o my.gtf             #gff2gtf
gffread merged.gtf -o- > merged.gff3     #gtf2gff

3) 习题
---------------------------------------
3.1）gff3格式的功能是是什么？目前有几版？
3.2）gff3共有多少列？每一列的含义是什么？
3.3）gff3中的第8列代表的0,1,2分别代表什么含义？
3.4）gff3第9列不同属性之间是用什么符号分割的？
3.5）gtf2和gff3格式上有何异同？
3.6）gtf2和gff3在功能上有什么差异？
3.7）gtf2第9列中不同属性用什么符号分割？
3.8）如何将gtf和gff之间相互转换？
3.9）统计test.gff文件中组装出来的染色体条数
3.10）统计test.gff文件中lnc_RNA个数
3.11）统计基因组文件test.gff中有多少个基因
3.12）求最长基因的长度
3.13）查找一个基因下有3个转录本的基因个数
3.14）求相位为2的cds个数
3.15）找出基因含有最多的外显子的个数
3.16)  将test.gff转化为test.gtf
3.17）统计test.gtf中transcript的个数
3.18）根据test.gtf统计位于正链上的exon的个数
3.19）将test.gtf中所有的gene ID都统计出来
3.20) 找出test.gtf中位于正链上的最长的基因
4) 参考资源
---------------------------------------
https://en.wikipedia.org/wiki/General_feature_format
http://boyun.sh.cn/bio/?p=1602