NGS基础 - GTF/GFF文件格式解读和转换
生物信息学习的正确姿势
NGS系列文章包括NGS基础、在线绘图、转录组分析 (Nature重磅综述|关于RNA-seq你想知道的全在这)、ChIP-seq分析 (ChIP-seq基本分析流程)、单细胞测序分析 (重磅综述:三万字长文读懂单细胞RNA测序分析的最佳实践教程)、DNA甲基化分析、重测序分析、GEO数据挖掘(典型医学设计实验GEO数据分析 (step-by-step))、批次效应处理等内容。
GFF 文件
GFF全称为general feature format
,这种格式主要是用来注释基因组。
从 Ensembl
导出的GFF
文件示例:
X Ensembl Repeat 2419108 2419128 42 . . hid=trf; hstart=1; hend=21
X Ensembl Repeat 2419108 2419410 2502 - . hid=AluSx; hstart=1; hend=303
X Ensembl Repeat 2419108 2419128 0 . . hid=dust; hstart=2419108; hend=2419128
X Ensembl Pred.trans. 2416676 2418760 450.19 - 2 genscan=GENSCAN00000019335
X Ensembl Variation 2413425 2413425 . + .
X Ensembl Variation 2413805 2413805 . + .
GFF文件是以tab
键分割的9列组成,以下为每一列的对应信息:
seq_id:序列的编号,一般为chr或者scanfold编号;
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
type: 注释信息的类型,比如Gene、cDNA、mRNA、CDS等;
start: 该基因或转录本在参考序列上的起始位置;(从1开始,包含);
end: 该基因或转录本在参考序列上的终止位置;(从1开始,包含);
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;strand: 该基因或转录本位于参考序列的正链(+)或负链(-)上;
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、12. (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。);
attributes: 一个包含众多属性的列表,格式为“标签=值”(tag=value),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“;”隔开,一个键可以有多个值,不同值用“,”分割。注意如果描述中包括tab键以及“,= ;”,要用URL转义规则进行转义,如tab键用 代替。键是区分大小写的,以大写字母开头的键是预先定义好的,在后面可能被其他注释信息所调用。
预先定义的键主要包括:
ID:注释信息的编号,在一个GFF文件中必须唯一;
name:注释信息的名称,可以重复;Alias:别名;Parent > >
Indicates:该注释所属的注释,值为注释信息的编号,比如外显子所属的转录组编号,转录组所属的基因的编号。
Parent指明feature所从属的上一级ID,用于将exons聚集成transcript,将transripts聚集成gene,值可以为多个;
Target 指明比对的目标区域,一般用于表明序列的比对结果。格式为 “target_idstart end [strand] ,其中strand是可选的(“+”或”-”),target_id中如果包含空格,则要转换成’ ‘。
Gap:T比对结果的gap信息,和Target一起,用于表明序列的比对结果。Derives_from:Note:备注;Dbxref:数据库索引。
GTF 文件
GTF全称为gene transfer format
,主要是用来对基因进行注释。
从 Ensembl 导出的 GTF 文件示例:
1 transcribed_unprocessed_pseudogene gene 11869 14409 . + . gene_id "ENSG00000223972"; gene_name "DDX11L1"; gene_source "havana"; gene_biotype "transcribed_unprocessed_pseudogene";
1 processed_transcript transcript 11869 14409 . + . gene_id "ENSG00000223972"; transcript_id "ENST00000456328"; gene_name "DDX11L1"; gene_sourc e "havana"; gene_biotype "transcribed_unprocessed_pseudogene"; transcript_name "DDX11L1-002"; transcript_source "havana";
当前所广泛使用的GTF格式为第二版(GTF2),它主要是用来描述基因的注释。GTF格式大部分与GFF相同,但有两个硬性标准:
feature types是必须注明的;
第9列必须以gene_id以及transcript_id开头。而且GTF文件的第9列同GFF文件不同,虽然同样是标签与值配对的情况,但标签与值之间以
空格
分开,且每个特征之后都要有分号;
(包括最后一个特征);gene_id “geneA”;transcript_id “geneA.1”;database_id “0012”;modified_by “Damian”;duplicates 0;
GFF 文件与 GTF 文件相互转换
使用Cufflinks
里面的工具gffread
#gff2gtf
gffread my.gff3 -T -o my.gtf
#gtf2gff
gffread merged.gtf -o- > merged.gff3
GTF 文件中提取转录本序列(.fa)
Cufflink中的gffread
gffread transcripts.gtf –g genome.fa –w transcripts.output.fa
# 获取CDS序列
gffread transcripts.gtf –g genome.fa -x cds.output.fa
# 获取蛋白序列
gffread transcripts.gtf –g genome.fa -y protein.output.fa
Tophat中的gtf_to_fasta
gtf_to_fasta transcripts.gtf genome.fa out_file
使用前先仔细阅读各个参数的意思,选择适合你的需要的参数
获取启动子区序列
注意正负链基因转录起始位点的确定
基因组版本信息对应
具体见这个链接:https://genome.ucsc.edu/FAQ/FAQreleases.html
往期精品(点击图片直达文字对应教程)
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
后台回复“生信宝典福利第一波”或点击阅读原文获取教程合集
NGS基础 - GTF/GFF文件格式解读和转换相关推荐
- GTF/GFF文件格式解读和转换
GFF文件 全程为gerneral feature format,这种格式主要用来注释基因组. 从Ensembel 导出的GFF文件实例,一共有9列,中间用tab键分开. 1.seq_id: 序列编号 ...
- NGS数据分析实践:03. 涉及的常用数据格式[3] - gtf/gff格式
NGS数据分析实践:03. 涉及的常用数据格式[3] - gtf/gff格式 3. gtf/gff格式 3.1 gtf格式 3.2 gff格式 3.3 GTF格式与GFF异同点 系列文章: 二代测序方 ...
- NGS基础:测序原始数据下载
生物或医学中涉及高通量测序的论文,一般会将原始测序数据上传到公开的数据库,上传方式见测序文章数据上传找哪里:并在文章末尾标明数据存储位置和登录号,如 The data from this study ...
- NGS基础---Plink文件格式ped/map和bed/bim/fam
NGS基础---Plink文件格式ped/map和bed/bim/fam 1. map/ped文件 (1)map文件 (2)ped文件( 文件效率低,不建议下游分析使用) 2. Binary文件(pr ...
- gffread gffcompare 将gff与gtf格式的注释文件转换与合并
gffread gffcompare 将gff与gtf格式的注释文件转换与合并 使用: (1)gffread 安装: conda install gffread -y 使用: mkdir gtf# 格 ...
- linux基因组文件,科学网-NGS基础 - 参考基因组和基因注释文件-陈同的博文
NGS基础 - 参考基因组和基因注释文件 同步滚动:关 参考基因组和基因注释文件获取 通常测序生成的reads要与参考基因组或参考转录组进行比对,或Pseudo-alignment.所以首先需要获取参 ...
- 生信小白学习日记Day4Day5——NGS基础 NGS分析注释(BWA软件)
2019年5月30日,晚上,心情变好,好几天没更新了,看到男朋友在学一款软件,我也近朱者赤,来继续注释Day2-2中NGS分析流程中的一个重要软件--BWA NGS基础 NGS分析注释 BWA 对应于 ...
- NGS基础 - 高通量测序原理
NGS基础 - 高通量测序原理 原创: 赑屃 生信宝典 2017-07-23 NGS系列文章包括NGS基础.转录组分析.ChIP-seq分析.DNA甲基化分析.重测序分析五部分内容. NGS基础系列文 ...
- gff文件_#GTF/GFF格式# gffread入门使用
GTF (gene transfer format) is identical to GFF (general feature format) version 2 GFF格式主要是用来注释基因组 GT ...
最新文章
- set python_使用dict和set
- Linux磁盘的划分
- adb无法连接安卓手机
- Apache Wicket 7.2.0发布
- 花书+吴恩达深度学习(七)优化方法之基本算法(Momentum, Nesterov, AdaGrad, RMSProp, Adam)
- redis用zset做延时消息
- 快速构建Windows 8风格应用5-ListView数据控件
- AD画图器件变灰如何恢复SHIFT+C清除过滤器
- matlab在遥感数字图像处理方面的应用
- jdbc 4.0连接mysql_使用JDBC连接操作数据库
- Java思维导图(七)
- Leetcode第904题
- 国内自主首创·融合数据采集与运动控制技术--运动数据采集卡
- [笔记]_ELVE_正则表达式
- 编程之美学习笔记——数字相关(一)
- 01 为什么要学习计算机组成原理?
- 零的突破!6所高校、2所“双非”顶刊发文
- html内容太大超过盒子范围,HTML内容超过div宽度不能自动换行解决方法
- 深度学习,NLP和表征(译:小巫)
- 怎么营造一个好的开发氛围
热门文章
- 我如何设计数据团队的入职培训课程?
- PPT设计中文字精简规则技巧
- 狂暴者 pat basic 练习三十 完美数列 测试点4超时,测试点五错误解决方法
- 利用facebook pop进行数字的动画显示。
- Python爬取股票信息,并实现可视化数据
- 交通运输类文档下载——JT/T 808-2019、JT/T 809-2019文档分享
- MyBatis之Dao层实现
- Restful 风格开发 Spring MVC 的视图解析器---使用 beetl 模板引擎
- Linux 支持显卡sli么,NV显卡Linux版驱动双响炮:一正式一测试
- Swig超详细入门教程(Java调用C/C++, CMake)——更新于2021.12