第二章：文件格式介绍01：GTF与GFF文件
一、简单介绍
- GFF和GTF是两种最常用的数据库注释格式。
- 在信息分析中建库时除了需要fasta文件一般还会需要GFF和GTF文件。
- GFF全称为general feature format，这种格式主要是用来注释基因组。
- GTF全称为gene transfer format，主要是用来对基因进行注释。
二、区别与联系
- GTF是在GFF的基础上发展而来。
- 二者有很多类似的地方，都是
\t分隔的9列文件，内容也比较接近。 - GFF能够包含的信息更多更全，可以包含染色体，基因，转录本的信息。
- 而GTF主要用来描述基因和转录本的信息。
- 相互转化：如使用Cufflinks软件的 的gffread。
三、GTF格式介绍
以某物种的GTF文件为例（gtf文件是以tab键分割的9列组成，以下为每一列的对应信息）：
1 | chr1 ensembl gene 339070 350389 . - . gene_id "ENSBTAG00000006648"; gene_version "6"; gene_source "ensembl"; gene_biotype "protein_coding"; |
以下为每一列信息：
- seq_id：序列的编号，一般为chr或者scanfold编号，每条染色体拥有一个唯一的ID。
- source: 注释的来源，代表基因结构的来源，可以是数据库的名称，比如来自
RefSeq数据库，也可以是软件的名称，比如用GeneScan软件预测得到，当然，也可以为空，用.点号填充。 - type: 代表区间对应的特征类型, 在GTF中，常见的类型如下：
- Gene
- cDNA
- mRNA
- 5UTR
- 3UTR
- exon
- CDS
- start_codon
- stop_codon
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，软件提供了统计值，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: 代表正负链的信息,+表示正链，-表示负链，?表示不清楚正负链的信息，当正负链信息没有意义时，可以用.填充。
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“；”。
四、数据
ftp://ftp.ensembl.org/pub/release-93/gtf/homo_sapiens/Homo_sapiens.GRCh38.93.gtf.gz