简介
GFF和GTF是两种最常用的基因组注释格式，在信息分析中建库时除了需要fasta文件一般还会需要这两种文件，提取需要的信息进行注释。
一、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：
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：
-
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。
下列的标签已定义：
-
ID：指定一个唯一的标识。对属性分类是非常好用（例如查找一个转录单位中所以的外显子）。 -
Name：指定属性的名称。展示给用户的就是该属性。 -
Alias：名称的代称或其它。当存在其它名称时使用该属性。 -
Note：描述性的一些说明。
Alias和Note可以有多个值，不同值之间以逗号分隔。
如：Alias=M19211,gna-12,GAMMA-GLOBULIN
在GFF文件的开头，可以有#开头的注释行,示例如下
##gff-version 3
#!gff-spec-version 1.21
#!processor NCBI annotwriter
#!genome-build GRCh38.p12
#!genome-build-accession NCBI_Assembly:GCF_000001405.38
#!annotation-date 26 March 2018
#!annotation-source NCBI Homo sapiens Annotation Release 109
##sequence-region NC_000001.11 1 248956422
##species https://www.ncbi.nlm.nih.gov/Taxonomy/Browser/wwwtax.cgi?id=9606
对于不同的基因组特征，其属性不同。
- 染色体
染色体用region表示，1号染色体对应的信息如下
NC_000001.11 RefSeq region 1 248956422 . + . ID=id0;Dbxref=taxon:9606;Name=1;chromosome=1;gbkey=Src;genome=chromosome;mol_type=genomic DNA
染色体是基础，后续的基因，exon等都是需要定位在染色体上的。
- 非编码基因
对于非编码基因，首先给出基因的起始和终止位置，然后描述转录本的信息。对于转录本而言, 通过exon展示其结构。
假基因示例如下
NC_000001.11 BestRefSeq pseudogene 11874 14409 . + . ID=gene0;Dbxref=GeneID:100287102,HGNC:HGNC:37102;Name=DDX11L1;description=DEAD/H-box helicase 11 like 1;gbkey=Gene;gene=DDX11L1;gene_biotype=transcribed_pseudogene;pseudo=true
NC_000001.11 BestRefSeq transcript 11874 14409 . + . ID=rna0;Parent=gene0;Dbxref=GeneID:100287102,Genbank:NR_046018.2,HGNC:HGNC:37102;Name=NR_046018.2;gbkey=misc_RNA;gene=DDX11L1;product=DEAD/H-box helicase 11 like 1;transcript_id=NR_046018.2
NC_000001.11 BestRefSeq exon 11874 12227 . + . ID=id1;Parent=rna0;Dbxref=GeneID:100287102,Genbank:NR_046018.2,HGNC:HGNC:37102;gbkey=misc_RNA;gene=DDX11L1;product=DEAD/H-box helicase 11 like 1;transcript_id=NR_046018.2
NC_000001.11 BestRefSeq exon 12613 12721 . + . ID=id2;Parent=rna0;Dbxref=GeneID:100287102,Genbank:NR_046018.2,HGNC:HGNC:37102;gbkey=misc_RNA;gene=DDX11L1;product=DEAD/H-box helicase 11 like 1;transcript_id=NR_046018.2
NC_000001.11 BestRefSeq exon 13221 14409 . + . ID=id3;Parent=rna0;Dbxref=GeneID:100287102,Genbank:NR_046018.2,HGNC:HGNC:37102;gbkey=misc_RNA;gene=DDX11L1;product=DEAD/H-box helicase 11 like 1;transcript_id=NR_046018.2
tRNA基因示例如下
NC_000010.11 tRNAscan-SE gene 67764503 67764584 . + . ID=gene28271;Dbxref=GeneID:100189279,HGNC:HGNC:34845;Name=TRS-TGA1-1;gbkey=Gene;gene=TRS-TGA1-1;gene_biotype=tRNA
NC_000010.11 tRNAscan-SE tRNA 67764503 67764584 . + . ID=rna83632;Parent=gene28271;Dbxref=GeneID:100189279,HGNC:HGNC:34845;Note=transfer RNA-Ser (TGA) 1-1;anticodon=(pos:67764536..67764538);gbkey=tRNA;gene=TRS-TGA1-1;inference=COORDINATES: profile:tRNAscan-SE:1.23;product=tRNA-Ser
NC_000010.11 tRNAscan-SE exon 67764503 67764584 . + . ID=id1011659;Parent=rna83632;Dbxref=GeneID:100189279,HGNC:HGNC:34845;Note=transfer RNA-Ser (TGA) 1-1;anticodon=(pos:67764536..67764538);gbkey=tRNA;gene=TRS-TGA1-1;inference=COORDINATES: profile:tRNAscan-SE:1.23;product=tRNA-Ser
miRNA基因示例如下
NC_000001.11 BestRefSeq gene 17369 17436 . - . ID=gene2;Dbxref=GeneID:102466751,HGNC:HGNC:50039,miRBase:MI0022705;Name=MIR6859-1;description=microRNA 6859-1;gbkey=Gene;gene=MIR6859-1;gene_biotype=miRNA;gene_synonym=hsa-mir-6859-1
NC_000001.11 BestRefSeq primary_transcript 17369 17436 . - . ID=rna2;Parent=gene2;Dbxref=GeneID:102466751,Genbank:NR_106918.1,HGNC:HGNC:50039,miRBase:MI0022705;Name=NR_106918.1;gbkey=precursor_RNA;gene=MIR6859-1;product=microRNA 6859-1;transcript_id=NR_106918.1
NC_000001.11 BestRefSeq exon 17369 17436 . - . ID=id15;Parent=rna2;Dbxref=GeneID:102466751,Genbank:NR_106918.1,HGNC:HGNC:50039,miRBase:MI0022705;gbkey=precursor_RNA;gene=MIR6859-1;product=microRNA 6859-1;transcript_id=NR_106918.1
NC_000001.11 BestRefSeq miRNA 17369 17391 . - . ID=rna3;Parent=rna2;Dbxref=GeneID:102466751,miRBase:MIMAT0027619,HGNC:HGNC:50039,miRBase:MI0022705;gbkey=ncRNA;gene=MIR6859-1;product=hsa-miR-6859-3p
NC_000001.11 BestRefSeq exon 17369 17391 . - . ID=id16;Parent=rna3;Dbxref=GeneID:102466751,miRBase:MIMAT0027619,HGNC:HGNC:50039,miRBase:MI0022705;gbkey=ncRNA;gene=MIR6859-1;product=hsa-miR-6859-3p
NC_000001.11 BestRefSeq miRNA 17409 17431 . - . ID=rna4;Parent=rna2;Dbxref=GeneID:102466751,miRBase:MIMAT0027618,HGNC:HGNC:50039,miRBase:MI0022705;gbkey=ncRNA;gene=MIR6859-1;product=hsa-miR-6859-5p
NC_000001.11 BestRefSeq exon 17409 17431 . - . ID=id17;Parent=rna4;Dbxref=GeneID:102466751,miRBase:MIMAT0027618,HGNC:HGNC:50039,miRBase:MI0022705;gbkey=ncRNA;gene=MIR6859-1;product=hsa-miR-6859-5p
一个miRNA基因的最终会形成两个成熟的miRNA。
lncRNA基因示例如下
NC_000001.11 Gnomon gene 29926 31295 . + . ID=gene3;Dbxref=GeneID:107985730,HGNC:HGNC:52482;Name=MIR1302-2HG;gbkey=Gene;gene=MIR1302-2HG;gene_biotype=lncRNA
NC_000001.11 Gnomon lnc_RNA 29926 31295 . + . ID=rna5;Parent=gene3;Dbxref=GeneID:107985730,Genbank:XR_001737835.1,HGNC:HGNC:52482;Name=XR_001737835.1;gbkey=ncRNA;gene=MIR1302-2HG;model_evidence=Supporting evidence includes similarity to: 100%25 coverage of the annotated genomic feature by RNAseq alignments%2C including 8 samples with support for all annotated introns;product=MIR1302-2 host gene;transcript_id=XR_001737835.1
NC_000001.11 Gnomon exon 29926 30039 . + . ID=id18;Parent=rna5;Dbxref=GeneID:107985730,Genbank:XR_001737835.1,HGNC:HGNC:52482;gbkey=ncRNA;gene=MIR1302-2HG;product=MIR1302-2 host gene;transcript_id=XR_001737835.1
NC_000001.11 Gnomon exon 30564 30667 . + . ID=id19;Parent=rna5;Dbxref=GeneID:107985730,Genbank:XR_001737835.1,HGNC:HGNC:52482;gbkey=ncRNA;gene=MIR1302-2HG;product=MIR1302-2 host gene;transcript_id=XR_001737835.1
- 蛋白编码基因
对于蛋白编码基因，在非编码基因的基础上，多出了CDS的信息。示例如下
NC_000010.11 BestRefSeq%2CGnomon gene 35126830 35212958 . + . ID=gene27850;Dbxref=GeneID:1390,HGNC:HGNC:2352,MIM:123812;Name=CREM;description=cAMP responsive element modulator;gbkey=Gene;gene=CREM;gene_biotype=protein_coding;gene_synonym=CREM-2,hCREM-2,ICER
NC_000010.11 BestRefSeq mRNA 35126841 35179847 . + . ID=rna82191;Parent=gene27850;Dbxref=GeneID:1390,Genbank:NM_001881.3,HGNC:HGNC:2352,MIM:123812;Name=NM_001881.3;gbkey=mRNA;gene=CREM;product=cAMP responsive element modulator%2C transcript variant 2;transcript_id=NM_001881.3
NC_000010.11 BestRefSeq exon 35126841 35127193 . + . ID=id995818;Parent=rna82191;Dbxref=GeneID:1390,Genbank:NM_001881.3,HGNC:HGNC:2352,MIM:123812;gbkey=mRNA;gene=CREM;product=cAMP responsive element modulator%2C transcript variant 2;transcript_id=NM_001881.3
NC_000010.11 BestRefSeq exon 35148368 35148491 . + . ID=id995819;Parent=rna82191;Dbxref=GeneID:1390,Genbank:NM_001881.3,HGNC:HGNC:2352,MIM:123812;gbkey=mRNA;gene=CREM;product=cAMP responsive element modulator%2C transcript variant 2;transcript_id=NM_001881.3
NC_000010.11 BestRefSeq exon 35178889 35178986 . + . ID=id995820;Parent=rna82191;Dbxref=GeneID:1390,Genbank:NM_001881.3,HGNC:HGNC:2352,MIM:123812;gbkey=mRNA;gene=CREM;product=cAMP responsive element modulator%2C transcript variant 2;transcript_id=NM_001881.3
NC_000010.11 BestRefSeq exon 35179134 35179847 . + . ID=id995821;Parent=rna82191;Dbxref=GeneID:1390,Genbank:NM_001881.3,HGNC:HGNC:2352,MIM:123812;gbkey=mRNA;gene=CREM;product=cAMP responsive element modulator%2C transcript variant 2;transcript_id=NM_001881.3
NC_000010.11 BestRefSeq CDS 35148372 35148491 . + 0 ID=cds57086;Parent=rna82191;Dbxref=CCDS:CCDS7184.1,GeneID:1390,Genbank:NP_001872.3,HGNC:HGNC:2352,MIM:123812;Name=NP_001872.3;Note=isoform 2 is encoded by transcript variant 2;gbkey=CDS;gene=CREM;product=cAMP-responsive element modulator isoform 2;protein_id=NP_001872.3
NC_000010.11 BestRefSeq CDS 35178889 35178986 . + 0 ID=cds57086;Parent=rna82191;Dbxref=CCDS:CCDS7184.1,GeneID:1390,Genbank:NP_001872.3,HGNC:HGNC:2352,MIM:123812;Name=NP_001872.3;Note=isoform 2 is encoded by transcript variant 2;gbkey=CDS;gene=CREM;product=cAMP-responsive element modulator isoform 2;protein_id=NP_001872.3
NC_000010.11 BestRefSeq CDS 35179134 35179329 . + 1 ID=cds57086;Parent=rna82191;Dbxref=CCDS:CCDS7184.1,GeneID:1390,Genbank:NP_001872.3,HGNC:HGNC:2352,MIM:123812;Name=NP_001872.3;Note=isoform 2 is encoded by transcript variant 2;gbkey=CDS;gene=CREM;product=cAMP-responsive element modulator isoform 2;protein_id=NP_001872.3
需要注意是，由于可变剪切的存在，一个蛋白编码基因可能会有多个转录本。
查看第9列有哪些注释信息：
$awk 'BEGIN{FS=OFS="\t"} $3=="gene"{split($9, a, ";"); for(i in a){split(a[i], b, "="); if(++c[b[1]]==1) print b[1]}}' abc.gff
ID
Accession
annotation
Name
product
二、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: 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。
例子：
YL_Chr01 EVM transcript 6582 7082 . + . transcript_id "YL_Chr01G000010.1"; gene_id "YL_Chr01G000010";
YL_Chr01 EVM exon 6582 6648 . + . transcript_id "YL_Chr01G000010.1"; gene_id "YL_Chr01G000010";
YL_Chr01 EVM exon 6829 7082 . + . transcript_id "YL_Chr01G000010.1"; gene_id "YL_Chr01G000010";
YL_Chr01 EVM CDS 6582 6648 . + 0 transcript_id "YL_Chr01G000010.1"; gene_id "YL_Chr01G000010";
YL_Chr01 EVM CDS 6829 7082 . + 2 transcript_id "YL_Chr01G000010.1"; gene_id "YL_Chr01G000010";
YL_Chr01 EVM transcript 24963 25235 . + . transcript_id "YL_Chr01G000020.1"; gene_id "YL_Chr01G000020";
YL_Chr01 EVM exon 24963 25235 . + . transcript_id "YL_Chr01G000020.1"; gene_id "YL_Chr01G000020";
YL_Chr01 EVM CDS 24963 25235 . + 0 transcript_id "YL_Chr01G000020.1"; gene_id "YL_Chr01G000020";
YL_Chr01 EVM transcript 147350 157709 . - . transcript_id "YL_Chr01G000030.1"; gene_id "YL_Chr01G000030";
YL_Chr01 EVM exon 147350 147511 . - . transcript_id "YL_Chr01G000030.1"; gene_id "YL_Chr01G000030";
三、 GTF与GFF比较
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。
GTF 的第九列，通常为：
gene _ id "At1ge0001"; transcript _ id "At1g0ee01.1";
而 GFF 的第九列，通常为：
ID =mrnae01; Name = abc
ID =exon1; Parent =mrnae01
ID =exon2; Parent =mrnae01
目前两种文件可以方便的相互转化:使用gffread
gffread YL.gff -T -o li.gtf
参考
UCSC GTF format
https://blog.csdn.net/sinat_38163598/article/details/72851239