生信基因注释文件解释

gtf基因注释文件详解（中文版）

原创 爱你的铁柱 铁柱小课堂 2019-11-02

GTF文件由9列数据组成，这两种文件的前8列都是相同的（一些小的差别），

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：

seq_id source type start end score strand phase attributes

chr12 danRer10_refGene exon 25132483 25132543 0 + . gene_id "NM_199912"; transcript_id "NM_199912";

chr12 danRer10_refGene start_codon 25132758 25132760 0 + . gene_id "NM_199912"; transcript_id "NM_199913";

chr12 danRer10_refGene CDS 25132758 25132785 0 + 0 gene_id "NM_199912"; transcript_id "NM_199914";

chr12 danRer10_refGene exon 25132720 25132785 0 + . gene_id "NM_199912"; transcript_id "NM_199915";

1)  seq_id：序列的编号，一般为chr或者scanfold编号；

2)  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；

3)  type: 注释信息的类型，比如Gene、cDNA、mRNA、CDS等

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，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；

7)  strand: 该基因或转录本位于参考序列的正链(+)或负链(-)上;

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“；