GFF3文件

GFF3格式

发表于2013 年 5 月 22 日

GFF3的官方介绍：Generic Feature Format Version 3 （GFF3）

1. GFF3文件格式描述

GFF3格式文件为文本文件，分为9列，以TAB分开。控制符使用 RFC 3986 Percent-Encoding 编码。比如：%20 代表着ASCII的空格。

9列文件依次是：

1. seqid：参考序列的id。该id的取名不能以’>’开头，不能包含空格。

2. 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。

3. type ：属性的类型。建议使用符合SO惯例的名称（sequence ontology，参看[[Sequence Ontology Project]]) ,如gene，repeat_region，exon，CDS等。

4. start position ：属性对应片段的起点。从1开始计数。

5. end position ：属性对应片段的终点。一般比起点的数值要大。

6. 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。

7. strand ：“＋”表示正链，“－”表示负链，“.”表示不需要指定正负链。

8. 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。
对于其它属性，则用点（.）代替。

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。可以存在空格，不过若有“,=;”则用URL转义（URL escaping rule），同时TAB也需要转换为“%09”表示。所有以大写字幕开头的标签被保留，用于大众认可的用途，而以小写字母开头的标签则根据自己安排随意应用。
常用的标签有：
ID
Feature的标识。该ID具有唯一性。
Name
Feature的展示名称。Name的值在可视化的时候得到展示。因此，Name可以根据自己展示的需要随意取值。
Alias
Feature的第2个Name。
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。
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_id start end [strand]”,其中strand是可选的(“+”或”-“), target_id中如果包含空格，则要转换成’%20’。
Gap
比对结果的gap信息，和Target一起，用于表明序列的比对结果。
Note
文本描述
Is_circular
表明featrue是否为环化的。用于环状基因组序列。

同一个tag如果有多个值，则多个值之间使用逗号隔开，比如：
Parent=AF2312,AB2812,abc-3
Alias=M19211,gna-12,GAMMA-GLOBULIN
能够使用多个值的tag有：Parent, Alias, Note, Dbxref and Ontology_term。

2. GFF3文件检测

检验GFF3格式文件： GFF3 Validator