基因组注释文件格式 -- （二）GTF文件格式

转载：https://biozx.top/gtf.html

参考

UCSC GTF format
https://blog.csdn.net/sinat_38163598/article/details/72851239

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。

GTF是GFF2的扩展。前八个GTF字段与GFF相同，但是GTF还包含可选字段: 5UTR, 3UTR, inter, inter_CNS, and intron_CNS。
前八个字段：

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。)

例子：

browser position chr22:10000000-10025000
browser hide all
track name=regulatory   description="TeleGene(tm) Regulatory Regions" visibility=2
chr22   TeleGene    enhancer    10000000    10001000    500 +   .   touch1
chr22   TeleGene    promoter    10010000    10010100    900 +   .   touch1
chr22   TeleGene    promoter    10020000    10025000    800 -   .   touch2

用Genome Browser查看该例子

什么时候用到GTF文件

Cufflinks/Tophat 软件需要 GTF文件作为基因注释文件。

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。
目前两种文件可以方便的相互转化，比如:使用Cufflinks软件的 的gffread。

GTF文件下载

以gencode最为权威，Ensemble、NCBI 、UCSC也有提供下载。
genecode的FTP：ftp://ftp.sanger.ac.uk/pub/gencode/Gencode_human/
gencode官网的统计信息

#下载release_24所有的gtf文件
wget -c -r -np -nd -k -L -A “*gtf.gz” ftp://ftp.sanger.ac.uk/pub/gencode/Gencode_human/release_24/