gff和gtf数据库注释格式(2018-05-28)

原文来自:https://blog.csdn.net/sinat_38163598/article/details/72851239

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文件一般还会需要这两种文件,提取需要的信息进行注释。

Cufflinks/Tophat 软件需要 GTF文件作为基因注释文件。

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。

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:

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“;

你可能感兴趣的:(gff和gtf数据库注释格式(2018-05-28))