转录组分析学习笔记---文件结构和类型

转录组分析学习笔记---文件结构和类型

BED文件每行至少包括chrom，chromStart，chromEnd三列必选;另外还可以添加额外的9列可选，这些列的顺序是固定的。

必选的三列：

1.chrom - 染色体的名称（例如chr3，chrY，chr2_random）或支架（例如scaffold10671）。
2.chromStart- 染色体或支架中特征的起始位置。染色体中的第一个碱基编号为0。
3.chromEnd- 染色体或支架中特征的结束位置。所述 chromEnd碱没有包括在特征的显示。例如，染色体的前100个碱基定义chromStart = 0，chromEnd = 100，并跨越编号为0-99的碱基。

9个可选的BED字段：

4.name - 定义BED行的名称。当轨道打开到完全显示模式时，此标签显示在Genome浏览器窗口中BED行的左侧，或者在打包模式下直接显示在项目的左侧。
5.score - 得分在0到1000之间。如果此注释数据集的轨迹线useScore属性设置为1，则得分值将确定显示此要素的灰度级别（较高的数字=较深的灰色）。此表显示 Genome Browser将BED分数值转换为灰色阴影：
6.strand - 定义strand。要么“。” （=无绞线）或“+”或“ - ”。
thickStart- 绘制特征的起始位置（例如，基因显示中的起始密码子）。当没有厚部分时，thickStart和thickEnd通常设置为chromStart位置。
7.thickEnd - 绘制特征的结束位置（例如基因显示中的终止密码子）。
8.itemRgb- R，G，B形式的RGB值（例如255,0,0）。如果轨道行 9.itemRgb属性设置为“On”，则此RBG值将确定此BED行中包含的数据的显示颜色。注意：建议使用此属性的简单颜色方案（八种颜色或更少颜色），以避免压倒Genome浏览器和Internet浏览器的颜色资源。
10.blockCount- BED行中的块（外显子）数。
11.blockSizes- 块大小的逗号分隔列表。此列表中的项目数应与blockCount相对应。
12.blockStarts - 以逗号分隔的块开始列表。应该相对于chromStart计算所有 blockStart位置。此列表中的项目数应与blockCount相对应。

GFF全称为general feature format，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。
两种文件可以相互转化，可使用Cufflinks软件的 的gffread。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（蛋白质编码区）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“；

MD5算法常常被用来验证网络文件传输的完整性，防止文件被人篡改。MD5 全称是报文摘要算法（Message-Digest Algorithm 5），此算法对任意长度的信息逐位进行计算，产生一个二进制长度为128位（十六进制长度就是32位）的“指纹”（或称“报文摘要”），不同的文件产生相同的报文摘要的可能性是非常非常之小的。