提取基因长度genelength

# 下载gtf：选择的是ensembl的GRCh38.94.gtf：

下载地址：ftp://ftp.ensembl.org/pub/release-94/gtf/homo_sapiens/

下载命令：

axel -n 10 ftp://ftp.ensembl.org/pub/release-94/gtf/homo_sapiens/Homo_sapiens.GRCh38.94.gtf.gz

# 解压：

gunzip Homo_sapiens.GRCh38.94.gtf.gz

# head查看一下gtf的格式：

Homo_sapiens.GRCh38.94.gtf

# 提取exon出来：

awk '{if ($3=="exon") print $0}' Homo_sapiens.GRCh38.94.gtf  > exon.gtf

exon.gtf

# 去掉双引号：

sed -i 's/"//g' exon.gtf

# 提取需要的信息到txt：

awk 'BEGIN{FS="\t| |;";OFS="\t"}{print $1,$3,$4,$5,$7,$10,$25,$5-$4+1}' exon.gtf > exon.txt

其实这里提取genename/geneid、genelength这两项就够了。

exon.txt

# 查看下有多少exon，多少个gene：

wc -l exon.txt

-> 1262162

awk '{print $6}' exon.txt | sort | uniq |wc -l

-> 58735 (gene_id)

awk '{print $7}' exon.txt | sort | uniq |wc -l

-> 57169 (gene_name)

看来gene_id的数量比genename要多，用name吧。

# 计算长度：

awk 'BEGIN{OFS="\t"}{ s[$7] += $8 }END{for (i in s){print i,s[i]}} ' exon.txt > gene.length.txt

gene.length.txt

wc -l gene.length.txt

-> 57169 (gene_name)

同样的思路也可以对转录本id/name的长度进行统计。