GTF与GFF文件格式的区别与转换

GTF与GFF文件格式的区别与转换,第1张

GTF与GFF文件都是用于存储注释信息的文本类型,经常可以看到二者格式之间的相互转换。二者的名字相似,连内容都极为相似,那么二者的差异究竟在哪里呢?

GFF文件是一种用来描述基因组特征的文件,现在我们所使用的大部分都是第三版)(GFF3)。gff文件除gff1以外均由9列数据组成,前8列在gff的3个版本中信息都是相同的,只是名称不同。

第9列attributes的内容存在很大的版本特异性,9列信息(以gff3为例)分别是:

GFF允许使用#作为注释符号,例如很多GFF文件都让巧会使用如下的两行来表明其版本其创建日期:

GFF文件每一列所代表的含义前面表格中有,但请注意,它的第3列 feature type 是不受约束的,你可以使用任意的名称,但也不要太淘气~用一些适当的名称对于后面的分析会有很大的帮助。

我们需要注意的是GFF文件的第9列,从第二版开始(GFF2),所有的属性都以贺拍 标签=值 的方式呈现,各个属性之间以 作为分隔符

在最新版本的GFF文件中(GFF3),有一些是已经预先定义的属性特征,并且这些特征往往还有特坦拍键殊的含义:ID这个标签实在各行都要有的;另外有一个Parent的属性,它指明type所从属的上一级ID。

当前所广泛使用的GTF格式为第二版(GTF2),它主要是用来描述基因的注释。GTF格式有两个硬性标准:

gtf2的内容和gff3也是很相似的,区别只在其中的3列:

使用Cufflinks里面的工具"gffread":

脚本运行

一、格式介绍

(一)gtf 文件。GTF 为General Transfer Format缩写,跟 GFF2格式类似。相信大家做转录组分析时候经常会看到Cufflinks或者Stringtie软件对转录组进行定量与组装会时产生一个gtf文件,里面包含的信息如下:

每列信息的含义如下:

seqname  - 序列的ID,可以是染色体的ID也可以是Scaffold或者Contig的ID。

source  - 产生此文件的软件,如Stringtie产生的则为Stringtie,CUfflinks产生的则为Cufflinks,不知道的使用点 “.” 表示。

feature  - 后面start和end之间区域代表的特征,如果此区域是基因,则此处为gene,如果是外显子,则为exon,如果是转录本,则为transcript,如果是非编码RNA则为lncRNA,如果是重复序列,则为TE,等等,主要表明这一块区域的特征。

start  -上述feature的在序列上的起始位置。

end  - 上述feature的在序列上的终止位置。

score  - 一个浮点数值,也可以为点 “.” 。有值的时候代表上述feature的可靠

性。因为无论是gene还是mRNA,都是基于预测差生的,因而必然会有一个值来衡量预测准确性。

strand  - + (forward)或者 - (reverse),代表上述feature是位于正链还是负链上。

frame  - 内含子相位,只能为'0', '1' or '2',或者为点 “.”。 '0' 代表feature起始碱基为三联体密码子的第一个碱基, '1' 代表三联体密码子的第2个碱基, 2代表第3个碱基。

attribute  -备注列。主要备乱雀注该feature的一些信息,常见的是gene或者transcript等的ID信息以及FPKM值等,多个备注信息之间通常用分号分隔。

(二)gff 格式。为general feature format缩写,目前采用的是version 3,坦陪友即我们常说的gff3文件。该文件常用来对基因组进行注释,表示基因,外显子,CDS,UTR等在基因组上的位置。众多基因预测软件如Glean,EVM,AUGUSTUS等会产生此格式文件。

与gtf文件不同之处只是在第9列。此列格式为“标签=值”(tag=value),标签与值之间用“=”,不同的标签之间用“;”隔开,一个标签可以有多个值,不同值用“,”分割。

二、gtf与gff转换以及对GFF文件进行过滤。

常采用的软件是gffread,为Cufflinks自带的一个程序,他不仅可以实现GTF与GFF的互相转换,而且还可以对GFF文件进行过滤处理。以下是gffread的帮助信息:

Usage:

gffread <input_gff>[-g <让槐genomic_seqs_fasta>| <dir>][-s <seq_info.fsize>] 

 [-o <outfile.gff>] [-t <tname>] [-r [[<strand>]<chr>:]<start>..<end>[-R]]

 [-CTVNJMKQAFGUBHZWTOLE] [-w <exons.fa>] [-x <cds.fa>] [-y <tr_cds.fa>]

 [-i <maxintron>] 

<input_gffmatch>为一个GFF/GTF文件,必填的一个文件

常用参数介绍:

 -g  序列文件,即GFF/GTF文件第一列ID对应的序列文件。

 -i  丢弃掉内含子大于的转录本(mRNA/transcript)

 -r  起始和终止位置,填写示例100.10000即为输出与100到10000有重叠的所有转录组,也可以限制序列ID及链,填写示例:+Chr1:100..10000。

 -R  丢弃掉此范围的转录本,与-r相反。

 -U  丢弃掉 single-exon的转录本

 -C  丢低调无CDS的转录本。

 -V  丢弃掉含有移码突变的转录本。

 -H  如果使用了-V,则重新检查并调整内含子相位,避免由于翻译起始位点选择的位置不对导致移码突变的产生。

 -B 如果使用了-V, 对于单外显子基因,则重新检查相反的链,是否存在移码突变。

 -N  丢弃掉多外显子基因剪接位点不是常见的 GT-AG, GC-AG or AT-AC序列。

 -J  丢弃掉没有起始密码子或者终止密码子的转录本,仅保留有完整编码框的转录本。

 --no-pseudo:过滤掉含有 'pseudo' 的注释信息

 -M/--merge : 合并完全相同的或者存在包含关系的转录本。

-d:使用 -M ,将合并信息输出到文件中

 --cluster-only: 类似于 --merge 但是不合并转录本

-K  对于-M 选项:also collapse shorter, fully contained transcripts

      with fewer introns than the container

-Q 对于-M 选项:移除包含关系的转录本的限制条件:多外显子转录本将会合并,如果他们内含子位置完全一样,单外显子转录本只需要有80%一样即可合并。

 --force-exons:  使GFF features的最小层级为exon

 -E 对于重复的 ID或者 GFF/GTF 其他潜在的格式问题给出警告信息。

-Z  将内含子小于4 bp的邻近的两个外显子合并为一个。

 -w  输出每个转录本的外显子序列

 -x  输出CDS序列

 -W  对于 -w 和 -x 选项,输出外显子位置坐标到FASTA序列的ID中

 -y  输出蛋白质序列

 -L  将Ensembl GTF 转换为 GFF3 conversion (implies -Fshould be used with -m)

 -o   输出"filtered" 后的GFF文件 。

-T  -o 参数将输出 GTF格式。

示例命令:

1.GFF转换GTF

gffread input.gff3 -T -o out.gtf‘

2.GTF转换GFF3

gffread input.gtf -o out.gff3

3.根据GFF或者GTF提取蛋白质,CDS和外显子序列

gffread gene.gff3 -g genome.fa -x cds.fa -y pep.fa -w cdna.fa

三、GFF文件比较

主要采用gffcompare(https://github.com/gpertea/gffcompare),其主要具有三个功能:1)评估Cufflinks/Stringtie等转录本组装软件的准确性;2)合并多个GFF/GTF中重叠的部分(多个样本组装结果的合并)3)可以对一个或多个GTF/GFF文件的注释相对于参考的GTF/GFF文件进行分类(with "class codes" assigned to transcripts as per their relationship with the matching/overlapping reference transcript),如Pacbio预测的GTF与参考GFF比较,修正和评估参考的注释结果。

Usage:

gffcompare [-r <reference_mrna.gtf>[-R]] [-G] [-T] [-V] [-s <seq_path>]

    [-o <outprefix>] [-p <cprefix>] 

    {-i <input_gtf_list>| <input1.gtf>[<input2.gtf>.. <inputN.gtf>]}

常用参数介绍:

-i  多个GTF 文件时,使用此选项较方便,将多个GTF文件写在一个文件中,通过此选项传入即可。

-r 参考的 GTF/GFF文件

-R  针对的是-r参数,仅考虑参考与任何输入的注释文件有重叠的 。

-Q 针对的是-r参数,仅考虑输入的注释文件与任何参考有重叠的 。    (警告,这将丢弃所有的新的注释位点)

-M 丢弃(忽略)掉输入的注释文件和参考注释文件中单外显子转录本

-N 丢弃(忽略)掉参考注释文件中单外显子转录本

-s 基因组序列文件

-e 当评估外显子准确性时,离参考末端外显子最远的距离(默认100)

-d 转录本聚类时起始位点相差的最大距离 (默认100)

-C  在.combined.gtf文件中包含 "contained" 类型的转录本

-F 如果仅是3’端不同,则不丢弃输入的GTF文件中被参考包含的冗余的转录本注释信息。

-G 不丢弃输入的GTF文件中被参考包含的冗余的转录本注释信息,主要是鉴于可变剪接。

-T 对于每一个输入文件不产生 .tmap 和 .refmap文件

-V 给出 GFF 解析时的警告信息

参考命令:

gffcompare  -r refChr.gff3  -R -G -o combine input.gtf

输出结果中有以下几个文件:

combine.combined.gtf

combine.loci

combine.stats

combine.tracking

其中在combine.combined.gtf中有一个class_code 代表输入的注释文件与参考注释文件相似性信息,具体如下:

#Transfrag class codes

PriorityCodeDescription

1=Complete match of intron chain

2cContained

3jPotentially novel isoform (fragment): at least one splice junction is shared with a reference transcript

4eSingle exon transfrag overlapping a reference exon and at least 10 bp of a reference intron, indicating a possible pre-mRNA fragment.

5iA transfrag falling entirely within a reference intron

6oGeneric exonic overlap with a reference transcript

7pPossible polymerase run-on fragment (within 2Kbases of a reference transcript)

8rRepeat. Currently determined by looking at the soft-masked reference sequence and applied to transcripts where at least 50% of the bases are lower case

9uUnknown, intergenic transcript

10xExonic overlap with reference on the opposite strand

11sAn intron of the transfrag overlaps a reference intron on the opposite strand (likely due to read mapping errors)

12.(.tracking file only, indicates multiple classifications)

由于输出文件几乎跟cuffcompare格式几乎是一样的,

更详细输出介绍参见http://cole-trapnell-lab.github.io/cufflinks/cuffcompare/。

转自:http://www.huoyunjn.com/wuliuxinwen/2/33709819.htm

GFF和GTF是两种最常用的基因组注团键颤释格式,在信息分析中建库时除了需要fasta文件一亮伍般还会需要这两种文件,提取需要的信息进行注释。

GFF(General Feature Format)是一种用来描述基因组特征的文件,现在我们所使用的大部分都是第三版(gff3)。

gff文件除gff1以外均由9列数据组成,前8列在gff的3个版本中信息都是相同的,只是名称不同:

gtf文件是以tab键分割的9列组成,以下为每一列的对应信塌败息:

在GFF文件的开头,可以有#开头的注释行,示例如下

对于不同的基因组特征,其属性不同。

染色体是基础,后续的基因,exon等都是需要定位在染色体上的。

假基因示例如下

tRNA基因示例如下

miRNA基因示例如下

一个miRNA基因的最终会形成两个成熟的miRNA。

lncRNA基因示例如下

需要注意是,由于可变剪切的存在,一个蛋白编码基因可能会有多个转录本。

查看第9列有哪些注释信息:

gtf全称为gene transfer format,主要是用来对基因进行注释,当前所广泛使用的gtf格式为第二版(gtf2)。以下均基于gtf2叙述。

gtf同gff3很相似,也是9列内容,其内容如下:

例子:

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。

GTF 的第九列,通常为:

而 GFF 的第九列,通常为:

目前两种文件可以方便的 相互转化 :使用 gffread

UCSC GTF format

https://blog.csdn.net/sinat_38163598/article/details/72851239


欢迎分享,转载请注明来源:内存溢出

原文地址: http://outofmemory.cn/tougao/12119331.html

(0)
打赏 微信扫一扫 微信扫一扫 支付宝扫一扫 支付宝扫一扫
上一篇 2023-05-21
下一篇 2023-05-21

发表评论

登录后才能评论

评论列表(0条)

保存