GTF与GFF文件格式的区别与转换

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

发表于 <time class="entry-date" datetime="2013-05-22T22:22:12+00:00">2013 年 5 月 22 日</time>

</header>

GFF3的官方介绍： Generic Feature Format Version 3 （GFF3）

GFF3格式文件为文本文件，分为9列，以TAB分开。控制符使用 RFC 3986 Percent-Encoding 编码。比如：%20 代表着ASCII的空格。

9列文件依次是：

1. seqid：参考序列的id。该id的取名不能以’>’开头，不能包含空格。

2. source ：注释的来源。如果未知，则用点（.）代替。一般指明产生此gff3文件的软件或方法。搭清

3. type ：属性的类型。建议使用符合SO惯例的名称（sequence ontology，参看[[Sequence Ontology Project]]) ,如gene，repeat_region，exon，CDS等。

4. start position ：属性对应片段的起点。从1开始计数。

5. end position ：属性对应片段的终点。一般比起点的数值要大。

6. score ：得分，对于一些可以量化的属性，可以在此设置一个数值以表示程度的不同。如果为空，用点（.）代替。

7. strand ：“＋”表示正链，“－”表示负链，“.”表示不需要指定正负链。

8. phase ：步进。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。可以是0，1或2，表示到达下一个密码子需要跳过的碱基个数。

对于其它属性，则用点（.）代替。

9. attributes ：属袜枝御性

一个包含众多属性的列表。格式为“标签＝值”（tag=value）。不同属性之间以分号相隔。可以存在空格，不过若有“,=”则用URL转义（URL escaping rule），同时TAB也需要转换为“%09”表示。所有以大写字幕开头的标签被保留，用于大众认可的用途，而以小写字母开头的标签则根据自己安排随意应用。

常用的标签有：

ID

Feature的标识。该ID具有唯一性。

Name

Feature的展示名称。Name的值在可视化的时候得到展示。因此，Name可以根据自己展示的需要随意取值。

Alias

Feature的第2个Name。

Parent

指明feature所从属的上一级ID。用于将exons聚集成transcript，将transripts聚集成gene。

Target

指明比对的目标区域，一般用于表明序列的比对结果。格式为”target_id start end [strand]”,其中strand是可选的(“+”或”-“), target_id中如果包含空格，则要转换成’%20’。

Gap

比告岩对结果的gap信息，和Target一起，用于表明序列的比对结果。

Note

文本描述

Is_circular

表明featrue是否为环化的。用于环状基因组序列。

同一个tag如果有多个值，则多个值之间使用逗号隔开，比如：

Parent=AF2312,AB2812,abc-3

Alias=M19211,gna-12,GAMMA-GLOBULIN

能够使用多个值的tag有：Parent, Alias, Note, Dbxref and Ontology_term。

检验GFF3格式文件： GFF3 Validator

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

---