如何从基因组的DNA序列中去鉴别基因

如何从基因组的DNA序列中去鉴别基因

1、把EST用BLAT比对到基因组序列上，挑最好的match。2、下载同版本的基因组注释文件。3、 比较1和2中的基因组位置关系，并找出来未被基因组注释的EST。这时候应该还剩下上千条，其中绝大部分都是蛋白编码基因的反义RNA，当然一小部分是基因间区的非编码RNA。4.、将affimetrix的probe sequence用blast比对到这些非编码RNA中。建议先找找关心的事情是否有tiling-array data。另外要注意非编码RNA和它可能有关的基因一起分析，比如附近基因，或者互补的基因。做芯片一般不去找表达或非表达，而往往是在找差异表达。比如某非编码RNA和它附近的基因共同在肿瘤细胞中特异表达。

GFF和GTF是两种最常用的基因组注释格式，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。

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

基因组注释文件GTF/GFF格式的介绍

GFF 2 ->GTF ->GFF 3                The GTF (General Transfer Format) is identical to GFF version 2 

GTF其实就是GFF版本2

其格式为（每个数字代表一列，总共9列）

1. seqname - （染色体名称）  name of the chromosome or scaffoldchromosome names can be given with or without the 'chr' prefix.

2. source - （用什么软件产生的）name of the program that generated this feature, or the data source (database or project name)

3. feature - （是转录本/外显子/内含子 等）feature type name, e.g. Gene, Variation, Similarity

4. start -（起始点） Start position of the feature, with sequence numbering starting at 1.

5. end - （终止点）End position of the feature, with sequence numbering starting at 1.

6. score - A floating point value.

7. strand (正链还是负链)- defined as + (forward) or - (reverse).

8. frame - One of '0', '1' or '2'. '0' indicates that the first base of the feature is the first base of a codon, '1' that the second base is the first base of a codon, and so on..

9. attribute - （特性，比如编码的蛋白 等）A semicolon-separated list of tag-value pairs, providing additional information about each feature.

举例：

transcribed_pseudogene ------>gene ------>11869 ------>14409 ------>.------>+  ------>. ------>gene_id "ENSG00000223972"gene_name "DDX11L1"gene_source "havana"gene_biotype "transcribed_unprocessed_pseudogene"

参考：

https://www.biostars.org/p/99462/

http://www.ensembl.org/info/website/upload/gff.html

---