GTF文件格式简介
欢迎关注”生信修炼手册”!
GTF是在GFF的基础上发展而来，二者有很多类似的地方，都是\t分隔的9列文件，内容也比较接近。GFF能够包含的信息更多更全，可以包含染色体，基因，转录本的信息，而GTF主要用来描述基因和转录本的信息。
GTF全称Gene transfer format, 每列的含义如下
1. column1
第一列是seqid, 代表序列ID, 通常是染色体的ID, 每条染色体拥有一个唯一的ID。
2. column2
第二列是source, 代表基因结构的来源，可以是数据库的名称，比如来自RefSeq数据库，也可以是软件的名称，比如用GeneScan软件预测得到，当然，也可以为空，用.点号填充。
3. column3
第三列是feature, 代表区间对应的特征类型, 在GTF中，常见的类型如下
- 5UTR
- 3UTR
- exon
- CDS
- start_codon
- stop_codon
4. column4
第四列是start, 代表区间的起始位置
5. column5
第四列是end, 代表区间的终止位置
6. column6
第六列是score, 软件提供了统计值，如果没有，就用.填充
7. column7
第七列是strand, 代表正负链的信息, +表示正链，-表示负链，?表示不清楚正负链的信息，当正负链信息没有意义时，可以用.填充
8. column8
第八列是phase，当描述的是CDS区间信息时，需要指定翻译时开始的位置，取值范围有0,1,2两种
9. column9
第九列是attributes, 表示属性，每种属性写法为key value, 注意和gff中key=value有所区别，而且必须有gene_id和transcript_id这两个属性， 多个属性用分号分隔
下面看下Ensembl 数据库中的human的GTF文件，链接如下
ftp://ftp.ensembl.org/pub/release-93/gtf/homo_sapiens/Homo_sapiens.GRCh38.93.gtf.gz
在头部有#开头的注释行
#!genome-build GRCh38.p12
#!genome-version GRCh38
#!genome-date 2013-12
#!genome-build-accession NCBI:GCA_000001405.27
#!genebuild-last-updated 2018-01在正文中，基因示例如下
1 ensembl_havana gene 65419 71585 . + . gene_id "ENSG00000186092"; gene_version "6"; gene_name "OR4F5"; gene_source "ensembl_havana"; gene_biotype "protein_coding";对于基因，提供了如下属性
- gene_id
- gene_version
- gene_name
- gene_source
- gene_biotype
Ensembl数据库中的基因ID以ENSG作为前缀，gene_version指的是基因ID的版本号，用于区分不同版本，一个完整的ID为ENSG编号加上版本号，之间用.点号分隔，比如ENSG00000186092.6。gene_name指的是基因的symbol, 和NCBI数据库中的gene_symbol一致；gene_source代表来源，来自ensembl_havana, gene_biotype代表基因类型，protein_coding表示蛋白编码基因。
转录本示例如下
1 havana transcript 65419 71585 . + . gene_id "ENSG00000186092"; gene_version "6"; transcript_id "ENST00000641515"; transcript_version "2"; gene_name "OR4F5"; gene_source "ensembl_havana"; gene_biotype "protein_coding"; transcript_name "OR4F5-202"; transcript_source "havana"; transcript_biotype "protein_coding"; tag "basic";对于转录本，在基因的基础上，增加了如下属性
- transcript_id
- transcript_version
- transcript_name
- transcript_source
- transcript_biotype
各个属性的含义也比较直观，和基因的类似。
exon示例如下
1 havana exon 65419 65433 . + . gene_id "ENSG00000186092"; gene_version "6"; transcript_id "ENST00000641515"; transcript_version "2"; exon_number "1"; gene_name "OR4F5"; gene_source "ensembl_havana"; gene_biotype "protein_coding"; transcript_name "OR4F5-202"; transcript_source "havana"; transcript_biotype "protein_coding"; exon_id "ENSE00003812156"; exon_version "1"; tag "basic";对于exon,新增了如下属性 1. exon_number 2. exon_id 3. exon_version
对于non-coding的转录本而言，transcript和exon两种信息就可以准确描述该转录本的结构了；对于编码蛋白质的转录本，还需要以下几种信息
5UTR示例如下
1 havana five_prime_utr 65520 65564 . + . gene_id "ENSG00000186092"; gene_version "6"; transcript_id "ENST000006415
15"; transcript_version "2"; gene_name "OR4F5"; gene_source "ensembl_havana"; gene_biotype "protein_coding"; transcript_name "OR4F5-202"; transcr
ipt_source "havana"; transcript_biotype "protein_coding"; tag "basic";CDS示例如下
1 havana CDS 65565 65573 . + 0 gene_id "ENSG00000186092"; gene_version "6"; transcript_id "ENST00000641515"; transcript_version "2"; exon_number "2"; gene_name "OR4F5"; gene_source "ensembl_havana"; gene_biotype "protein_coding"; transcript_name "OR4F5-202"; transcript_source "havana"; transcript_biotype "protein_coding"; protein_id "ENSP00000493376"; protein_version "2"; tag "basic";start_codon示例如下
1 havana start_codon 65565 65567 . + 0 gene_id "ENSG00000186092"; gene_version "6"; transcript_id "ENST00000641515"; transcript_version "2"; exon_number "2"; gene_name "OR4F5"; gene_source "ensembl_havana"; gene_biotype "protein_coding"; transcript_name "OR4F5-202"; transcript_source "havana"; transcript_biotype "protein_coding"; tag "basic";stop_codon示例如下
1 havana stop_codon 70006 70008 . + 0 gene_id "ENSG00000186092"; gene_version "6"; transcript_id "ENST00000641515"; transcript_version "2"; exon_number "3"; gene_name "OR4F5"; gene_source "ensembl_havana"; gene_biotype "protein_coding"; transcript_name "OR4F5-202"; transcript_source "havana"; transcript_biotype "protein_coding"; tag "basic";3UTR示例如下
1 havana three_prime_utr 70009 71585 . + . gene_id "ENSG00000186092"; gene_version "6"; transcript_id "ENST000006415
15"; transcript_version "2"; gene_name "OR4F5"; gene_source "ensembl_havana"; gene_biotype "protein_coding"; transcript_name "OR4F5-202"; transcr
ipt_source "havana"; transcript_biotype "protein_coding"; tag "basic";通过这几种信息，可以准确描述一个编码蛋白的转录本的结构。
·end·
—如果喜欢，快分享给你的朋友们吧—