【3.5】GFF3格式
GFF是一种用于定位和描述 与DNA，RNA和蛋白质序列相关的基因和其他局部特征的格式。 GFF格式的规范已经到第三个版本了：
- GFF版本3，即2005年11月发布的最新版本（链接到Sequence Ontology SourceForge网站）
- Sanger Institute的GFF网站上的GFF版本2。
请注意，GFF3与版本2向后兼容，但引入了更多结构（除其他事项外）用于功能的层次结构分组。
一、详解
GFF3是GFF注释文件的新标准。文件中每一行为基因组的一个属性，分为9列，以TAB分开。
例子：P0A7B8.gff
依次是：
1.reference sequence：参照序列
指出注释的对象。如一个染色体，克隆或片段。可以有多个参照序列。 该id的取名不能以’>’开头，不能包含空格。
2.source ：来源
注释的来源。如果未知，则用点（.）代替。
3.type ：类型
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 ：起点
属性对应片段的起点。从1开始计数。
5.end position ：终点
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 ：链
“＋”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“ ”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。 下列的标签已定义：
ID
指定一个唯一的标识。对属性分类是非常好用（例如查找一个转录单位中所以的外显子）。
Name
指定属性的名称。展示给用户的就是该属性。。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
名称的代称或其它。当存在其它名称时使用该属性。
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’ ′。
Gap
比对结果的gap信息，和Target一起，用于表明序列的比对结果。
Note
描述性的一些说明。
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。
二、其他技巧
1.比如我们先看每条染色体的基因个数
zcat Homo_sapiens.GRCh38.87.chr.gtf.gz |perl -alne ‘{print if $F[2] eq “gene” }’ |cut -f 1 |sort |uniq -c
- GFF3文件检测
检验GFF3格式文件 http://modencode.oicr.on.ca/cgi-bin/validate_gff3_online
- 用到gff格式的工具
- Jalview, the multiple sequence alignment editor & viewer,
- STRAP, the structural alignment tool (example output).
参考资料
