1.下载基因组注释文件,选择对应的版本: ftp://ftp.ncbi.nlm.nih.gov/genomes/Homo_sapiens/ARCHIVE/BUILD.37.3/GFF/
2.GTF 为General Transfer Format ,熟悉格式 http://www.huoyunjn.com/wuliuxinwen/2/33709819.htm。
第三列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。
3.每一个transcript对应的exon,所有长度加起来就是这个转录本的长度。与这个transcript后面的两列相减是有差别的。
4.用python 字典来统计每个转录本的长度。
import pandas as pd
import pdb
df = pd.read_table(r'C:\Users\guosheng\Desktop\out.gff',sep = '\t',header= None)
out=open('./out.txt','a')
df =