GFF格式说明

最新推荐文章于 2024-05-25 10:44:00 发布

morningCV

最新推荐文章于 2024-05-25 10:44:00 发布

阅读量9k

点赞数 3

分类专栏：生物

生物专栏收录该内容

27 篇文章 4 订阅

订阅专栏

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。

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。

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“%09”表示。
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。
Alias
名称的代称或其它。当存在其它名称时使用该属性。
Note
描述性的一些说明。
Alias和Note可以有多个值，不同值之间以逗号分隔。
如：Alias=M19211,gna-12,GAMMA-GLOBULIN

Other good stuff can go into the attributes field, as we shall see later.

PLOB文章转载自：http://www.plob.org/2011/12/02/655.html

gff格式是Sanger研究所定义，是一种简单的、方便的对于DNA、RNA以及蛋白质序列的特征进行描述的一种数据格式，比如序列的那里到那里是基因，已经成为序列注释的通用格式，比如基因组的基因预测，许多软件都支持输入或者输出 gff格式。目前格式定义的最新版本是版本3。原始定义见SONG website

gff是文本文件，由tab键隔开的9列组成，以下是各列的说明：

Column 1: “seqid”

序列的编号，编号的有效字符[a-zA-Z0-9.:^*$@!+_?-|]

Column 2: “source”

注释信息的来源，比如”Genescan”、”Genbank” 等，可以为空，为空用”.”点号代替

Column 3: “type”

注释信息的类型，比如Gene、cDNA、mRNA等，或者是SO对应的编号

Columns 4 & 5: “start” and “end”

开始与结束的位置，注意计数是从1开始的。结束位置不能大于序列的长度

Column 6: “score”

得分，数字，是注释信息可能性的说明，可以是序列相似性比对时的E-values值或者基因预测是的P-values值。”.”表示为空。

Column 7: “strand”

序列的方向， +表示正义链, -反义链 , ? 表示未知.

Column 8: “phase”

仅对注释类型为 “CDS”有效，表示起始编码的位置，有效值为0、1、2。

Column 9: “attributes”

以多个键值对组成的注释信息描述，键与值之间用”=“，不同的键值用”;“隔开，一个键可以有多个值，不同值用”,“分割。注意如果描述中包括tab键以及”,=;”，要用URL转义规则进行转义，如tab键用 %09代替。键是区分大小写的，以大写字母开头的键是预先定义好的，在后面可能被其他注释信息所调用。

预先定义的键包括：

ID 注释信息的编号，在一个GFF文件中必须唯一；
Name 注释信息的名称，可以重复；
Alias 别名
Parent Indicates 该注释所属的注释，值为注释信息的编号，比如外显子所属的转录组编号，转录组所属的基因的编号。值可以为多个。
Target Indicates： the target of a nucleotide-to-nucleotide or protein-to-nucleotide alignment.
Gap：The alignment of the feature to the target if the two are not collinear (e.g. contain gaps).
Derives_from：Used to disambiguate the relationship between one feature and another when the relationship is a temporal one rather than a purely structural “part of” one. This is needed for polycistronic genes.
Note 备注
Dbxref 数据库索引
Ontology_term： A cross reference to an ontology term.

蛋白质编码基因的 gff格式注释

##gff-version 3
##sequence-region ctg123 1 1497228
ctg123 . gene 1000 9000 . + . ID=gene00001;Name=EDEN
ctg123 . TF_binding_site 1000 1012 . + . Parent=gene00001
ctg123 . mRNA 1050 9000 . + . ID=mRNA00001;Parent=gene00001
ctg123 . mRNA 1050 9000 . + . ID=mRNA00002;Parent=gene00001 ctg123 . mRNA 1300 9000 . + . ID=mRNA00003;Parent=gene00001 ctg123 . exon 1300 1500 . + . Parent=mRNA00003
ctg123 . exon 1050 1500 . + . Parent=mRNA00001,mRNA00002
ctg123 . exon 3000 3902 . + . Parent=mRNA00001,mRNA00003
ctg123 . exon 5000 5500 . + . Parent=mRNA00001,mRNA00002,mRNA00003
ctg123 . exon 7000 9000 . + . Parent=mRNA00001,mRNA00002,mRNA00003
ctg123 . CDS 1201 1500 . + 0 ID=cds00001;Parent=mRNA00001
ctg123 . CDS 3000 3902 . + 0 ID=cds00001;Parent=mRNA00001
ctg123 . CDS 5000 5500 . + 0 ID=cds00001;Parent=mRNA00001
ctg123 . CDS 7000 7600 . + 0 ID=cds00001;Parent=mRNA00001
ctg123 . CDS 1201 1500 . + 0 ID=cds00002;Parent=mRNA00002
ctg123 . CDS 5000 5500 . + 0 ID=cds00002;Parent=mRNA00002
ctg123 . CDS 7000 7600 . + 0 ID=cds00002;Parent=mRNA00002
ctg123 . CDS 3301 3902 . + 0 ID=cds00003;Parent=mRNA00003
ctg123 . CDS 5000 5500 . + 2 ID=cds00003;Parent=mRNA00003
ctg123 . CDS 7000 7600 . + 2 ID=cds00003;Parent=mRNA00003
ctg123 . CDS 3391 3902 . + 0 ID=cds00004;Parent=mRNA00003
ctg123 . CDS 5000 5500 . + 2 ID=cds00004;Parent=mRNA00003
ctg123 . CDS 7000 7600 . + 2 ID=cds00004;Parent=mRNA00003