bedtools提取基因组Exon、Intron、Intergenetic、Promoter、Enhancer、CpG island、5’UTR、3’UTR、repeat基因坐标

参考 GitHub - davetang/defining_genomic_regions: Define regions in the genome

Exon：外显子是指基因中在mRNA剪切后保留的片段，这些片段绝大部分为编码序列。在植物和动物细胞中，大部分基因序列都被一段或几段被称为内含子的DNA序列所打断。这些基因中，那些编码蛋白质的序列被称为外显子，而那些没被表达的序列则被称为内含子

Intron：内含子又称间隔顺序，指一个基因或mRNA分子中无编码作用的片段。是真核生物细胞DNA中的间插序列。这些序列被转录在前体RNA中，经过剪接被去除，最终不存在于成熟RNA分子中。内含子和外显子的交替排列构成了割裂基因。在前体RNA中的内含子常被称作“间插序列”。在转录后的加工中，它比外显子有更多的突变。内含子是一段与编码序列无关的DNA片段，其长度一般变化很大，从几十bp至几千bp不等。

Intergenetic：基因间区域是指真核生物基因组中两个相邻基因之间的区域。这个区域可能包含一些调控序列和其他非编码DNA序列。

5'-UTR：5'-UTR是5'-非翻译区（5' Untranslated Region）的缩写，是成熟mRNA位于编码区上游不被翻译为蛋白质的区域。这个区域从mRNA的5'端起始，一直延伸到起始密码子AUG开始的地方。

3'-UTR：3'-UTR是3'-非翻译区（3'-Untranslated Region）的缩写，是成熟mRNA位于编码区下游不被翻译为蛋白质的区域。

Step1:   下载genecode上人类的基因注释文件

GENCODE - Human Release 44

截至目前的下载链接

https://ftp.ebi.ac.uk/pub/databases/gencode/Gencode_human/release_44/gencode.v44.annotation.gtf.gz

可以看到，GTF注释文件，分为了几大类

CDS    exon    gene   Selenocysteine    start_codon    stop_codon   transcript   UTR 
编码区  外显子  基因     硒代半胱氨酸      起始密码子     终止密码子     转录本   非翻译区

1.1 gene包含一个或多个transcript

1.2 每个transcript上，分为一个或多个exon

1.3 exon组成分为三种情况

exon包含5’UTR+CDS

exon包含CDS

exon包含CDS+3’UTR

1.4 起始密码子属于5’UTR+CDS中CDS区域，终止密码子不属于CDS+3’UTR中的CDS区域

Step2:  提取exon坐标

zcat gencode.v44.annotation.gtf.gz | awk 'BEGIN{OFS="\t";} $3=="exon" {print $1,$4-1,$5}' | sort -k1,1 -k2,2n| bedtools merge > hg38.exon.sort.bedtools.merge.bed

Step3:  提取intron坐标

1.提取基因坐标

zcat gencode.v44.annotation.gtf.gz | awk 'BEGIN{OFS="\t";} $3=="gene" {print $1,$4-1,$5}' | sort -k1,1V -k2,2n >hg38.gene.sort.bed

2.利用基因坐标减去外显子坐标
bedtools subtract -a hg38.gene.sort.bed -b hg38.exon.sort.bedtools.merge.bed > hg38.intron.bed

3.按照染色体顺序排序

cat hg38.intron.bed  | sort -k1,1V -k2,2n >hg38.intron.sort.bed

4.合并内含子坐标
bedtools merge -i hg38.intron.sort.bed > hg38.intron.sort.bedtools.merge.bed

5.删除中间文件

rm hg38.gene.sort.bed
rm hg38.intron.bed
rm hg38.intron.sort.bed

Step4:  提取Intergenetic坐标

1.提取基因坐标

zcat gencode.v44.annotation.gtf.gz | awk 'BEGIN{OFS="\t";} $3=="gene" {print $1,$4-1,$5}' | sort -k1,1V -k2,2n >hg38.gene.sort.bed

2.生成染色体size数量文件

mysql --user=genome --host=genome-mysql.cse.ucsc.edu -A -e "select chrom, size from hg38.chromInfo"  > hg38.genome

3.删除染色体size数量文件第一行

sed '1d' hg38.genome > hg38_1.genome

4.按照染色体顺序排序

cat hg38_1.genome|sort -k1,1V -k2,2n >hg38.sort.genome

5.利用bedtools complement提取基因间坐标

bedtools complement -i hg38.gene.sort.bed -g hg38.sort.genome > hg38.intergenetic.sort.bedtools.bed

6.删除中间文件

rm hg38.gene.sort.bed
rm hg38.genome
rm hg38_1.genome

Step5:  提取Intragenic坐标

暂无

Step6:  提取Promoter坐标

在UCSC中下载,提取Tss位点上方0-2000bp的区间，如果手动的话，注意+链为TSS直接减去2000bp，-链为Tss直接加上2000bp

Step7:  提取Enhancer坐标

在UCSC中下载

  

Step9:  提取CpG island坐标

在UCSC中下载

    

Step9:  提取5'UTR坐标

在UCSC中下载

    

Step10:  提取3'UTR坐标

在UCSC中下载

      

Step11:  提取repeat坐标

在UCSC中下载