如何获得基因名与基因类型的对应关系——下载GTF文件 基因注释

GTF文件是用于保存基因结构信息的文件格式。它是基于通用特征格式（GFF）的制表符分隔文本格式，但包含一些特定的附加基因信息。
1.打开GENECODE网站 ，下载GTF文件

https://www.gencodegenes.org/human/release_29.html

image.png

image.png

2.传入Linux（以shell为例）

image.png

3.解压

gunzip gencode.v29.annotation.gtf.gz 

image.png

image.png

4.less 查看

less -S gencode.v29.annotation.gtf

image.png

观察得第14列为基因类型，第18列为基因名，取。
重导向为gencode.v25.annotation.gtf.gene3type

awk '{if(!NF || /^#/){next}}1' gencode.v25.annotation.gtf|sed 's/"//g'| sed 's/;//g'|awk '{print $14,$18}' > gencode.v25.annotation.gtf.gene3type

5.less 一下新文件

image.png

1.存在以K开头 2.存在重复
故去K，去重复

uniq gencode.v25.annotation.gtf.gene3type |grep '^[^K]' |less -S

image.png

---

可在R打开使用
更方便的方法是直接在Linux下载

wget ftp://ftp.ebi.ac.uk/pub/databases/gencode/Gencode_human/release_29/gencode.v29.annotation.gtf.gz

image.png

---

参考来源：生信技能树

友情链接：

课程分享
生信技能树全球公益巡讲
（https://mp.weixin.qq.com/s/E9ykuIbc-2Ja9HOY0bn_6g）
B站公益74小时生信工程师教学视频合辑
（https://mp.weixin.qq.com/s/IyFK7l_WBAiUgqQi8O7Hxw）
招学徒：
（https://mp.weixin.qq.com/s/KgbilzXnFjbKKunuw7NVfw）

欢迎关注公众号：青岛生信菜鸟团

对于人和小鼠而言，NCBI, Ensembl等数据库都保存了对应的基因注释信息，不同数据库中的信息来源和可信度都不一样，gencode综合HAVANA和Ensembl 数据库中的信息，通过实验手段加以验证，从而构建一个高质量的注释信息数据库。网址如下

https://www.gencodegenes.org/

官网提供了GTF和GFF3两种格式的文件以供下载，示意如下

每种类型的文件提供了3种区域

CHR

ALL

PRI

对于基因组而言，包括了chromsome，unplaced_scaffold, alt_scaffold, patch等序列，这些序列上都存在对应的基因。CHR指的是染色体级别的信息，包括细胞核内的染色体和线粒体；ALL包括所有的序列，PRI只包含染色体和unplaced_scaffold序列上的信息。官方推荐，使用CHR级别的信息。

文件中采用level来表示注释信息的可信度，目前共包括3个level。

level1代表可靠的注释信息，有直接的实验证据支持的注释信息；level2代表的是经过人工校对的注释信息，取HAVANA和Ensembl注释信息中一致的注释信息；level3指的是软件注释的信息，通常是Ensemble中和HAVANA不一致的注释信息。

如果想要得到更高可信度的注释信息，可以根据level进行过滤，只选择1和2这两个层级的注释信息。

文件中共包含的基因和转录本的个数统计如下

1. human

2. mouse

在文件中，会给出基因或者转录本的类型信息，解释如下

protein_coding
蛋白编码基因

lincRNA
位于基因间区的长链非编码RNA

non_coding
文献中证实的非编码RNA

完整的基因类型信息详见以下链接

https://www.gencodegenes.org/gencode_biotypes.html
————————————————
版权声明：本文为CSDN博主「生信修炼手册」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/weixin_43569478/article/details/108079240