GFF/GTF简介及格式转换

最近做转录组的比对时，在建立索引过程中，遇见一个问题，就是我从ncbi下载的序列文件和gtf文件中，染色体命名规则竟然不一样，但序列文件和gff文件染色体命名规则是一样的，具体来说：序列文件和GFF文件中染色体位置以GWHAMMI开头，可是，gff文件又没办法直接和基因组fasta文件搭配使用，只好将 gff文件转gtf文件了。

gff和gtf格式都可以储存基因信息，有很多共同点，存储信息侧重点又不一样，最主要的是不同的软件对于文件格式的要求不同，有时候你找不到需要的格式文件时，就得用另一个格式文件进行转换，我这次就得把gff文件转为我需要的gtf文件。

一、GFF/GTF简介：

GFF全称为general feature format，这种格式主要是用来注释基因组；

GTF全称为gene transfer format，主要是用来对基因进行注释。

GTF文件以及GFF文件都由9列数据组成，这两种文件的前8列都是相同的，非常好理解，区别在于第九列;

二、GFF/GTF****文件比较

GFF文件每一列所代表的含义前面表格中有，但请注意，它的第3列feature type是不受约束的，你可以使用任意的名称。

我们需要注意的是GFF文件的第9列，从第二版开始(GFF2)，所有的属性都以标签``=``值的方式呈现，各个属性之间以;作为分隔符。

在最新版本的GFF文件中(GFF3)，有一些是已经预先定义的属性特征，并且这些特征往往还有特殊的含义：ID这个标签在各行有；另外有一个Parent的属性，它表明了当前的特征是Parent特征的子集。

GFF文件内容：

GTF当前所广泛使用的GTF格式为第二版(GTF2)，它主要是用来描述基因的注释。GTF格式有两个硬性标准：

 根据所使用的软件的不同，featuretypes是必须注明的;

 第9列必须以gene_id以及transcript_id开头,GTF文件的第9列同GFF文件不同，虽然同样是标签与值配对的情况，但标签与值之间以空格分开，且每个特征之后都要有分号;（包括最后一个特征）：

GTF文件内容：

三、GFF/GTF格式转换：

有不同的工具可以来完成这个工作，生成的结果还略有不同，这次重新学习，决定比较一下，选一个更适合自己课题的结果。

Cufflinks里面的工具gffread

下载地址：

https://github.com/cole-trapnell-lab/cufflinks和

https://github.com/gpertea/gffread

下载后tar -zxvf 解压后就能够使用，解压后程序列表：

/cufflinks-2.2.1/gffread -T my.gff -o my_gffread.gtf，

生成的gtf文件有164210行信息，如下图，只保留了exon和CDS的信息，而它源自的gff文件有220938行信息，少了gene、mRNA行的信息；相比于ncbi上原下载的gtf文件，少了transcript、start_codon、stop_codon的信息，此外**，第九列的属性也只有transcript_id, gene_id, gene_name这3种属性**，有人提到这些ID没有任何含义，Entrez ID和转录本的RefSeq 编号很重要，目前我也不是很确定这些信息对后面建立索引及比对会有啥影响，未来会让师妹去探索一下。

新生成的gtf文件：

对于GTF的实际使用而言，只需要exon区间信息就可以区分不同的转录本了，而且在定量的过程中，也是只需要参考exon的位置信息。在gffread官网上，看到这么一段话，留给大家自己品味吧。

关于我疑惑缺少的一些信息，显然软件开发者是有自己观点的(虽然我还不是很理解)，让我接受这个结果并没有接着去探究其它方法最关键的原因是：gffread和Hisat2来自同一实验室开发。

参考：

http://ccb.jhu.edu/software/stringtie/gff.shtml#cite

https://cloud.tencent.com/developer/article/1036910

https://cloud.tencent.com/developer/article/1625209?from=article.detail.1709221

https://cloud.tencent.com/developer/article/1727772?from=article.detail.1625209