外觀
GTF / GFF3
描述基因結構(gene → transcript → exon / CDS / UTR)的註解格式,是 RNA-seq 計數、比對索引、變異註解的必要輸入。兩者都是 9 欄 tab 分隔、1-based 閉區間;差別在第 9 欄的寫法與階層表示。
9 個欄位
text
chr17 HAVANA gene 7661779 7687538 . - . gene_id "ENSG00000141510.18"; gene_name "TP53"; gene_type "protein_coding";
chr17 HAVANA transcript 7661779 7687538 . - . gene_id "ENSG00000141510.18"; transcript_id "ENST00000269305.9"; gene_name "TP53"; tag "MANE_Select";
chr17 HAVANA exon 7687377 7687538 . - . gene_id "ENSG00000141510.18"; transcript_id "ENST00000269305.9"; exon_number 1;| # | 欄位 | 意義 |
|---|---|---|
| 1 | seqname | 染色體(GENCODE / UCSC 用 chr17,Ensembl 用 17) |
| 2 | source | 註解來源(HAVANA、ENSEMBL、BestRefSeq…) |
| 3 | feature | gene、transcript、exon、CDS、UTR、start_codon… |
| 4–5 | start / end | 1-based、含頭尾 |
| 6 | score | 多為 . |
| 7 | strand | + / -(TP53 在負股,exon 1 位置數字最大) |
| 8 | frame | CDS 的讀框相位 0 / 1 / 2 |
| 9 | attributes | 鍵值對(見下) |
GTF vs GFF3
| GTF(GFF2.5) | GFF3 | |
|---|---|---|
| 第 9 欄 | gene_id "X"; transcript_id "Y"; | ID=X;Parent=Y;Name=TP53 |
| 階層 | 每列都重複帶 gene_id、transcript_id | 用 ID / Parent 連結 |
| 誰在用 | STAR、featureCounts、HTSeq、Salmon(tximport 對照表) | Ensembl / NCBI 原生、IGV、gffread、AGAT |
| 轉換 | gffread in.gff3 -T -o out.gtf、AGAT | gffread in.gtf -o out.gff3 |
常用操作
bash
# 某基因的所有 exon
zcat gencode.v4x.annotation.gtf.gz | awk '$3=="exon"' | grep 'gene_name "TP53";'
# 所有基因 → BED(注意 start - 1)
zcat genes.gtf.gz | awk -F'\t' '$3=="gene" {match($9,/gene_name "[^"]+"/); n=substr($9,RSTART+11,RLENGTH-12); print $1"\t"$4-1"\t"$5"\t"n"\t.\t"$7}' > genes.bed
# 轉錄本對基因的對照表(tximport 用)
zcat genes.gtf.gz | awk -F'\t' '$3=="transcript"' | grep -o 'transcript_id "[^"]*"\|gene_id "[^"]*"' | paste - - > tx2gene.txt
# 從 GTF + FASTA 取出轉錄本序列(Salmon / kallisto 索引用)
gffread -w transcripts.fa -g GRCh38.fa genes.gtfR 可用 rtracklayer::import("x.gtf") 讀成 GRanges;Python 可用 pyranges / gtfparse。
注意
| 注意 | 說明 |
|---|---|
| 與 FASTA 同版本、同命名 | STAR 索引用 GENCODE GTF 就要配 GENCODE / UCSC 風格的 FASTA(chr1) |
| ID 版本號 | ENSG00000141510.18 的 .18 是版本;與其他資料合併時常要去掉版本號 |
| 選哪個註解 | GENCODE / Ensembl vs RefSeq、comprehensive vs basic、MANE,見 基因註解 |
| 轉 BED 時 | start − 1(見 座標系統) |