公共:生物信息学知识库:gtf [BasePedia]

GTF format

GTF 文件一般用于对基因组区域的注释，记录基因组上哪个区域是一个基因，哪个区域是一个repeat区等等。该格式共包含9列信息。

Note：GTF的格式与GFF2 的格式基本一致，而与GFF3有一定的差异。

Fields说明

示例

我们先看一个人类基因组上的TP53基因，其中一个转录本的的GTF注释文件。

chr17   HAVANA  CDS     7676521 7676594 .       -       0       gene_id "ENSG00000141510.16"; transcript_id "ENST00000413465.6";
chr17   HAVANA  CDS     7676382 7676403 .       -       1       gene_id "ENSG00000141510.16"; transcript_id "ENST00000413465.6";
chr17   HAVANA  CDS     7675994 7676272 .       -       0       gene_id "ENSG00000141510.16"; transcript_id "ENST00000413465.6";
chr17   HAVANA  CDS     7675053 7675236 .       -       0       gene_id "ENSG00000141510.16"; transcript_id "ENST00000413465.6";
chr17   HAVANA  CDS     7674859 7674971 .       -       2       gene_id "ENSG00000141510.16"; transcript_id "ENST00000413465.6";
chr17   HAVANA  CDS     7674181 7674290 .       -       0       gene_id "ENSG00000141510.16"; transcript_id "ENST00000413465.6";
chr17   HAVANA  CDS     7661942 7662014 .       -       1       gene_id "ENSG00000141510.16"; transcript_id "ENST00000413465.6";

格式说明

上面格式包含了9列信息。

第一列：seqname - name of the chromosome or scaffold
第二列：source - name of the program （database or project name） that generated this feature，即该行注释信息的来源
第三列：feature - feature type name, 可以是 Gene，Variation，Similarity，CDS，UTR，SNP等等
第四列：start - Start position of the feature，坐标计数从1开始，为1-based坐标
第五列：end - End position of the feature，坐标计数从1开始，为1-based坐标，和start一起组成闭区间
第六列：score - 该feature 的得分
第七咧：strand - 链的方向， + (forward) or - (reverse)
第八列：frame - 可取三个值，'0'，'1' or '2'，代表codon phase，0代表mRNA的5'位置上的碱基是三联密码子的第一位，1代表5'上游存在一个属于上一个CDS codon的碱基，2代表5'上游存在两个属于上一个CDS codon的碱基。 需要注意的是 对于strand 为‘-’ 的时候，5’上游的base 是end position（end > start）。计算方法见:关于codon frame 的计算
第九列：attribute - 用逗号分隔的属性值。
补充： 若某列的值为'.'，代表该值缺失，可忽略

因此，上例中表示的是：基因id为ENSG00000141510.16的CDS区域，位置在人类17号染色体的负链（给定的基因组序列为正链）上。

关于codon frame 的计算

例：

AB000123    Twinscan     CDS    193817    194022    .    -    2    gene_id "AB000123.1"; transcript_id "AB00123.1.2"; 
AB000123    Twinscan     CDS    199645    199752    .    -    2    gene_id "AB000123.1"; transcript_id "AB00123.1.2"; 
AB000123    Twinscan     CDS    200369    200508    .    -    1    gene_id "AB000123.1"; transcript_id "AB00123.1.2"; 
AB000123    Twinscan     CDS    215991    216028    .    -    0    gene_id "AB000123.1"; transcript_id "AB00123.1.2"; 
AB000123    Twinscan     start_codon   216026    216028    .    -    .    gene_id    "AB000123.1"; transcript_id "AB00123.1.2"; 
AB000123    Twinscan     stop_codon    193814    193816    .    -    .    gene_id    "AB000123.1"; transcript_id "AB00123.1.2";

计算方法(编程参考)

因为是基因组负链上的基因，因此mRNA 5'第一个CDS (216028~215991) 的 frame 永远为0
第一个CDS 的Frame=0，length=38，那么第二个CDS 的frame 计算方法： (frame - length) % 3 = 1 即（0-38）%3
第二个CDS 的Frame=1，length=140，那么第三个CDS的frame 计算方法： (frame - length) % 3 = 2 即（1-140）%3
往后以此类推

Contributors: rongzhengqin@basepedia.com