gtf与gff3文件【格式】【转换】

GFF3 官方

• General Feature Format Version 3
• 存储序列结构信息的一种数据格式。序列结构就是一个scaffold或者染色体上面每个位置都是什么序列元件。
• GFF每一行代表一个序列元件（以#为开头的注释行除外），一行9列9个属性，必须tab分割，属性为空用“.”代替。

1. seqid - scaffold或者chromosome的名称说明
2. source - 产生一个序列元件的软件的名称或者数据源（数据库名称或者项目名称）
3. type - 序列元件的类型，例如：mRNA、CDS等等
4. start - 序列元件在scaffold或者chromosome上的起始位置，从1开始计数
5. end - 序列元件在scaffold或者chromosome上面的终止位置，从1开始计数
6. score - 该序列元件的打分，一般为该序列元件做比对时的E-value和ab initio gene prediction features时的P-value
7. strand - “+”代表该序列元件在scaffold或者chromosome的正链，反之亦反
8. phase - 可以为“0”、“1”、“2”，“0”代表该序列元件的第一个碱基为第一个密码子的第一个剪辑，“1”代表该序列元件的第二个碱基是第一个密码子 的第一个碱基，依次类推。
9. attributes - 该序列元件的一些其他属性，可以有多个每个属性之间必须以“;”分割，例如“ID=some-id;Name=some-name;Parent=some-parent”，请注意这个Parent属性，由于序列元件是很复杂的，一个序列元件（例如：exon）可能属于另外一个序列元件（例如：gene），这个Parent属性的意思就是该序列元件在哪个序列元件上面，如果一个序列元件没有Parent属性，说明他的父元件就是scaffold或者chromosome

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

---

GTF官方

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格式有两个硬标准：

• 根据所使用的软件的不同，feature types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）：

格式转换

Cufflinks里面的工具gffread

#gff2gtf
gffread my.gff3 -T -o my.gtf
#gtf2gff
gffread merged.gtf -o- > merged.gff3

gffread genome.gff3 -g genome.fa -x  cds.fa
gffread genome.gff3 -g genome.fa -y  protein.fa
gffread genome.gff3 -g genome.fa -w  transcripts.fa

python -m jcvi.formats.gff bed --type=mRNA --key=ID a.gff3 > mRNA.bed
#Python 包jcvi包, 抽取 GFF文件中mRNA, key是ID
#基因
python -m jcvi.formats.gff bed --type=gene --key=ID  a.chr.gff3  > gene.bed

用bedtools提取序列，要加-s 参数（区分正反链）
bedtools getfasta -fi ./a.fasta -bed gene.bed -nameOnly -s -fo a.gene.fa
a.gene.fa就是我们需要的文件，同理也可以得到a.mRNA.fa。
提取最长转录本脚本，获得基因中最长可变剪切的序列。