gff文件_GFF文件格式说明

gff格式是Sanger研究所定义，是一种简单的、方便的对于DNA、RNA以及蛋白质序列的特征进行描述的一种数据格式，比如序列的那里到那里是基因，已经成为序列注释的通用格式，比如基因组的基因预测，许多软件都支持输入或者输出gff格式。目前格式定义的最新版本是版本3。原始定义见SONG website

gff是纯文本文件，由tab键隔开的9列组成，以下是各列的说明：

Column 1: seqid

序列的编号，编号的有效字符[a-zA-Z0-9.:^*$@!=_?-|]

Column 2: source

注释信息的来源，比如"Genescan"、"Genbank"等，可以为空，为空用"."点号代替

Column 3: type

注释信息的类型，比如Gene、cDNA、mRNA等，或者是SO对应的编号

Columns 4 & 5: start and end

开始与结束的位置，注意计数是从1开始的。结束位置不能大于序列的长度

Column 6: score

得分，数字，是注释信息可能性的说明，可以是序列相似性比对时的E-values值或者基因预测是的P-values值。"."表示为空。

Column 7: strand

序列的方向， +表示正义链, -反义链 , ? 表示未知.

Column 8: phase

仅对注释类型为 "CDS"有效，表示起始编码的位置，有效值为0、1、2。

Column 9: attributes

以多个键值对组成的注释信息描述，键与值之间用"="，不同的键值用";"隔开，一个键可以有多个值，不同值用","分割。

注意如果描述中包括tab键以及",=;"，要用URL转义规则进行转义，如tab键用 %09代替。键是区分大小写的，

以大写字母开头的键是预先定义好的，在后面可能被其他注释信息所调用。

预先定义的键包括：

ID 注释信息的编号，在一个GFF文件中必须唯一；

Name 注释信息的名称，可以重复；

Alias 别名

Parent Indicates 该注释所属的注释，值为注释信息的编号，比如外显子所属的转录组编号，转录组所属的基因的编号。值可以为多个。

Target Indicates： the target of a nucleotide-to-nucleotide or protein-to-nucleotide alignment.

Gap：The alignment of the feature to the target if the two are not collinear (e.g. contain gaps).

Derives_from：Used to disambiguate the relationship between one feature and another when the relationship

is a temporal one rather than a purely structural “part of” one. This is needed for polycistronic genes.

Note 备注

Dbxref 数据库索引

Ontology_term： A cross reference to an ontology term.

例子