都2024年了，如何快速入门基因家族分析？｜所需文件介绍

最新推荐文章于 2025-02-17 21:37:43 发布

原创最新推荐文章于 2025-02-17 21:37:43 发布 · 1.6k 阅读

21 ·

CC 4.0 BY-SA版权

文章标签：

#macos

fasta文件是什么（染色体序列，蛋白质序列）

gff3文件是什么（基因注释是咋回事？）

总结（家族分析很粗略，轻松看待）

#编者按

很多同学是在生信方面接触的第一个就是家族基因分析，难免会不知道这些文件是怎么回事。接下来我就逐步介绍每一个文件大概的内容。但我只能介绍到我们比较需要注意的部分，这些文件还有很多信息可能在别的方面有用。学无止境，大家未来还会接触到更多关于这些文件的知识。

我们需要我们自己物种基因组的文件

染色体序列文件(your_species.dna.toplevel.fa)
基因注释文件gff3 (your_species.gff3)
蛋白质序列文件 (your_species.pep)

其中序列文件我们叫做fasta格式的文件，你可以简单把后缀改为.fa

如果你是macOS用户，后缀是什么无所谓。但是win用户可能得全部改为fa或者fasta。比如文件放进mega里的时候。macOS可以识别为fasta文件，但是win无法识别。这是一个需要注意的问题。

一般情况下，我们命名蛋白质序列文件为pep，源自于单词 peptide（多肽链）。染色体序列就命名为fa，注释文件就是gff3或者gff。

fasta文件是什么（染色体序列，蛋白质序列）

> 基因ID 描述1｜描述2｜描述3｜其他相关信息
序列字母

> 基因ID 描述1 描述2 描述3 其他相关信息（如何分开这些描述其实不重要）
序列字母

>AT5G16970.1 pep chromosome:TAIR10:5:5575973:5578086:-1 gene:AT5G16970 transcript:AT5G16970.1 gene_biotype:protein_coding transcript_biotype:protein_coding gene_symbol:AER description:alkenal reductase [Source:NCBI gene (formerly Entrezgene);Acc:831560]
MTATNKQVILKDYVSGFPTESDFDFTTTTVELRVPEGTNSVLVKNLYLSCDPYMRIRMGK
PDPSTAALAQAYTPGQPIQGYGVSRIIESGHPDYKKGDLLWGIVAWEEYSVITPMTHAHF
KIQHTDVPLSYYTGLLGMPGMTAYAGFYEVCSPKEGETVYVSAASGAVGQLVGQLAKMMG
CYVVGSAGSKEKVDLLKTKFGFDDAFNYKEESDLTAALKRCFPNGIDIYFENVGGKMLDA
VLVNMNMHGRIAVCGMISQYNLENQEGVHNLSNIIYKRIRIQGFVVSDFYDKYSKFLEFV
LPHIREGKITYVEDVADGLEKAPEALVGLFHGKNVGKQVVVVARE

这就是fasta的格式，一般我们处理完会简化序列ID，就会变成

>AT5G16970.1
MTATNKQVILKDYVSGFPTESDFDFTTTTVELRVPEGTNSVLVKNLYLSCDPYMRIRMGK
PDPSTAALAQAYTPGQPIQGYGVSRIIESGHPDYKKGDLLWGIVAWEEYSVITPMTHAHF
KIQHTDVPLSYYTGLLGMPGMTAYAGFYEVCSPKEGETVYVSAASGAVGQLVGQLAKMMG
CYVVGSAGSKEKVDLLKTKFGFDDAFNYKEESDLTAALKRCFPNGIDIYFENVGGKMLDA
VLVNMNMHGRIAVCGMISQYNLENQEGVHNLSNIIYKRIRIQGFVVSDFYDKYSKFLEFV
LPHIREGKITYVEDVADGLEKAPEALVGLFHGKNVGKQVVVVARE

gff3文件是什么（基因注释是咋回事？）

gff3文件包含的信息有，染色体编号，数据库来源，属性，起点与终点，正负链，各种级别的ID号。如下所示

1	araport11	CDS	8236	8442	.	-	0	ID=CDS:AT1G01020.4;Parent=transcript:AT1G01020.4;protein_id=AT1G01020.4
1	araport11	exon	8236	8464	.	-	.	Parent=transcript:AT1G01020.4;Name=AT1G01020.4.exon2;constitutive=0;ensembl_end_phase=0;ensembl_phase=-1;exon_id=AT1G01020.4.exon2;rank=2
1	araport11	five_prime_UTR	8443	8464	.	-	.	Parent=transcript:AT1G01020.4
1	araport11	mRNA	6788	9130	.	-	.	ID=transcript:AT1G01020.5;Parent=gene:AT1G01020;Name=ARV1-204;biotype=protein_coding;transcript_id=AT1G01020.5

对我们有用的却很少，只有第1，3，4，5，9列，即染色体编号，属性，起点与终点，ID号。所以gff3文件之所以叫做注释文件，就是它可以告诉你，在染色体文件上，a号染色体上的b到c位置，属性是CDS、外显子、UTR还是mRNA转录的部分。一般我们提取第二列为mRNA的行，改写为bed文件。bed文件本质上就是改变列关系的gff3文件。

我们注意到第9列，有很多ID号，我们看到第四个

ID=transcript:AT1G01020.5;Parent=gene:AT1G01020;Name=ARV1-204;biotype=protein_coding;transcript_id=AT1G01020.5

转录ID：AT1G01020.5

上级序列ID：gene:AT1G01020

ID：transcript:AT1G01020.5

一般我们直接取转录ID作为我们的最终ID来展示。我们可以注意到，上级ID没有这个“.5”，这是因为同样是AT1G01020基因，因为可变剪切的存在有产生了5个甚至更多的蛋白质序列，这些蛋白质都来自一个基因。在家族分析看来，是几其实不太重要。所以一般情况下我们只用 AT1G01020.1 的序列来做，只保留一个就好了。

总结（家族分析很粗略，轻松看待）

所以fasta就是写上了序列的文件，gff3告诉你每一个小部分都代表了什么。我们可以使用gff3给到的信息，在基因组fasta文件里找到一个基因的全部CDS，exon，UTR，mRNA。但是这四个东西之间的关系非常微妙。不是我们这次的重点，你只需要知道我们需要提取mRNA和CDS就好了。以及因为我们本身就能下载到蛋白质序列文件，gff3文件更多的作用是帮助我们找到基因在染色体上的定位。以及做基因结构图用的（标记出exon和UTR部分）。

家族基因分析总体上来说是一个很粗略的事情，没比较太纠结，某一个基因在gff3文件上面加减10000bp对你的结果影响是不大的。大部分我们做的染色体都将近20,000,000bp（两千万），这10000bp也才是0.05%的误差，在图上根本看不出来。家族分析的成果只是一个参考而已。大家千万别太死缠着不放。