1、簡介
- 注釋文件就是基因組的說明書嘀趟。告訴我們哪些序列是編碼蛋白的基因脐区，哪些是非編碼基因，外顯子去件、內含子坡椒、UTR等的位置等等。注釋文件在以下三個提供參考基因組的網站中都有提供尤溜，比如Ensemble倔叼、NCBI 、UCSC宫莱。
- 基因組注釋（genomic features）通常使用Browser Extensible Data (BED) 或者 General Feature Format (GFF)文件格式表示丈攒，用UCSC Genome Browser進行可視化比較。
- Bed文件和GFF文件最基本的信息就是染色體或Contig的ID或編號授霸，然后就是DNA的正負鏈信息巡验，接著就是在染色體上的起始和終止位置數值。
- 兩種文件的區(qū)別在于碘耳，BED文件中起始坐標為0显设，結束坐標至少是1,； GFF中起始坐標是1而結束坐標至少是1辛辨。
- 處理Bed格式和GFF格式的工具主要有 BedTools和Tophat 捕捂。
2、bed文件
BED文件每行至少包括chrom斗搞，chromStart指攒，chromEnd三列（必選）;另外還可以添加額外的9列（可選），這些列的順序是固定的僻焚。
-
必選的三列：
- chrom：染色體的名稱（例如chr3允悦，chrY，chr2_random）或支架（例如scaffold10671）虑啤。
- chromStart：染色體或支架中特征的起始位置隙弛。染色體中的第一個堿基編號為0架馋。
- chromEnd：染色體或支架中特征的結束位置。染色體的末端位置沒有包含到顯示信息里面驶鹉。例如绩蜻，首先得100個堿基的染色體定義為chromStart =0 . chromEnd=100, 堿基的數目是0-99
-
9個可選的BED字段：
- name： 定義BED行的名稱。當軌道打開到完全顯示模式時室埋，此標簽顯示在Genome瀏覽器窗口中BED行的左側办绝，或者在打包模式下直接顯示在項目的左側。
- score： 得分在0到1000之間姚淆。如果此注釋數據集的軌跡線useScore屬性設置為1孕蝉，則得分值將確定顯示此要素的灰度級別（較高的數字=較深的灰色）。此表顯示 Genome Browser將BED分數值轉換為灰色陰影：
- strand：定義正負鏈腌逢。要么“.” （=無絞線）或“+”或“ - ”降淮。
- thickStart：繪制基因的起始位置（例如，基因顯示中的起始密碼子）搏讶。當沒有厚部分時佳鳖，thickStart和thickEnd通常設置為chromStart位置。
- thickEnd：繪制特征的結束位置（例如基因顯示中的終止密碼子）媒惕。
- itemRgb：R系吩，G，B形式的RGB值（例如255,0,0）妒蔚。如果軌道行 itemRgb屬性設置為“On”穿挨，則此RBG值將確定此BED行中包含的數據的顯示顏色。注意：建議使用此屬性的簡單顏色方案（八種顏色或更少顏色）肴盏，以避免壓倒Genome瀏覽器和Internet瀏覽器的顏色資源科盛。
- blockCount：- BED行中的塊（外顯子）數。
- blockSizes：- 塊大小的逗號分隔列表菜皂。此列表中的項目數應與blockCount相對應贞绵。
- blockStarts：- 以逗號分隔的塊開始列表。應該相對于chromStart計算所有 blockStart位置恍飘。此列表中的項目數應與blockCount相對應榨崩。
例如：
chr1 10279 10779 + 0 NA Intergenic -1345 NR_046018 100287102 Hs.618434 NR_046018 DDX11L1 DEAD/H,(Asp-Glu-Ala-Asp/His),box,helicase,11,like,1
chr1 13252 13752 + 0 NA TTS,(NR_024540) 1628 NR_046018 100287102 Hs.618434 NR_046018 DDX11L1 DEAD/H,(Asp-Glu-Ala-Asp/His),box,helicase,11,like,1
chr1 16019 16519 + 0 NA intron,(NR_024540,,intron,8,of,10) 1167 NR_107062 102465909 NA NR_107062 MIR6859-2 microRNA,6859-2
chr1 29026 29526 + 0 NA promoter-TSS,(NR_024540) 94 NR_024540 653635 Hs.446466 NR_024540 WASH7P WAS,protein,family,homolog,7,pseudogene
chr1 96364 96864 + 0 NA Intergenic 27523 NM_001005484 79501 Hs.554500 NM_001005484 OR4F5 olfactory,receptor,,family,4,,subfamily,F,,member,5
chr1 115440 115940 + 0 NA Intergenic 24876 NR_039983 729737 Hs.534942 NR_039983 LOC729737 uncharacterized,LOC729737
chr1 237535 238035 + 0 NA Intergenic -86107 NR_028325 100132062 Hs.722350 NR_028325 LOC100132062 uncharacterized,LOC100132062
chr1 240811 241311 + 0 NA Intergenic -82831 NR_028325 100132062 Hs.722350 NR_028325 LOC100132062 uncharacterized,LOC100132062
3、gtf/gff文件
- GTF 為General Transfer Format縮寫常侣，跟 GFF2格式類似蜡饵。相信大家做轉錄組分析時候經常會看到Cufflinks或者Stringtie軟件對轉錄組進行定量與組裝會時產生一個gtf文件弹渔，以人類基因組hg38為例胳施，里面包含的信息如下：
1 havana gene 11869 14409 . + . gene_id "ENSG00000223972"; gene_version "5"; gene_name "DDX11L1"; gene_source "havana"; gene_biotype "transcribed_unprocessed_pseudogene"; havana_gene "OTTHUMG00000000961"; havana_gene_version "2";
1 havana transcript 11869 14409 . + . gene_id "ENSG00000223972"; gene_version "5"; transcript_id "ENST00000456328"; transcript_version "2"; gene_name "DDX11L1"; gene_source "havana"; gene_biotype "transcribed_unprocessed_pseudogene"; havana_gene "OTTHUMG00000000961"; havana_gene_version "2"; transcript_name "DDX11L1-002"; transcript_source "havana"; transcript_biotype "processed_transcript"; havana_transcript "OTTHUMT00000362751"; havana_transcript_version "1"; tag "basic"; transcript_support_level "1";
1 havana exon 11869 12227 . + . gene_id "ENSG00000223972"; gene_version "5"; transcript_id "ENST00000456328"; transcript_version "2"; exon_number "1"; gene_name "DDX11L1"; gene_source "havana"; gene_biotype "transcribed_unprocessed_pseudogene"; havana_gene "OTTHUMG00000000961"; havana_gene_version "2"; transcript_name "DDX11L1-002"; transcript_source "havana"; transcript_biotype "processed_transcript"; havana_transcript "OTTHUMT00000362751"; havana_transcript_version "1"; exon_id "ENSE00002234944"; exon_version "1"; tag "basic"; transcript_support_level "1";
1 havana exon 12613 12721 . + . gene_id "ENSG00000223972"; gene_version "5"; transcript_id "ENST00000456328"; transcript_version "2"; exon_number "2"; gene_name "DDX11L1"; gene_source "havana"; gene_biotype "transcribed_unprocessed_pseudogene"; havana_gene "OTTHUMG00000000961"; havana_gene_version "2"; transcript_name "DDX11L1-002"; transcript_source "havana"; transcript_biotype "processed_transcript"; havana_transcript "OTTHUMT00000362751"; havana_transcript_version "1"; exon_id "ENSE00003582793"; exon_version "1"; tag "basic"; transcript_support_level "1";
1 havana exon 13221 14409 . + . gene_id "ENSG00000223972"; gene_version "5"; transcript_id "ENST00000456328"; transcript_version "2"; exon_number "3"; gene_name "DDX11L1"; gene_source "havana"; gene_biotype "transcribed_unprocessed_pseudogene"; havana_gene "OTTHUMG00000000961"; havana_gene_version "2"; transcript_name "DDX11L1-002"; transcript_source "havana"; transcript_biotype "processed_transcript"; havana_transcript "OTTHUMT00000362751"; havana_transcript_version "1"; exon_id "ENSE00002312635"; exon_version "1"; tag "basic"; transcript_support_level "1";
-
每列信息的含義如下：
- seqname：序列的ID，可以是染色體的ID也可以是Scaffold或者Contig的ID肢专。
- source：產生此文件的軟件舞肆，如Stringtie產生的則為Stringtie焦辅，CUfflinks產生的則為Cufflinks，不知道的使用點 “.” 表示椿胯。
- feature：可以是gene筷登，exon，transcript哩盲，lncRNA前方，CDS等等特征。
- start：上述feature的在序列上的起始位置廉油。
- end：上述feature的在序列上的終止位置惠险。
- score：一個浮點數值，也可以為點 “.” 抒线。有值的時候代表上述feature的可靠性班巩。因為無論是gene還是mRNA，都是基于預測生成的嘶炭，因而必然會有一個值來衡量預測準確性抱慌。
- strand：+ (forward)或者 - (reverse)，代表上述feature是位于正鏈還是負鏈上眨猎。
- frame：內含子相位抑进，只能為'0', '1' or '2'，或者為點 “.”宵呛。 '0' 代表feature起始堿基為三聯體密碼子的第一個堿基, '1' 代表三聯體密碼子的第2個堿基, 2代表第3個堿基单匣。
- attribute：備注列。主要備注該feature的一些信息宝穗，常見的是gene或者transcript等的ID信息以及FPKM值等户秤，多個備注信息之間通常用分號分隔。
gff格式逮矛。為General Feature Format縮寫鸡号，目前采用的是version 3，即我們常說的gff3文件须鼎。該文件常用來對基因組進行注釋鲸伴，表示基因，外顯子晋控，CDS汞窗，UTR等在基因組上的位置。眾多基因預測軟件如Glean赡译，EVM仲吏，AUGUSTUS等會產生此格式文件。
與gtf文件不同之處只是在第9列。此列格式為“標簽＝值”（tag=value）裹唆，標簽與值之間用“=”誓斥，不同的標簽之間用“；”隔開许帐，一個標簽可以有多個值劳坑，不同值用“,”分割。
參考
http://www.reibang.com/p/9208c3b89e44
http://www.reibang.com/p/3a8aa6ea5002
