以人類(lèi)參考hg38為例牍汹，介紹基因組及注釋文件格式
一、hg38在三大基因組數(shù)據(jù)庫(kù)中的主頁(yè)
1. UCSC
進(jìn)入UCSC官網(wǎng)下載頁(yè)面》拉到Dec. 2013 (GRCh38/hg38)頁(yè)面》選擇Full data set》點(diǎn)擊下載hg38.fa.gz
http://hgdownload.soe.ucsc.edu/goldenPath/hg38/bigZips/hg38.fa.gz
同時(shí)柬泽，也可以通過(guò)hg38基因組瀏覽器頁(yè)面進(jìn)行可視化查看慎菲，組裝，注釋情況锨并。
2. NCBI
進(jìn)入NCBI的hg38基因組瀏覽器頁(yè)面露该，
最新版本為：
Homo sapiens (human)
Reference genome: Homo sapiens (assembly GRCh38.p11) # 版本號(hào)
Release date: June 14, 2017 # 版本更新時(shí)間
支持基因組參考序列、注釋文件下載
Download sequences in FASTA format for genome, transcript, protein
Download genome annotation in GFF, GenBank or tabular format
3. Ensembl
Homo sapiens (GRCh38.p11) # 最新版本
基因組序列下載FTP下載頁(yè)面
http://asia.ensembl.org/info/data/ftp/index.html
同時(shí)第煮，可以下載GTF GFF3注釋文件解幼。
二、基因組hg38的格式介紹
hg38參考基因組,以FASTA的數(shù)據(jù)形式保存包警。
以NCBI的Y染色體基因組為例撵摆，FASTA序列頁(yè)面
Homo sapiens chromosome Y, GRCh38.p7 Primary Assembly
基因組染色體Y，參考組版本號(hào)
NCBI Reference Sequence: NC_000024.10
該fasta的NCBI檢索號(hào)
GenBank檢索號(hào) 染色體 參考基因組版本
NC_000024.10 Homo sapiens chromosome Y, GRCh38.p7 Primary Assembly
序列N
NNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNN
NNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNN
...
...
NNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNCTAACCCTAA
CCCTAACCCTAACCCTAACCCTAACCCTCTGAAAGTGGACCTATCAGCAGGATGTGGGTGGGAGCAGATT
每行按71個(gè)堿基進(jìn)行格式化排版害晦，共57227415 bp特铝。
序列組成：
1）連續(xù)的N值代表；任意堿基壹瘟，未知堿基
2）ATCG四種堿基鲫剿，一般統(tǒng)一格式化為大寫(xiě)。
如堿基字母大寫(xiě)代表是CDS（編碼序列）
如堿基字母小寫(xiě)代表是內(nèi)含子/UTR(非翻譯區(qū))
2）masked genome 代表被遮罩基因組
重復(fù)區(qū)域能用小寫(xiě)字母或者“N”/“X”來(lái)表示稻轨。
當(dāng)RNA測(cè)序應(yīng)用時(shí)灵莲，通過(guò)使用masked基因組，可以加速比對(duì)的過(guò)程澄者。
當(dāng)DNA測(cè)序應(yīng)用時(shí)笆呆，如對(duì)重復(fù)序列感興趣请琳，可以使用非masked基因組。
三赠幕、基因注釋文件展示的信息（gff3和gtf格式介紹）（各種features）表示的含義
GTF全稱(chēng)為gene transfer format俄精，主要是用來(lái)對(duì)基因進(jìn)行注釋。
GFF全稱(chēng)為general feature format榕堰，這種格式主要是用來(lái)注釋基因組竖慧。
現(xiàn)Ensembl已將hg38的注釋文件升級(jí)到GFF3，其主要功能為基因位點(diǎn)注釋逆屡。
GMOD官網(wǎng)對(duì)GFF圾旨、GFF2、GFFF進(jìn)行詳細(xì)的說(shuō)明：http://gmod.org/wiki/GFF#GFF3
GFF3 is the most recent flavor of GFF (General Feature Format), a simple tab delimited format for describing genomic features. GFF3 allows multi-level grouping and multi-level descriptive attributes. If you are unfamiliar with GFF and its flavors it is important that you read this GFF overview to decide which flavor is best suited to your needs. The current document describes only the GFF3 flavor.
GFF3 is both more powerful and more restrictive than other GFF formats. Argo only supports a subset of GFF3 features.
GFF3 files are directly editable in Argo.
gtf文件是以tab鍵分割的9列組成魏蔗，以下為每一列的對(duì)應(yīng)信息：
- seq_id：序列的編號(hào)砍的，一般為chr或者scanfold編號(hào)；
- source: 注釋的來(lái)源莺治，一般為數(shù)據(jù)庫(kù)或者注釋的機(jī)構(gòu)廓鞠，如果未知，則用點(diǎn)“.”代替谣旁；
- type: 注釋信息的類(lèi)型床佳，比如Gene、cDNA榄审、mRNA砌们、CDS等
- start:該基因或轉(zhuǎn)錄本在參考序列上的起始位置；
- end: 該基因或轉(zhuǎn)錄本在參考序列上的終止位置搁进；
- score: 得分浪感，數(shù)字，是注釋信息可能性的說(shuō)明拷获，可以是序列相似性比對(duì)時(shí)的E-values值或者基因預(yù)測(cè)是的P-values值篮撑，“.”表示為空；
- strand: 該基因或轉(zhuǎn)錄本位于參考序列的正鏈(+)或負(fù)鏈(-)上;
- phase: 僅對(duì)注釋類(lèi)型為“CDS”有效匆瓜，表示起始編碼的位置，有效值為0未蝌、1驮吱、2(對(duì)于編碼蛋白質(zhì)的CDS來(lái)說(shuō)，本列指定下一個(gè)密碼子開(kāi)始的位置萧吠。每3個(gè)核苷酸翻譯一個(gè)氨基酸左冬，從0開(kāi)始，CDS的起始位置纸型，除以3拇砰，余數(shù)就是這個(gè)值梅忌，，表示到達(dá)下一個(gè)密碼子需要跳過(guò)的堿基個(gè)數(shù)除破。該編碼區(qū)第一個(gè)密碼子的位置牧氮，取值0,1,2。0表示該編碼框的第一個(gè)密碼子第一個(gè)堿基位于其5'末端瑰枫；1表示該編碼框的第一個(gè)密碼子的第一個(gè)堿基位于該編碼區(qū)外踱葛；2表示該編碼框的第一個(gè)密碼子的第一、二個(gè)堿基位于該編碼區(qū)外光坝；如果Feature為CDS時(shí)尸诽，必須指明具體值。)盯另；
- attributes:一個(gè)包含眾多屬性的列表性含，格式為“標(biāo)簽＝值”（tag=value），標(biāo)簽與值之間以空格分開(kāi)鸳惯，且每個(gè)特征之后都要有分號(hào)胶滋；（包括最后一個(gè)特征），其內(nèi)容必須包括gene_id和transcript_id悲敷。以多個(gè)鍵值對(duì)組成的注釋信息描述究恤，鍵與值之間用“=”，不同的鍵值用“后德；
