GFF 文件

• GFF全称为general feature format，这种格式主要是用来注释基因组。

从 Ensembl 导出的GFF文件示例：

seq_id  source  type  start  end  score  strand  phase  attributes  ID  name  Indicates  Gap
X    Ensembl    Repeat    2419108    2419128    42    .    .    hid=trf; hstart=1; hend=21
X    Ensembl    Repeat    2419108    2419410    2502    -    .    hid=AluSx; hstart=1; hend=303
X    Ensembl    Repeat    2419108    2419128    0    .    .    hid=dust; hstart=2419108; hend=2419128
X    Ensembl    Pred.trans.    2416676    2418760    450.19    -    2    genscan=GENSCAN00000019335
X    Ensembl    Variation    2413425    2413425    .    +    .    
X    Ensembl    Variation    2413805    2413805    .    +    .

• GFF文件是以tab键分割的9列组成，以下为每一列的对应信息：

1. seq_id：序列的编号，一般为chr或者scanfold编号；

2. source: 注释的来源，一般为数据库或者注释的机构，如果未知，则用点“.”代替

3. type: 注释信息的类型，比如Gene、cDNA、mRNA、CDS等;

4. start: 该基因或转录本在参考序列上的起始位置；(从1开始，包含);

5. end: 该基因或转录本在参考序列上的终止位置；(从1开始，包含);

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;

7. strand: 该基因或转录本位于参考序列的正链(+)或负链(-)上;

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、12. (对于编码蛋白质的CDS来说，本列指定下一个密码子开始的位置。每3个核苷酸翻译一个氨基酸，从0开始，CDS的起始位置，除以3，余数就是这个值，，表示到达下一个密码子需要跳过的碱基个数。该编码区第一个密码子的位置，取值0,1,2。0表示该编码框的第一个密码子第一个碱基位于其5’末端；1表示该编码框的第一个密码子的第一个碱基位于该编码区外；2表示该编码框的第一个密码子的第一、二个碱基位于该编码区外；如果Feature为CDS时，必须指明具体值。)；

9. attributes: 一个包含众多属性的列表，格式为“标签＝值”(tag=value)，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 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。

• 预先定义的键主要包括：

• 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。

• Parent指明feature所从属的上一级ID，用于将exons聚集成transcript，将transripts聚集成gene，值可以为多个；

• Target 指明比对的目标区域，一般用于表明序列的比对结果。格式为 “target_idstart end [strand] ,其中strand是可选的(“+”或”-”),target_id中如果包含空格，则要转换成’ ‘。

• Gap：T比对结果的gap信息，和Target一起，用于表明序列的比对结果。Derives_from：Note:备注;Dbxref:数据库索引。