GTF与GFF文件格式的区别与转换
GTF与GFF文件都是用于存储注释信息的文本类型，经常可以看到二者格式之间的相互转换。二者的名字相似，连内容都极为相似，那么二者的差异究竟在哪里呢？
- GFF (general feature format): 可以用于任何基因组注释的存储
- GTF (gene transfer format): 严格的用于基因注释信息的存储
GFF
GFF文件是一种用来描述基因组特征的文件，现在我们所使用的大部分都是第三版）（GFF3）。gff文件除gff1以外均由9列数据组成，前8列在gff的3个版本中信息都是相同的，只是名称不同。
第9列attributes的内容存在很大的版本特异性，9列信息（以gff3为例）分别是：
| 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 |
|---|---|---|---|---|---|---|---|---|
| seqid | annotation source | feature type | start | end | score | strand | phase | attributes |
-
seqid ：参考序列的id。
-
annotation source：注释的来源。如果未知，则用点（.）代替。一般指明产生此gff3文件的软件或方法。
-
feature type： 类型，此处的名词是相对自由的，建议使用符合SO惯例的名称（sequenceontology），如gene，repeat_region，exon，CDS等。
-
start coordinate：开始位点，从1开始计数（区别于bed文件从0开始计数）。
-
end coordinate：结束位点。
-
score：得分，对于一些可以量化的属性，可以在此设置一个数值以表示程度的不同。如果为空，用点（.）代替。
-
strand：“＋”表示正链，“－”表示负链，“.”表示不需要指定正负链。
-
phase ：步进。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。可以是0、1或2，表示到达下一个密码子需要跳过的碱基个数。
-
attributes：属性。一个包含众多属性的列表，格式为“标签＝值”（tag=value），不同属性之间以分号相隔，这一列最后没有分号。如：
ID=geneAExon1;Name=geneA;Parent=geneA;Organism=human -
几个attributes举例：
- ID：type的标识；
- Name：type的展示名称。Name的值在可视化的时候得到展示。因此，Name可以根据自己展示的需要随意取值；
- Parent ：指明type所从属的上一级ID。用于将exons聚集成transcript，将transripts聚集成gene。
GFF允许使用#作为注释符号，例如很多GFF文件都会使用如下的两行来表明其版本其创建日期：
## gff-version 2
## created 11/11/11
GFF文件每一列所代表的含义前面表格中有，但请注意，它的第3列feature type是不受约束的，你可以使用任意的名称，但也不要太淘气~用一些适当的名称对于后面的分析会有很大的帮助。
我们需要注意的是GFF文件的第9列，从第二版开始(GFF2)，所有的属性都以标签=值的方式呈现，各个属性之间以;作为分隔符
ID=geneAExon1;Name=geneA;Parent=geneA;Organism=human
在最新版本的GFF文件中(GFF3)，有一些是已经预先定义的属性特征，并且这些特征往往还有特殊的含义：ID这个标签实在各行都要有的；另外有一个Parent的属性，它指明type所从属的上一级ID。
GTF
当前所广泛使用的GTF格式为第二版(GTF2)，它主要是用来描述基因的注释。GTF格式有两个硬性标准：
- 根据所使用的软件的不同，feature types是必须注明的。
- 第9列必须以gene_id以及transcript_id开头
GTF文件的第9列同GFF文件不同，虽然同样是标签与值配对的情况，但标签与值之间以空格分开，且每个特征之后都要有分号;（包括最后一个特征）
| 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 |
|---|---|---|---|---|---|---|---|---|
| seqname | source | feature | start | end | score | strand | frame | attributes |
-
seqname: 序列的名字。通常格式染色体ID或是contig ID。
-
source：注释的来源。通常是预测软件名或是公共数据库。
-
start：开始位点，从1开始计数。
-
end：结束位点。
-
feature ：基因结构。CDS，start_codon，stop_codon是一定要含有的类型。
-
score ：这一列的值表示对该类型存在性和其坐标的可信度，不是必须的，可以用点“.”代替。
-
strand：链的正向与负向，分别用加号+和减号-表示。
-
frame：密码子偏移，可以是0、1或2。
-
attributes：必须要有以下两个值：
- gene_id value; 表示转录本在基因组上的基因座的唯一的ID。 gene_id与value值用空格分开，如果值为空，则表示没有对应的基因。
- transcript_id value; 预测的转录本的唯一ID。transcript_id与value值用空格分开，空表示没有转录本。
-
attribures之后有可能会有comments选项，以“#”开头，一直到行末尾。
区别
gtf2的内容和gff3也是很相似的，区别只在其中的3列:
| - | GTF2 | GFF3 |
|---|---|---|
| feature type | 根据软件名称注明 | 可以是任意名称 |
| attributes | 空格分隔 | ‘=’分隔 |
格式转换
使用Cufflinks里面的工具"gffread":
#gff2gtf
gffread my.gff3 -T -o my.gtf
#gtf2gff
gffread merged.gtf -o- > merged.gff3
使用脚本进行格式转换
GTF to GFF
import sys
inFile = open(sys.argv[1],'r')
for line in inFile:
#skip comment lines that start with the '#' character
if line[0] != '#':
#split line into columns by tab
data = line.strip().split('\t')
#parse the transcript/gene ID. I suck at using regex, so I usually just do a series of splits.
#transcript_id和gene_ids是GTF第九列肯定存在的
transcriptID = data[-1].split('transcript_id')[-1].split(';')[0].strip()[1:-1]
geneID = data[-1].split('gene_id')[-1].split(';')[0].strip()[1:-1]
#replace the last column with a GFF formatted attributes columns
#I added a GID attribute just to conserve all the GTF data
data[-1] = "ID=" + transcriptID + ";GID=" + geneID
#print out this new GFF line
print '\t'.join(data)
脚本运行
python myScript.py myFile.gtf > myFile.gff
GTF to GFF
import sys
inFile = open(sys.argv[1],'r')
for line in inFile:
#skip comment lines that start with the '#' character
if line[0] != '#':
#split line into columns by tab
data = line.strip().split('\t')
ID = ''
#if the feature is a gene
if data[2] == "gene":
#get the id
ID = data[-1].split('ID=')[-1].split(';')[0]
#if the feature is anything else
else:
# get the parent as the ID
ID = data[-1].split('Parent=')[-1].split(';')[0]
#modify the last column
data[-1] = 'gene_id "' + ID + '"; transcript_id "' + ID
#print out this new GTF line
print '\t'.join(data)
