如何將GFF轉(zhuǎn)換為GTF文件

這篇文章主要介紹了如何將GFF轉(zhuǎn)換為GTF文件，具有一定借鑒價(jià)值，感興趣的朋友可以參考下，希望大家閱讀完這篇文章之后大有收獲，下面讓小編帶著大家一起了解一下。

存儲(chǔ)基因和轉(zhuǎn)錄本的結(jié)構(gòu)信息，gtf和gff3兩種格式都可以。在實(shí)際分析時(shí)，會(huì)需要轉(zhuǎn)換兩種格式。比如，NCBI 只提供了GFF格式的下載文件，我們需要轉(zhuǎn)換成GTF文件之后再使用。

完成這一任務(wù)，可以自己編寫腳本，也可以借助現(xiàn)成的工具。接下來看下每種工具的使用方法和特點(diǎn)。使用NCBI的GFF文件進(jìn)行測(cè)試，鏈接如下

ftp://ftp.ncbi.nlm.nih.gov/genomes/all/GCF/000/001/405/GCF_000001405.38_GRCh48.p12/GCF_000001405.38_GRCh48.p12_genomic.gff.gz

1. gffread

gffread是由cufflinks的開發(fā)團(tuán)隊(duì)提供的一款讀取gff文件的工具，可以實(shí)現(xiàn)gff文件轉(zhuǎn)換為gtf文件，用法如下

gffread -T GCF_000001405.38_GRCh48.p12_genomic.gff  -o hg38.gtf

生成的gtf示例如下

NC_000001.11    BestRefSeq      exon    11874   12227   .       +       .       transcript_id "rna0"; gene_id "gene0"; gene_name "DDX11L1";

gffread 生成的gtf文件中只提供了exon和CDS這兩種類型的結(jié)構(gòu)信息，第九列的屬性也只有transcript_id, gene_id, gene_name這3種屬性，最關(guān)鍵的是， 這些ID沒有任何含義，我們更想要的是基因的Entrez ID和轉(zhuǎn)錄本的RefSeq 編號(hào)。

2. UCSC

UCSC采用GenePred 格式存儲(chǔ)基因和轉(zhuǎn)錄本的結(jié)構(gòu)信息， 通過UCSC的小工具，我們可以借助GenePred格式來實(shí)現(xiàn)GFF轉(zhuǎn)換成GTF。用法如下

gff3ToGenePred  GCF_000001405.38_GRCh48.p12_genomic.gff  hg38.GenePred
genePredToGtf database hg38.GenePred hg38.gtf

首先用gff3ToGenePred轉(zhuǎn)換為GenePred格式，然后在利用genePredToGtf轉(zhuǎn)換為GTF格式。

生成的gtf示例如下

NC_012920.1    hg38.GenePred    transcript    15956    16023    .    -    .    gene_id "gene60958"; transcript_id "rna171196";  gene_name "gene60958";

相比gffreads, UCSC提供的類型更多，包括以下幾種

  1. exon
  2. CDS
  3. start_codon
  4. stop_codon
  5. transcript

雖然區(qū)間的類型變多了，但是屬性的問題和gffread是一樣的，除了gene_name屬性有價(jià)值外，其他屬性都沒有價(jià)值。

當(dāng)然，網(wǎng)上也有各種別人編寫的腳本，但是或多或少多都存在問題。最佳的方案還是自己來編寫，首先需要搞清楚GTF文件中，我們需要哪些類型的區(qū)間信息。

對(duì)于GTF的實(shí)際使用而言，只需要exon區(qū)間信息就可以區(qū)分不同的轉(zhuǎn)錄本了，而且在定量的過程中，也是只需要參考exon的位置信息。所以，自己編寫轉(zhuǎn)換腳本，只需要保留eoxn信息。

另外一個(gè)問題就是，第九列提供哪些屬性。根據(jù)我的經(jīng)驗(yàn)，只需要以下6個(gè)屬性

1. gene_id

2. gene_name

3. transcript_id

4. transcript_name

5. gene_type

6. transcript_type

   
   

gene_id可以用來保存不同數(shù)據(jù)庫中的基因ID,比如NCBI Entrez Id, Ensembl gene Id, 當(dāng)然也可以和gene_name屬性保持一致；gene_name屬性用來保存gene  symbol,  相比id, symbol在文章中的使用頻率更高。

transcript_id和transcript_name表征轉(zhuǎn)錄本的id和名稱，可以是RefSeq ID，也可以是Ensembl transcript id, 用于區(qū)分不同的轉(zhuǎn)錄本。

gene_type和transcript_type表示基因和轉(zhuǎn)錄本的類型，比如是protein_coding, 還是lncRNA, rRNA等。在分析時(shí)，我們通常會(huì)根據(jù)類型選擇其中的部分轉(zhuǎn)錄本來分析，比如只分析蛋白編碼的轉(zhuǎn)錄本。

以上6種屬性就能夠滿足幾乎100%的場(chǎng)景，對(duì)于不同數(shù)據(jù)庫中的文件，只需要自己寫腳本提取這些信息，就可以了。

感謝你能夠認(rèn)真閱讀完這篇文章，希望小編分享的“如何將GFF轉(zhuǎn)換為GTF文件”這篇文章對(duì)大家有幫助，同時(shí)也希望大家多多支持億速云，關(guān)注億速云行業(yè)資訊頻道，更多相關(guān)知識(shí)等著你來學(xué)習(xí)!