您好,登錄后才能下訂單哦!
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
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)。
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
gene_id
gene_name
transcript_id
transcript_name
gene_type
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)!
免責(zé)聲明:本站發(fā)布的內(nèi)容(圖片、視頻和文字)以原創(chuàng)、轉(zhuǎn)載和分享為主,文章觀點(diǎn)不代表本網(wǎng)站立場(chǎng),如果涉及侵權(quán)請(qǐng)聯(lián)系站長(zhǎng)郵箱:is@yisu.com進(jìn)行舉報(bào),并提供相關(guān)證據(jù),一經(jīng)查實(shí),將立刻刪除涉嫌侵權(quán)內(nèi)容。