一

現(xiàn)在，基因組測序和組裝的價格已經(jīng)降到了很多科研團隊都能負擔(dān)的水平，因此，很多物種的基因組序列都被測定并公開了。同時，描述這些基因結(jié)構(gòu)的文件，比如GTF或GFF3文件，也可以在網(wǎng)上免費下載。

對于大多數(shù)科研人員來說，有了這兩個文件就足夠他們開展研究了。但理想很豐滿，現(xiàn)實卻很骨感。雖然物種的基因組很多，但基因組序列的質(zhì)量往往參差不齊，而基因結(jié)構(gòu)注釋文件更是五花八門，這常常會給后續(xù)的數(shù)據(jù)分析帶來麻煩。我最近在研究一些數(shù)據(jù)，就遇到了這樣的問題。

我想，如果能有一個工具，能夠規(guī)范化GFF3文件，補充完整缺失的信息，讓這個文件能更好地適應(yīng)各種后續(xù)的數(shù)據(jù)分析，甚至更方便進一步的研究使用，那該多好??！

我查了查，發(fā)現(xiàn)市面上幾乎沒有這樣的工具。除了一個perl腳本集合（在github上搜索aget能找到）可能能做點類似的工作外，真的沒找到其他相關(guān)的軟件，特別是那種還有用戶界面的。

功夫不負有心人，終于被我找到有位大佬花了一些時間，寫了一個叫做GXF Fix的工具，然后把它集成到了TBtools主程序里。這個工具的主要功能就是修復(fù)基因結(jié)構(gòu)注釋文件中缺失的部分，基于文件中已有的信息來補充完整。
二
基因結(jié)構(gòu)注釋信息文件是科研中常用的一種數(shù)據(jù)格式，但它們常常存在一些問題。

首先是“GENE”特征缺失。有些注釋文件可能非常粗糙，比如直接從轉(zhuǎn)錄組組裝結(jié)果得到的GTF文件，它們可能完全沒有包含“gene”這一特征。我遇到的，恰恰就是這個問題。

其次是“mRNA”特征的缺失。有些基因結(jié)構(gòu)注釋文件里，可能缺少了“mRNA”特征，只包含了“exon”（外顯子）和“cds”（編碼序列），或者只有“cds”。這樣的文件對于一些轉(zhuǎn)錄組分析流程來說，可能根本無法使用，比如“STAR align - stringtie”這個流程。這個問題，以前也遇到過。

再者是“UTR”（非翻譯區(qū)）信息的缺失。只有極少數(shù)的物種會提供UTR區(qū)間的信息，大部分文件只給出“exon”和“cds”，甚至只有“mRNA”和“cds”。雖然UTR信息很可能存在，但需要用戶自己去計算坐標。而有了UTR區(qū)間的好處是，我們可以知道一些位點的絕對可靠序列特征信息，比如miRNA的靶位點等。

此外，基因結(jié)構(gòu)注釋信息文件的排序也可能混亂無序。

……當然，還有很多其他令人頭疼的問題。

三
GXF Fix 修復(fù)基因結(jié)構(gòu)注釋信息文件 - GTF/GFF3
話不多說，讓我們直接開始看看如何修復(fù)gff注釋文件。首先，功能界面如下：

示例一：擬南芥的基因結(jié)構(gòu)注釋信息文件，可以說是非常全面

內(nèi)容對比

使用示例 - 粗糙注釋

有一些注釋信息文件，還是比較粗糙的。比如缺少 gene，甚至 mRNA feature都沒有。

直接進行修復(fù)。

一個我做項目的實例：這是我在做3D基因組研究時，問中科院海洋所的一個大佬要的數(shù)據(jù)（在此實名感謝這位姐姐~）。但是其實數(shù)據(jù)有一些問題存在，比如基因組文件和注釋文件染色體名稱不匹配、注釋文件中第三列沒有“Gene”等。前者好解決，后面這個問題確實讓我想了很久。讓我們看看GXF Fix的強大吧。

修復(fù)前：第三列無gene

修復(fù)中，速度很快

修復(fù)后：第三列有g(shù)ene了！

最后，真的要感謝大佬寫出了這么方便好用的功能，讓我們這些基因組研究者能夠更加方便快捷的進行g(shù)ff文件修復(fù)~

參考鏈接：https://blog.csdn.net/abai0410/article/details/115679446