GTF與GFF文件都是用于存儲注釋信息的文本類型，經(jīng)常可以看到二者格式之間的相互轉(zhuǎn)換。二者的名字相似，連內(nèi)容都極為相似，那么二者的差異究竟在哪里呢？

• GFF (general feature format): 可以用于任何基因組注釋的存儲
• GTF (gene transfer format): 嚴格的用于基因注釋信息的存儲

GFF

GFF文件是一種用來描述基因組特征的文件，現(xiàn)在我們所使用的大部分都是第三版）（GFF3）。gff文件除gff1以外均由9列數(shù)據(jù)組成，前8列在gff的3個版本中信息都是相同的，只是名稱不同。

第9列attributes的內(nèi)容存在很大的版本特異性，9列信息（以gff3為例）分別是：

• seqid ：參考序列的id。

• annotation source：注釋的來源。如果未知，則用點（.）代替。一般指明產(chǎn)生此gff3文件的軟件或方法。

• feature type： 類型，此處的名詞是相對自由的，建議使用符合SO慣例的名稱（sequenceontology），如gene，repeat_region，exon，CDS等。

• start coordinate：開始位點，從1開始計數(shù)（區(qū)別于bed文件從0開始計數(shù)）。

• end coordinate：結(jié)束位點。

• score：得分，對于一些可以量化的屬性，可以在此設置一個數(shù)值以表示程度的不同。如果為空，用點（.）代替。

• strand：“＋”表示正鏈，“－”表示負鏈，“.”表示不需要指定正負鏈。

• phase ：步進。對于編碼蛋白質(zhì)的CDS來說，本列指定下一個密碼子開始的位置。可以是0、1或2，表示到達下一個密碼子需要跳過的堿基個數(shù)。

• attributes：屬性。一個包含眾多屬性的列表，格式為“標簽＝值”（tag=value），不同屬性之間以分號相隔，這一列最后沒有分號。如：

  ID=geneAExon1;Name=geneA;Parent=geneA;Organism=human
  

• 幾個attributes舉例：

  • ID：type的標識；
  • Name：type的展示名稱。Name的值在可視化的時候得到展示。因此，Name可以根據(jù)自己展示的需要隨意取值；
  • Parent ：指明type所從屬的上一級ID。用于將exons聚集成transcript，將transripts聚集成gene。

GFF允許使用#作為注釋符號，例如很多GFF文件都會使用如下的兩行來表明其版本其創(chuàng)建日期：

## gff-version 2
## created 11/11/11 

GFF文件每一列所代表的含義前面表格中有，但請注意，它的第3列feature type是不受約束的，你可以使用任意的名稱，但也不要太淘氣~用一些適當?shù)拿Q對于后面的分析會有很大的幫助。

我們需要注意的是GFF文件的第9列，從第二版開始(GFF2)，所有的屬性都以標簽=值的方式呈現(xiàn)，各個屬性之間以;作為分隔符

ID=geneAExon1;Name=geneA;Parent=geneA;Organism=human

在最新版本的GFF文件中(GFF3)，有一些是已經(jīng)預先定義的屬性特征，并且這些特征往往還有特殊的含義：ID這個標簽實在各行都要有的；另外有一個Parent的屬性，它指明type所從屬的上一級ID。

GTF

當前所廣泛使用的GTF格式為第二版(GTF2)，它主要是用來描述基因的注釋。GTF格式有兩個硬性標準：

• 根據(jù)所使用的軟件的不同，feature types是必須注明的。
• 第9列必須以gene_id以及transcript_id開頭
  GTF文件的第9列同GFF文件不同，雖然同樣是標簽與值配對的情況，但標簽與值之間以空格分開，且每個特征之后都要有分號;（包括最后一個特征）

• seqname: 序列的名字。通常格式染色體ID或是contig ID。

• source：注釋的來源。通常是預測軟件名或是公共數(shù)據(jù)庫。

• start：開始位點，從1開始計數(shù)。

• end：結(jié)束位點。

• feature ：基因結(jié)構(gòu)。CDS，start_codon，stop_codon是一定要含有的類型。

• score ：這一列的值表示對該類型存在性和其坐標的可信度，不是必須的，可以用點“.”代替。

• strand：鏈的正向與負向，分別用加號+和減號-表示。

• frame：密碼子偏移，可以是0、1或2。

• attributes：必須要有以下兩個值：

  • gene_id value; 表示轉(zhuǎn)錄本在基因組上的基因座的唯一的ID。 gene_id與value值用空格分開，如果值為空，則表示沒有對應的基因。
  • transcript_id value; 預測的轉(zhuǎn)錄本的唯一ID。transcript_id與value值用空格分開，空表示沒有轉(zhuǎn)錄本。

• attribures之后有可能會有comments選項，以“#”開頭，一直到行末尾。

區(qū)別

gtf2的內(nèi)容和gff3也是很相似的，區(qū)別只在其中的3列:

格式轉(zhuǎn)換

使用Cufflinks里面的工具"gffread":

#gff2gtf
gffread my.gff3 -T -o my.gtf
#gtf2gff
gffread merged.gtf -o- > merged.gff3

使用腳本進行格式轉(zhuǎn)換

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)

腳本運行

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)

參考資料：

1. Method: GFF/GTF conversion and differences
2. NGS數(shù)據(jù)格式之gff/gtf