gff格式是Sanger研究所定义,是一种简单的、方便的对于DNA、RNA以及蛋白质序列的特征进行描述的一种数据格式,比如序列的那里到那里是基因,已经成为序列注释的通用格式,比如基因组的基因预测,许多软件都支持输入或者输出gff格式。目前格式定义的最新版本是版本3。原始定义见SONG website
gff是文本文件,由tab键隔开的9列组成,以下是各列的说明:
Column 1: “seqid”
序列的编号,编号的有效字符[a-zA-Z0-9.:^*$@!+_?-|]
Column 2: “source”
注释信息的来源,比如”Genescan”、”Genbank” 等,可以为空,为空用”.”点号代替
Column 3: “type”
注释信息的类型,比如Gene、cDNA、mRNA等,或者是SO对应的编号
Columns 4 & 5: “start” and “end”
开始与结束的位置,注意计数是从1开始的。结束位置不能大于序列的长度
Column 6: “score”
得分,数字,是注释信息可能性的说明,可以是序列相似性比对时的E-values值或者基因预测是的P-values值。”.”表示为空。
Column 7: “strand”
序列的方向, +表示正义链, -反义链 , ? 表示未知.
Column 8: “phase”
仅对注释类型为 “CDS”有效,表示起始编码的位置,有效值为0、1、2。
Column 9: “attributes”
以多个键值对组成的注释信息描述,键与值之间用”=“,不同的键值用”;“隔开,一个键可以有多个值,不同值用”,“分割。注意如果描述中包括tab键以及”,=;”,要用URL转义规则进行转义,如tab键用 %09代替。键是区分大小写的,以大写字母开头的键是预先定义好的,在后面可能被其他注释信息所调用。
预先定义的键包括:
- ID 注释信息的编号,在一个GFF文件中必须唯一;
- Name 注释信息的名称,可以重复;
- Alias 别名
- Parent Indicates 该注释所属的注释,值为注释信息的编号,比如外显子所属的转录组编号,转录组所属的基因的编号。值可以为多个。
- Target Indicates: the target of a nucleotide-to-nucleotide or protein-to-nucleotide alignment.
- Gap:The alignment of the feature to the target if the two are not collinear (e.g. contain gaps).
- Derives_from:Used to disambiguate the relationship between one feature and another when the relationship is a temporal one rather than a purely structural “part of” one. This is needed for polycistronic genes.
- Note 备注
- Dbxref 数据库索引
- Ontology_term: A cross reference to an ontology term.
蛋白质编码基因的gff格式注释
1234567891011121314151617181920212223 ##gff-version 3##sequence-region ctg123 1 1497228ctg123 . gene 1000 9000 . + . ID=gene00001;Name=EDENctg123 . TF_binding_site 1000 1012 . + . Parent=gene00001ctg123 . mRNA 1050 9000 . + . ID=mRNA00001;Parent=gene00001ctg123 . mRNA 1050 9000 . + . ID=mRNA00002;Parent=gene00001 ctg123 . mRNA 1300 9000 . + . ID=mRNA00003;Parent=gene00001 ctg123 . exon 1300 1500 . + . Parent=mRNA00003ctg123 . exon 1050 1500 . + . Parent=mRNA00001,mRNA00002ctg123 . exon 3000 3902 . + . Parent=mRNA00001,mRNA00003ctg123 . exon 5000 5500 . + . Parent=mRNA00001,mRNA00002,mRNA00003ctg123 . exon 7000 9000 . + . Parent=mRNA00001,mRNA00002,mRNA00003ctg123 . CDS 1201 1500 . + 0 ID=cds00001;Parent=mRNA00001ctg123 . CDS 3000 3902 . + 0 ID=cds00001;Parent=mRNA00001ctg123 . CDS 5000 5500 . + 0 ID=cds00001;Parent=mRNA00001ctg123 . CDS 7000 7600 . + 0 ID=cds00001;Parent=mRNA00001ctg123 . CDS 1201 1500 . + 0 ID=cds00002;Parent=mRNA00002ctg123 . CDS 5000 5500 . + 0 ID=cds00002;Parent=mRNA00002ctg123 . CDS 7000 7600 . + 0 ID=cds00002;Parent=mRNA00002ctg123 . CDS 3301 3902 . + 0 ID=cds00003;Parent=mRNA00003ctg123 . CDS 5000 5500 . + 2 ID=cds00003;Parent=mRNA00003ctg123 . CDS 7000 7600 . + 2 ID=cds00003;Parent=mRNA00003ctg123 . CDS 3391 3902 . + 0 ID=cds00004;Parent=mRNA00003ctg123 . CDS 5000 5500 . + 2 ID=cds00004;Parent=mRNA00003ctg123 . CDS 7000 7600 . + 2 ID=cds00004;Parent=mRNA00003