以人类参考hg38为例，介绍基因组及注释文件格式

一、hg38在三大基因组数据库中的主页

1. UCSC
进入UCSC官网下载页面》拉到Dec. 2013 (GRCh38/hg38)页面》选择Full data set》点击下载hg38.fa.gz
http://hgdownload.soe.ucsc.edu/goldenPath/hg38/bigZips/hg38.fa.gz

同时，也可以通过hg38基因组浏览器页面进行可视化查看，组装，注释情况。

2.png

2. NCBI
进入NCBI的hg38基因组浏览器页面，

最新版本为：
Homo sapiens (human)
Reference genome: Homo sapiens (assembly GRCh38.p11) # 版本号
Release date: June 14, 2017 # 版本更新时间

支持基因组参考序列、注释文件下载

Download sequences in FASTA format for genome, transcript, protein
Download genome annotation in GFF, GenBank or tabular format

3.png

3. Ensembl
Homo sapiens (GRCh38.p11) # 最新版本
基因组序列下载FTP下载页面
http://asia.ensembl.org/info/data/ftp/index.html

同时，可以下载GTF GFF3注释文件。

4.png

二、基因组hg38的格式介绍

hg38参考基因组,以FASTA的数据形式保存。

以NCBI的Y染色体基因组为例，FASTA序列页面

Homo sapiens chromosome Y, GRCh38.p7 Primary Assembly

基因组染色体Y，参考组版本号

NCBI Reference Sequence: NC_000024.10

该fasta的NCBI检索号

GenBank检索号染色体参考基因组版本

NC_000024.10 Homo sapiens chromosome Y, GRCh38.p7 Primary Assembly

序列N

NNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNN
NNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNN
...
...

NNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNCTAACCCTAA
CCCTAACCCTAACCCTAACCCTAACCCTCTGAAAGTGGACCTATCAGCAGGATGTGGGTGGGAGCAGATT

每行按71个碱基进行格式化排版，共57227415 bp。

序列组成：
1）连续的N值代表；任意碱基，未知碱基

2）ATCG四种碱基，一般统一格式化为大写。
如碱基字母大写代表是CDS（编码序列）
如碱基字母小写代表是内含子/UTR(非翻译区)

2）masked genome 代表被遮罩基因组
重复区域能用小写字母或者“N”/“X”来表示。

当RNA测序应用时，通过使用masked基因组，可以加速比对的过程。
当DNA测序应用时，如对重复序列感兴趣，可以使用非masked基因组。

三、基因注释文件展示的信息（gff3和gtf格式介绍）（各种features）表示的含义

GTF全称为gene transfer format，主要是用来对基因进行注释。
GFF全称为general feature format，这种格式主要是用来注释基因组。

现Ensembl已将hg38的注释文件升级到GFF3，其主要功能为基因位点注释。

GMOD官网对GFF、GFF2、GFFF进行详细的说明：http://gmod.org/wiki/GFF#GFF3

GFF3 is the most recent flavor of GFF (General Feature Format), a simple tab delimited format for describing genomic features. GFF3 allows multi-level grouping and multi-level descriptive attributes. If you are unfamiliar with GFF and its flavors it is important that you read this GFF overview to decide which flavor is best suited to your needs. The current document describes only the GFF3 flavor.

GFF3 is both more powerful and more restrictive than other GFF formats. Argo only supports a subset of GFF3 features.

GFF3 files are directly editable in Argo.

gtf文件是以tab键分割的9列组成，以下为每一列的对应信息：

seq_id：序列的编号，一般为chr或者scanfold编号；
source: 注释的来源，一般为数据库或者注释的机构，如果未知，则用点“.”代替；
type: 注释信息的类型，比如Gene、cDNA、mRNA、CDS等
start:该基因或转录本在参考序列上的起始位置；
end: 该基因或转录本在参考序列上的终止位置；
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；
strand: 该基因或转录本位于参考序列的正链(+)或负链(-)上;
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(对于编码蛋白质的CDS来说，本列指定下一个密码子开始的位置。每3个核苷酸翻译一个氨基酸，从0开始，CDS的起始位置，除以3，余数就是这个值，，表示到达下一个密码子需要跳过的碱基个数。该编码区第一个密码子的位置，取值0,1,2。0表示该编码框的第一个密码子第一个碱基位于其5'末端；1表示该编码框的第一个密码子的第一个碱基位于该编码区外；2表示该编码框的第一个密码子的第一、二个碱基位于该编码区外；如果Feature为CDS时，必须指明具体值。)；
attributes:一个包含众多属性的列表，格式为“标签＝值”（tag=value），标签与值之间以空格分开，且每个特征之后都要有分号；（包括最后一个特征），其内容必须包括gene_id和transcript_id。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“；

本站仅提供存储服务，所有内容均由用户发布，如发现有害或侵权内容，请点击举报。