gtf文件学习+读取

转自：https://blog.csdn.net/sinat_38163598/article/details/72851239

1.基本

GFF和GTF是两种最常用的数据库注释格式，基因注释文件。

GFF全称为general feature format，这种格式主要是用来注释基因组。

GTF全称为gene transfer format，主要是用来对基因进行注释，对染色体上的基因进行标注。

//我这里关注的主要是GTF文件。

2.格式

以tab键分割为9列：

• seq_id：染色质名称；
• source：注释团队；
• type: 注释信息的类型，比如{gene, transcript, exon, CDS, UTR, start_codon, stop_codon, Selenocysteine }
• 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
• strand: 该基因或转录本位于参考序列的正链(+)或负链(-)上;

3.读取gtf格式文件查看

https://www.jianshu.com/p/a5a23f926931，按照这个方法读取时遇到了问题：

 尝试用read.csv打开也失败：

https://www.gitmemory.com/issue/kvittingseerup/IsoformSwitchAnalyzeR/83/719484994，这个链接中提出来的问题和我的类似，也是需要读取到gtf文件，它的R版本是4.0.3，我的也是4.0版本的R，所以是否有可能是R版本的问题导致对应包中的函数不可用了？

https://hwoihann.github.io/farnorth/analysis/2018/03/30/R-gtf-refGenome.html，这个链接中提到可以使用refGenome，但是

https://cran.r-project.org/web/packages/refGenome/index.html，发现已经被移除。

 使用

install.packages("refGenome") 
BiocManager::install("refGenome")

安装，均不可。

可能性2：gtf文件存在问题，所以重新下载。

https://www.gencodegenes.org/mouse/，在这里下载了最新版的，并且解压：

并且尝试导入

library(rtracklayer)

报出以下错误：

 https://stackoverflow.com/questions/63958678/error-in-unloadnamespacepackage-namespace-rlang-is-imported-by-testthat，搜索相似问题，其中一个回复：

 之后就尝试在命令行而不是Rstudio上操作，先卸载了这个包，然后安装，虽然出现了这个问题：

Installation path not writeable, unable to update packages: codetools，但是尝试不更新n所有包，之后library居然可以了，而且可以正常读取。

之后我重启Rstudio

.rs.restartR()

就可以读取gtf文件了。

看来以后安装包的操作都应该在命令行进行，而不是Rstudio。

4.查看GTF文件内容

https://www.jianshu.com/p/a5a23f926931，基序按照这个来读取

最新版的相较于之前有了很多新的描述信息，比如基因id，基因名称等等。共有26个特征。

附加的键值对信息：

转自：https://zhuanlan.zhihu.com/p/384463036

• gene_id : ENSG(Ensembl 基因ID)
• gene_type：基因类型

• gene_name：基因名称

• level：feature 的注释水平 {1, 2, 3}：level1：验证的位点，level2：手动注释的位点，level3：自动注释的位点

• transcript_id ：ENST(Ensembl 转录本ID)
• transcript_type：转录本类型

•  transcript_name：转录本名称