gff3文件格式

GFF3 (General Feature Format Version 3) 是一种纯文本文件格式，用来描述基因组上特征（Features）的位置和属性。简单说，它就是一张基因组的“地图”，告诉你哪里有基因、哪里有外显子、以及它们之间的关系。

---

一、 文件结构：三大部分

一个标准的 GFF3 文件由三部分组成，顺序不能乱：

1. 文件头 (Header)

文件的第一行必须是版本声明（不然会报错，我就遇到了一次，从客户链接下载的 gff3 文件没有表头，导致报错，手动添加这一行就好了）。

##gff-version 3

• 作用：告诉解析软件（如 gff3ToGenePred）“请按照 GFF3 的规则来读我”。
• 你的坑：如果没有这一行，很多严格的软件会直接报错或忽略第一行数据，导致它找不到你明明写在最前面的 gene记录。

2. 注释与序列信息 (Optional)

通常以 ##开头，用来描述参考序列。

##sequence-region Contig1 1 1000000

• 作用：声明某条染色体或 Contig 的长度范围。虽然不是强制的，但写了更规范。

3. 数据行 (Data Rows) —— 核心内容

每一行代表基因组上的一个特征（如一个基因、一个外显子）。

它由 9 个用 Tab (制表符) 分隔的列 组成。

---

二、 核心：9 列详解 (The 9 Columns)

这是 GFF3 的“骨架”。无论是什么特征，都严格遵守这 9 列的顺序。

列号	名称	内容示例	含义解释
1	Seqid	Contig1	序列ID。对应参考基因组的哪条序列（染色体/ scaffold）。
2	Source	EVM	来源。是哪个软件或数据库预测出的这个特征（如 EVM, BLAST）。
3	Type	gene/ mRNA	类型。特征的分类，必须是 SO (Sequence Ontology) 术语。
4	Start	187400	起始位置。1-based 坐标（从 1 开始数），包含该位置。
5	End	197430	结束位置。包含该位置。
6	Score	.或 0.95	得分。表示该特征的可信度，未知通常用 .。
7	Strand	+或 -	链方向。+正链，-负链。
8	Phase	.或 0/1/2	阅读框。仅对 CDS 有效。0 表示第一个碱基是密码子起点。
9	Attributes	ID=...;Parent=...	属性。这是 GFF3 的灵魂，用键值对描述细节。

⚠️ 注意：列与列之间必须是 Tab键，不能是空格，否则软件读不懂。

---

三、 灵魂：第 9 列 (Attributes)

这一列用 ;分隔不同的属性，格式是 key=value。

1. ID (身份证号)

• 作用：给每个特征一个唯一的名字。
• 示例：ID=MberContig1G0001
• 重要性：软件靠这个 ID 来区分不同的行。
• 要求：文件内唯一。
• Ensembl 特例：为了区分基因（Gene）、转录本（Transcript）和蛋白（Protein），Ensembl 会在 ID 前加上 gene:、transcript:或 protein:作为前缀（估计也是为了特例）。

2. Parent (父子关系)

• 作用：建立特征之间的层级关系。这是 GFF3 最强大的地方。
• 逻辑：
  • mRNA的 Parent 是 gene（因为 mRNA 属于基因）。
  • exon/ CDS的 Parent 是 mRNA（因为外显子属于转录本）。

---

四、 层级结构示例 (Hierarchical Structure)

GFF3 不是扁平的列表，而是树状结构。结合你刚才的文件内容，标准结构应该是这样的：

##gff-version 3
##sequence-region Contig1 1 1000000

# 1. 基因 (根节点)
Contig1  EVM  gene  187400  197430  .  -  .  ID=MberContig1G0001;Name=GeneA

# 2. 转录本 (子节点，Parent 指向上面的 ID)
Contig1  EVM  mRNA  187400  197430  .  -  .  ID=MberContig1T0001;Parent=MberContig1G0001

# 3. 外显子 (叶子节点，Parent 指向 mRNA 的 ID)
Contig1  EVM  exon  195765  197430  .  -  .  ID=exon1;Parent=MberContig1T0001

# 4. CDS (编码区)
Contig1  EVM  CDS   195765  197430  .  -  0  ID=cds1;Parent=MberContig1T0001