GTF格式 - 版本历史

https://www.yiliao.com/index.php?action=history&feed=atom&title=GTF%E6%A0%BC%E5%BC%8F GTF格式 - 版本历史 2026-04-21T15:09:20Z 本wiki的该页面的版本历史 MediaWiki 1.35.1 https://www.yiliao.com/index.php?title=GTF%E6%A0%BC%E5%BC%8F&diff=317065&oldid=prev 185.180.13.101：建立内容为“<div style="padding: 0 4%; line-height: 1.8; color: #1e293b; font-family: 'Helvetica Neue', Helvetica, 'PingFang SC', Arial, sans-serif; background-color: #ffffff…”的新页面 2026-03-06T05:52:39Z

<p>建立内容为“<div style="padding: 0 4%; line-height: 1.8; color: #1e293b; font-family: 'Helvetica Neue', Helvetica, 'PingFang SC', Arial, sans-serif; background-color: #ffffff…”的新页面</p> <p><b>新页面</b></p><div><div style="padding: 0 4%; line-height: 1.8; color: #1e293b; font-family: 'Helvetica Neue', Helvetica, 'PingFang SC', Arial, sans-serif; background-color: #ffffff; max-width: 1200px; margin: auto;"><br /> <br /> <div style="margin-bottom: 30px; border-bottom: 1.2px solid #e2e8f0; padding-bottom: 25px;"><br /> <p style="font-size: 1.1em; margin: 10px 0; color: #334155; text-align: justify;"><br /> <strong>[[GTF格式]]</strong>（Gene Transfer Format，基因转移格式），是 <strong>[[生物信息学]]</strong> 与 <strong>[[基因组学]]</strong> 领域中用于描述和注释基因组特征的绝对核心文件标准。如果说 <strong>[[人类参考基因组|FASTA格式]]</strong> 提供的是绵延 30 亿个 A/T/C/G 字母的“裸露地形图”，那么 GTF 格式就是覆盖在这张地图上的高精度“GPS 导航坐标字典”。它本质上是一个以制表符（Tab）分隔的纯文本文件，精确记录了基因组上每一个 <strong>[[基因]]</strong>、<strong>[[转录本]]</strong>、<strong>[[外显子|外显子（Exon）]]</strong> 和 <strong>[[编码序列|CDS区（编码序列）]]</strong> 的物理起始与终止位置、正负链方向以及基因名称等属性。在现代 <strong>[[精准医疗]]</strong> 的 <strong>[[下一代测序|NGS]]</strong> 数据分析中，GTF 格式是不可或缺的基石：在 <strong>[[RNA-Seq|转录组测序（RNA-Seq）]]</strong> 中，计数软件必须依赖 GTF 才能将测序片段（Reads）准确分配给特定基因以计算 <strong>[[基因表达|表达量]]</strong>；在 <strong>[[全外显子测序|WES]]</strong> 或肿瘤靶向测序中，变异注释软件也是依据 GTF 才能判定某个 <strong>[[单核苷酸多态性|SNP]]</strong> 是否落在关键的 <strong>[[蛋白质|蛋白]]</strong> 编码区，从而引发 <strong>[[错义突变]]</strong> 或 <strong>[[无义突变]]</strong>。目前，临床与科研中最权威的标准化 GTF 文件主要由 <strong>[[Ensembl数据库|Ensembl]]</strong> 和 <strong>[[GENCODE项目|GENCODE]]</strong> 联盟负责维护与定期更新。<br /> </p><br /> </div><br /> <br /> <div class="medical-infobox mw-collapsible mw-collapsed" style="width: 320px; border: 1.2px solid #bae6fd; border-radius: 12px; background-color: #ffffff; box-shadow: 0 8px 20px rgba(0,0,0,0.05); overflow: hidden; float: right; margin-left: 20px; margin-bottom: 20px;"><br /> <br /> <div style="padding: 15px; color: #1e40af; background: linear-gradient(135deg, #e0f2fe 0%, #bae6fd 100%); text-align: center; cursor: pointer;"><br /> <div style="font-size: 1.2em; font-weight: bold; letter-spacing: 1px;">GTF Format</div><br /> <div style="font-size: 0.75em; opacity: 0.85; margin-top: 4px;">Genomic Annotation Standard (点击展开)</div><br /> </div><br /> <br /> <div class="mw-collapsible-content"><br /> <div style="padding: 20px; text-align: center; background-color: #f8fafc;"><br /> <div style="display: inline-block; background: #ffffff; border: 1px solid #e2e8f0; border-radius: 8px; padding: 15px; box-shadow: 0 4px 10px rgba(0,0,0,0.04); margin: 5px;"><br /> <div style="width: 120px; height: 120px; background: #f1f5f9; border-radius: 4px; display: flex; align-items: center; justify-content: center; overflow: hidden; padding: 15px;"><br /> <br /> </div><br /> </div><br /> <div style="font-size: 0.8em; color: #64748b; margin-top: 10px; font-weight: 600;">标准 9 列坐标与注释架构</div><br /> </div><br /> <br /> <table style="width: 100%; border-spacing: 0; border-collapse: collapse; font-size: 0.82em;"><br /> <tr><br /> <th style="text-align: left; padding: 8px 12px; background-color: #f1f5f9; color: #475569; border-bottom: 1px solid #e2e8f0; width: 42%;">数据类型</th><br /> <td style="padding: 8px 12px; border-bottom: 1px solid #e2e8f0; color: #1e40af;">Tab 制表符分隔文本 (TSV)</td><br /> </tr><br /> <tr><br /> <th style="text-align: left; padding: 8px 12px; background-color: #f1f5f9; color: #475569; border-bottom: 1px solid #e2e8f0;">核心结构</th><br /> <td style="padding: 8px 12px; border-bottom: 1px solid #e2e8f0; color: #b91c1c;">严格的 <strong>9 列</strong> 格式</td><br /> </tr><br /> <tr><br /> <th style="text-align: left; padding: 8px 12px; background-color: #f1f5f9; color: #475569; border-bottom: 1px solid #e2e8f0;">关键层级特征</th><br /> <td style="padding: 8px 12px; border-bottom: 1px solid #e2e8f0; color: #0f172a;"><strong>[[基因|gene]]</strong> > <strong>[[转录本|transcript]]</strong> > <strong>[[外显子|exon]]</strong>/<strong>[[CDS区|CDS]]</strong></td><br /> </tr><br /> <tr><br /> <th style="text-align: left; padding: 8px 12px; background-color: #f1f5f9; color: #475569; border-bottom: 1px solid #e2e8f0;">强制性属性键</th><br /> <td style="padding: 8px 12px; border-bottom: 1px solid #e2e8f0; color: #0f172a;"><i>gene_id</i> 与 <i>transcript_id</i></td><br /> </tr><br /> <tr><br /> <th style="text-align: left; padding: 8px 12px; background-color: #f1f5f9; color: #475569; border-bottom: 1px solid #e2e8f0;">坐标基准</th><br /> <td style="padding: 8px 12px; border-bottom: 1px solid #e2e8f0; color: #0f172a;">以 1 为基准 (1-based)</td><br /> </tr><br /> <tr><br /> <th style="text-align: left; padding: 8px 12px; background-color: #f1f5f9; color: #475569; border-bottom: 1px solid #e2e8f0;">权威来源库</th><br /> <td style="padding: 8px 12px; border-bottom: 1px solid #e2e8f0; color: #0f172a;"><strong>[[GENCODE项目|GENCODE]]</strong>, <strong>[[Ensembl数据库|Ensembl]]</strong>, RefSeq</td><br /> </tr><br /> <tr><br /> <th style="text-align: left; padding: 8px 12px; background-color: #f1f5f9; color: #475569;">生信核心用途</th><br /> <td style="padding: 8px 12px; color: #166534;"><strong>[[RNA-Seq|转录组定量]]</strong> / <strong>[[突变注释|突变临床注释]]</strong></td><br /> </tr><br /> </table><br /> </div><br /> </div><br /> <br /> <h2 style="background: #f1f5f9; color: #0f172a; padding: 10px 18px; border-radius: 0 6px 6px 0; font-size: 1.25em; margin-top: 40px; border-left: 6px solid #0f172a; font-weight: bold;">语法结构：解码基因组的 9 列“GPS 坐标”</h2><br /> <br /> <p style="margin: 15px 0; text-align: justify;"><br /> GTF（通常演进为 GTF2.2 规范）对格式的要求极其严格。文件中的每一行都代表基因组上的一个独立特征（Feature），并被雷打不动地分为 9 个字段：<br /> </p><br /> <br /> <ul style="padding-left: 25px; color: #334155;"><br /> <li style="margin-bottom: 12px;"><strong>第 1-3 列 (定位与分类)：</strong> <code>seqname</code>（<strong>[[人类染色体|染色体编号]]</strong>，如 chr1）、<code>source</code>（注释来源，如 HAVANA 团队手工注释或 <strong>[[Ensembl数据库|Ensembl]]</strong> 自动预测）、<code>feature</code>（特征类型，必须是 gene、transcript、<strong>[[外显子|exon]]</strong>、<strong>[[CDS区|CDS]]</strong>、start_codon 或 stop_codon 之一）。</li><br /> <li style="margin-bottom: 12px;"><strong>第 4-6 列 (精确坐标与评分)：</strong> <code>start</code> 和 <code>end</code> 提供了该特征在染色体上的精确起止物理位置（1-based 闭区间）。<code>score</code> 通常在现代文件中用 <code>.</code> 占位，表示没有相关的统计评分。</li><br /> <li style="margin-bottom: 12px;"><strong>第 7-8 列 (方向与翻译框)：</strong> <code>strand</code> 标明该基因是在正链（<code>+</code>）还是负链（<code>-</code>）上。<code>frame</code> 专为 <strong>[[编码序列|CDS区]]</strong> 设计（取值为 0, 1 或 2），指示 <strong>[[密码子]]</strong> 在 <strong>[[核糖体翻译|翻译]]</strong> 时的起始阅读框偏移量，这对于预测 <strong>[[移码突变]]</strong> 至关重要。</li><br /> <li style="margin-bottom: 12px;"><strong>第 9 列 (多维属性字典)：</strong> <code>attributes</code> 是 GTF 最具价值也是最复杂的一列。它包含一系列以分号分隔的键值对。其中 <code>gene_id</code> 和 <code>transcript_id</code> 是绝对强制存在的标签。此外还会包含 <code>gene_name</code>（如 <strong>[[TP53基因|TP53]]</strong>）、<code>gene_biotype</code>（指明它是 <strong>[[蛋白质|蛋白编码基因]]</strong> 还是 <strong>[[长非编码RNA|lncRNA]]</strong>）等极其丰富的生物学元数据。</li><br /> </ul><br /> <br /> <h2 style="background: #fff1f2; color: #9f1239; padding: 10px 18px; border-radius: 0 6px 6px 0; font-size: 1.25em; margin-top: 40px; border-left: #9f1239 6px solid; font-weight: bold;">生信与临床映射：无注释，不精准</h2><br /> <br /> <div style="overflow-x: auto; margin: 30px auto; max-width: 90%;"><br /> <table style="width: 100%; border-collapse: collapse; border: 1.2px solid #cbd5e1; font-size: 0.85em; text-align: center;"><br /> <tr style="background-color: #eff6ff; color: #1e40af;"><br /> <th style="padding: 12px; border: 1px solid #cbd5e1; width: 22%;">临床分析管线</th><br /> <th style="padding: 12px; border: 1px solid #cbd5e1; width: 38%;">GTF 文件的核心赋能作用</th><br /> <th style="padding: 12px; border: 1px solid #cbd5e1; width: 40%;">指导的诊断与转化意义</th><br /> </tr><br /> <tr><br /> <td style="padding: 10px; border: 1px solid #cbd5e1; font-weight: 600;"><strong>转录组定量</strong><br><span style="font-size: 0.9em; color: #64748b;">(RNA-Seq Read Counting)</span></td><br /> <td style="padding: 10px; border: 1px solid #cbd5e1; text-align: left;">计数软件（如 featureCounts 或 HTSeq）比对测序得到的 <strong>[[BAM格式|BAM文件]]</strong> 与 GTF 文件。如果一条测序短片段的坐标正好落入 GTF 标记的某个外显子区间内，则该 <code>gene_id</code> 的表达量计数 +1。</td><br /> <td style="padding: 10px; border: 1px solid #cbd5e1; background-color: #f0fdf4;">计算 <strong>[[基因表达|基因表达矩阵]]</strong> 的绝对前提。用于发掘 <strong>[[肿瘤微环境]]</strong> 中的免疫抑制标记，或寻找罕见病的异常表达致病基因。</td><br /> </tr><br /> <tr><br /> <td style="padding: 10px; border: 1px solid #cbd5e1; font-weight: 600;"><strong>剪接点比对</strong><br><span style="font-size: 0.9em; color: #64748b;">(Splice-aware Alignment)</span></td><br /> <td style="padding: 10px; border: 1px solid #cbd5e1; text-align: left;">由于成熟的 <strong>[[信使RNA|mRNA]]</strong> 已经被剪去了 <strong>[[内含子]]</strong>，比对软件（如 STAR 或 HISAT2）需要提前读取 GTF 文件，获知内含子的起止坐标，从而让一条测序 Read 能够“跨越”数万碱基准确比对到两个外显子上。</td><br /> <td style="padding: 10px; border: 1px solid #cbd5e1; background-color: #eff6ff;">精准发现癌细胞中异常的 <strong>[[可变剪接|可变剪接事件 (Alternative Splicing)]]</strong>，甚至发掘全新的 <strong>[[融合基因]]</strong>。</td><br /> </tr><br /> <tr><br /> <td style="padding: 10px; border: 1px solid #cbd5e1; font-weight: 600;"><strong>临床突变注释</strong><br><span style="font-size: 0.9em; color: #64748b;">(Variant Annotation)</span></td><br /> <td style="padding: 10px; border: 1px solid #cbd5e1; text-align: left;">当在 <strong>[[全外显子测序|WES]]</strong> 中发现了一个碱基突变（储存在 <strong>[[VCF格式|VCF文件]]</strong> 中），注释软件（如 ANNOVAR 或 SnpEff）会去查询 GTF：这个坐标落在哪个基因？属于 CDS 还是非翻译区（<strong>[[UTR区]]</strong>）？</td><br /> <td style="padding: 10px; border: 1px solid #cbd5e1; background-color: #f8fafc;">直接决定了一份突变报告的结论。判断突变是否导致了 <strong>[[氨基酸序列]]</strong> 的改变，从而评估其致病性（如是否为 <strong>[[致病突变|Pathogenic Variant]]</strong>）。</td><br /> </tr><br /> </table><br /> </div><br /> <br /> <h2 style="background: #f0fdf4; color: #166534; padding: 10px 18px; border-radius: 0 6px 6px 0; font-size: 1.25em; margin-top: 40px; border-left: #166534 6px solid; font-weight: bold;">工程学陷阱：版本隔离与数据库的暗战</h2><br /> <br /> <div style="background-color: #f0fdf4; border-left: 5px solid #22c55e; padding: 15px 20px; margin: 20px 0; border-radius: 4px;"><br /> <h3 style="margin-top: 0; color: #14532d; font-size: 1.1em;">基因组学中最易犯的“坐标崩塌”致命错误</h3><br /> <br /> <ul style="margin-bottom: 0; color: #334155; font-size: 0.95em;"><br /> <li><strong>基因组版本不匹配的灾难：</strong> GTF 的物理坐标是死死绑定在特定版本的 <strong>[[人类参考基因组]]</strong> 上的。如果你用 <strong>[[GRCh38|GRCh38 (hg38)]]</strong> 的参考序列去运行比对算法，却错误地输入了基于 GRCh37 (hg19) 的 GTF 文件，所有的突变注释和基因定量都将发生毁灭性的“空间错位”，直接导致数百上千个假阳性致病基因的产生。</li><br /> <li style="margin-top: 10px;"><strong>Ensembl vs RefSeq 的命名壁垒：</strong> 目前世界上有两套最主流的注释系统。<strong>[[NCBI]]</strong> 提供的 RefSeq 体系倾向于保守，通常只包含有明确生物学证据的转录本（前缀多为 <code>NM_</code>）；而 <strong>[[GENCODE项目|GENCODE]]</strong>（基于 <strong>[[Ensembl数据库|Ensembl]]</strong>）则极其详尽，包含了大量预测的非编码转录本（前缀为 <code>ENSG</code>）。这导致两套 GTF 文件的基因命名体系完全不同，在进行多队列临床数据合并时，必须使用基因转换字典进行极其小心的 ID 映射。</li><br /> </ul><br /> </div><br /> <br /> <h2 style="background: #f8fafc; color: #334155; padding: 10px 18px; border-radius: 0 6px 6px 0; font-size: 1.25em; margin-top: 40px; border-left: #64748b 6px solid; font-weight: bold;">核心相关概念</h2><br /> <ul style="padding-left: 25px; color: #334155; font-size: 0.95em;"><br /> <li><strong>[[GFF3格式]] (General Feature Format Version 3)：</strong> GTF 的“近亲”与竞争者。GFF3 同样拥有 9 列，但它在第 9 列属性字段的结构上更为灵活和宏大，允许通过 <code>ID</code> 和 <code>Parent</code> 标签建立极其复杂的任意父子从属关系树（不仅限于基因->转录本->外显子）。许多非哺乳动物（如植物或细菌）的测序项目更倾向于使用 GFF3。</li><br /> <li><strong>[[BED格式]] (Browser Extensible Data)：</strong> 与厚重繁杂的 GTF 不同，BED 格式是一种极其轻量级的坐标文件。它主要由三列组成（染色体、起始点、终止点），主要用于在 <strong>[[基因组浏览器|IGV 等基因组浏览器]]</strong> 中快速显示连续峰值区域（如 <strong>[[ChIP-Seq]]</strong> 发现的转录因子结合位点），而非用于精细的基因外显子组装描述。</li><br /> <li><strong>[[GENCODE项目]]：</strong> 原本是 <strong>[[ENCODE计划]]</strong> 的一个子项目，旨在极其详尽地绘制出人类和小鼠基因组中所有蛋白质编码基因、<strong>[[假基因|假基因（Pseudogenes）]]</strong> 和长链非编码 RNA 的地图。今天，GENCODE 发布的 GTF 文件已成为全球几乎所有单细胞测序和转录组分析的公认默认标准。</li><br /> </ul><br /> <br /> <div style="font-size: 0.92em; line-height: 1.6; color: #1e293b; margin-top: 50px; border-top: 2px solid #0f172a; padding: 15px 25px; background-color: #f8fafc; border-radius: 0 0 10px 10px;"><br /> <span style="color: #0f172a; font-weight: bold; font-size: 1.05em; display: inline-block; margin-bottom: 15px;">学术参考文献 [Academic Review]</span><br /> <br /> <p style="margin: 12px 0; border-bottom: 1px solid #e2e8f0; padding-bottom: 10px;"><br /> [1] <strong>Harrow J, Frankish A, Gonzalez JM, et al. (2012).</strong> <em>GENCODE: the reference human genome annotation for The ENCODE Project.</em> <strong>[[Genome Research]]</strong>. 22(9):1760-1774.<br><br /> <span style="color: #475569;">[顶级基石文献]：该文献标志着世界上最权威的人类基因组标准注释集——GENCODE 的正式成型。详细描述了计算预测与大量手工比对（Manual Curation）相结合的过程，确立了当今全球生信领域广泛采用的 GTF 标准与质量控制金基准。</span><br /> </p><br /> <br /> <p style="margin: 12px 0; border-bottom: 1px solid #e2e8f0; padding-bottom: 10px;"><br /> [2] <strong>Dobin A, Davis CA, Schlesinger F, et al. (2013).</strong> <em>STAR: ultrafast universal RNA-seq aligner.</em> <strong>[[Bioinformatics]]</strong>. 29(1):15-21.<br><br /> <span style="color: #475569;">[工程化应用核心]：介绍了当今最主流的转录组极速比对工具 STAR。该论文详细阐述了算法如何在建立基因组索引（Index）时，通过深度依赖并解析外接的 GTF 文件坐标，从而完美解决跨越长内含子的转录本剪接比对难题。</span><br /> </p><br /> <br /> <p style="margin: 12px 0; border-bottom: 1px solid #e2e8f0; padding-bottom: 10px;"><br /> [3] <strong>Liao Y, Smyth GK, Shi W. (2014).</strong> <em>featureCounts: an efficient general purpose program for assigning sequence reads to genomic features.</em> <strong>[[Bioinformatics]]</strong>. 30(7):923-930.<br><br /> <span style="color: #475569;">[定量工具里程碑]：经典软件 featureCounts 的原始发布论文。作者精确定义了如何利用测序碎片（BAM）与 GTF 文件中第三列定义的“exon”特征和第九列定义的“gene_id”进行重叠计算，构成了目前单细胞及 Bulk RNA-seq 生成表达矩阵的核心方法论。</span><br /> </p><br /> </div><br /> <br /> <div style="margin: 40px auto; width: 90%; border: 1px solid #e2e8f0; border-radius: 8px; overflow: hidden; font-family: 'Helvetica Neue', Arial, sans-serif; font-size: 0.9em;"><br /> <div style="background-color: #eff6ff; color: #1e40af; padding: 8px 15px; font-weight: bold; text-align: center; border-bottom: 1px solid #dbeafe;"><br /> [[GTF格式]] · 知识图谱<br /> </div><br /> <table style="width: 100%; border-collapse: collapse; background-color: #ffffff; text-align: center;"><br /> <tr style="border-bottom: 1px solid #f1f5f9;"><br /> <td style="width: 150px; background-color: #f8fafc; color: #334155; font-weight: 600; padding: 10px 12px; vertical-align: middle;">文件解构核心</td><br /> <td style="padding: 10px 15px; color: #334155;">标准 9 列坐标 • 强制属性：<code>gene_id</code> 与 <code>transcript_id</code></td><br /> </tr><br /> <tr style="border-bottom: 1px solid #f1f5f9;"><br /> <td style="width: 150px; background-color: #f8fafc; color: #334155; font-weight: 600; padding: 10px 12px; vertical-align: middle;">标记目标层级</td><br /> <td style="padding: 10px 15px; color: #334155;"><strong>[[外显子|Exon (外显子)]]</strong> • <strong>[[CDS区|CDS (编码序列)]]</strong> • <strong>[[起止密码子]]</strong></td><br /> </tr><br /> <tr><br /> <td style="width: 150px; background-color: #f8fafc; color: #334155; font-weight: 600; padding: 10px 12px; vertical-align: middle;">下游应用阵列</td><br /> <td style="padding: 10px 15px; color: #334155;"><strong>[[RNA-Seq|RNA-Seq 定量矩阵生成]]</strong> • <strong>[[可变剪接|可变剪接发掘]]</strong> • <strong>[[突变注释|临床变异注释]]</strong></td><br /> </tr><br /> </table><br /> </div><br /> <br /> </div></div>

185.180.13.101