以人類參考hg38為例，介紹基因組及注釋文件格式
一、hg38在三大基因組數(shù)據(jù)庫中的主頁
1. UCSC
進入UCSC官網(wǎng)下載頁面》拉到Dec. 2013 (GRCh38/hg38)頁面》選擇Full data set》點擊下載hg38.fa.gz
http://hgdownload.soe.ucsc.edu/goldenPath/hg38/bigZips/hg38.fa.gz
同時，也可以通過hg38基因組瀏覽器頁面進行可視化查看，組裝，注釋情況。
2. NCBI
進入NCBI的hg38基因組瀏覽器頁面，
最新版本為：
Homo sapiens (human)
Reference genome: Homo sapiens (assembly GRCh38.p11) # 版本號
Release date: June 14, 2017 # 版本更新時間
支持基因組參考序列、注釋文件下載
Download sequences in FASTA format for genome, transcript, protein
Download genome annotation in GFF, GenBank or tabular format
3. Ensembl
Homo sapiens (GRCh38.p11) # 最新版本
基因組序列下載FTP下載頁面
http://asia.ensembl.org/info/data/ftp/index.html
同時，可以下載GTF GFF3注釋文件。
二、基因組hg38的格式介紹
hg38參考基因組,以FASTA的數(shù)據(jù)形式保存。
以NCBI的Y染色體基因組為例，FASTA序列頁面
Homo sapiens chromosome Y, GRCh38.p7 Primary Assembly
基因組染色體Y，參考組版本號
NCBI Reference Sequence: NC_000024.10
該fasta的NCBI檢索號
GenBank檢索號 染色體 參考基因組版本
NC_000024.10 Homo sapiens chromosome Y, GRCh38.p7 Primary Assembly
序列N
NNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNN
NNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNN
...
...
NNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNCTAACCCTAA
CCCTAACCCTAACCCTAACCCTAACCCTCTGAAAGTGGACCTATCAGCAGGATGTGGGTGGGAGCAGATT
每行按71個堿基進行格式化排版，共57227415 bp。
序列組成：
1）連續(xù)的N值代表；任意堿基，未知堿基
2）ATCG四種堿基，一般統(tǒng)一格式化為大寫。
如堿基字母大寫代表是CDS（編碼序列）
如堿基字母小寫代表是內(nèi)含子/UTR(非翻譯區(qū))
2）masked genome 代表被遮罩基因組
重復(fù)區(qū)域能用小寫字母或者“N”/“X”來表示。
當(dāng)RNA測序應(yīng)用時，通過使用masked基因組，可以加速比對的過程。
當(dāng)DNA測序應(yīng)用時，如對重復(fù)序列感興趣，可以使用非masked基因組。
三、基因注釋文件展示的信息（gff3和gtf格式介紹）（各種features）表示的含義
GTF全稱為gene transfer format，主要是用來對基因進行注釋。
GFF全稱為general feature format，這種格式主要是用來注釋基因組。
現(xiàn)Ensembl已將hg38的注釋文件升級到GFF3，其主要功能為基因位點注釋。
GMOD官網(wǎng)對GFF、GFF2、GFFF進行詳細的說明：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鍵分割的9列組成，以下為每一列的對應(yīng)信息：
- seq_id：序列的編號，一般為chr或者scanfold編號；
- source: 注釋的來源，一般為數(shù)據(jù)庫或者注釋的機構(gòu)，如果未知，則用點“.”代替；
- type: 注釋信息的類型，比如Gene、cDNA、mRNA、CDS等
- start:該基因或轉(zhuǎn)錄本在參考序列上的起始位置；
- end: 該基因或轉(zhuǎn)錄本在參考序列上的終止位置；
- score: 得分，數(shù)字，是注釋信息可能性的說明，可以是序列相似性比對時的E-values值或者基因預(yù)測是的P-values值，“.”表示為空；
- strand: 該基因或轉(zhuǎn)錄本位于參考序列的正鏈(+)或負鏈(-)上;
- phase: 僅對注釋類型為“CDS”有效，表示起始編碼的位置，有效值為0、1、2(對于編碼蛋白質(zhì)的CDS來說，本列指定下一個密碼子開始的位置。每3個核苷酸翻譯一個氨基酸，從0開始，CDS的起始位置，除以3，余數(shù)就是這個值，，表示到達下一個密碼子需要跳過的堿基個數(shù)。該編碼區(qū)第一個密碼子的位置，取值0,1,2。0表示該編碼框的第一個密碼子第一個堿基位于其5'末端；1表示該編碼框的第一個密碼子的第一個堿基位于該編碼區(qū)外；2表示該編碼框的第一個密碼子的第一、二個堿基位于該編碼區(qū)外；如果Feature為CDS時，必須指明具體值。)；
- attributes:一個包含眾多屬性的列表，格式為“標(biāo)簽＝值”（tag=value），標(biāo)簽與值之間以空格分開，且每個特征之后都要有分號；（包括最后一個特征），其內(nèi)容必須包括gene_id和transcript_id。以多個鍵值對組成的注釋信息描述，鍵與值之間用“=”，不同的鍵值用“；
