转录组分析（七）：数据准备——参考基因组、基因注释、gtf格式转换（gffread）

三、下载参考基因组

常用参考基因组数据库：

• Ensembl（人、动物）：https://ftp.ensembl.org/pub/
• EnsemblGenomes（植物、细菌、真菌、其他）：https://ftp.ensemblgenomes.org/pub/
• NCBI：https://ftp.ncbi.nih.gov/genomes/
• UCSC：ftp://hgdownload.cse.ucsc.edu/

Ensembl的使用

（1）选择最新的release

（2）fasta/

（3）选择物种

（4）选择数据

1. 基因组下载

人的基因组序列

• 未知所属染色体的基因：Homo_sapiens.GRCh38.dna.nonchromosomal.fa.gz
• 全基因组的两个版本：primary_assembly​（多数分析使用）、toplevel
  
• 替换重复序列（一般不用，用完整的）。
  rm（Repeat-Masked）（重复序列屏蔽）：重复序列小写、非重复序列大写
  
  sm（Separate Molecules）（独立分子）：从主序列中分离出来的特定序列集合。需要专门研究替代单倍型，或者您只需要某一条特定染色体的序列时，才需要下载这些文件。
  

2. 基因注释下载

gff→gff2→gff3格式：人读友好，机器不方便

gtf格式：推荐

• 预测，未实验验证：abinitio
• 染色体基因：chr（一般下载这个）
• 未在染色体基因：chr_patch_hapl

gff格式

第一行：基因

1. 序列ID：染色体编号/contig编号
2. 注释来源（预测程序/数据库）：maker
3. 序列类型：gene
4. 起始位置：2652107
5. 结束位置：2657465
6. 得分：没有得分用“.”表示
7. 链：-（负链）、+（正链）、.（链不确定或无关）
8. 相位：仅对CDS特征有效，表示起始密码子的相位，可以是0、1、2。0表示该特征起始于密码子的第一个碱基，1表示第二个碱基，2表示第三个碱基。对于非CDS特征，用"."表示。
9. 属性：以键值对的形式提供特征的额外信息，键值对之间用分号分隔。基因编号：HF00001
   ID：特征的唯一标识符。
   Name：特征的可读名称，不一定唯一。
   Parent：表示父特征的ID，用于建立特征之间的层次关系。例如，一个exon的Parent可能是其所在的mRNA。
   其他自定义键，如Note、Dbxref等。

第二行：mRNA可变剪接

• mRNA编号：HF00001-RA

3. gff3转换为gtf

gffread -T HFTH1.gene.gff3 -o applegene.gtf
//gffread安装到官网下载，解压，添加环境变量
//不支持.gz格式，要解压成.gff3

gtf格式：无gene行，无parent信息，直接指明转录本所属mRNA、基因ID