fastq、fasta、bed、gtf、gff、sam、bam⽣信分析常见⽂件格
式查看
⽣信分析过程中的⽂件格式：
除了原始测序数据fastq、fasta之外，还有基因组⽂件fasta格式，基因注释⽂件gtf格式。
在分析的过程中还会有众多中间⽂件的⽣成，如bed、bed12、sam、bam、wig、bigwig、bedgraph等。
1.测序数据FASTQ⽂件
1）⽂件⽤途：
测序返回的⼀般数据格式。通常是压缩⽂件的格式。
2）格式说明：
fastq⽂件每4⾏代表⼀条序列
第⼀⾏：记录序列测序时所⽤仪器以及在测序通道中坐标信息，以@开头；
第⼆⾏：测序的序列信息，以ATCGN表⽰，由于荧光信号⼲扰⽆法判断是什么碱基时就⽤N表⽰；
第三⾏：通常⼀个+;
第四⾏：与第⼆⾏碱基信息⼀ ⼀对应，存储测序碱基的质量值（ASCII字符显⽰）。
3）查看⽅式：
zcat查看gzip压缩的⽂件
head -n 8 显⽰前8⾏⽂件内容（前8⾏代表2条序列）
zcat | head -n 8
@SRR1039521.13952745/1
TTCCTTCCTCCTCTCCCTCCCTCCCTCCTTTCTTTCTTCCTGTGGTTTTTTCCTCTCTTCTTC
+
HIJIIJHGHHIJIIIJJJJJJJJJJJJJJJJJJJJJIIJJFIDHIBGHJIHHHHHHFFFFFFE
计算read数
wc -l: 计算⾏数
bc -l: 计算器 (-l：浮点运算)
echo "zcat N0378901_ | wc-l / (4*1000000)" | bc -l #为什么除以4，⼜除以1000000，先计算⾏数再计算的是million值
zcat trt_N0378901_ | awk'{if(FNR%4==0) ba+=length}END{print ba/10^9,"G";}' # 测序碱基数计算2.基因组FASTA⽂件
2.1 基因组FASTA⽂件
2.1）⽂件⽤途
这类fasta⽂件⽤于基因组或者基因的DNA或者蛋⽩的序列信息存储。
2.2）⽂件格式
以 > 符号开头，记录了该序列类型和所在基因组位置信息，也称“序列名字⾏”；
“序列⾏”：⼀⾏或者多⾏，为序列信息，soft-masked基因组会把所有重复区和低复杂区的序列⽤⼩写字母标出基因组，⼩写字母n标⽰未知碱基。
“不成⽂”的⼩规范：
1）第⼀部分是序列名字，与>相连。
2）第⼆部分⽤空格与序列名字相隔，表⽰注释信息，可以没有。
列如：>gene_00284728 length=231;type=dna
>1 dna_sm:chromosomechromosome:GRCh38:1:1:248956422:1 REF
nnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnn
nnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnn
.....
ttgggctggggcctggccatgtgtatttttttaaatttccactgatgattttgctgcatg
gccggtgttgagaatgactgCGCAAATTTGCCGGATTTCCTTTGCTGTTCCTGCATGTA
TTTAAACGAGATTGCCAGCACCGGGTATCATTCACCATTTTTCTTTTCGTTAACTTGCCG
.....
nnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnn
通常要求序列名字⾏简单为好，⽽且⼀般加chr作为开头
给第⼀⾏添加chr标签，并去掉其他多余信息
下⾯的写法复杂了些，是为了避免给已经有chr信息的名字再加⼀次，帮助⽆脑操作
d 's/^> \ ([^chr])/ > chr\1/' Homo_sapiens.GRCh38.dna.primary_asmbly.fa |cut -f 1 -d ' ' > GRCh38.fa
2.2 测序FASTA⽂件
2.1）⽂件⽤途
这类fasta⽂件产⽣于测序的reads的fasta格式，⼀般为测序的fastq⽤软件转换⽽来。
2.2）⽂件格式
以 > 符号开头，记录了reads序列号，样本信息等；第⼆⾏为测得的reads的碱基信息。
>HWI-ST531R 144:D11RDACXX:4:1101:1212:1946 1:N:0:ATTCCT
ATNATGACTCAAGCGCTTCCTCAGTTTAATGAAGCTAACTTCAATGCTGAGATCGTTGACGACATCGAATGGG 3. 基因组注释⽂件gff和gtf
gff全称General featureformat，主要是⽤来注释基因组。
gtf全称Gene transfer format，主要是⽤来对基因进⾏注释。tremme
两者均是⼀个9列的基因信息注释⽂件，前8列的信息⼏乎⼀样，区别在于第9列。
gff⽂件格式：
GFF⽂件是以tab键分割的9列组成，以下为每⼀列的对应信息：
1）q_id：序列的编号，⼀般为chr或者scanfold编号；
2）source: 注释的来源，⼀般为数据库或者注释的机构，如果未知，则⽤点“.”代替。
3）type: 注释信息的类型，⽐如Gene、cDNA、mRNA、CDS等;
4）start: 该基因或转录本在参考序列上的起始位置；(从1开始，包含);
5）end: 该基因或转录本在参考序列上的终⽌位置；(从1开始，包含);
6）score: 得分，数字，是注释信息可能性的说明，可以是序列相似性⽐对时的E-values值或者基因预测是的P-values值，.表⽰为空;
mote7）strand: 该基因或转录本位于参考序列的正链(+)或负链(-)上;
8）pha: 仅对注释类型为“CDS”有效，表⽰起始编码的位置，有效值为0、12 。(对于编码蛋⽩质的CDS来说，本列指定下⼀个密码⼦开始的位置。每3个核苷酸翻译⼀个氨基酸，从0开始，CDS的起始位置，除以3，余数就是这个值，，表⽰到达下⼀个密码⼦需要跳过的碱基个数。该编码区第⼀个密码⼦的位置，取值0,1,2。0表⽰该编码框的第⼀个密码⼦第⼀个碱基位于其5’末端；1表⽰该编码框的第⼀个密码⼦的第⼀个碱基位于该编码区外；2表⽰该编码框的第⼀个密码⼦的第⼀、⼆个碱基位于该编码区外；如果Feature为CDS时，必须指明具体值。)；
9）attributes: ⼀个包含众多属性的列表，格式为“标签＝值”(tag=value)，以多个键值对组成的注释信息描述，键与值之间⽤“=”，不同的键值⽤“；”隔开，⼀个键可以有多个值，不同值⽤“,”分割。注意如果描述中包括tab键以及“，= ；”，要⽤URL转义规则进⾏转义，如tab 键⽤ （空格）代替。键是区分⼤⼩写的，以⼤写字母开头的键是预先定义好的，在后⾯可能被其他注释信息所调⽤。
预先定义的键主要包括：
ID：注释信息的编号，在⼀个GFF⽂件中必须唯⼀；
name：注释信息的名称，可以重复；Alias：别名；Parent > >
Indicates：该注释所属的注释，值为注释信息的编号，⽐如外显⼦所属的转录组编号，转录组所属的基因的编号。
Parent指明feature所从属的上⼀级ID，⽤于将exons聚集成transcript，将transripts聚集成gene，值可以为多个；
Target 指明⽐对的⽬标区域，⼀般⽤于表明序列的⽐对结果。格式为 “target_idstart end [strand] ，其中strand是可选的(“+”或”-”),target_id中如果包含空格，则要转换成’ ‘。
Gap：T⽐对结果的gap信息，和Target⼀起，⽤于表明序列的⽐对结果。Derives_from：Note：备注;Dbxref：数据库索引。
gtf⽂件格式：
GTF格式⼤部分与GFF相同，但有两个硬性标准：
新思维培训学校
1. feature types是必须注明的;
abyss
新视野大学英语第二版第二册答案2. 第9列必须以gene_id以及transcript_id开头。⽽且GTF⽂件的第9列同GFF⽂件不同，虽然同样是标签与值配对的情况，但标签与值之间以空
格分开，且每个特征之后都要有分号;(包括最后⼀个特征);
gene_id “geneA”;transcript_id “geneA.1”;databa_id “0012”;modified_by “Damian”;duplicates 0;verna
gtf⽂件可通过下⾯的命令对⽂件进⾏加⼯查看：
gunzip Homo_sapiens.f.gz -c |grep -v '^#' | d '/ ^ [^ chr ] / s/^/chr/' |less # grep 匹配查询 -v 输出不匹配的⾏
gff⽂件与gtf⽂件相互转换：
使⽤Cufflinks⾥⾯的⼯具gffread
gff2gtf
gffread my.gff3 -T -f
gtf2gff
f -o- > merged.gff3
GTF ⽂件中提取转录本序列(.fa)：
Cufflink中的gffread
f –g genome.fa –w transcripts.output.fa # 获取转录本序列
f –g genome.fa -x cds.output.fa # 获取CDS序列
f –g genome.fa -y protein.output.fa # 获取蛋⽩序列
日语能力等级考试Tophat中的gtf_to_fasta
gtf_to_f genome.fa out_file
从GTF中提取转录本信息
利⽤AWK命令:
d 's/"/\t/g' f | awk -F '[\t|;]' '{ OFS="\t" } $3 == "transcript" {print $1,$4,$5,$10,0,$7} ' |d 's/ transcript_id "//g'|d 's/"//g'|less -S &
4. bed⽂件die casting
bed⽂件⼀般代表区域信息，如表⽰peak位置的bed⽂件，表⽰基因注释的bed12⽂件。
表⽰基因注释时，gtf/gff和bed⽂件的区别
1）gtf/gff⽂件⼀⾏表⽰⼀个exon/CDS等⼦区域，多⾏联合表⽰⼀个gene；bed⽂件⼀⾏表⽰⼀个gene；
2）gtf⽂件中碱基位置定位⽅式是1-bad（即起始的碱基记为1），⽽bed中碱基定位⽅式是0-bad（即起始的碱基记为0）。
bed⽂件每⼀⾏对应信息
必须包含的3列信息：
1）chrom：染⾊体名字 (e.g.chr3, chrY, chr2_random或者scaffold10671)。
2）chromStart：基因在染⾊体或scaffold上的起始位置（0-bad）。
万圣节电影3）chromEnd：基因在染⾊体或scaffold上的终⽌位置 （前闭后开）。
可选的9列信息：
4）name：bed⽂件的⾏名。
5）score：本条基因在注释数据集⽂件中的评分（0-1000），在Genome Browr中会根据不同区段的评分显⽰对应的阴影强度（评分越⾼灰度越⾼）。
6）strand：链的⽅向+、-或. (.表⽰不确定链的⽅向)
7）thickStart：CDS区（编码区）的起始位置，即起始密码⼦的位置。
8）thickEnd：The endingposition at which the feature is drawn thickly (for example the stop codon ingene displays).
phonetic9）itemRgb：RGB颜⾊值（如：255,0,0），⽅便在GenomeBrowr中查看。
10）blockCount：bed⾏中外显⼦的数⽬。
11）blockSizes：逗号分割的列，数⽬与blockCount值对应，每个数表⽰对应外显⼦的碱基数。
12）blockStarts：逗号分割的列，数⽬与blockCount值对应，每个数表⽰对应外显⼦的起始位置（数值是相对ChromStart计算的）。5. sam和bam⽂件
