2. GFF/GTF 文件结构解析：第 1-9 列详解
说实话，我第一次拿到 GFF 文件的时候，看着那堆用 Tab 分隔的字符串，头都是大的。后来做基因注释项目，天天跟这些列打交道，慢慢就摸透了。这第 2 章，我就把 9 列结构掰开揉碎讲给你听，顺便聊聊属性列里那些容易踩的坑。
2.1 九列，一个都不能少
GFF/GTF 文件是严格的 9 列格式，列之间用 制表符 分隔。我用表格对一下每列的意思，方便你对照。
| 列号 | 列名 | 内容说明 | 常见错误 |
|---|---|---|---|
| 1 | seqid | 序列 ID（染色体、scaffold 名） | 包含空格或特殊字符（如 "chr1" 写成 "chr 1"） |
| 2 | source | 注释来源（软件名、数据库名） | 空值直接用点（.）代替 |
| 3 | type | 特征类型（gene, mRNA, exon…） | 大小写不一致（"exon" vs "Exon"） |
| 4 | start | 起始坐标（1-indexed） | 坐标方向写反，或 start > end |
| 5 | end | 终止坐标 | 坐标超出参考序列长度 |
| 6 | score | 可信度分数（可用点.代替） | 非数值字母混入 |
| 7 | strand | 链方向：+ 正链，- 负链，. 未知 | 写成 0/1 而非 +/- |
| 8 | phase | CDS 相位（0,1,2，仅用于 CDS） | 非 CDS 行也填了数字，或 CDS 行漏填 |
| 9 | attributes | 属性键值对（分号分隔） | 引号漏加、分号多余、键名拼错 |
每列都要求是原子值——你不能在一列里塞两个东西。比如第 1 列如果写成 chr1;chr2，下游工具直接罢工。
gffread 解析时报错，花了半天才找到原因。记住：一列只放一个值，没有就用点 . 占位。
2.2 属性列（第9列）—— 最复杂的部分
属性列是整个文件的灵魂，也是最容易出问题的地方。GTF 和 GFF3 对属性列的写法要求不太一样，我单独拎出来讲。
GTF 属性格式
GTF 的属性列格式是：
gene_id "ENSG000001"; transcript_id "ENST000004";要求：键后跟空格，值必须用双引号包起来，多个键值对用分号空格 ; 分隔，最后一个键值对后面也得分号。
硬性规定：
- gene_id 和 transcript_id 必须存在（GTF 规范强制要求）
- 值中不能有双引号内未转义的特殊字符
- 键名尽量用小写，但不会区分大小写
GFF3 属性格式
GFF3 的属性列格式是：
ID=gene001;Name=BRCA2;Parent=scaffold1要求：键=值（没有空格），值不需要引号（除非值本身包含特殊字符），用 ; 分隔。禁止使用空格，如果值中有空格必须用 %20 编码。
关键差异：
| 维度 | GTF | GFF3 |
|---|---|---|
| 键值分隔符 | 空格，值加引号 | 等号，值不加引号 |
| 键值对分隔 | 分号+空格 | 分号 |
| 值中空格 | 可直接写（在引号内） | 必须用 %20 编码 |
| 保留键名 | gene_id, transcript_id 必填 | ID, Name, Parent 保留但非强制 |
我个人习惯是：GTF 文件保持双引号统一，GFF3 文件保证等号两边绝对不要加空格。 很多工具对这一点非常敏感，多一个空格就报错。
gtf2gff3 或 gff3check（这都是 genometools 里的命令），它会明确告诉你哪里有格式问题。
2.3 引号与转义—— 不起眼但致命的细节
为什么引号容易出事？因为有些工具有自己的解析逻辑。我举几个真实场景。
双引号 vs 单引号
GTF 规范只认 双引号。单引号会被当成普通字符，导致属性值被截断。下面的写法就有问题：
gene_id 'ENSG000001'; transcript_id 'ENST000004'; # 错误！应该用双引号值内包含引号
假如基因名就叫 gene"X"（虽然有违常识，但难免遇到），GTF 里你需要用 " 实体编码：
gene_id "gene"X""; transcript_id "tx001";GFF3 里则要用 %22：
ID=gene%22X%22;Name=gene-X分号在值里
有些注释系统会把分号放在描述字段中，比如 Note=mutation; important。在 GFF3 里，分号是属性分隔符，所以必须用 %3B 编码：
ID=mutation;Note=mutation%3Bimportant我曾经遇到一个难题： 一个公共 GTF 文件中，某个 transcript 的 transcript_id 值里居然包含换行符。在 Linux 下用 wc -l 数行数，结果比实际多出几千行。后来我用 sed 把换行符替换成空格，才恢复正常。所以检查属性列时，别忘了用 od -c 看看有没有不可见字符。
2.4 完整结构示意图
下面这张 SVG 图把 9 列的层次关系和属性列的内部结构串起来，你可以用它对照着理解。
记住这个口诀： 九列逐行，Tab 分家；源类坐起，分数链相；属性最杂，键值对加。写之前先想清楚你用的是什么格式（GTF 还是 GFF3），再选引号和分隔符。
2.5 属性质检快速清单
每次修复文件之前，我都会用下面几个条件检查一遍属性列，能省掉 90% 的调试时间。
- 是否包含必须键？ GTF：gene_id 和 transcript_id 一个不能少；GFF3：特征类型对应 ID/Parent 不能乱填。
- 引号是否匹配？ GTF 双引号必须是成对闭合的。
- 分号位置： 每个键值对之后都有分号（包括最后一个）。
- 空格陷阱： GFF3 的等号两侧不要有空格，GTF 的引号内可以有空格但外部不能有多余空格。
- 特殊字符： 值中有分号、换行符、= 符号的必须按规范编码。
我个人习惯在检查时跑一行 awk -F'\t' '{print $9}' your.gtf | head -5，先看看属性列的原始样子。如果看到等号没加引号，或者分号后面没有空格，基本就能定位到问题。
行了，第 2 章就是这些内容。结构清楚了，下面就该动手修文件了。别急，后面几章我会带你一步一步处理真实错误场景。