1. GFF/GTF 格式基础：别小看这几行文本

大家好，我是老张。干生物信息这行十几年了，我见过最让人头疼的，不是复杂的算法，而是一份格式乱七八糟的 GFF 文件。

你想想看，注释文件一错，下游所有分析都跟着歪。所以我总跟团队说：质控的第一步，是看懂你的注释文件到底在写什么。

1.1 为什么我们这么重视 GFF/GTF？

GFF（General Feature Format）和 GTF（Gene Transfer Format），说白了就是基因组的「说明书」。它们用简单的表格文本，告诉计算机：

• 某个基因在染色体的哪个位置
• 它由哪些外显子组成
• 它编码什么产物

我在项目中遇到过一份 GFF，注释信息全是对的，就因为在第 9 列少了个分号，结果整个基因的 CDS 区域死活调不出来。最后查了三天，才发现是格式问题。

1.2 GFF 和 GTF 到底有什么区别？

很多人搞不清这两兄弟，其实记住一句话就行：GTF 是 GFF 的「亲儿子」，GFF3 是现在的主流版本。我做了个对比表格，看着更清楚：

特性	GFF3	GTF 2.2	说明
版本	推荐使用	经典格式	GFF3 更灵活，GTF 更严格
第 3 列（类型）	自由定义标签	固定使用 CDS/start_codon/stop_codon 等	GTF 的 CDS 和 exon 不能乱写
第 9 列（属性）	分号分隔的键值对	分号分隔的键值对 + 引号	这是最容易出错的地方
父子关系	用 Parent= 显式声明	用 gene_id/transcript_id 隐式关联	GFF3 的关系更清晰
兼容性	大部分工具支持	ENSEMBL 等数据库偏爱 GTF	看下游工具的要求选格式

1.3 9 个字段，一个都不能少

GFF/GTF 是严格的 9 列结构，缺一不可。我常用的命令是 grep -v '^#' | head 来快速预览：

## 查看注释文件的前5行，跳过注释行
grep -v "^#" annotation.gff | head -5

每列的含义，我按顺序捋一遍：

1. seqid：染色体或 scaffold 的名称。记得要和参考基因组的 FASTA 头部严格一致——大小写、连字符都不能错。
2. source：注释的来源。可以是 Ensembl、NCBI、Augustus 等。这个字段有时候会被忽略，但我建议保留，方便溯源。
3. type：特征类型。常见的有 gene、transcript、exon、CDS。GTF 里要求使用标准术语。
4. start / end：特征在染色体上的起止位置。注意：GFF 是 1-based 坐标，和很多 BED 文件的 0-based 不一样。
5. score：置信度评分。通常用“.”表示缺失。
6. strand：链的方向。+ 表示正链，- 表示负链，? 表示不确定。
7. phase：阅读框偏移。只用于 CDS，表示该特征起始点在密码子中的位置（0、1 或 2）。
8. attributes：第 9 列，也是最复杂的一列。包含一组以分号分隔的键值对。

1.4 常见变异和坑

格式讲完了，我再说几个实际项目中容易踩的坑。

• 注释来源不统一：同一个染色体，前半段用 Ensembl 注释，后半段用 NCBI 注释。不是不能混合，但我强烈不建议——不同来源的 ID 命名规则不同，很容易造成重复或遗漏。
• 版本号在哪里？：GFF 文件头部经常有注释行，用“##”开头。里面会注明格式版本和日期。我每次拿到新文件，都会先看一下头部有没有版本声明。
• 属性键的顺序有无规定？：没有硬性规定，但习惯上把主要的 ID（gene_id、transcript_id）放在前面。有些工具解析时对顺序有默认假设，比如 Cufflinks 要求 transcript_id 在前。
• 引号问题：GTF 的属性值必须用双引号括起来，而 GFF3 不需要。这一点特别容易混淆。

下面这个例子，展示了一个标准的 GTF 记录和两个常见的错误：

## 正确示例
1	ENSEMBL	gene	1000	5000	.	+	.	gene_id "ENSG000001"; gene_name "TP53";

## 错误1：缺少引号（GTF 中）
1	ENSEMBL	gene	1000	5000	.	+	.	gene_id ENSG000001;

## 错误2：属性键写错（GTF 中）
1	ENSEMBL	gene	1000	5000	.	+	.	GeneID "ENSG000001";

说到这儿，我想让你对 GFF/GTF 的格式有个整体印象。下面的 SVG 图总结了 GFF/GTF 的解析与质控流程，从原始数据到最终校验，每个环节都不能少。

嗯，这些内容是后面所有质控案例的基础。你先把格式记熟了，后面咱们才能谈怎么抓错误。