1. GFF/GTF 格式概述与区别归纳总结

做基因组分析的朋友，一定绕不开 GFF 和 GTF。这两个格式就像一对双胞胎，长得像，但性格不同。我刚入行那会儿，就因为这俩格式混用，把一个流程跑出了莫名其妙的错误，排查了整整一天。嗯，从那天起我就养成了一个习惯——拿到注释文件先看一眼是 GFF 还是 GTF。

说白了，GFF 是通用特征格式（General Feature Format），GTF 是基因转移格式（Gene Transfer Format）。它们都用来描述基因组上的注释信息——基因在哪个位置、有多少个外显子、UTR 边界在哪等等。但设计思路和语法细节上，差别不小。你想想看，如果拿 GTF 的解析器去读 GFF3 文件，大概率会在第 9 列报错。这不是工具不好，是格式没对齐。

1.1 格式起源与版本演变

GFF 最早由 Sanger 研究所推动，目的是为基因组注释提供一个统一的表格形式。我记得最早接触的是 GFF2，那时候还在用 Perl 脚本手工解析。后来社区发现 GFF2 在表示复杂基因结构时不够灵活，于是在 2005 年左右推出了 GFF3，这也是目前最主流的版本。

GTF 呢，本质上是从 GFF2 衍生出来的。UCSC 和 Ensembl 这两个基因组浏览器团队，为了更精确地描述基因和转录本关系，在 GFF2 基础上做了一些调整，形成了 GTF。所以你会发现，GTF 的很多规则跟 GFF2 很像，但跟 GFF3 反而不太兼容。

下面是几个常见版本的对照：

格式名称	全称	当前状态	主要维护方
GFF1	General Feature Format 1	已淘汰	Sanger
GFF2	General Feature Format 2	少量使用	Sanger
GFF3	General Feature Format 3	推荐使用	GMOD / NCBI
GTF1	Gene Transfer Format 1	已淘汰	UCSC
GTF2	Gene Transfer Format 2	广泛使用	Ensembl / UCSC

1.2 九列核心结构——万变不离其宗

不管 GFF 还是 GTF，核心都是 9 列，用 Tab 分隔。每一行代表一个注释特征。我习惯把这 9 列分成三组：定位信息（1-5列）、打分与方向（6-8列）、属性描述（第9列）。下面这张表你最好收藏一下，排查格式错误时经常要用到。

列号	字段名	GFF3 规则	GTF2 规则
1	seqid	染色体/ scaffold ID	同 GFF3
2	source	注释来源（如 Braker3）	同 GFF3
3	type	特征类型（如 gene， mRNA， exon）	同 GFF3，但必须用受控词汇
4	start	起始坐标（1-based）	同 GFF3，也是 1-based
5	end	终止坐标（包含）	同 GFF3
6	score	置信度或 E-value	同 GFF3，可用 . 填充
7	strand	+ / - / .	同 GFF3
8	phase / frame	CDS 相位（0， 1， 2）	读框（0， 1， 2），含义相同
9	attributes / group	Tag=Value 格式，分号分隔	key "value" 格式，引号包裹

1.3 第 9 列——核心差异所在

前 8 列两家基本一致，真正的分歧在第 9 列。这也是我排查格式错误时第一个检查的位置。来看两个实际例子：

GFF3 的第 9 列风格：

ID=transcript_001;Parent=gene_001;Name=TP53-201;biotype=protein_coding

GTF2 的第 9 列风格：

gene_id "ENSG000001"; transcript_id "ENST000002"; gene_name "TP53"; transcript_name "TP53-201"

看出来了吗？GFF3 用 key=value，等号两边没有空格，多个标签用分号隔开。GTF 用 key "value"，值和关键词之间用空格，值必须用双引号包裹。就这个小小的引号差异，每年不知道让多少管道崩溃。

还有一个容易忽略的点：GFF3 要求 ID 和 Parent 标签来构建层级关系，而 GTF 用 gene_id 和 transcript_id 来表达归属。这意味着，GFF3 可以轻松表示 mRNA ↔ 外显子 ↔ CDS 的多级嵌套，GTF 则更扁平，适合基因→转录本→外显子这种两层结构。

1.4 格式选择——没有银弹

到底该用 GFF 还是 GTF？说实话，得看你的下游工具链。我个人遵循三条原则：

• 看浏览器：去 UCSC 提交数据，优先用 GTF；去 JBrowse 或 IGV，GFF3 表现更好。
• 看流程：如果管道里有 gffread、agat 这类工具，它们对 GFF3 支持更完整。如果用的是 cufflinks、stringtie，那 GTFs 是标准输入。
• 看复杂度：需要表示可变剪接、融合基因、假基因这些复杂结构时，GFF3 的层级模型更灵活。

1.5 知识体系一览

下面这张图把这章的核心逻辑串起来了。你可以把它当作一个快速索引，遇到格式问题先在这张图上定位一下。

看着这张图，其实就一句话：前 8 列两者高度一致，第 9 列是分水岭。你只要抓住第 9 列的语法差异，就能快速判断手里的文件是 GFF 还是 GTF，也能解释为什么同一个解析器换了文件就罢工。