GFF/GTF 标准九列介绍归纳总结

说句实话，刚接触 GFF/GTF 的时候，我也有点懵。九列数据摆在那，每一列都有它自己的规矩。但你要是搞清楚了，就会发现这格式设计得其实很巧妙。下面我就结合实际工作中的踩坑经历，给你聊聊这九列到底是什么、应该怎么写。

九列概览

一个规范的 GFF/GTF 文件，每一行必须有且只有 9 列，用 Tab 分隔。少一列、多一列，或者用了空格、逗号，都会报错。我记得第一次处理一个 2G 的 GFF，就因为第三列混进了空格，解析程序跑了半小时直接崩了。

列号	名称	含义简述	常见错误
1	seqid	序列ID（染色体/ scaffold）	ID 不统一、含空格
2	source	注释来源（软件/数据库）	空白或随意填写
3	type	特征类型（gene/mRNA/exon）	拼写错误、大小写混乱
4	start	起始位置（1-based）	0-based 混用、超出范围
5	end	终止位置	start > end、跨物种乱用
6	score	置信分数	有值但缺小数点
7	strand	链方向（+ / - / .）	混用 1/-1 等非标字符
8	phase	相位（CDS 专用 0/1/2）	非 CDS 也乱填数字
9	attributes	属性键值对	GTF 与 GFF 格式混用

第一列：seqid（序列ID）

说白了，这就是告诉你这段注释在哪个染色体上。我见过有人把这一列填成物种名、菌株编号，甚至直接写「chr1」「1」「NC_000001.11」混着用。你想想看，这样的文件放到 IGV 里展示，序列根本匹配不上。

第二列：source（注释来源）

这一列用来记录注释是怎么来的。比如用 BRAKER2 预测的，就填「BRAKER2」；用 RefSeq 注释的，就填「RefSeq」。我个人的习惯是，自己的项目每次都会写清楚来源版本，比如「maker_v3.01」。不然几个月之后回头看，根本想不起来这批注释是用什么工具跑的。

第三列：type（特征类型）

这一列最常见的问题就是随意发明新类型。GFF 规范推荐使用 SO（Sequence Ontology）术语。比如基因是「gene」、转录本是「mRNA」、外显子是「exon」、CDS 是「CDS」。有些人喜欢写「transcript」「coding_exon」这样的非标准名，写到后面你自己都分不清谁是谁。

第四、五列：start 与 end（位置坐标）

GFF/GTF 的位置是 1-based 封闭区间。什么意思？就是序列的第一个碱基位置是 1，不是 0。如果你从某个工具导出位置时发现偏移，八成是遇到了 0-based 半开区间，比如 BED 格式。

# GFF/GTF 示例：位置在第 100 到 200 个碱基（共 101 bp）
chr1    Ensembl   exon  100  200  .  +  .  gene_id "ENSG0001";

第六列：score（置信分数）

这一列如果没有分数，就填小数点「.」，不能空着或写「NA」「null」。有分数的时候，通常是一个浮点数，不能写成整数 100 不带小数点。嗯，虽然有些工具处理起来不报错，但规范就是规范。

第七列：strand（链方向）

合法值只有三个：+ 表示正链、- 表示负链、. 表示不知道或者不适用。我见过有人填「1」「-1」「fwd」「rev」，这些都会被格式校验工具直接拒绝。

第八列：phase（相位）

这一列专门给 CDS 特征用的。表示 CDS 起始位置相对于密码子第一帧的偏移量。合法值是 0、1、2。如果是非 CDS 特征（比如 exon、gene），就填 .。

第九列：attributes（属性键值对）

这一列是难点，也是最容易出错的。GFF 和 GTF 在这一列的格式不一样，很多人混着用。

# GFF3 格式：键=值，多值用 , 分隔
ID=gene0001;Name=BRCA1;Note=tumor suppressor

# GTF 格式：键 "值"，值必须用双引号，用 ; 结尾
gene_id "ENSG00000139618"; gene_name "BRCA1";

我个人建议：做基因组注释用 GFF3 格式，做转录组定量用 GTF 格式。千万不能写一半 GFF3 一半 GTF，解析工具会直接罢工。

九列结构关系图

归纳记忆表

为了方便你快速记忆，我整理了一个口诀：

1 seqid，2 source，3 type，
4 start，5 end，6 score 填点，
7 strand，8 phase，9 属性绑，
Tab 分隔，缺列用点，GFF/GFF 别搞反了。