3. 常见错误类型总览与分类归纳

GFF 和 GTF 文件的错误，说白了就那几大类。我早期做基因组注释时，经常被各种报错搞得焦头烂额。后来接触的项目多了，发现大部分错误其实都逃不出这几类。咱们先把它们捋清楚，后面才好一个个地修。

3.1 按错误性质分四大类

我把遇到过的错误归纳成四类：结构错误、语义错误、坐标错误、属性错误。下面这张图能帮你快速建立整体印象。

3.2 结构错误——最基础也最容易犯

结构错误指的是文件格式本身不满足规范。我一开始手写 GTF 时，经常漏掉制表符或者多打个空格。你想想看，GFF/GTF 是严格的制表符分隔文件，每行必须有 9 列，一个都不能少。

常见表现：

• 列数不对：某行只有 8 列或 10 列。原因往往是漏了第 9 列的属性，或者属性里含有制表符被误认为分隔符。
• 分隔符错误：用了空格、逗号或者混合制表符。我见过用 Excel 导出的 GFF，制表符被替换成空格，解析直接崩掉。
• 字段顺序错乱：比如 seqid 和 source 写反了。GFF 的前 8 列顺序是固定的，不能乱。
• 空行或注释行：某些工具会把空行当有效行处理，导致解析中断。

seqid    source    type    start    end    score    strand    phase    attributes

3.3 语义错误——工具认不出来的标签

结构对了，但内容不符合规范。我记得有一次用 GFF 跑 cufflinks，老是报“unknown feature type”。查了半天，原来是我把“CDS”写成了“Cds”——大小写敏感。

典型场景：

• feature type 不在标准列表内：比如你写成“exon”而不是“exon”，或者用了自定义名称如“my_gene”，但下游工具只认“gene”。
• strand 值错误：只允许“+”或“-”，偶尔允许“.”（表示未知）。填成“+”加号后面多个空格就直接报错。
• phase 值超出范围：只能填 0、1、2 或“.”。我见过有人填了“-1”，解析器直接终止。

3.4 坐标错误——注释位置不合理

坐标错误是最隐蔽的一类，因为程序不一定报错，但结果完全错位。我遇到过一个案例，注释说某个外显子从 1000 到 500，显然是 start 大于 end，但因为是 GFF 第三、四列，有些工具不会主动检查。

常见情形：

1. start > end：正链上应该 start ≤ end。负链也一样，坐标顺序永远是 start（较小编号）在前。
2. 坐标超出染色体长度：比如染色体 chr1 只有 2M，你写了个 5M 的位置。最好用序列文件（fasta）的 .fai 索引对照一下。
3. 跨染色体错误：同一个基因的 exon 居然分布在 chr1 和 chr2 上？一般是组装时搞混了。
4. 负坐标或零坐标：GFF 坐标必须是正整数，不能是 0 或负数。

3.5 属性错误——第九列的坑最多

属性列是自由格式，但也有很多规则。尤其是 GTF 和 GFF3 对属性列的语法要求不一样，混用就会出问题。

常见问题：

3.6 分类之间的重叠与联动

其实很多错误是交织的。比如你少写了一个制表符（结构错误），导致后面几列串位，进而出现 start 大于 end（坐标错误），同时还丢失了属性中的 gene_id（属性错误）。所以修错时最好从结构层面开始排查——结构对了，再检查语义，最后做坐标和属性验证。

3.7 分类总览表——快速定位错误类型

这张表把常见错误和它们所属的类别、严重程度以及修复重点列在一起，方便你对照排查。

3.8 记住一条原则

不管什么错误，先确认第 9 列（属性列）的完整性。因为它最自由，最容易被误改。我个人的习惯是：写任何 GFF/GTF 处理脚本后，第一件事就是用格式校验工具跑一遍结构检查，再跑一遍属性检查。剩下的坐标和语义问题，通常靠写几个 awk 或者正则就搞定了。