GFF3 格式简介：起源、用途、基本结构
说到基因组注释数据交换，GFF3 几乎是绕不过去的标准。我入行那会儿，拿到的第一个注释文件就是 GFF 格式，当时看到一堆制表符分隔的列，差点以为是 Excel 导错了格式。后来才知道，这东西背后有一套严谨的设计哲学。今天咱们就从根源说起，把它彻底聊透。
1.1 起源：为什么要搞出 GFF3？
GFF 全称 General Feature Format，最早是 Sanger 研究所为 GMOD（Generic Model Organism Database）项目设计的。初衷很简单：用纯文本描述基因组上的各种特征——基因、转录本、外显子、重复区等等。
早期版本有个明显痛点：特征之间的关系表达不清。比如一个基因包含多个转录本，转录本又包含外显子和 CDS，旧格式只靠列字段硬堆，解析起来特别容易出错。我在项目中就遇到过用 GFF2 描述可变剪接时，不同转录本的外显子坐标乱成一锅粥的情况。
所以到了 2005 年左右，GFF3 正式发布。它引入了几个关键设计：
- 9 列制表符结构，第 9 列用键值对塞入属性和关系信息。
- ID 和 Parent 机制，用标准属性绑定父子关系。
- 字典顺序要求，确保解析时先遇到父特征再遇到子特征。
- 坑洞（gap）和重复区的规范表达。
说白了，GFF3 就是给基因组注释上了个“关系型数据库”的灵魂，但文件格式还是纯文本，人人都能直接看。
1.2 用途：一条 GFF 能干什么？
你现在打开任意一个真核生物基因组注释项目，NCBI、Ensembl、UCSC，甚至你自己的组装项目，基本都会提供 GFF3 文件。它主要干这几件事：
- 存储基因结构：基因、mRNA、CDS、外显子、非编码 RNA、假基因等的位置和属性。
- 描述同源性和功能：通过第 9 列属性带上 GO 注释、KEGG 通路、PFAM 域等信息。
- 支持可视化：IGV、JBrowse、UCSC Genome Browser 都直接读 GFF3 画基因组轨道图。
- 作为流程中间格式：基因预测软件（如 Augustus、BRAKER）输出 GFF3，再转成其他格式或直接导入数据库。
我个人习惯是：任何注释数据分析的第一步，先对 GFF3 做一轮质控。因为后续所有分析——差异表达、变异注释、富集分析——都依赖这条链上的坐标和关系正确无误。
1.3 基本结构：九列，一个都不能少
GFF3 每行代表一个特征，总共 9 列，列间用 制表符（Tab）分隔。我见过不少新手用空格分割文件，结果解析报错找不到列，白白浪费半天时间。来看看每一列的具体含义：
| 列号 | 名称 | 描述 | 示例 |
|---|---|---|---|
| 1 | seqid | 序列 ID（染色体、scaffold 名称） | chr1 |
| 2 | source | 注释来源（软件名、数据库、实验方法） | Augustus |
| 3 | type | 特征类型（gene, mRNA, CDS, exon, UTR 等） | gene |
| 4 | start | 起始位置（1-based 闭区间） | 1000 |
| 5 | end | 终止位置 | 2000 |
| 6 | score | 得分或置信度（可选，可以用 . 表示缺失） | 0.95 |
| 7 | strand | 链方向（+ 或 - 或 . 表示未知） | + |
| 8 | phase | CDS 相位（0,1,2 表示阅读框偏移，非 CDS 用 .） | 0 |
| 9 | attributes | 键值对（分号分隔，ID 和 Parent 是核心） | ID=gene001;Name=BRCA2 |
awk -F'\t' '{print NF}' 检查每行列数。如果出现 NF!=9 的行，那多半是文件里有注释行（以 # 开头）被误处理，或者有空格冒充制表符。我当年在 Ensembl 下载的 GFF3 里就发现过几行因为 format 转换丢了一个空列，差点被坑。
1.4 核心关系：ID 与 Parent
GFF3 最精妙但也最容易出错的地方，就是第 9 列里的 ID 和 Parent 属性。它们把分散在各行的特征串成一棵层次树。举个例子：
chr1 . gene 1000 2000 . + . ID=gene001;Name=BRCA2
chr1 . mRNA 1000 1900 . + . ID=mRNA001;Parent=gene001
chr1 . exon 1000 1200 . + . ID=exon001;Parent=mRNA001
chr1 . exon 1300 1500 . + . ID=exon002;Parent=mRNA001
chr1 . CDS 1000 1200 . + 0 ID=cds001;Parent=mRNA001
chr1 . CDS 1300 1500 . + 1 ID=cds002;Parent=mRNA001注意看：mRNA001 的 Parent=gene001，说明它属于基因 gene001；外显子和 CDS 的 Parent=mRNA001，又属于该转录本。这样解析器就能重建出整个基因结构——基因下挂多个转录本，每个转录本下挂外显子和 CDS。至于顺序，GFF3 要求所有特征按字典序排列，确保父特征先出现，不然解析器会报错。
Parent=gene001，跳过了 mRNA 层。结果下游计算转录本长度时，把所有外显子坐标混在一起，长度翻了三倍。这种错误必须靠严格校验“基因→mRNA→外显子/CDS”的层级完整性才能发现。
1.5 一张图看懂 GFF3 核心结构
下面我用一张示意图把上面说的层次关系画出来，你看了就能记住。
从图里你能看到：基因是顶层容器，mRNA 是子层，外显子和 CDS 是孙层。每个特征通过 Parent 向上指向，形成严格的三层树。我建议你在处理 GFF3 时，脑子里时刻装着这张树图——解析代码的 bug 往往就出在“父子关系断裂”上。
1.6 一个小回顾：你真正要记住的要点
- 9 列制表符分割：空格、逗号、多余的空列都会直接导致解析失败。
- ID 唯一性：整个文件中每个 ID 只能出现一次，不能重名。
- Parent 必须存在：子特征引用的 Parent 必须已经在前面的行出现。
- 坐标顺序：start ≤ end，正链上 coordinate 递增，负链上保持原样（坐标仍然写小的在左，大的在右）。
- phase 只在 CDS 有效：非 CDS 行记得用
.，填了数值会被某些工具理解成阅读框。
实战金句：GFF3 不是人类阅读友好的，但机器解析时必须严格遵循规范。你写解析代码时，建议每一列都用 .strip() 处理，并提前检查是否包含 \t。另外，attributes 列里键值对的分隔符是 ;，键值对内部的键和值用 = 连接——别把 = 写成 : 或空格。
嗯，这一章先让你对 GFF3 有个整体认识。起点和基本结构清楚了，后面我们才能聊质控的具体坑——比如坐标越界、ID 重复、缺失必要列、字典序混乱等等。那些都是我在真实项目中系统踩过的，后面会一节一节拆给你看。