GFF (формат файла)

GFF (англ. General Feature Format, GFF) — формат файлов, используемый для разметки генов и других характеристик последовательностей ДНК, РНК и белков. Используемое для такого типа файлов расширение обозначается как .GFF. Формат был предложен исследователями из Института Сенгера, его версия GFF2 вышла в 1998 году.

Общие сведения

Появление технологий секвенирования нового поколения сделало задачу расшифровки генома более простой и доступной. Существуют программы, позволяющие идентифицировать в полученной нуклеотидной последовательности того или иного организма такие функциональные элементы, как гены, экзоны, интроны, стартовые и стоп-кодоны, мотивы, сайты сплайсинга и т.д. Формат GFF часто используется для хранения таких характеристик генома.

Файл в формате GFF — это текстовый файл, где для каждого функционального элемента генома отводится одна строка. Каждая строка содержит 9 полей, разделенных знаком табуляции. Такая структура файла позволяет легко и быстро извлекать необходимые данные, а также обрабатывать их такими средствами, как bash (например, команды grep, sort и др.), простыми скриптами awk и perl.

Ниже представлен пример файла в формате GFF:

IV     curated  mRNA   5506800 5508917 . + .   Transcript B0273.1; Note "Zn-Finger"
IV     curated  5'UTR  5506800 5508999 . + .   Transcript B0273.1
IV     curated  exon   5506900 5506996 . + .   Transcript B0273.1
IV     curated  exon   5506026 5506382 . + .   Transcript B0273.1
IV     curated  exon   5506558 5506660 . + .   Transcript B0273.1
IV     curated  exon   5506738 5506852 . + .   Transcript B0273.1
IV     curated  3'UTR  5506852 5508917 . + .   Transcript B0273.1

Версии GFF

Существует три версии формата файлов GFF:

• GFF Version 2 (GFF2)
• Gene Transfer Format (GTF)
• GFF Version 3 (GFF3)

GFF2 имеет ряд недостатков. Наиболее существенным является то, что он может представлять только двухуровневые иерархии характеристик, и, соответственно, не может справиться с трёхуровневой иерархией типа ген → транскрипт → экзон. Сейчас он объявлен устаревшим. GFF3 поддерживает сколь угодно много уровней иерархии. Формат GTF является уточнением второй версии GFF2, и иногда называется как GFF2.5. Они отличаются девятым полем: см. раздел «Структура формата GFF».

Структура формата GFF

Каждая строка в файле формата GFF содержит 9 колонок, разделенных знаком табуляции. Каждая колонка называется полем и имеет своё назначение. Список названий полей и их содержание приведены ниже.

Номер поля	Название поля	Описание
1	seqname	Название последовательности, где расположена характеристика. Как правило, совпадает с идентификатором той последовательности, которая лежит в прилагающемся файле формата FASTA, а также с номером последовательности в базах данных EMBL/GenBank/DDBJ
2	source	Источник определения характеристики, в качестве которого может выступать программа, или база данных, или экспериментальная проверка, или организация (например, TAIR англ.)
3	feature	Тип характеристики, например, «CDS», «stop_codon» (стоп-кодон), «exon» (экзон). В правильно структурированном файле GFF все характеристики, что ниже по иерархии, следуют за характеристикой более высокого порядка. Так, все экзоны одного транскрипта должны быть записаны сразу после строки «своего» транскрипта, один под другим
4	start	Номер стартовой позиции характеристики в последовательности. Нумерация начинается с 1
5	end	Номер конечной позиции характеристики в последовательности
6	score	Оценка от 0 до 1000. Чем выше, тем определение характеристики считается более достоверным. В случае, когда нет оценки (например, для сенсора, который записывает возможное присутствие сигнала), используют обозначение «.»
7	strand	Допустимые значения для обозначения цепей «+» (направление 5'->3'), «-» (направление 3'->5'), «.» (не определено). В формате GFF2 «.» используется для обозначения цепи РНК или белка
8	phase (GFF3) или frame (GTF, GFF2)	Рамка считывания для белок-кодирующих характеристик. В формате GFF3 указывает, какому основанию участка соответствует первое основание кодона рамки: первому (0), второму (1) или третьему (2). «.» указывается, когда описываемый участок нельзя отнести к первым трем случаям. В форматах GFF2 и GTF обозначает остаток от деления на 3 длины всех предыдущих кодирующих фрагментов
9	group (GFF, GTF) или attribute (GFF3)	Поле для дополнительной информации, например, для группировки отдельных наборов записей под одним названием. Здесь прописываются идентификаторы характеристик более высоких порядков, к примеру, группировка интронов и экзонов в предсказание одного определенного гена. Формат, структура и содержание различаются в форматах GFF, GTF, GFF3.

Поле 9 в различных версиях

Есть несколько причин использовать поле group/attribute:

• объединить в одну группу характеристики, принадлежащие одной последовательности (например, разные экзоны одного гена);
• дать характеристике имя, тем самым облегчив ее поиск в файле;
• добавить заметки о характеристике;
• добавить альтернативное имя.

Пример использования поля group в формате GFF:

Chr3 giemsa heterochromatin 4500000 6000000 . . . Band 3q12.1 ; Note "Marfan's syndrome"

Атрибуты поля отделены от их значений пробелом, между двумя парами «атрибут-значение» ставится точка с запятой. В формате GTF вместо поля group записывается attribute, которое включает два обязательных атрибута:

• gene_id — уникальный идентификатор для геномного локуса транскрипта; если он не указан, тогда нет гена, связанного с определенной характеристикой;

• transcript_id — уникальный идентификатор для предсказанного транскрипта; если он не указан, тогда нет транскрипта, связанного с описанной характеристикой.

Такие атрибуты предназначены для обработки нескольких транскриптов и одной и той же области генома. Пример использования поля attribute в формате GTF:

AB000381 Twinscan  CDS          380   401   .   +   0  gene_id "001"; transcript_id "001.1";

Формат GFF3 поддерживает многоуровневую иерархию благодаря атрибуту Parent. Его значение — это идентификатор характеристики на 1 уровень выше. Между атрибутом и его значением ставится «=»:

##gff-version 3
ctg123 . mRNA            1300  9000  .  +  .  ID=mrna0001;Name=sonichedgehog
ctg123 . exon            1300  1500  .  +  .  ID=exon00001;Parent=mrna0001
ctg123 . exon            1050  1500  .  +  .  ID=exon00002;Parent=mrna0001

Варианты использования GFF

GFF — простой и стандартизованный файловый формат, который можно подавать на вход многим программам, работающим с генами. Часто применяется при решении таких задач, как:

• тестирование методов идентификации функциональных элементов последовательности;
• представление найденных в эксперименте характеристик генома в формате GFF. Такие «экспериментальные» GFF-файлы могут быть полезными для проверки предсказанных методами биоинформатики элементов генома;
• поиск новых, более сложных функциональных элементов генома с использованием нескольких GFF-файлов, содержащих разные характеристики последовательности;

Программы, использующие формат GFF:

Программа	Описание	Ссылка
GBrowse	GMOD genome viewer	GBrowse
IGB	Integrated Genome Browser	Integrated Genome Browser
Jalview	Просмотр и редактирование множественных выравниваний
STRAP	Поиск характеристик во множественных выравниваниях, пример выдачи	STRAP

Конвертирование GFF2 в GFF3

Существует несколько серверов, позволяющих перевести файл из GFF2 в формат GFF3. Однако каждый из них немного по-разному интерпретирует исходные данные в файле GFF2, что создает проблемы при конвертации и ограничивает возможность их применения.

Вот некоторые моменты, которые учитывает любой конвертер:

• feature: если GFF2 не содержит в третьей колонке, то их необходимо каким-либо образом добавить при переводе в формат GFF3;
• group/attribute: много мелких различий.

Ниже приведен список некоторых серверов, осуществляющих конвертацию GFF2 в GFF3:

• ACT
• Artemis
• GMOD

См. также

Функциональная аннотация геномов млекопитающих

Литература

• Hongen Zhang. Overview of Sequence Data Formats // Statistical Genomics. — New York, NY: Springer New York, 2016. — С. 3-17. — ISBN 978-1-4939-3576-5 978-1-4939-3578-9.
• Feilong Deng, Shi-Yi Chen, Zhou-Lin Wu, Yongsong Hu, Xianbo Jia, Song-Jia Lai. GFFview: A Web Server for Parsing and Visualizing Annotation Information of Eukaryotic Genome // Journal of Computational Biology. — Oxford Journals, 2017.