GTF/GFF/BED 格式：基因组注释与区间表示

快速概览

GTF/GFF 编码层级化基因组注释（gene-transcript-exon 结构），BED 编码简洁区间集合。理解它们的层级结构、坐标系统差异（1-based vs 0-based）和语义不等价性，是 RNA-seq 定量、peak 分析和功能注释的前提。

• GTF 是 GFF2 的严格子集，强制 gene_id/transcript_id 属性
• GFF3 支持更灵活的层级结构和任意属性
• BED 是扁平区间列表，不强制层级关系
• GTF 使用 1-based closed 坐标，BED 使用 0-based half-open 坐标
• 格式选择直接影响下游工具兼容性和区间运算正确性

前置知识

• 参考基因组、坐标系统与注释
• 生物学基础对象

所属板块 数据、注释与资源

参考版本、注释体系、数据格式与数据库的统一入口。

阅读目标 帮助建立阅读上下文

先判断这页与你当前问题的关系，再决定是否深入展开。

建议前置 先建立相关基础对象与方法直觉

建议先建立相关基础对象与方法直觉，再进入本页。

是什么

这三种格式都编码基因组上的位置信息，但抽象层次不同：

格式	编码对象	抽象层次	典型用途
GTF/GFF	基因结构注释	层级化（gene → transcript → exon）	RNA-seq 定量、变异功能注释
BED	区间集合	扁平（无层级关系）	Peak 区域、靶标 panel、CNV 区间

GTF / GFF：层级化注释结构

GTF 格式（Gene Transfer Format）

九列制表符分隔：

chr1  HAVANA  gene  11869  14409  .  +  .  gene_id "ENSG00000223972"; gene_type "transcribed_unprocessed_pseudogene";

列号	字段	说明
1	seqname	参考序列名称（chr1）
2	source	注释来源（HAVANA、ENSEMBL）
3	feature	特征类型（gene、transcript、exon、CDS）
4	start	1-based 起始坐标
5	end	1-based 终止坐标
6	score	置信度（. 表示无）
7	strand	链方向（+ / - / .）
8	phase	阅读框相位（0/1/2，仅 CDS 有效）
9	attributes	键值对属性（gene_id、transcript_id 等）

GFF3 格式（General Feature Format v3）

与 GTF 类似，但：

• 支持更灵活的层级关系（通过 Parent 属性）
• 属性使用 = 分隔（GTF 使用空格）
• 支持任意特征类型

chr1  HAVANA  gene  11869  14409  .  +  .  ID=ENSG00000223972;Name=DDX11L1
chr1  HAVANA  mRNA  11869  14409  .  +  .  ID=transcript:ENST00000;Parent=ENSG00000223972
chr1  HAVANA  exon  11869  12227  .  +  .  Parent=transcript:ENST00000

层级结构示例

gene: ENSG00000223972 (chr1:11869-14409)
  ├── transcript: ENST000001
  │     ├── exon: 11869-12227
  │     ├── exon: 12613-12721
  │     └── exon: 13221-14409
  └── transcript: ENST000002
        ├── exon: 11869-12227
        └── exon: 12900-14409

BED：扁平区间集合

基本格式（3 列必需）

chr1  1000  5000
chr2  300   800

扩展格式（最多 12 列）

chr1  1000  5000  BRCA1_peak  950  +  1000  5000  255,0,0  2  1500,1200  0,2800

列号	字段	必需？	说明
1	chrom	✓	染色体
2	start	✓	0-based 起始
3	end	✓	终止（half-open）
4	name	✗	区间名称
5	score	✗	分数（0-1000）
6	strand	✗	链方向
7	thickStart	✗	显示起始（如 CDS）
8	thickEnd	✗	显示终止
9	itemRgb	✗	RGB 颜色
10	blockCount	✗	外显子/块数量
11	blockSizes	✗	各块大小（逗号分隔）
12	blockStarts	✗	各块起始（逗号分隔）

典型应用场景

• ChIP-seq peaks：chr1 1000 1500 peak_1 950
• Exome panel：靶标区域列表
• CNV regions：拷贝数变异区间
• Windowing：基因组分窗统计

坐标系统差异（关键！）

维度	GTF/GFF（1-based, closed）	BED（0-based, half-open）
起始坐标	1-based：第一个碱基编号为 1	0-based：第一个碱基编号为 0
区间表示	closed：[start, end] 都包含	half-open：[start, end) 包含 start，不包含 end
示例	1-100 表示第 1 到第 100 个碱基（共 100 bp）	0-100 表示第 1 到第 100 个碱基（共 100 bp）
转换	GTF → BED：start - 1	BED → GTF：start + 1

这是最常见的错误来源之一。混淆坐标系统会导致区间偏移 1 bp，可能使 peak 注释错误或变异功能判断失误。

GTF vs GFF vs BED：何时使用哪个

维度	左侧格式	右侧格式
RNA-seq 定量	GTF（featureCounts、HTSeq 需要 gene/transcript 层级结构）	BED 不适用（无层级关系，无法区分 gene/exon）
ChIP-seq peaks	GTF 可用但过重（只需要区间，不需要 gene 结构）	BED 更适合（轻量、区间运算方便）
变异功能注释	GTF/GFF（需要知道变异是否落在 exon/intron/UTR）	BED 可用于快速区间查询，但无法区分特征类型
Exome panel 设计	GTF 可提取目标基因的 exon 区间	BED 是标准交付格式（靶标区域列表）

与真实工具或流程的连接

与真实工具或流程的连接

• RNA-seq 定量：featureCounts、HTSeq 以 BAM + GTF 为输入，输出基因/转录本计数矩阵
• ChIP-seq：MACS2 输出 peak 区域为 BED 格式
• 变异注释：VEP、SnpEff 使用 GTF/GFF 判断变异是否落在 coding/exonic/splice 区域
• 基因组浏览器：IGV、UCSC 支持导入 GTF/BED 作为注释轨道
• 区间运算：bedtools、bedops 以 BED 为主要输入格式

常见概念误区

常见误区

• **坐标系统混淆**：直接将 GTF 的 start 当作 BED 的 start 使用，导致区间偏移 1 bp。
• **GTF 与 BED 功能等价**：两者虽然都表示"区间"，但 GTF 是层级注释结构，BED 是扁平区间列表，语义不等价。
• **GTF = GFF**：GTF 是 GFF2 的严格子集，但 GFF3 有更灵活的属性定义，工具兼容性不同。
• **注释版本不匹配**：使用 GRCh37 的 BAM 配合 GRCh38 的 GTF，导致坐标无法映射。
• **phase 字段误用**：phase（0/1/2）仅对 CDS 特征有效，gene/exon 特征应为 `.`。

本章小结

• GTF/GFF 编码层级化基因组注释（gene → transcript → exon）
• BED 编码扁平区间集合（peaks、panel、CNV）
• GTF 使用 1-based closed 坐标，BED 使用 0-based half-open 坐标
• 格式选择取决于下游工具需求和区间运算类型

相关页面

基础层

参考基因组、坐标系统与注释

理解注释格式必须与参考版本和坐标系统协同使用。

延伸阅读

应用层

RNA-seq 定量分析

GTF 在表达定量中的关键作用。

延伸阅读

应用层

ChIP-seq 总览

MACS2 输出 peak 区域为 BED 格式。

延伸阅读

基因组注释管线

GTF/GFF 注释文件由 Ensembl、GENCODE 等注释管线生成。

延伸阅读

Ensembl 基因组注释

Ensembl GTF 的结构和 Ensembl ID 体系。

延伸阅读