CN110060742A - 一种gtf文件解析方法及工具 - Google Patents

Abstract

本发明公开了一种gtf文件解析方法，其特征在于，包括如下步骤：初始化步骤，基因/转录本/基本结构读取步骤，基因/转录本分解步骤，基因/转录本/基本结构解析步骤。本发明还公开了一种gtf文件解析工具。本发明的有益效果在于：以基因或转录本为单位：本模块可以以基因或转录本为单位对gtf文件进行解析，将基因或转录本的子结构添加到解析结果的子节点中，使用者能对整个基因或转录本进行操作，更能满足生物信息分析的需求。占用内存少：先读取完一个基因/转录本所有行再解析，处理完这个基因/转录本后相应的内存就会被释放，不需要占用很多内存空间。功能丰富：可根据基因/转录本ID或name进行查找，多条件筛选基因/转录本/基本结构，根据子结构获得基因所在位置，获得基因外显子覆盖长度等功能。

Description

一种gtf文件解析方法及工具

技术领域

本发明涉及生物信息领域，具体涉及一种gtf文件解析方法及工具。

背景技术

生物信息分析中常会用到一种gtf格式的文件，该文件用于记录基因结构信息。文件每一行记录一个结构(如基因，转录本，外显子，内含子，5‘UTR，3’UTR，mRNA，CDS等)的信息。一行分为九列，分别代表了结构的序列名(sequence name)，来源(source)，结构类型(type)，起始位点(start site)，终止位点(end site)，分数(score)，方向(strand)，相位(frame)，属性(attribute)。属性是多个以key"value"；形式组成的键值对，所有行的属性中必须包含“gene_id”和“gene_name”键，除类型为基因以外的行的属性中必须包含“transcript_id”和“transcript_name”键。

Gtf文件常被用于进行与基因结构相关的分析，如基因/转录本表达量计算，新转录本的发现，可变剪切分析，基因结构优化等，是生物信息分析最常用的文件格式之一。

本模块和工具用于解析gtf文件，并提供一些处理gtf文件的方法。

而现有的gtf解析工具和模块存在以下几点缺陷：

(1)以基本结构为单位：现在的gtf文件解析工具大都以行为单位进行解析，如perl模块Bio::GFF3::LowLevel和Bio::FeatureIO。但一行中只包含一个结构的信息，而生物信息分析往往需要以一个完整的基因或转录本为单位，使用者还需要额外对解析结果进行筛选和提取信息，或者重新组织其结构。

(2)占用内存大：想获取一个基因/转录本的所有子结构可能需要将整个文件读取完之后才能提取到，而一个gtf文件可能达到几G的大小，读取并解析一个gtf文件所需的内存空间可能会非常大，造成内存溢出的情况。

(3)功能单一：现在的gtf文件解析工具往往只有写gtf文件和取结构信息的功能，不能满足分析需求。如果需要对gtf文件进行一些常见处理，使用者需要另外写脚本。

发明内容

为了克服现有技术所存在的上述缺陷，本发明的目的之一在于提供一种gtf文件解析方法。

本发明的目的之二在于提供一种gtf文件解析工具。

为了实现本发明的目的之一，所采用的技术方案是：

一种gtf文件解析方法，包括如下步骤：

初始化步骤：从参数中获取gtf文件或句柄，并初始化一个gtf_parser对象。

基因/转录本/基本结构读取步骤：针对基因/转录本/基本结构采用不同的读取方法。如果是基因，则按行读取一个基因的所有行，若当前读取行与当前解析的基因的“gene_id”不同时，则回退一行；如果是转录本，则按行读取一个转录本的所有行，当当前读取行与当前解析的转录本的“transcript_id”不同时，则回退一行；如果是基本结构，则读取一行。

基因/转录本分解步骤：如果是基因，则将除结构类型为“gene”以外的的所有行按不同的转录本进行分解，然后再将每个转录本的所有行按基本结构进行分解；如果是转录本，则将除结构类型为“transcript”以外的所有行按基本结构进行分解。

基因/转录本/基本结构解析步骤：如果是基因，则对基因的每个转录本的每个基本结构进行解析，获取其信息，并添加到相应的转录本子节点中，再将转录本添加到基因的子节点中，返回基因对象；如果是转录本，则对转录本的每个基本结构进行解析，获取其信息，并添加到转录本的子节点中，返回转录本对象；如果是基本结构，则直接解析，返回基本结构对象。

为了实现本发明的目的之二，所采用的技术方案是：一种gtf文件解析工具，包括查询模块、过滤模块、补充模块、总结模块。

所述的查询模块是：根据一个或多个gene/transcript的id/name对gtf文件进行查询，返回相应gtf行。

所述的过滤模块是：根据序列名，来源，结构类型，起始位点，终止位点，分数，方向，相位，属性，子结构数目等方面进行筛选。

所述的补充模块是：判断是否gtf文件缺乏结构类型为”gene”或“transcript”的行，若判断为是，则根据基本结构的信息将这两种行补充齐全。

所述的总结模块是：对gtf文件基因数目，转录本数目，外显子数目，每基因平均转录本数目，每转录本平均外显子数目，序列名，来源，结构类型，方向，属性的各键所占分布比例进行统计。

本发明的主要创新点在于：

以基因或转录本为单位：本模块可以以基因或转录本为单位对gtf文件进行解析，将基因或转录本的子结构添加到解析结果的子节点中，使用者能对整个基因或转录本进行操作，更能满足生物信息分析的需求。

占用内存小：本发明的实现方式是先读取完一个基因/转录本所有行再解析，处理完这个基因/转录本后相应的内存就会被释放，不需要占用很多内存空间。

功能丰富：可根据基因/转录本ID或name进行查找，多条件筛选基因/转录本/基本结构，根据子结构获得基因所在位置，获得基因外显子覆盖长度等功能。

附图说明

图1为本发明的流程示意图。

具体实施方式

以下通过实施例对本发明作进一步的说明，但这些实施例不得用于解释对本发明的限制。

实施例为使用本发明筛选参考基因组结构注释gtf文件中1号染色体上，来源为havana数据库，转录本数目小于3的基因。

在初始化步骤中，接收用户输入的gtf文件，初始化一个gtf_parser对象。

在基因/转录本/基本结构读取步骤中，在本发明实施例中，采用按基因读取的方式，按行读取一个基因的所有行，当前读取行与当前解析的基因的“gene_id”不同时，则回退一行。

在基因/转录本分解步骤中，在本发明实施例中，将除结构类型为“gene”以外的的所有行按不同的转录本进行分解，然后再将每个转录本的所有行按基本结构进行分解。

在基因/转录本/基本结构解析步骤中，在本发明实施例中，对基因的每个转录本的每个基本结构进行解析，获取其信息，并添加到相应的转录本子节点中，再将转录本添加到基因的子节点中，返回基因对象。

在基本筛选步骤中，在本发明实施例中，调用基本筛选功能对基因对象进行判断，如果基因对象的序列名为1号染色体，并且来源为havana数据库，则进入下一步，否则进入下一个基因的读取步骤。

在高级筛选步骤中，在本发明实施例中，调用高级筛选功能对基因对象进行判断，通过length函数计算基因对象的子节点列表中的转录本数目，如果转录本的数目小于3，则返回该基因对象，否则进入下一个基因的读取步骤。

在打印步骤中，如果获取到返回的基因对象，则打印该基因的gtf内容。

Claims (2)

1.一种gtf文件解析方法，其特征在于，包括如下步骤：

初始化步骤：从参数中获取gtf文件或句柄，并初始化一个gtf_parser对象；

基因/转录本/基本结构读取步骤：针对基因/转录本/基本结构采用不同的读取方法，如果是基因，则按行读取一个基因的所有行，若当前读取行与当前解析的基因的“gene_id”不同时，则回退一行；如果是转录本，则按行读取一个转录本的所有行，当当前读取行与当前解析的转录本的“transcript_id”不同时，则回退一行；如果是基本结构，则读取一行；

基因/转录本分解步骤：如果是基因，则将除结构类型为“gene”以外的的所有行按不同的转录本进行分解，然后再将每个转录本的所有行按基本结构进行分解；如果是转录本，则将除结构类型为“transcript”以外的所有行按基本结构进行分解；

基因/转录本/基本结构解析步骤：如果是基因，则对基因的每个转录本的每个基本结构进行解析，获取其信息，并添加到相应的转录本子节点中，再将转录本添加到基因的子节点中，返回基因对象；如果是转录本，则对转录本的每个基本结构进行解析，获取其信息，并添加到转录本的子节点中，返回转录本对象；如果是基本结构，则直接解析，返回基本结构对象。

2.如权利要求1所述的一种gtf文件解析工具，其特征在于，包括查询模块、过滤模块、补充模块、总结模块：

所述的查询模块是：根据一个或多个gene/transcript的id/name对gtf文件进行查询，返回相应gtf行；

所述的过滤模块是：根据序列名，来源，结构类型，起始位点，终止位点，分数，方向，相位，属性，子结构数目等方面进行筛选；

所述的补充模块是：判断是否gtf文件缺乏结构类型为”gene”或“transcript”的行，若判断为是，则根据基本结构的信息将这两种行补充齐全；

所述的总结模块是：对gtf文件基因数目，转录本数目，外显子数目，每基因平均转录本数目，每转录本平均外显子数目，序列名，来源，结构类型，方向，属性的各键所占分布比例进行统计。