Format général des fonctionnalités

En bioinformatique , le format de caractéristiques générales ( format de recherche de gènes , format de caractéristiques génériques , GFF ) est un format de fichier utilisé pour décrire les gènes et d'autres caractéristiques des séquences d'ADN , d'ARN et de protéines .

Les versions suivantes de GFF existent :

• Format de fonctionnalité générale Version 2, généralement obsolète
  • Gene Transfer Format 2.2, un dérivé utilisé par Ensembl
• Format de fonctionnalité générique version 3
  • Format de variation du génome, avec pragmes et attributs supplémentaires pour les fonctionnalités de modification de séquence

Le GFF2/GTF présentait un certain nombre de défauts, notamment le fait qu'il ne pouvait représenter que des hiérarchies de caractéristiques à deux niveaux et ne pouvait donc pas gérer la hiérarchie à trois niveaux gène → transcription → exon. Le GFF3 comble ce défaut et d'autres. Par exemple, il prend en charge un nombre arbitraire de niveaux hiérarchiques et donne des significations spécifiques à certaines balises dans le champ des attributs.

Le GTF est identique au GFF, version 2.

Tous les formats GFF (GFF2, GFF3 et GTF) sont délimités par des tabulations avec 9 champs par ligne. Ils partagent tous la même structure pour les 7 premiers champs, tout en différant par le contenu et le format du neuvième champ . Certains noms de champs ont été modifiés dans GFF3 pour éviter toute confusion. Par exemple, le champ « seqid » était auparavant appelé « séquence », ce qui peut être confondu avec une chaîne de nucléotides ou d'acides aminés. La structure générale est la suivante :

En termes simples, CDS signifie « CoDing Sequence ». La signification exacte du terme est définie par Sequence Ontology (SO). Selon la spécification GFF3 :

Pour les caractéristiques de type « CDS », la phase indique où la caractéristique commence par rapport au cadre de lecture. La phase est l'un des entiers 0, 1 ou 2, indiquant le nombre de bases qui doivent être supprimées du début de cette caractéristique pour atteindre la première base du codon suivant.

Dans les fichiers GFF, des méta-informations supplémentaires peuvent être incluses et suivent la directive ##. Ces méta-informations peuvent détailler la version GFF, la région de séquence ou l'espèce (la liste complète des types de métadonnées est disponible dans les spécifications de l'ontologie de séquence).

Serveurs qui génèrent ce format :

Clients qui utilisent ce format :

Le projet modENCODE héberge un outil de validation GFF3 en ligne avec des limites généreuses de 286,10 Mo et 15 millions de lignes.

La collection de logiciels Genome Tools contient un outil gff3validator qui peut être utilisé hors ligne pour valider et éventuellement nettoyer les fichiers GFF3. Un service de validation en ligne est également disponible.