如何打开gtf格式的gencode基因注释文件（记事本 vs R语言rtracklayer）

1 打开方式：记事本-excel

小一点的gtf格式文件可以当成txt格式用文记事本打开，然后复制粘贴到excel

如lncRNA注释文件：

虽然格式不太完美（后面的gene_id、gene_name等都没分开），在excel调一下也还是可以的：

选定数据分的不好的这一列，在“数据”栏点击“分列”，选择“分隔符号”分列，然后选上“分号”，这时候分号间隔的就分开了。

里面多的字符如gene_id手动删除

2 打开方式：R语言rtracklayer

太大的注释文件用记事本就打不开了，可以用R语言中的rtracklayer包打开：

library("rtracklayer") #加载rtracklayer包
gc_data = import('gencode.v42.annotation.gtf') #输入要打开的gtf注释文件
gc_data <- as.data.frame(gc_data)#将文件转换为数据框格式

这时候就得到了数据：

数据已完全分开，还没有多的字符。

看一下有多少gene类型：

table(gc_data$gene_type)

3 输出

可以直接输出为csv表格：

write.csv(gc_data,file = "gc.csv")

太大，不建议直接输出。

可以筛选出自己需要的数据再输出

如筛选出基因型为lncRNA和pseudogene的基因

3.1 先把基因名带“pseudogene”的基因名提取出来

lncRNA只有一种，但是pseudogene有很多种，所以需要先把基因名中带“pseudogene”的基因名提取出来

gt <- as.data.frame(table(gc_data$gene_type)) # 转换成数据框
gtp <- gt$Var1[str_detect(gt$Var1,"pseudogene")] # 提取出名称中带pseudogene的基因名称