基于 GTF 文件提取 CDS 最长转录本序列

happy new year!

1引言

前面讲到从 gencode 数据框直接下载蛋白编码的序列 来筛选 CDS 最长的转录本,因为每个转录本序列的 ID 官方已经整理好了,比如转录本长度,CDS 区起始位置和终止位置,5'UTR 区域和 3'UTR 区域位置等信息。

此外这个数据库只有人和小鼠物种的,如果是其它物种就办不了这样的事情了,于是我想了如何从 GTF 文件去整理这样的信息,然后再去提取 CDS 最长的转录本,这样对于其它物种也可以使用了。

困难:

直接拿 GTF 文件去整理还是有一定难度的,大体思路如下:

• 计算所有转录本长度
• 计算蛋白编码基因的 CDS 区域长度
• 计算蛋白编码基因的 CDS 起始位置和终止位置
• 提取最长 CDS 区域转录本 id
• 根据 id 提取对应的序列

接下来跟随我的脚本探索这个过程具体是怎样实现的吧。

GTF 文件为 ensembl 数据库下载的!

2提取 exon,cds,5’utr 长度信息

首先我们建立三个字典来保存每个转录本的 外显子长度, cds 长度, 5’utr 长度 信息: