GTF: 유전자 주석 파일

RNA-seq에서 FASTQ를 게놈에 정렬한 뒤 “이 read가 어느 유전자에 속하나”를 세려면 유전자 위치표가 필요합니다. 그 위치표가 보통 GTF(Gene Transfer Format) 파일입니다. GTF는 GFF version 2 계열을 바탕으로, 유전자·전사체 정보를 다루기 위한 관례를 얹은 탭 구분 주석 형식입니다.

한 줄 요약:

GTF = 게놈 좌표 위에 유전자·전사체·엑손이 어디 있는지 적어둔 주석 파일

어디에 쓰이나

GTF는 read 자체가 아니라 레퍼런스 주석(annotation) 입니다. 분석 파이프라인에서는 보통 이렇게 쓰입니다.

FASTQ → 정렬(STAR/HISAT2) → BAM
                         ↓
                    GTF 주석
                         ↓
              유전자별 read count / TPM

대표적인 사용처:

단계	GTF의 역할
genome index 생성	STAR 같은 정렬기가 splice junction 정보를 미리 알 수 있게 함
read counting	featureCounts, HTSeq-count가 read를 gene/exon에 배정
transcript 정량	RSEM, StringTie 등이 transcript 구조를 해석
결과 해석	gene ID, gene name, transcript ID를 좌표와 연결

GTF 한 줄의 구조

GTF는 탭으로 구분된 텍스트 파일입니다. 각 줄은 하나의 feature를 뜻하고, 항상 9개 컬럼을 가집니다.

chr1  HAVANA  exon  11869  12227  .  +  .  gene_id "ENSG00000223972"; transcript_id "ENST00000456328"; gene_name "DDX11L1";

컬럼	이름	의미
1	seqname	염색체/contig 이름. 예: chr1, 1, GL000...
2	source	주석 출처. 예: HAVANA, ENSEMBL
3	feature	feature 종류. 예: gene, transcript, exon, CDS, UTR
4	start	시작 좌표
5	end	끝 좌표
6	score	점수. 없으면 .
7	strand	가닥. +, -, .
8	frame / phase	CDS frame(phase). 단백질 코딩 영역이 아니면 보통 .
9	attributes	세미콜론으로 구분된 부가 정보

좌표 규칙

GTF 좌표는 1-based inclusive 입니다.

start = 11869
end   = 12227

이 뜻은 11869번째 염기부터 12227번째 염기까지 양 끝을 모두 포함한다는 뜻입니다.

주의할 점:

형식	좌표 규칙
GTF / GFF / VCF	1-based
BED	0-based, half-open

BED 파일과 GTF를 섞어 쓸 때는 좌표가 한 칸 어긋나는 실수가 자주 납니다.

attributes: 가장 중요한 9번째 컬럼

GTF에서 실제 분석 도구가 가장 많이 읽는 부분은 9번째 컬럼입니다.

gene_id "ENSG00000141510";
transcript_id "ENST00000269305";
gene_name "TP53";
gene_biotype "protein_coding";

핵심 속성:

속성	의미
gene_id	유전자 고유 ID. 보통 가장 안정적인 분석 단위
transcript_id	전사체 isoform ID. gene 줄에는 없고 transcript, exon, CDS 줄에 붙는 경우가 많음
gene_name	사람이 읽는 유전자 심볼. 예: TP53, MDM2
gene_biotype / gene_type	protein_coding, lncRNA, pseudogene 등 유전자 종류. Ensembl은 gene_biotype, GENCODE는 gene_type을 주로 사용
exon_number	transcript 안에서 exon 순서

분석에서는 가능하면 gene_name보다 gene_id를 기준으로 보관하는 편이 안전합니다. gene symbol은 바뀌거나 중복될 수 있지만, Ensembl gene ID 같은 식별자는 더 안정적입니다.

속성 이름은 출처마다 조금 다릅니다

GTF의 1~8번 컬럼 구조는 비교적 일정하지만, 9번째 attributes의 세부 key는 주석 제공처마다 다를 수 있습니다. 예를 들어 GENCODE는 gene_type·transcript_type, Ensembl dump는 gene_biotype 같은 이름을 씁니다. 도구 옵션에서 어떤 attribute를 기준으로 묶을지 확인해야 합니다.

feature 종류

자주 보는 feature는 다음과 같습니다.

feature	의미
gene	유전자 전체 영역
transcript	하나의 전사체 isoform
exon	transcript를 구성하는 exon
CDS	단백질로 번역되는 코딩 영역
UTR	번역되지 않는 5’/3’ 영역
start_codon, stop_codon	시작/종결 코돈

RNA-seq read count에서는 보통 exon feature를 유전자 단위로 합쳐 셉니다. 그래서 featureCounts를 쓸 때 자주 보이는 옵션이 -t exon -g gene_id 입니다.

featureCounts \
  -a annotation.gtf \
  -t exon \
  -g gene_id \
  -o counts.txt \
  aligned.bam

뜻:

옵션	의미
-a annotation.gtf	사용할 GTF 주석
-t exon	exon 줄만 count 대상으로 사용
-g gene_id	같은 gene_id를 가진 exon들을 묶어 유전자별 count 생성

GTF와 GFF3의 차이

GTF와 GFF3는 둘 다 유전자 주석 형식입니다. 모양도 비슷하지만 9번째 컬럼 문법이 다릅니다.

항목	GTF	GFF3
9번째 컬럼	gene_id "X"; transcript_id "Y";	ID=exon1;Parent=transcript1
계층 표현	gene_id, transcript_id 속성으로 연결	ID, Parent로 부모-자식 관계 명시

GFF3는 ID, Parent 같은 예약 attribute를 사용해 gene → transcript → exon 계층을 더 명시적으로 표현합니다. GTF는 보통 각 줄에 반복되는 gene_id, transcript_id 값을 이용해 같은 유전자·전사체에 속한 feature를 묶습니다.

도구마다 기대하는 형식이 다릅니다. featureCounts처럼 여러 annotation 형식을 지원하는 도구도, 어떤 feature를 셀지(-t)와 어떤 attribute로 묶을지(-g)를 명확히 지정해야 합니다.

어디서 받나

사람 유전체 분석에서는 주로 다음 주석을 씁니다.

출처	특징
GENCODE	human/mouse RNA-seq에서 매우 널리 쓰이는 고품질 주석
Ensembl	다양한 종을 지원. Ensembl gene/transcript ID와 잘 맞음
RefSeq	NCBI 기반 주석. 임상/레거시 파이프라인에서 자주 등장

중요한 것은 FASTA 게놈 파일과 GTF 주석의 빌드가 같아야 한다는 점입니다.

좋음: GRCh38 genome FASTA + GRCh38 GTF
위험: GRCh37 genome FASTA + GRCh38 GTF

실전 주의점

1. 염색체 이름이 맞아야 함

게놈 FASTA는 chr1인데 GTF는 1이면 도구가 같은 염색체로 인식하지 못할 수 있습니다.

FASTA: >chr1
GTF:   1  HAVANA  exon ...

이런 경우 count가 거의 0으로 나오거나 index 생성에서 경고가 납니다. chr prefix 유무를 반드시 확인하세요.

2. 주석 버전을 기록해야 함

같은 GRCh38이라도 GENCODE v39, v44, v46처럼 주석 버전에 따라 유전자 모델이 달라질 수 있습니다. 재현성을 위해 결과와 함께 기록합니다.

genome: GRCh38
annotation: GENCODE v46

GENCODE/Ensembl은 계속 갱신되므로, “GRCh38을 썼다”만으로는 충분하지 않습니다. 논문·노트북·결과 테이블에는 가능하면 게놈 빌드 + 주석 출처 + release 번호를 같이 남깁니다.

3. gene_id 버전 suffix 처리

Ensembl ID에는 버전이 붙을 수 있습니다.

ENSG00000141510.18

다른 데이터베이스에는 suffix 없는 ENSG00000141510 형태로 들어 있는 경우가 많습니다. 외부 데이터와 합칠 때 .18 같은 버전 suffix를 유지할지 제거할지 정해야 합니다.

4. gene_name만 믿지 말 것

gene_name은 사람이 읽기 좋지만, 분석 키로는 약합니다.

• 과거 이름이 바뀔 수 있음
• 같은 symbol이 여러 위치에 등장할 수 있음
• pseudogene/lncRNA까지 포함하면 중복 가능성이 커짐

그래서 내부 분석 테이블은 gene_id를 기준으로 두고, 마지막 해석 단계에서 gene_name을 붙이는 방식이 안전합니다.

작은 예시

아래 예시는 하나의 유전자에 transcript 하나, exon 두 개가 있는 단순한 구조입니다.

chr1  source  gene        1000  5000  .  +  .  gene_id "GENE1"; gene_name "ABC1";
chr1  source  transcript  1000  5000  .  +  .  gene_id "GENE1"; transcript_id "TX1";
chr1  source  exon        1000  1200  .  +  .  gene_id "GENE1"; transcript_id "TX1"; exon_number "1";
chr1  source  exon        3000  5000  .  +  .  gene_id "GENE1"; transcript_id "TX1"; exon_number "2";

이 GTF를 기준으로 count하면, exon 1 또는 exon 2에 겹친 read들이 GENE1 count로 합쳐집니다.

한 줄 치트시트

GTF는 "게놈 위 유전자 지도"다.
RNA-seq에서는 BAM의 read를 gene/exon에 배정하기 위해 쓴다.
좌표는 1-based inclusive, 핵심 속성은 gene_id와 transcript_id.
게놈 FASTA와 GTF는 같은 빌드·같은 염색체 이름을 써야 한다.

관련 형식은 데이터 형식 레퍼런스와 TPM 정규화를 함께 참고하세요.

참고자료

• Ensembl: GFF/GTF File Format: GFF/GTF의 9개 컬럼, 1-based inclusive 좌표, attribute 컬럼 설명.
• GENCODE: Data format: GENCODE GTF의 컬럼 정의, gene_id, transcript_id, gene_type, exon_number 등 attribute 설명.
• Sequence Ontology: GFF3 specification: GFF3의 ID, Parent, tag=value attribute 문법과 계층 표현.
• Subread/featureCounts User Guide: featureCounts -a annotation.gtf -t exon -g gene_id 방식의 read summarization 옵션.
• Liao Y, Smyth GK, Shi W. featureCounts: an efficient general purpose program for assigning sequence reads to genomic features. Bioinformatics (2014). DOI: 10.1093/bioinformatics/btt656