如何根据过滤的pep序列进一步过滤gff3文件？得到最长转录本的gff3过滤结果？
如何根据过滤的pep序列进一步过滤cds序列--python014-CSDN博客
AGAT v1.6.0 安装与使用--生信工具72-CSDN博客
filter_gff3_by_pep.py
#!/usr/bin/env python3
"""
根据最长转录本pep文件的ID，筛选原始GFF3文件，保留对应注释（完整层级）
输入：
1. 最长转录本pep文件：Chr_genome_longest_isoform.pep
2. 原始GFF3文件：Chr_genome_all_transcripts_final_gene.gff
输出：
仅含最长转录本的GFF3文件：Chr_genome_longest_isoform.gff3
特性：
- 保留原始GFF3格式（注释行、空行、列顺序、分隔符等）
- 保留完整的注释层级（gene → mRNA → exon/CDS等）
- 容错处理（支持GFF3常见格式变体）
"""
import sys
import os
import re
from collections import defaultdict
def read_pep_transcript_ids(pep_file):
"""
从pep文件提取最长转录本ID（如Pch01G000010.1）
返回：转录本ID集合
"""
transcript_ids = set()
if not os.path.exists(pep_file):
print(f"错误：pep文件 {pep_file} 不存在！", file=sys.stderr)
sys.exit(1)
with open(pep_file, 'r', encoding='utf-8') as f:
for line in f:
line = line.strip()
if line.startswith('>'):
# 提取核心转录本ID（>Pch01G000010.1 gene=xxx → Pch01G000010.1）
tid = line[1:].split()[0]
transcript_ids.add(tid)
if not transcript_ids:
print("错误：从pep文件中未提取到任何转录本ID！", file=sys.stderr)
sys.exit(1)
print(f"成功从pep文件提取 {len(transcript_ids)} 个最长转录本ID")
return transcript_ids
def parse_gff3_relationships(gff3_file):
"""
解析GFF3文件，建立3类关联关系：
1. transcript2gene: 转录本ID → 基因ID
2. gene2transcripts: 基因ID → 转录本ID列表
3. child2parent: 子特征ID → 父特征ID（exon/CDS → mRNA，mRNA → gene）
4. id2line: 特征ID → 完整行内容（保留原始格式）
5. all_lines: 所有行（含注释行、空行），用于后续恢复格式
"""
transcript2gene = dict() # mRNA ID → gene ID
gene2transcripts = defaultdict(list) # gene ID → [mRNA IDs]
child2parent = dict() # 子特征ID → 父特征ID
id2line = dict() # 特征ID → 原始行
all_lines = [] # 所有行（保留顺序）
id_pattern = re.compile(r'ID=([^;]+)') # 匹配ID=xxx的正则
parent_pattern = re.compile(r'Parent=([^;]+)') # 匹配Parent=xxx的正则
if not os.path.exists(gff3_file):
print(f"错误：GFF3文件 {gff3_file} 不存在！", file=sys.stderr)
sys.exit(1)
with open(gff3_file, 'r', encoding='utf-8') as f:
for line_num, line in enumerate(f, 1):
original_line = line # 保留原始行（含换行符）
all_lines.append(original_line)
line_strip = line.strip()
# 跳过注释行、空行
if not line_strip or line_strip.startswith('#'):
continue
# 分割GFF3行（GFF3用tab分隔，共9列）
cols = line_strip.split('\t')
if len(cols) < 9:
print(f"警告：第{line_num}行不符合GFF3格式（列数<9），已跳过", file=sys.stderr)
continue
feature_type = cols[2] # 第3列：特征类型（gene/mRNA/exon/CDS等）
attributes = cols[8] # 第9列：属性列（ID=xxx;Parent=xxx;...）
# 提取ID
id_match = id_pattern.search(attributes)
if not id_match:
continue # 无ID的行跳过（非核心特征）
feature_id = id_match.group(1)
id2line[feature_id] = original_line # 记录特征ID对应的原始行
# 提取Parent
parent_match = parent_pattern.search(attributes)
if parent_match:
parent_ids = parent_match.group(1).split(',') # 支持多父级（如exon对应多个mRNA）
# 只取第一个父级（GFF3规范中mRNA的父级是gene，exon的父级是mRNA）
parent_id = parent_ids[0]
child2parent[feature_id] = parent_id
# 建立mRNA ↔ gene的关联
if feature_type in ['mRNA', 'transcript']: # 兼容不同的mRNA命名
transcript2gene[feature_id] = parent_id
gene2transcripts[parent_id].append(feature_id)
print(f"成功解析GFF3文件，共识别 {len(gene2transcripts)} 个基因，{len(transcript2gene)} 个转录本")
return transcript2gene, gene2transcripts, child2parent, id2line, all_lines
def filter_gff3(transcript_ids, transcript2gene, gene2transcripts, child2parent, id2line, all_lines, output_file):
"""
筛选GFF3文件，保留最长转录本相关的所有特征
"""
# 步骤1：确定需要保留的基因ID（所有最长转录本对应的gene）
keep_gene_ids = set()
for tid in transcript_ids:
if tid in transcript2gene:
keep_gene_ids.add(transcript2gene[tid])
print(f"需要保留的基因数量：{len(keep_gene_ids)}")
# 步骤2：确定需要保留的所有特征ID（gene + 目标mRNA + 子特征）
keep_feature_ids = set()
# 1) 添加需要保留的gene ID
keep_feature_ids.update(keep_gene_ids)
# 2) 添加需要保留的mRNA ID
keep_feature_ids.update(transcript_ids)
# 3) 递归添加所有子特征（exon/CDS/UTR等）
# 先收集所有子特征的映射：parent → children
parent2children = defaultdict(list)
for child_id, parent_id in child2parent.items():
parent2children[parent_id].append(child_id)
# 广度优先遍历，收集所有子特征
queue = list(transcript_ids) # 从mRNA开始遍历
while queue:
current_id = queue.pop(0)
if current_id in parent2children:
children = parent2children[current_id]
for child in children:
if child not in keep_feature_ids:
keep_feature_ids.add(child)
queue.append(child) # 继续遍历子特征的子特征（如exon无下级，会终止）
print(f"需要保留的总特征数量：{len(keep_feature_ids)}")
# 步骤3：生成筛选后的GFF3文件（保留原始格式）
with open(output_file, 'w', encoding='utf-8') as f_out:
# 遍历所有原始行，判断是否保留
for line in all_lines:
line_strip = line.strip()
# 保留注释行、空行
if not line_strip or line_strip.startswith('#'):
f_out.write(line)
continue
# 处理特征行：判断是否在保留的特征ID中
cols = line_strip.split('\t')
if len(cols) < 9:
continue # 跳过格式错误的行
attributes = cols[8]
id_match = id_pattern.search(attributes)
if id_match and id_match.group(1) in keep_feature_ids:
f_out.write(line) # 保留目标特征行
print(f"筛选完成！最长转录本GFF3已保存至：{output_file}")
def main():
# 检查命令行参数
if len(sys.argv) != 4:
print("用法：python3 filter_gff3_by_pep.py <pep文件> <原始GFF3文件> <输出GFF3文件>", file=sys.stderr)
print("示例：", file=sys.stderr)
print("python3 filter_gff3_by_pep.py Chr_genome_longest_isoform.pep Chr_genome_all_transcripts_final_gene.gff Chr_genome_longest_isoform.gff3", file=sys.stderr)
sys.exit(1)
# 解析参数
pep_file = sys.argv[1]
gff3_file = sys.argv[2]
output_file = sys.argv[3]
# 步骤1：提取pep中的转录本ID
transcript_ids = read_pep_transcript_ids(pep_file)
# 步骤2：解析GFF3的关联关系
transcript2gene, gene2transcripts, child2parent, id2line, all_lines = parse_gff3_relationships(gff3_file)
# 步骤3：筛选并生成新的GFF3
filter_gff3(transcript_ids, transcript2gene, gene2transcripts, child2parent, id2line, all_lines, output_file)
# 可选：验证结果（输出前5个保留的mRNA特征）
print("\n筛选后的GFF3文件中前5个mRNA特征：")
count = 0
with open(output_file, 'r', encoding='utf-8') as f:
for line in f:
if line.strip() and not line.startswith('#') and 'mRNA' in line.split('\t')[2]:
print(line.strip())
count += 1
if count >= 5:
break
# 全局正则（避免重复编译）
id_pattern = re.compile(r'ID=([^;]+)')
parent_pattern = re.compile(r'Parent=([^;]+)')
if __name__ == "__main__":
main()使用及结果
bash
# 执行筛选
python3 filter_gff3_by_pep.py Chr_genome_longest_isoform.pep Chr_genome_all_transcripts_final_gene.gff Chr_genome_longest_isoform.gff3