# AGAT 各种功能总览

AGAT，全称 **Another GTF/GFF Analysis Toolkit**，是一个用于处理基因组注释文件的工具集，主要面向 **GTF / GFF / GFF3** 文件。

它主要用于：

- 清洗和标准化 GFF/GTF 注释文件
- 修复不规范的注释结构
- 补充缺失的 feature
- 补充或修复 `ID` / `Parent` 等 attributes
- 注释格式转换
- 注释统计
- 注释过滤
- 注释合并
- 注释比较
- 序列提取
- 批量管理 ID 和 attributes
- 生成适合下游软件使用的注释文件

---

# 1. AGAT 脚本命名规则

AGAT 的脚本基本都以 `agat_` 开头。

常见两类脚本：

| 类型 | 含义 | 特点 |
|---|---|---|
| `_sp_` | slurp 模式 | 会把整个 GFF/GTF 文件读入内存，解析完整的 gene-transcript-exon-CDS 层级关系，功能更强，但更占内存 |
| `_sq_` | sequential 模式 | 逐行处理文件，更省内存，但不会完整解析复杂的 feature 层级关系 |

---

# 2. 核心标准化 / 清洗功能

## `agat_convert_sp_gxf2gxf.pl`

这是 AGAT 最核心、最常用的工具。

它可以把不规范的 GTF/GFF/GFF3 文件清洗、修复、排序并标准化。

## 主要功能

- 读取 GTF / GFF / GFF3 文件
- 清洗不规范的注释格式
- 修复 gene / transcript / exon / CDS 层级关系
- 补充缺失的 `gene`
- 补充缺失的 `mRNA` / `transcript`
- 补充缺失的 `exon`
- 补充缺失的 `UTR`
- 补充或修复 `ID`
- 补充或修复 `Parent`
- 修复重复 ID
- 修复重复 feature
- 修复坐标异常
- 修复 feature 分组问题
- 重新排序 feature
- 输出标准化的 GFF3 或 GXF 文件

## 示例

```bash
agat_convert_sp_gxf2gxf.pl \
  -g input.gff3 \
  -o output.cleaned.gff3

3. 格式转换功能 Convert

AGAT 可以在多种注释格式之间转换。

示例

# GFF3 转 BED
agat_convert_sp_gff2bed.pl \
  -g annotation.gff3 \
  -o annotation.bed

# GFF3 转 GTF
agat_convert_sp_gff2gtf.pl \
  -g annotation.gff3 \
  -o annotation.gtf

# GFF/GTF 转 TSV
agat_convert_sp_gff2tsv.pl \
  -g annotation.gff3 \
  -o annotation.tsv

4. 添加 feature 功能 Add

这类工具用于根据已有注释推断并添加新的 feature。

示例

# 添加 intron
agat_sp_add_introns.pl \
  -g annotation.gff3 \
  -o annotation.with_introns.gff3

适用场景

• 注释文件中缺少 intron feature
• 需要生成 intergenic region 区域
• 需要给 CDS 添加 start / stop codon 标记
• 需要补充剪接位点信息

5. 注释整合功能 Aggregate

这类工具用于合并或互补多个注释文件。

适用场景

• 合并 BRAKER 和 MAKER 注释
• 合并 ab initio 预测和同源预测结果
• 合并转录组辅助注释和已有基因注释
• 用一个注释文件补充另一个注释文件缺失的基因区域
• 整合多个来源的 GFF/GTF 文件

6. 注释比较与评估功能 Compare

这类工具用于比较两个注释版本或评估注释质量。

agat_sp_compare_two_annotations.pl 可以分析

• file1 中独有的 gene
• file2 中独有的 gene
• 两个注释中一对一对应的 gene
• gene split 情况
• gene fusion 情况
• gene overlap 情况
• 注释版本之间的结构差异

适用场景

• 比较旧版和新版基因组注释
• 比较不同注释流程的结果
• 检查新注释是否产生 gene split
• 检查新注释是否产生 gene fusion
• 评估预测注释与参考注释的一致性
• 分析注释版本升级前后的变化

7. 信息提取功能 Extract

这类工具用于从 GFF/GTF 中提取 attributes 或序列。

agat_sp_extract_attributes.pl 可提取的常见字段

• ID
• Parent
• Name
• gene_id
• transcript_id
• product
• Dbxref
• Ontology_term
• Note

agat_sp_extract_sequences.pl 可提取的常见序列

• gene sequence
• transcript sequence
• mRNA sequence
• CDS sequence
• protein sequence
• exon sequence
• UTR sequence

示例

# 提取序列
agat_sp_extract_sequences.pl \
  -g annotation.gff3 \
  -f genome.fa \
  -o output.fa

# 提取蛋白序列
agat_sp_extract_sequences.pl \
  -g annotation.gff3 \
  -f genome.fa \
  -p \
  -o proteins.fa

8. 注释过滤功能 Filter

这类工具用于按长度、ID、属性、坐标、ORF、intron 数量等条件过滤注释。

示例

# 每个基因只保留最长转录本
agat_sp_keep_longest_isoform.pl \
  -g annotation.gff3 \
  -o annotation.longest_isoform.gff3

# 根据 ID 列表保留指定基因或转录本
agat_sp_filter_feature_from_keep_list.pl \
  -g annotation.gff3 \
  -l keep_ids.txt \
  -o annotation.keep.gff3

# 根据 ID 列表删除指定基因或转录本
agat_sp_filter_feature_from_kill_list.pl \
  -g annotation.gff3 \
  -l remove_ids.txt \
  -o annotation.filtered.gff3

适用场景

• 去除过短的基因模型
• 去除不完整的 CDS 模型
• 去除低质量预测基因
• 只保留目标基因列表
• 删除污染序列上的基因
• 只保留每个基因的代表转录本
• 按坐标区间截取注释
• 根据第 9 列 attribute 进行筛选
• 根据 ORF 长度筛选 coding gene

9. 标记功能 Flag

这类工具不会直接删除记录，而是给可疑记录添加标记，方便后续检查或过滤。

适用场景

• 检查异常 CDS
• 发现可能的假基因
• 发现可能错误预测的基因模型
• 标记异常短 intron
• 辅助后续过滤低质量注释

10. 修复功能 Fix

这类工具用于修复注释结构、CDS phase、重叠基因、fusion gene、最长 ORF 等问题。

示例

# 修复 CDS phase
agat_sp_fix_cds_phases.pl \
  -g annotation.gff3 \
  -f genome.fa \
  -o annotation.fixed_phase.gff3

适用场景

• CDS phase 不正确
• gene model 中 CDS 翻译异常
• transcript 内 ORF 不合理
• gene 之间异常重叠
• 存在 fusion gene 问题
• 注释文件中存在重复 feature
• exon 或 CDS 坐标存在问题

11. ID 和 attributes 管理功能 Manage

这类工具用于批量管理 GFF/GTF 第 9 列信息，包括 ID、attributes、UTR、intron、功能注释等。

常见用途

• 批量重命名 gene ID
• 批量重命名 transcript ID
• 统一 ID 命名规则
• 删除不需要的 attribute
• 添加新的 attribute
• 重命名 attribute
• 复制 attribute
• 整理 gene_id
• 整理 transcript_id
• 整理 Name
• 整理 product
• 整理 Dbxref
• 整理 UTR feature
• 整理 intron feature
• 添加功能注释字段

12. 统计功能 Statistics

这类工具用于统计注释文件的结构和功能注释信息。

示例

agat_sp_statistics.pl \
  -g annotation.gff3 \
  -o annotation.stats.txt

常见统计内容

• gene 数量
• transcript 数量
• exon 数量
• CDS 数量
• UTR 数量
• intron 数量
• gene 长度分布
• transcript 长度分布
• exon 长度分布
• intron 长度分布
• CDS 长度分布
• 每个 gene 的 isoform 数量
• 每个 transcript 的 exon 数量
• mono-exonic gene 数量
• multi-exonic gene 数量
• coding gene 数量
• non-coding gene 数量

13. 其他 GFF/GTF 处理功能 Other

适用场景

• 按基因或转录本拆分 GFF
• 让 GFF 更适合 Apollo / WebApollo
• 让 GFF 更接近 Ensembl 输出风格
• 处理 Prokka 注释中的 fragmented gene
• 根据蛋白比对结果补充 gene function
• 裁剪 assembly 两端 N 后同步修正 GFF 坐标
• 列出并检查短 intron

14. Sequential / _sq_ 逐行处理功能

_sq_ 工具逐行处理文件，通常更省内存，适合大文件的简单处理。

适用场景

• 文件特别大
• 不需要完整解析 gene-transcript-exon-CDS 层级关系
• 只需要简单修改 attributes
• 只需要添加标签
• 只需要按序列 ID 过滤
• 只需要基础统计
• 只需要拆分文件
• 希望降低内存使用

15. 按需求快速选择工具

16. 常见工作流示例

16.1 清洗注释并统计

# 清洗并标准化 GFF/GTF
agat_convert_sp_gxf2gxf.pl \
  -g raw_annotation.gff3 \
  -o annotation.cleaned.gff3

# 统计注释信息
agat_sp_statistics.pl \
  -g annotation.cleaned.gff3 \
  -o annotation.stats.txt

16.2 清洗后提取蛋白序列

# 清洗注释
agat_convert_sp_gxf2gxf.pl \
  -g raw_annotation.gff3 \
  -o annotation.cleaned.gff3

# 提取蛋白序列
agat_sp_extract_sequences.pl \
  -g annotation.cleaned.gff3 \
  -f genome.fa \
  -p \
  -o proteins.fa

16.3 每个基因只保留最长转录本

agat_sp_keep_longest_isoform.pl \
  -g annotation.cleaned.gff3 \
  -o annotation.longest_isoform.gff3

16.4 GFF3 转 GTF 给下游软件使用

agat_convert_sp_gff2gtf.pl \
  -g annotation.cleaned.gff3 \
  -o annotation.cleaned.gtf

16.5 根据列表保留指定基因

agat_sp_filter_feature_from_keep_list.pl \
  -g annotation.gff3 \
  -l keep_gene_ids.txt \
  -o annotation.filtered.gff3

16.6 根据列表删除指定基因

agat_sp_filter_feature_from_kill_list.pl \
  -g annotation.gff3 \
  -l remove_gene_ids.txt \
  -o annotation.filtered.gff3

16.7 修复 CDS phase

agat_sp_fix_cds_phases.pl \
  -g annotation.gff3 \
  -f genome.fa \
  -o annotation.fixed_phase.gff3

16.8 添加 intron feature

agat_sp_add_introns.pl \
  -g annotation.gff3 \
  -o annotation.with_introns.gff3

16.9 比较两个注释版本

agat_sp_compare_two_annotations.pl \
  -gff1 old_annotation.gff3 \
  -gff2 new_annotation.gff3 \
  -o comparison_result

17. 总结

AGAT 可以理解为 GFF/GTF 注释文件处理的 Swiss army knife。

它不是基因预测工具，而是用于处理已有注释文件或预测结果的工具集。

主要功能包括：

• 注释文件清洗
• 注释结构修复
• 格式转换
• feature 添加
• 注释过滤
• 注释统计
• 序列提取
• 注释合并
• 注释比较
• ID 和 attributes 批量管理
• GFF/GTF 文件拆分
• 生成适合下游软件使用的标准注释文件

最常用的入口工具是：

agat_convert_sp_gxf2gxf.pl

如果 GFF/GTF 文件不规范、下游软件无法识别、ID/Parent 混乱，通常可以先用这个工具进行标准化处理。