Obtenir les régions non codantes d'une transcription de codage de protéines, semble être à la recherche de UTR.

UTR a sa propre fonctionnalité dans le gtf fichier. Vous pouvez donc faire ceci:

   $ awk -v FS = "\ t" '$  3 == "UTR"' gencode .gtf  

Si le fichier gtf est compressé, utilisez ceci à la place:

   $ zcat gencode.gtf.gz | awk -v FS = "\ t" '$  3 == "UTR"'  

BTW: Pourquoi utilisez-vous une telle ancienne version de gencode? La version actuelle est la v29.

Si vous voulez tous les transcriptions de ce fichier gtf dont le type n'est pas "protein_coding", vous pouvez utiliser presque la même commande, il suffit de changer == ("is") en ! = ("n'est pas"):

  awk '{if ( $ 3 == "transcript" && $  span > 20! = "\" Protein_coding \ ";") {print $ 0}} 'gencode.gtf 

Ou, une version plus simple:

  awk ' $ 3 == "transcript" && $  20! = "\" protein_coding \ ";"' gencode.gtf 

Remarque que cela n'inclura aucune des transcriptions de la havane dans le fichier, mais je suppose que c'est ce que vous voulez puisque c'est ce que votre commande d'origine a fait.

Plus précisément, la commande retournera les types de transcription suivants (les nombres à gauche sont le nombre de ces transcriptions dans le fichier):

  awk ' $ 3 == "transcript" && $  20! = "\" protein_coding \ ";" {print $ 20} 'gencode.gtf | trier | uniq -c | sort -nk1 1 "pseudogène_procédé_ traduit"; 2 "Mt_rRNA"; 3 "IG_J_pseudogène"; 3 "TR_D_gene"; 4 "TR_J_pseudogène"; 5 "TR_C_gene"; 10 "IG_C_pseudogène"; 18 "IG_C_gene"; 18 "IG_J_gene"; 22 "Mt_tRNA"; 25 "3prime_overlapping_ncrna"; 27 "TR_V_pseudogène"; 37 "IG_D_gene"; 58 "non_stop_decay"; 59 "polymorphic_pseudogene"; 74 "TR_J_gene"; 97 "TR_V_gene"; 144 "IG_V_gene"; 182 "pseudogène_unitaire"; 196 "IG_V_pseudogène"; 330 "chevauchement_sens"; 387 "pseudogène"; 442 "pseudogène_procédé_ transcrit"; 531 "ARNr"; 802 "sense_intronic"; 860 "pseudogène_ non traité_ transcrit"; 1529 "snoRNA"; 1923 "snRNA"; 2050 "ARN_ divers"; 2549 "pseudogène_ non traité"; 3116 "miARN"; 9710 "antisens"; 10623 "pseudogène_traité"; 11780 "lincRNA"; 13052 "nonsense_mediated_decay"; 25955 "intron_ retenu"; 28082 "processing_transcript";  

Vous voudrez peut-être également supprimer ce "Translated_processed_pseudogene" car il est en fait traduit en protéine et est donc techniquement codant:

  awk ' $ 3 = = "transcription" && $  20! = "\" protein_coding \ ";" && $ 20! = "\" Translate_processed_pseudogene \ ";" 'gencode.gtf  

Ce problème n'est pas facilement résolu avec awk. Ce n'est pas comme si vous extrayiez une fonctionnalité annotée dans le fichier GTF. Au lieu de cela, vous voulez un espace vide entre les entités annotées.

Il y a quelques années, j'ai écrit un programme appelé LocusPocus pour une tâche similaire. Il utilise une annotation génique pour décomposer un génome en locus géniques et régions intergéniques. Il gère les annotations qui se chevauchent et d'autres bizarreries de manière assez robuste. La sortie comprendra à la fois des régions de codage et des régions non codantes, mais vous pouvez identifier les espaces intergéniques comme ceux avec iLocus_type égal à iiLocus ou fiLocus .

Remarque : le paramètre --delta étendra chaque gène / transcrit de 500 pb par défaut.

Attention : le programme n'accepte que les entrées GFF3 par défaut. J'espère qu'il ne sera pas trop difficile de convertir votre GTF en GFF3.

Autre mise en garde : l'interprétation éventuelle de ces données dépendra des caractéristiques annotées dans le génome et des annotations vous incluez vs ignore. Voulez-vous que vos régions non codantes incluent des gènes non codants, ou devraient-ils être traités séparément? Certaines régions non codantes seront pleines d'éléments transposables et d'autres ADN répétitifs, tandis que d'autres auront des amplificateurs, des promoteurs ou d'autres éléments régulateurs. Il est important de faire preuve de prudence avant de tirer des conclusions.

Probablement régions non codantes du génome sont ici

https://elifesciences.org/download/aHR0cHM6Ly9jZG4uZWxpZmVzY2llbmNlcy5vcmcvYXJ0aWNsZXMvMjE3NzgvZWxpZmUtMjE3Nzgtc3VwcDQtdjMueGxzeA==/elife-21778-supp4-v3.xlsx?_hash=KQi5jfO3kT2c4Qw44j4Rg6YAyCBQilYuWHVYXcRDuuo% 3D