从日常的体验，gff文件五花八门：

    1. 1. 第3列没有`gene`；
    2. 2. 有的`gene`没有`CDS`；# 见于转录组分析中更新了注释的`gff`文件
    3. 3. 第一列在`genome.fa`中没有对应的染色体号；# 多是 `.*_ERROP.*`，需要删除后进行`CDS`提取等操作
    4. 4. 最后一个字符`^M`；# windows下的换行符，可以用 `sed 's/\r$//'`或 `dos2unix`去除
    5. 5. 同一转录本多个`five_prime_UTR`信息，不知道算不算问题；
    6. 6. 多了去了，想起来补充
    • 欣赏一下我今天碰见的.gff文件，精简！
    1. $ grep -v "#" test1.gff | awk '{print $3}' | sort | uniq -c
    2.  174760 CDS
    3.   32886 mRNA
    • 下面一行代码，就是根据$3 == mRNA行，第9列 ID=.* 和 Parent=.*；如果没有Parent，输出两列ID
    1. $ grep -v "#" test1.gff | awk '$3 ~ /mRNA/{print $9}' | \
    2. awk -F ";|=" '{for(i=1;i<=NF/2;i++)a[$(2*i-1)]=$(2*i);if(a["Parent"]!="")print a["Parent"]"\t"a["ID"]; else print a["ID"]"\t"a["ID"]}'
    1. Distr1S00001    Distr1S00001
    2. Distr1S00002    Distr1S00002
    3. Distr1S00003    Distr1S00003
    4. Distr1S00004    Distr1S00004
    5. Distr1S00005    Distr1S00005
    6. Distr1S00006    Distr1S00006
    7. ...
    • 换拟南芥的gff
    1. AT1G01010.TAIR10        AT1G01010.1.TAIR10
    2. AT1G01020.TAIR10        AT1G01020.1.TAIR10
    3. AT1G01020.TAIR10        AT1G01020.2.TAIR10
    4. AT1G01030.TAIR10        AT1G01030.1.TAIR10
    5. AT1G01040.TAIR10        AT1G01040.2.TAIR10
    6. AT1G01040.TAIR10        AT1G01040.1.TAIR10
    7. AT1G01050.TAIR10        AT1G01050.1.TAIR10
    8. ...

    其实可以用python去构建gene，transcript，CDS，甚至exon之间的对应关系，基于我的python水平和gff文件的“多样性”，要耗费的心力和时间……虽然解决问题的过程可以提升代码水平，但暂时还是算了吧。