无论是Windows，MacOS, Linux桌面的用户，你都可以也会使用。
写在前面
伴随基因组测序的普及，越来越多物种的基因组测序项目开展并报道，为科研工作者提供了更为全面的参考序列信息。目前，单纯植物类已公布的基因组，应在400~500个物种之间。这带来了更多的数据，也带来了更多的信息分析挑战。物种基因组公布，往往(至少)会公布两个文件：
- 物种基因组序列文件，如 genome.fa
- 物种序列特征注释文件【或更常见的 基因结构注释信息文件】，如 genome.gff3 / genome.gtf
对于具有编程基础或熟悉 Linux 操作系统的数据分析人员，往往可以通过编写脚本或使用诸如 gffreads 等命令行工具来进行序列提取【如：所有基因的 CDS 序列】。但对于可以从数据中受益的更多人而言，这并不是一个完美选项。
三年前，TBtools 释放了 ** GTF/GFF3 Sequences Extract** 功能，应为极少见的【至少我没见过其他】 可实现基于 GTF/GFF3 注释信息 从全基因组序列中提取 指定特征序列集合 的GUI工具。
【注，其中 Start 摁钮为灰色，即不可用，下文有说明】
常见用途
- 提取所有 CDS 序列集合（可用 TBtools 直接翻译成 蛋白序列集合）
- 提取所有 Exon 序列集合（即注释文件中所有转录本序列）
- 提取所有 Gene 序列结合（即基因的所有Exon和Intron序列）
- 提取所有 Promoter 序列集合（或为 UTR及上游1~2kb；或为 ATG及上游1~2kb等）
TBtools 提取出的序列可以保证 ID 完全统一，方便后续任何分析【如基因结构可视化，基因定位在染色体上等等】。当然，TBtools 也提供了 GTF/GFF3 信息整理工具，可方便用于直接整理 ID 重命名的映射文件，随后可用 Fasta Rename 直接进行批量重命名。
以下，大体介绍下两个常见用途（提取 CDS 或 提取 Promoter）的操作姿势
使用到的文件
【注：如果文件是.gz .rar .tar.gz 等后缀的压缩文件，请先解压缩再使用】
使用第一步
GFF3/GTF文件中存储的序列特征很多，对于 GUI 操作，用户往往需要全面了解文件中可供提取的序列特征，如CDS, Exon等。所以使用这一功能的第一步，即 a) 导入GFF3/GTF文件 b) 点击初始化
可以看到，点击初始化之后，Feature ID等均有了变化
同时还会弹出一个文本对话框，这个对话框，事实上用户辅助用户选择 Feature Tag 和 Feature ID。
- Feature Tag，一般是 CDS, Exon, mRNA, Transcript, Gene等，用户往往已经知道自己要提取什么，不需要辅助
- Feature ID，以 CDS 和mRNA为例。我们很清楚，真核生物中，大多数基因均是断裂基因，即 Exon-Intron-Exon... CDS即Exon的部分，所以CDS本身在基因序列的尺度上，也是被 Intron 所分隔。当我们需要提取 CDS 的时候，往往我们说的并不是提取 一截CDS，而是把某个转录本对应的几截甚至几十截 CDS 按照正确的顺序和方向连接起来之后的真实的 CDS 全长。于是 ，如何连接，这个时候，就需要用户指定一个 ID，如下，
可以看到 GFF3 注释文件中，同一个转录本 ATG01010.1 拥有几截CDS。这些 CDS 可以以 Parent 这个 Feature ID 来归组，并组合成 ATG01010.1 的 CDS 全长。事实上，这个文件比较简单，因为 CDS 并没有更多的 Feature ID 可以选择。在其他物种中，常常会出现各种各种的 Feature ID，比如直接是 ID=。
可以看到图片中还有 mRNA，在这个注释文件中，每一个mRNA基友 ID= 也有 Parent=，前者事实上是这个 mRNA 独有的标签，后者则记录了这个 mRNA 属于是哪一个基因的转录本之一。此时，如果是要提取这个mRNA的序列【包括Exon和Intron】，那么设置 Feature ID 为 ID 则是正确的。如果选择 Feature ID 为 Parent，则只会得到不理想的结果。一个基因多个转录本会有完全相同的 Parent 便签，这些转录本会按顺序串联起来，这并不没有生物学意义。
于是，可以开始不同的提取操作了，但是在开始之前，还有一件事情一定不能忘记。
注意事项
TBtools 所有 GUI 功能的设计与使用遵从一个基本逻辑：set [I]nput files，set [O]utput files if needed，click [S]tart button，简称 IOS。
所以，下述任何操作，即点击 Start 之前，先设置输出文件。
提取物种所有 CDS 序列
【注意，必须先设置 输出文件】
很快，可以看到输出文件。其中包括了物种【注释文件中包括】的所有CDS序列全长。
如果需要 蛋白序列 集合，那么只需要直接用 TBtools 的 批量翻译功能即可。
提取所有转录本的 Promoter 序列
Promoter 往往指 UTR上游1~2kb 的区间，这并不绝对，因为顺式作用元件同样可以存在于 Intron 甚至是 Exon 上。目前，大多数物种的基因结构注释信息并不完善，在常见的数据分析中，除少数模式生物，如拟南芥，水稻，人类等，在提及对 Promoter 序列的分析，往往直接使用 翻译起始密码子ATG上游1~2kb的序列。此处，也以同样的方式处理【注，这并不是我本人的生物学认定，仅为演示用】。
于是可以得到，
于是，在所有 CDS 全长的前面，增加了 1000bp 的序列，即上述提及的 Promoter 序列。
很多时候，大家需要的是不包含CDS序列的，纯粹的 Promoter 序列，这个时候，只需要勾选多一个选项即可，
于是得到
于是，对于其他序列特征，如Exon全长，miRNA前体等等，参考以上就可以了。
其他参数详解
这个功能基本完善于两三年前，但是参数还是比较丰富。
其中：
- 仅提取不多于指定Feature数目的序列，比如，有时候我们只需要 单外显子 转录本的，那么这个时候，指定最多允许1个Exon即可。
- 仅提取不少于指定Feature数据的序列，与1. 正好相反
- 保留注释信息在输出的 Fasta 文件 ID，中，有时候我们希望得到信息相对全面的文件
- 提取 Feature 5’ 端上游指定长度的序列，如上述的 CDS 上游1kb
- 提取 Feature 3’ 端下游指定长度的序列
- 只保留上游或下游序列
补充
当然，你可能还有各式各样的需求。
你只是需要部分基因的Promoter，那就用 TBtools 的 Fasta Extract，
你想要提取GFF3中每个转录本对应的基因ID，
你又想要批量对提取之后的序列进行重命名
你还要想什么？用好搜索框！不用拼命翻菜单。
写在后面
昨天半夜醒来，毫无困意。推文写得七七八八，加上前述也听闻 follower 要在他们的软件里面实现类似的功能，那么索性推出，方便作为他们的参考。整体上，这个功能自从推出后，几乎没有更新过。不过我个人的使用频次较高，主要原因在于，越多物种的基因组数据要分析，越多项目需要开展，那么 ID 的一致和统一就越显得重要，而 TBtools 在这块上从设计之初就很在意。
有时候，我们更多地应该从程序解析或者机械自动化的角度去思考问题，设计和实现功能；而不是纯粹考虑输出结果如何迎合人类偏好。因为，人的欲望是复杂的，甚至是无规律可循。于是，剩下的，就只有断层。
当然，这也是为什么，很多类似生信小工具很少人愿意去写，比如 TBtools 的 Fasta 序列操作（包括提取，重命名，格式化等等）。为什么在 TBtools 之前没有轻便的工具【事实上，除去JRE和一些Wrapper程序，TBtools的整体大小只有几Mb】?
其实道理就这么简单，因为简单而且繁杂的事情，做数据分析/软件开发方向的绝大多数人，并不在意或者并不愿意，因为这看起来并没什么技术含量，就跟我现在一直在做的多数工作一样。
不过，有没有技术含量，跟值不值得，喜不喜欢，似乎并没有关系。市面上，又有多少是有技术含量的呢？如果你认真起来。
