最近一直在做基因组区间上的突变分析，在研究CDS/UTR长度时发现了一些有意思但也颇为困惑的事情。
以CDS为例，我先是用Ensembl v75的gtf注释文件抓取CDS信息，然后观察它们的区间长度：
> summary(CDS$end - CDS$start)
Min. 1st Qu. Median Mean 3rd Qu. Max.
0.0 79.0 116.0 152.3 164.0 21692.0
可以看到差值最小的是0，也就是start位点和stop位点是同一个位置，也就是有的CDS才1bp长。
看看有多少个：
> nrow(CDS[CDS$end - CDS$start == 0, ])
[1] 355
刚发现这个问题的时候还怎么注意，以为是0bp长（咳咳--），怎么编码蛋白？？在https://www.biostars.org/p/261324/#261348 还提了问题，才知道有microexon这个东东。百度一个介绍http://www.life.umd.edu/labs/mount/RNAinfo/microexons.html，microexon就是那种特别短的外显子。那么到底它有啥用，参加蛋白编码吗？who can tell me？
我看一些文献用GENCODE数据库的注释文件，所以也下载下来看看它CDS区域的情况，发现类似：
zcat gencode.v19.annotation.gtf.gz | awk '{OFS="\t";}{if ($3=="CDS") {print $1,$2,$3,$4,$5}}' | gzip > hg19_CDS_from_gencode.gz
wsx@wsx-ubuntu:~/下载$ zcat hg19_CDS_from_gencode.gz | awk '{OFS="\t";}{if(($5 - $4)==0)print $0}'
chr1 HAVANA CDS 1636464 1636464
chr1 HAVANA CDS 1636464 1636464
chr1 HAVANA CDS 6522723 6522723
chr1 HAVANA CDS 6522723 6522723
chr1 HAVANA CDS 6523132 6523132
(只截取了一部分)
UTR区间的长度结果类似。看来我还是太年轻啊～
