编辑RNA-seq组装的FASTA序列：保留指定标识并添加Uniprot ID

1. 解决FASTA文件无法用Get-Content打开的问题 #

Get-Content打不开通常是编码不兼容导致，尝试指定编码读取：

Get-Content -Path "你的FASTA文件路径.fasta" -Encoding UTF8

如果仍失败，替换为-Encoding Default或-Encoding ASCII重试。若还是不行，用Notepad++打开文件（它能自动识别多数编码），将文件转存为UTF-8格式后再操作。

2. 调整序列头格式（保留第一个ENSP+GN前缀的倒数第二个标识） #

用Notepad++的正则替换功能完成，无需编程基础：

1. 打开Notepad++并导入FASTA文件
2. 按Ctrl+H打开替换窗口，选择「正则表达式」模式，勾选「匹配新行」
3. 「查找目标」输入：^>(.*?)(ENSP[\d.]+).*?([^|]+)\|[^|]+$
4. 「替换为」输入：>$2|GN=$3
5. 点击「全部替换」，即可得到目标格式（如>ENSP00000493376.2|GN=OR4F5-201）

3. 为序列添加Uniprot ID #

方法一：手动映射（适合新手） #

1. 提取所有ENSP编号：在Notepad++中用正则查找^>ENSP([\d.]+)，将捕获的ENSP复制出来保存为每行一个的文本文件
2. 通过Uniprot ID映射功能，将Ensembl Protein（ENSP）映射到UniProtKB，下载CSV格式的映射结果
3. 用Excel整理ENSP与对应Uniprot ID的对应关系
4. 回到Notepad++，通过批量替换将Uniprot ID追加到序列头，例如将>ENSPxxxx|GN=yyyy替换为>ENSPxxxx|GN=yyyy|UP=zzzz

方法二：PowerShell脚本自动映射（双击运行） #

新建文本文件，复制以下代码并保存为AddUniprotID.ps1，替换其中的文件路径后右键选择「用PowerShell运行」：

# 替换为你的FASTA文件路径
$fastaPath = "你的文件路径.fasta"
$outputPath = "处理后的文件.fasta"

# 读取FASTA文件
$fasta = Get-Content $fastaPath -Encoding UTF8

# 存储ENSP到Uniprot的映射
$mapping = @{}

# 提取所有ENSP编号
$ensps = $fasta | Where-Object { $_ -match "^>(ENSP[\d.]+)" } | ForEach-Object { $matches[1] }

# 调用Uniprot API批量映射
$enspsStr = $ensps -join ","
$apiUrl = "https://rest.uniprot.org/idmapping/run"
$body = @{
    from = "ENSEMBL_PRO_ID"
    to = "UniProtKB"
    ids = $enspsStr
} | ConvertTo-Json

$response = Invoke-RestMethod -Uri $apiUrl -Method Post -Body $body -ContentType "application/json"
$jobId = $response.jobId

# 等待映射完成
Start-Sleep -Seconds 10
$resultUrl = "https://rest.uniprot.org/idmapping/results/$jobId"
$result = Invoke-RestMethod -Uri $resultUrl

# 构建映射表
foreach ($entry in $result.results) {
    $mapping[$entry.from] = $entry.to.primaryAccession
}

# 处理序列头并保存结果
$processed = $fasta | ForEach-Object {
    if ($_ -match "^>(ENSP[\d.]+)\|GN=([^|]+)$") {
        $ensp = $matches[1]
        $gn = $matches[2]
        $up = $mapping[$ensp] ?? "Unknown"
        ">$ensp|GN=$gn|UP=$up"
    } else {
        $_
    }
}

$processed | Out-File $outputPath -Encoding UTF8
Write-Host "处理完成，结果保存到 $outputPath"

注意事项 #

• 若FASTA文件过大（超100MB），Notepad++可能卡顿，优先使用PowerShell脚本
• Uniprot API有请求限制，ENSP数量过多时需分批次处理

内容的提问来源于stack exchange，提问作者Ulrike Resch