如何仅编辑FASTA文件头部第一列，去除连字符后的内容？

原始FASTA文件头部结构：

>Saurogobio_punctatus-NC_080528.1|taxid=1771284|cellularorganisms,Eukaryota,Opisthokonta,Metazoa
GCTAGCGTAGCTTAATATAAAGCATAACACTGAAGATGTTAAGATGAGCCCTAA

需求是：仅修改头部的第一列，去除其中连字符-后的AccessionID部分，保留头部其余所有内容，处理后效果如下：

>Saurogobio_punctatus|taxid=1771284|cellularorganisms,Eukaryota,Opisthokonta,Metazoa
GCTAGCGTAGCTTAATATAAAGCATAACACTGAAGATGTTAAGATGAGCCCTAA

你之前尝试的sed命令错误原因是正则匹配逻辑有误：它把|作为匹配起点，并用.*$直接删掉了连字符之后的所有内容，导致头部其余部分丢失。

解决方案1：使用awk（适配你之前的处理习惯） #

利用awk按|分割字段的特性，只修改第一列，自动保留后续所有字段：

awk 'BEGIN { FS=OFS="|" } /^>/ { sub(/-[^-]*$/, "", $1); print; next } { print }' input.fasta > output.fasta

逻辑说明：

• BEGIN { FS=OFS="|" }：设置输入、输出的字段分隔符均为|
• /^>/：仅匹配FASTA头部行
• sub(/-[^-]*$/, "", $1)：对第一列执行替换，将末尾的-及其后的所有非-字符（即AccessionID）清空
• print：输出修改后的完整头部行，后续字段自动保留
• next：跳过后续逻辑，直接处理下一行
• { print }：非头部行直接原样输出

解决方案2：使用sed（修正正则匹配逻辑） #

调整正则表达式，仅匹配第一列内的目标内容，不影响头部其余部分：

sed -E '/^>/s/^>([^|]+)-[^|]+(.*)/>\1\2/' input.fasta > output.fasta

逻辑说明：

• /^>/：仅匹配头部行
• ^>([^|]+)-[^|]+(.*)：
  • ^>：匹配头部起始的>符号
  • ([^|]+)：捕获第一列中-之前的物种名称（所有非|字符）
  • -[^|]+：匹配-和后续的AccessionID（直到第一个|为止）
  • (.*)：捕获头部中第一个|之后的所有内容
• >\1\2：替换为> + 捕获的物种名称 + 捕获的后续头部内容

内容的提问来源于stack exchange，提问作者Rachel