用Bash替换FASTA文件指定位置数字为对应索引的序列名

场景说明 #

• FASTA文件格式：目标文件夹内的FASTA文件中，以>开头的行是序列读名，下一行对应DNA序列，读名格式示例：

  > 887_ENCFF899MTI.fastq.gz_seq1
  GGCCCGCCTCCCGTCGGCCGGTGCGAGCGGCTCCGCGA
  > 55_ENCFF899MTI.fastq.gz_seq2
  GGGGGGGGCGTCTCGCGCAAACGTCCATAAC
  

• SequenceNames.txt格式：每行存储一个序列名，行号与FASTA读名中>和第一个_之间的数字索引一一对应（例如数字1对应文件第一行的SequenceA）：

  SequenceA
  SequenceB
  ...
  

需求 #

仅替换FASTA读名中>与第一个_之间的数字为SequenceNames.txt中对应行号的序列名，不修改文件名里的数字。示例效果：
原内容：

> 1_ENCFF899MTI.fastq.gz_seq1
ACTATC
> 2_ENCFF899MTI.fastq.gz_seq1

替换后：

> SequenceA_ENCFF899MTI.fastq.gz_seq1
ACTATC
> SequenceB_ENCFF899MTI.fastq.gz_seq1

尝试过的无效命令 #

使用gawk时因数组索引匹配逻辑错误未得到预期结果，尝试的命令：

gawk '{print gensub(/^> ([0-9]*)_/,array[pattern],"\1")}'

Bash解决方案 #

方法1：单文件处理（awk实现，推荐） #

先将SequenceNames.txt的内容加载到数组，再遍历FASTA文件匹配替换：

awk '
BEGIN {
    # 加载SequenceNames.txt到数组，行号作为索引（awk数组默认从1开始，刚好匹配需求）
    while ((getline name < "SequenceNames.txt") > 0) {
        seq_names[NR] = name
    }
    close("SequenceNames.txt")
}
# 处理以>开头的读名行
/^> / {
    # 捕获>和第一个_之间的数字
    match($0, /^> ([0-9]+)_/, parts)
    if (parts[1] in seq_names) {
        # 替换数字为对应序列名，保留后续内容
        $0 = "> " seq_names[parts[1]] substr($0, RSTART+RLENGTH)
    }
}
# 输出所有行（包括未修改的序列行）
1' your_fasta_file.fasta > output.fasta

方法2：批量处理文件夹内所有FASTA文件 #

结合find遍历文件，替换后覆盖原文件（建议先备份）：

find /path/to/your/fasta_folder -name "*.fasta" -type f | while read -r file; do
    awk '
    BEGIN {
        while ((getline name < "SequenceNames.txt") > 0) {
            seq_names[NR] = name
        }
        close("SequenceNames.txt")
    }
    /^> / {
        match($0, /^> ([0-9]+)_/, parts)
        if (parts[1] in seq_names) {
            $0 = "> " seq_names[parts[1]] substr($0, RSTART+RLENGTH)
        }
    }
    1' "$file" > "$file.tmp" && mv "$file.tmp" "$file"
done

注意事项 #

• 确保SequenceNames.txt的行号与FASTA读名中的数字严格对应
• 如果数字超出SequenceNames.txt的行数，该行会保持原内容不替换
• 批量处理前建议手动备份部分文件，避免意外修改

内容的提问来源于stack exchange，提问作者jelfman