如何将Fasta文件header中'Similar to'后词汇移至>后首位？

我有一个带注释的Fasta文件，需要将header中Similar to之后的第一个单词添加到>后的第一个位置。

输入示例 #

>_Anouracaudifer_00017283-RA transcript Name:"Similar to Chid1 Chitinase domain-containing protein 1 (Rattus norvegicus OX=10116)" offset:0 AED:0.30 eAED:0.30 QI:0|0|0|1|1|1|12|0|393
ATGAAGGCGCTCCTGCATGTGCTCTGGCTCACTCTGGCCTGCGGCTCTGCTCACACCACCCTGTCGAAGTCGGATGCCAAGAAGTCTGCCTCCAAGACACTGCAGGAGAAGACTCAGCTCTCAGAGACACCTGTGCAGGACCGGGGTCTGGTGGTAACAGACCCCCGAGCCGAGGACG

期望输出 #

>Chid1_Anouracaudifer_00017283-RA transcript Name:"Similar to Chid1 Chitinase domain-containing protein 1 (Rattus norvegicus OX=10116)" offset:0 AED:0.30 eAED:0.30 QI:0|0|0|1|1|1|12|0|393
ATGAAGGCGCTCCTGCATGTGCTCTGGCTCACTCTGGCCTGCGGCTCTGCTCACACCACCCTGTCGAAGTCGGATGCCAAGAAGTCTGCCTCCAAGACACTGCAGGAGAAGACTCAGCTCTCAGAGACACCTGTGCAGGACCGGGGTCTGGTGGTAACAGACCCCCGAGCCGAGGACG

已尝试的方法及问题 #

• sed命令：

  sed -E 's/(Similar to )(\w+)/>CHIA_\2\1\2/' file.txt > new_file_2.txt
  

  该命令逻辑错误，它是替换Similar to 单词的片段，而非在标题开头插入目标单词，因此无法得到预期结果。

• Python脚本：

  def extract_similar_to_word(line):
      words = line.split()
      for i, word in enumerate(words):
          if word == "Similar":
              similar_to_word = words[i + 2].strip('""')
              if i + 3 < len(words) and words[i + 3].strip('""')[0].isupper():
                  similar_to_word = words[i + 1].strip('""') + words[i + 2].strip('""')
              return similar_to_word
      return None
  
  def modify_fasta_headers(input_file, output_file):
      with open(input_file, "r") as in_file, open(output_file, "w") as out_file:
          for line in in_file:
              if line.startswith(">"):
                  similar_to_word = extract_similar_to_word(line)
                  if similar_to_word:
                      first_space_index = line.find(" ")
                      line = ">" + similar_to_word + "_" + line[1:first_space_index] + line[first_space_index:]
              out_file.write(line)
  
  input_file = "all_chias.fasta"
  output_file = "modified_output_fasta_v1.fasta"
  
  modify_fasta_headers(input_file, output_file)
  

  脚本中存在判断逻辑错误（错误拼接了to和目标单词），且通过split()拆分文本会因引号导致单词识别不准确。

解决方案 #

方法1：使用sed命令 #

利用正则捕获标题开头部分和Similar to后的目标单词，重组标题：

sed -E 's/^>([^ ]+) (.*Similar to ([^ "]+).*)/>\3_\1 \2/' input.fasta > output.fasta

• 正则说明：
  • ^>：匹配Fasta标题行的开头
  • ([^ ]+)：捕获>后第一个空格前的所有内容（原标题的第一部分）
  • (.*Similar to ([^ "]+).*)：捕获标题剩余内容，同时捕获Similar to后第一个非空格、非引号的单词
  • >\3_\1 \2：将捕获的目标单词放在最前面，加下划线后拼接原标题第一部分，最后接上剩余内容

方法2：修正后的Python脚本 #

使用正则精准匹配目标单词，避免拆分文本带来的问题：

import re

def modify_fasta_headers(input_file, output_file):
    # 正则匹配"Similar to"后的第一个目标单词（排除引号和空格）
    target_pattern = re.compile(r'Similar to ([^ "]+)')
    with open(input_file, 'r') as infile, open(output_file, 'w') as outfile:
        for line in infile:
            if line.startswith('>'):
                match_result = target_pattern.search(line)
                if match_result:
                    target_word = match_result.group(1)
                    # 找到第一个空格位置，插入目标单词
                    first_space_pos = line.find(' ')
                    if first_space_pos != -1:
                        new_header = f'>{target_word}_{line[1:first_space_pos]}{line[first_space_pos:]}'
                        outfile.write(new_header)
                        continue
            # 非标题行或匹配失败时直接写入原内容
            outfile.write(line)

# 替换为你的输入输出文件路径
input_file = "all_chias.fasta"
output_file = "modified_output_fasta_v1.fasta"

modify_fasta_headers(input_file, output_file)

内容的提问来源于stack exchange，提问作者Nadia Tamayo