如何用sed命令提取FASTA头文件[]内内容并保留序列？

需求场景 #

现有多序列比对（MSA）FASTA文件，头部格式示例如下：

GAN08245.1/5-191 cyclin-L1 [Mucor ambiguus]
LNNPLASLEQLETTVSRR-DGISEELEADLRNLGAELIQSAGILLKLPQVAMATAQVLFQRFFYMSLKEFGI
V-EIGGLFLASTHLITVYDLIIRKMKGIVPLDAFSKAYNLKNAIAAEMQILRQLGFIVHVQLPYNMINYLRI
LGLISKRAWNYLNDEPATIACAAICREQGIKLPTLPGWWDVSAT-L----------------------
GES74777.1/6-191 cyclin-like protein [Rhizophagus clarus]
LQNAILTYGQLETTPSKK-DNIPEELEDELRRLGCDFVQSAGIVLRLPQVAMATAQVLFQRIIKESLLKGH-
----------------------RRYRNNESLEYLGVFYEMKDLVIAEMQILKKLGFNVHVQLPYGMVNYLKV
LELIPQKAWGYLNDQPATIACAVIARIAQVKLPTSPPWWEAEDE-ISRHIMRLY-NLPLDELEYLKKG

需要将头部替换为属名首字母+点+种名的格式（如M.ambiguus、R.clarus），同时完整保留序列内容。此前使用awk -F '[][]' '{print $2}' input.fa > output.fa仅提取了物种名称，丢失了序列，需修正。

解决方案 #

方法1：使用sed命令 #

利用sed的正则替换功能，仅修改包含物种名称的头部行，序列行保持不变：

sed -E 's/^.*\[([A-Z])[a-z]+ ([a-z]+)\]$/1.2/' input.fa > output.fa

• 逻辑说明：
  1. -E启用扩展正则表达式，简化语法
  2. ^.*\[([A-Z])[a-z]+ ([a-z]+)\]$匹配头部行：捕获属名的首字母（大写）和完整种名（小写）
  3. 1.2将整行替换为「属名首字母+点+种名」的格式
  4. 非头部行（序列行）因不匹配正则，直接原样输出

方法2：使用awk命令 #

改进awk逻辑，区分头部行和序列行分别处理：

awk -F '[][]' '/\[.*\]/ {split($2, sp, " "); print substr(sp[1],1,1)"."sp[2]} !/\[.*\]/ {print}' input.fa > output.fa

• 逻辑说明：
  1. -F '[][]'以[或]为分隔符，提取[]中的物种全称（如Mucor ambiguus）
  2. /\[.*\]/匹配头部行：通过split将物种全称按空格分割为属名和种名，再拼接成缩写格式输出
  3. !/\[.*\]/匹配序列行：直接原样输出

注意事项 #

• 如果你的FASTA头部带有标准的>前缀，只需调整正则表达式，例如sed命令修改为：

  sed -E 's/^.*\[([A-Z])[a-z]+ ([a-z]+)\]$/>1.2/' input.fa > output.fa
  

• 若物种名称包含特殊字符或大小写不规则，需根据实际情况微调正则规则。

内容的提问来源于stack exchange，提问作者Drishtee Barua