如何用正则修改SAM文件中特定格式的序列标识字段

针对你需要处理的SAM文件内容，关键是要精准匹配fig|xxxxxxxx|xxxxxxx|xxxxxxxx|xxx格式的字符串，仅删除该字符串内部从第二个竖线到末尾的部分，而不是全局处理所有竖线内容。你之前的sed命令误删后续有效内容，是因为它会匹配行内所有从第二个竖线开始的片段，而非仅目标字符串。

正确的sed命令 #

使用扩展正则表达式精准定位目标字符串：

sed -E 's/(fig\|[^|]+)\|.*?(\s|$)/\1\2/g' sed_test.sam > out.sam

命令解释 #

• -E：启用扩展正则表达式，简化语法书写
• (fig\|[^|]+)：捕获目标字符串的核心有效部分——fig|加上第一个竖线后的内容（直到下一个竖线为止）
• \|.*?(\s|$)：匹配目标字符串中第二个竖线开始的冗余内容，直到遇到空白字符（SAM字段的分隔符，包含制表符、空格）或行尾，确保只处理目标字符串本身，不干扰后续的LN等有效字段
• \1\2：替换为捕获的核心有效部分，加上后续的空白/行尾，完整保留原行的其他字段信息

效果示例 #

原@SQ行：

@SQ SN:fig|12345|abcdef|ghijk|lmn LN:1000

处理后变为：

@SQ SN:fig|12345 LN:1000

原比对行：

fig|67890|opq|rst|uvw 0 chr1 100 255 10M * 0 0 AGCTAGCTAG *

处理后变为：

fig|67890 0 chr1 100 255 10M * 0 0 AGCTAGCTAG *

内容的提问来源于stack exchange，提问作者Clayton Tracey