如何用Awk打印FASTA文件中CadC基因的前后序列记录？

核心需求 #

从FASTA格式的基因注释/序列文件中，提取含Cadmium标记的CadC基因，同时输出其前序、后序相邻基因的完整序列（包括头部注释和碱基序列）。

单文件处理命令 #

-vRS='>' -vORS='' '
NR==1 {prev=$0; next}
$2~/Cadmium/ {
    if (prev != "") print RS prev;
    print RS $0;
    getline;
    if ($0 != "") print RS $0;
    exit
}
{prev=$0}
' file.ffn > cadc_with_neighbors.txt

多文件批量处理命令 #

如果要处理多个.ffn文件，并在输出中标记来源文件名，使用以下命令：

-vRS='>' -vORS='' '
FNR==1 {prev=$0; curr_file=FILENAME; next}
$2~/Cadmium/ {
    if (prev != "") print RS curr_file "|" prev;
    print RS curr_file "|" $0;
    getline;
    if ($0 != "") print RS curr_file "|" $0;
}
{prev=$0; curr_file=FILENAME}
' *.ffn > cadc_all_with_neighbors.txt

代码逻辑说明 #

• -vRS='>'：将FASTA的基因分隔符>设为awk的记录分隔符，每个基因（包括头部注释+序列）会被识别为一个独立记录
• -vORS=''：取消默认输出换行符，避免生成多余空行
• 用prev变量缓存上一个基因的内容，当匹配到目标CadC基因时：
  1. 输出缓存的前序基因（如果存在）
  2. 输出当前的CadC基因
  3. 通过getline读取下一个基因，输出后序基因（如果存在）
  4. 单文件命令中的exit用于找到第一个CadC后停止处理，若需提取所有CadC实例，删除exit即可

输入输出示例 #

输入FASTA片段 #

gene1 hypothetical protein
ATCGATCGATCG
gene2 Cadmium resistance transcriptional regulator CadC
GGATCCGGATCC
gene3 hypothetical protein
TTAGCATTAGCA

期望输出（单文件处理） #

gene1 hypothetical protein
ATCGATCGATCG
gene2 Cadmium resistance transcriptional regulator CadC
GGATCCGGATCC
gene3 hypothetical protein
TTAGCATTAGCA

注意事项 #

• 确保FASTA格式规范：每个基因头部以>开头，序列部分可换行（awk会自动将整个基因的内容作为一个记录处理）
• 若目标基因是文件的第一个/最后一个，代码会自动跳过不存在的前序/后序基因，不会输出空内容

内容的提问来源于stack exchange，提问作者tsz