如何用Bash将Newick格式进化树文件转换为指定表格？

问题背景 #

现有Newick格式进化树文件input.txt，内容如下：

(((((((hg38:0.00390111,panTro4:0.00466345):0.0067608,ponAbe2:0.0116062):0.00867419,((((rheMac3:0.00199139,macFas5:0.00136397):0.00219754,papAnu2:0.00373049):0.00221139,chlSab2:0.00690005):0.00434788,(nasLar1:0.00415921,rhiRox1:0.00361872):0.0075705):0.0149329):0.0129667,(calJac3:0.025809,saiBol1:0.0245054):0.0316131):0.0521649,tarSyr2:0.113368):0.00737652,(micMur1:0.0695349,otoGar3:0.105996):0.0356137):0.00510281,mm10:0.304925);

尝试用Bash转换为制表符分隔表格时，出现物种名与数值粘连、分支未按物种组合命名的问题。期望输出满足：

• 内部分支用子节点物种/分支名的组合命名（如hg38-panTro4）
• 进化距离与对应分支/物种精准对应
• 无明确子节点的根分支用带编号的branch_*标识

解决脚本 #

编写newick2table.awk脚本，利用栈结构解析Newick的嵌套节点：

#!/usr/bin/awk -f

BEGIN {
    FS = "[(),:]";
    print "分支名称\t进化距离";
    branch_count = 0;
}

{
    sub(/;$/, "", $0);
    stack_ptr = 0;
    for (i=1; i<=NF; i++) {
        if ($i == "") continue;
        if ($i ~ /^[0-9.]+$/) {
            if (stack_ptr > 0) {
                branch_name = stack[stack_ptr];
                stack_ptr--;
            } else {
                branch_name = "branch_" ++branch_count;
            }
            printf "%s\t%s\n", branch_name, $i;
        } else {
            stack[++stack_ptr] = $i;
            if (stack_ptr >= 2) {
                combined = stack[stack_ptr-1] "-" stack[stack_ptr];
                stack_ptr -= 2;
                stack[++stack_ptr] = combined;
            }
        }
    }
    if (stack_ptr > 0) {
        printf "branch_%d\t%s\n", ++branch_count, stack[stack_ptr];
    }
}

运行方式 #

执行以下命令生成表格：

awk -f newick2table.awk input.txt

脚本说明 #

1. 字段分割：用[(),:]作为分隔符，拆分Newick字符串中的节点名和进化距离
2. 栈处理逻辑：
   • 遇到物种/分支名时压入栈，当栈中有两个元素时，将其组合为A-B格式的父分支名，替换原有的两个元素
   • 遇到进化距离时，从栈顶取出对应的分支名，输出制表符分隔的行
3. 根分支处理：解析完成后若栈中仍有剩余节点，自动生成带编号的branch_*标识

示例输出 #

分支名称	进化距离
hg38-panTro4	0.0067608
hg38-panTro4-ponAbe2	0.00867419
rheMac3-macFas5	0.00219754
rheMac3-macFas5-papAnu2	0.00221139
rheMac3-macFas5-papAnu2-chlSab2	0.00434788
nasLar1-rhiRox1	0.0075705
...

内容的提问来源于stack exchange，提问作者Jontexas