Linux/Ubuntu下按ID列表从fasta文件提取序列的方法问询

下面是几个可行的方法，解决从FASTA文件中批量提取指定ID序列的问题：

方案一：修正grep命令（适配多行序列） #

你的grep命令输出为空，大概率是因为list.txt里的ID没有带>符号，或者目标序列是多行的（-A1只取了一行后续内容）。按以下步骤调整：

1. 给list.txt的每行ID前添加>：

sed 's/^/>/' list.txt > list_with_prefix.txt

2. 用grep匹配并提取足够多的后续行（覆盖多行序列），同时去除自动生成的分隔符：

grep -Fwf list_with_prefix.txt -A9999 datafile.fasta | grep -v "^--$" > NRCDS_nuc.fasta

方案二：用awk处理（最通用，支持多行序列） #

awk能完美处理多行序列的FASTA文件，无需预处理ID列表（假设list.txt里的ID不带>）：

awk 'BEGIN{while((getline line < "list.txt")>0) ids[line]=1} /^>/{current=substr($0,2)} ids[current]{print}' datafile.fasta > NRCDS_nuc.fasta

原理：先把所有需要的ID读入数组，遍历FASTA时识别ID行，匹配成功就输出当前行及后续序列行，直到下一个ID行出现。

方案三：批量使用samtools faidx（高效处理大型FASTA） #

如果已经通过samtools faidx datafile.fasta生成了索引文件，用xargs批量执行即可，无需手动输入ID：

xargs samtools faidx datafile.fasta < list.txt > NRCDS_nuc.fasta

内容的提问来源于stack exchange，提问作者Caroline