如何将FASTA文件序列按步长1分割为7字符片段并保存？

需求：将FASTA文件中的蛋白质序列按步长1分割为长度7的字符片段，每个片段单独一行并保存到新文件中。

输入示例 #

$ cat file.fasta

name_of_the_protein
MRPPQCLLHTPSLASPLLLLLLWLLGGGVGAEGREDAELLVTVRGGRLRGIRLKTPGGPVSAFLGIPFAE
PPMGPRRFLPPEPKQPWSGVVDATTFQSVCYQYVDTLYPGFEGTEMWNPNRELSEDCLYLNVWTPYPRPT

预期输出示例 #

$ cat new_file.txt

MRPPQCL
RPPQCLL
PPQCLLH
PQCLLHT
QCLLHTP
CLLHTPS
...

解决方案 #

方法1：使用awk命令 #

适合快速处理文本，无需额外编程环境。

# 处理单序列FASTA（如示例格式）
awk '!/^[a-zA-Z_]+$/{seq = seq $0} END{for(i=1; i<=length(seq)-6; i++) print substr(seq, i, 7)}' file.fasta > new_file.txt

如果你的FASTA包含多个蛋白序列（每个序列前有独立标题行），可以用这个版本，自动分隔处理每个序列：

awk '
/^[a-zA-Z_]+$/{
    if(seq != ""){
        for(i=1; i<=length(seq)-6; i++) print substr(seq, i, 7)
        seq = ""
    }
    next
}
{seq = seq $0}
END{
    if(seq != ""){
        for(i=1; i<=length(seq)-6; i++) print substr(seq, i, 7)
    }
}' file.fasta > new_file.txt

方法2：使用Python脚本 #

适合需要灵活调整逻辑（比如处理标准FASTA格式、添加额外过滤规则）的场景：

with open('file.fasta', 'r') as infile, open('new_file.txt', 'w') as outfile:
    sequence = ""
    for line in infile:
        line = line.strip()
        if not line:
            continue
        # 跳过标题行：这里判断逻辑可根据实际FASTA格式调整，比如标准FASTA标题以">"开头
        if line.startswith('>') or (line.isalpha() and not line.isupper()):
            continue
        sequence += line
    # 生成步长为1、长度为7的滑动窗口片段
    for idx in range(len(sequence) - 6):
        outfile.write(f"{sequence[idx:idx+7]}\n")

内容的提问来源于stack exchange，提问作者Hugo