如何用Perl从FASTA文件提取蛋白序列？代码调试求助

我有一项练习任务，需要打印Uniprot文本文件中的ID、AC、SQ行，以及完整的蛋白质序列。编写Perl脚本后，在Cygwin环境下无法输出序列部分，请求解决序列匹配问题。

用户提供的脚本 #

#!usr/bin/perl
open (IN,'P30988.txt');
while (<IN>) {
    if($_=~ m/^ID/) {
        print $_ ;
    }
    if($_=~ m/^AC/) {
        print $_ ;
    }
    if ($_=~ m/^SQ/) {
        print $_;
    }
    if ($_=~ m/\^s+(\w+)/) { #this is the part I have trouble with
        $a.=$1;
        $a=~s/\s//g; #this is for removing the spaces inside the sequence
        print $a;
    }

相关Uniprot文本片段 #

SQ SEQUENCE 474 AA; 55345 MW; 0D9FA81230B282D9 CRC64;
MRFTFTSRCL ALFLLLNHPT PILPAFSNQT YPTIEPKPFL YVVGRKKMMD AQYKCYDRMQ
QLPAYQGEGP YCNRTWDGWL CWDDTPAGVL SYQFCPDYFP DFDPSEKVTK YCDEKGVWFK
HPENNRTWSN YTMCNAFTPE KLKNAYVLYY LAIVGHSLSI FTLVISLGIF VFFRSLGCQR
VTLHKNMFLT YILNSMIIII HLVEVVPNGE LVRRDPVSCK ILHFFHQYMM ACNYFWMLCE
GIYLHTLIVV AVFTEKQRLR WYYLLGWGFP LVPTTIHAIT RAVYFNDNCW LSVETHLLYI
IHGPVMAALV VNFFFLLNIV RVLVTKMRET HEAESHMYLK AVKATMILVP LLGIQFVVFP
WRPSNKMLGK IYDYVMHSLI HFQGFFVATI YCFCNNEVQT TVKRQWAQFK IQWNQRWGRR
PSNRSARAAA AAAEAGDIPI YICHQELRNE PANNQGEESA EIIPLNIIEQ ESSA
//

问题分析与解决 #

你的序列匹配正则表达式m/\^s+(\w+)/存在两处关键错误：

1. 错误转义了行首标记：\^是转义脱字符，实际要匹配行首的空格，应该用未转义的^
2. 匹配范围不足：\w+只能捕获连续的字母，无法匹配序列行中用空格分隔的多段氨基酸

同时脚本存在语法不完整（缺少循环闭合括号、文件关闭语句）、重复输出累积序列的问题。修正后的脚本如下：

#!/usr/bin/perl
use strict;
use warnings;

open(my $IN, '<', 'P30988.txt') or die "无法打开文件: $!";
my $sequence = '';

while (my $line = <$IN>) {
    chomp $line;
    
    if ($line =~ /^ID/) {
        print "$line\n";
    }
    elsif ($line =~ /^AC/) {
        print "$line\n";
    }
    elsif ($line =~ /^SQ/) {
        print "$line\n";
    }
    elsif ($line =~ /^\s{5}(\S(?:\s*\S)*)/) {
        my $seq_part = $1;
        $seq_part =~ s/\s+//g;
        $sequence .= $seq_part;
    }
    elsif ($line =~ /^\/\//) {
        print "完整序列:\n$sequence\n";
        last;
    }
}

close $IN;

修正点说明： #

• 加入use strict; use warnings;：强制代码规范，捕获未声明变量、语法错误等问题
• 使用词法文件句柄和三参数open：更安全的文件打开方式，避免旧语法隐患
• 正则表达式/^\s{5}(\S(?:\s*\S)*)/：精准匹配Uniprot序列行格式（行首5个空格+空格分隔的氨基酸块），完整捕获序列内容
• 加入结束标记//判断：遇到文件结束标记时一次性输出完整序列，避免重复打印
• 累积序列后统一输出：解决循环中重复打印累积内容的问题

内容的提问来源于stack exchange，提问作者Nickmofoe