求助：如何用sed将GTF文件的locus_tag替换为带引号的transcript_id

问题场景 #

将NCBI GFF3格式转成Cell Ranger ARC mkref 所需的GTF格式时，gffread和agat工具生成的文件缺失transcript_id字段，但文件中存在locus_tag属性。需要将格式如; locus_tag AbcdE_f1 ;的内容替换为; transcript_id "AbcdE_f1" ;（含引号），同时兼容行尾无分号的locus_tag场景。

原命令无效原因 #

你之前执行的命令sed -i.bak "s/locus_tag\([0-9a-zA-Z ,._-]{1,}\);/transcript_id \"1\";/g" myFile.gtf没有效果，问题出在：

• 未启用扩展正则表达式：{1,}属于扩展正则语法，默认sed使用基础正则，需显式开启
• 捕获组引用错误：应该用\1引用捕获的内容，而非\"1\"
• 未匹配locus_tag后的空格，且未处理行尾无分号的locus_tag

正确的sed命令 #

GNU sed（Linux环境） #

sed -i.bak -E 's/locus_tag ([^;]+)(;|$)/transcript_id "\1"\2/g' myFile.gtf

BSD sed（macOS环境） #

BSD sed的-i选项需要显式指定备份格式，命令为：

sed -i '' -E 's/locus_tag ([^;]+)(;|$)/transcript_id "\1"\2/g' myFile.gtf

命令说明 #

• -E：启用扩展正则表达式，无需对+、()等符号转义
• 正则匹配逻辑：
  • locus_tag ：精准匹配locus_tag及后续的空格
  • ([^;]+)：捕获locus_tag后的标签内容（直到分号或行尾），避免误匹配包含空格的其他字段
  • (;|$)：匹配后续的分号或行尾，保留原格式的结尾结构
• 替换规则transcript_id "\1"\2：将捕获的标签内容用引号包裹，同时保留原有的分号或行尾

验证示例 #

输入 #

ChrPT   RefSeq  exon    956 981 .   +   .   Dbxref "GeneID:38831453"  ; ID "nbis-exon-1"  ; Parent PhpapaC_p1 ; gbkey exon ; gene "3' rps12"  ; locus_tag PhpapaC_p1 ; product "ribosomal protein S12" <br>
ChrPT   RefSeq  gene    1033    1500    .   +   .   Dbxref "GeneID:2546745"  ; ID "nbis-gene-17"  ; Name rps7 ; gbkey Gene ; gene rps7 ; gene_biotype protein_coding ; locus_tag PhpapaCp002 

输出 #

ChrPT   RefSeq  exon    956 981 .   +   .   Dbxref "GeneID:38831453"  ; ID "nbis-exon-1"  ; Parent PhpapaC_p1 ; gbkey exon ; gene "3' rps12"  ; transcript_id "PhpapaC_p1" ; product "ribosomal protein S12" <br>
ChrPT   RefSeq  gene    1033    1500    .   +   .   Dbxref "GeneID:2546745"  ; ID "nbis-gene-17"  ; Name rps7 ; gbkey Gene ; gene rps7 ; gene_biotype protein_coding ; transcript_id "PhpapaCp002"

内容的提问来源于stack exchange，提问作者rdv