如何用sed替换基因名中特定位置的下划线为短横线

针对你需要替换GTF文件中特定格式基因名下划线的需求，可通过正则匹配精准定位目标基因名，避免影响其他含下划线的字段（如gene_id、transcript_id等键名或其他属性）。

核心思路 #

利用正则表达式匹配基因名的固定结构：前4个字符 + 1-2个染色体相关字符 + 下划线 + 后续任意内容，仅替换该位置的下划线。

具体命令 #

场景1：仅替换gene_id属性值中的目标下划线

sed -i.bak 's/\(gene_id "\w\{4\}\w\{1,2\}\)_\(.*"\)/\1-\2/g' file.gtf

场景2：同时替换gene_id和transcript_id属性值中的目标下划线

sed -i.bak 's/\(\(gene_id\|transcript_id\) "\w\{4\}\w\{1,2\}\)_\(.*"\)/\1-\2/g' file.gtf

正则说明 #

• \(gene_id "\w\{4\}\w\{1,2\}\)：捕获gene_id "前缀 + 前4个固定字符 + 1-2个染色体相关字符的片段，保存为分组1
• _：精准匹配需要替换的目标下划线
• \(.*"\)：捕获下划线到属性值引号结束的所有内容，保存为分组2
• \1-\2：将匹配内容替换为「分组1 + 短横线 + 分组2」，实现下划线到短横线的替换

验证示例 #

对输入的基因名：

aa1c1_123 -> aa1c1-123
aa1c2_456 -> aa1c2-456
aa1c10_789 -> aa1c10-789

执行命令后，会正确替换目标下划线，而像five_prime_utr、transcript_id这类含下划线的字段不会被修改。

注意事项 #

1. 命令中的-i.bak会在修改文件的同时生成备份文件（如file.gtf.bak），若无需备份可改为-i
2. 建议先去掉-i参数运行命令，查看输出是否符合预期，再执行文件修改

内容的提问来源于stack exchange，提问作者rdv