如何用Bash命令重命名变异列并提取rsID？

我有一个大型文件，其第二字段包含rsID。部分变异的格式为chr1-97981343:rs55886062-AT，需要用Bash命令将这类标识符替换为仅显示rsID（如rs55886062）。

示例输入数据：

1   rs3918290   110 97915614    A   G
1   chr1-97981343:rs55886062-AT 110 97981343    A   T
1   rs72549303  110 97915622    C   A
1   rs17376848  110 97915624    G   A
1   rs59086055  110 97915746    A   G

期望输出：

1   rs3918290   110 97915614    A   G
1   rs55886062  110 97981343    A   T
1   rs72549303  110 97915622    C   A
1   rs17376848  110 97915624    G   A
1   rs59086055  110 97915746    A   G

解决方案 #

方法1：用awk处理 #

awk适合结构化文本处理，可精准匹配提取rsID：

awk '{ if ($2 ~ /rs[0-9]+/) { match($2, /rs[0-9]+/); $2 = substr($2, RSTART, RLENGTH) } }1' input.txt > output.txt

• $2 ~ /rs[0-9]+/：判断第二字段是否包含rsID格式内容
• match(...)：定位第二字段中rs开头加数字的片段，RSTART是匹配起始位置，RLENGTH是匹配长度
• substr(...)：将第二字段替换为提取到的rsID
• }1：打印所有行（包括未修改的行）

方法2：用sed处理 #

sed适合行级文本替换，通过正则捕获组提取目标内容：

sed -E 's/^([^[:space:]]+[[:space:]]+)chr[^:]+:(rs[0-9]+)-[^[:space:]]+/\1\2/' input.txt > output.txt

• ^([^[:space:]]+[[:space:]]+)：捕获第一字段及后续空白部分
• chr[^:]+:(rs[0-9]+)-[^[:space:]]+：匹配chr...:rsXXX-...格式的第二字段，捕获其中的rsXXX片段
• \1\2：用第一捕获组（第一字段+空白）和第二捕获组（rsID）替换原内容
• -E：启用扩展正则，减少转义符使用

若需直接修改原文件（谨慎操作），可添加-i参数：

sed -i -E 's/^([^[:space:]]+[[:space:]]+)chr[^:]+:(rs[0-9]+)-[^[:space:]]+/\1\2/' input.txt

内容的提问来源于stack exchange，提问作者Svalf