如何利用映射文件替换FASTA文件标题中下划线包裹的特定片段？

需求说明 #

需要把FASTA文件标题里，被下划线夹在中间的特定标识（比如scf7180000350313），替换为键值映射文件中对应的新编号（比如NW_011929472.1），标题的其他部分和序列内容保持不变。

示例文件 #

原始FASTA文件 #

>mir-2_scf7180000350313_41896
CCATCAGAGTGGTTGTGATGTGGTGCTATTGATTCATATCACAGCCAGCTTTGATGAG
>mir-92a-2_scf7180000349939_17298
AGGTGGGGATGGGGGCAATATTTGTGAATGATTAAATTCAAATTGCACTTGTCCCGGCCTGC
>mir-279a_scf7180000350374_48557
AATGAGTGGCGGTCTAGTGCACGGTCGATAAAGTTGTGACTAGATCCACACTCATTAAG

键值映射文件（key_file.txt） #

scf7180000350313 NW_011929472.1
scf7180000349939 NW_011929473.1
scf7180000350374 NW_011929474.1

期望结果 #

>mir-2_NW_011929472.1_41896
CCATCAGAGTGGTTGTGATGTGGTGCTATTGATTCATATCACAGCCAGCTTTGATGAG
>mir-92a-2_NW_011929473.1_17298
AGGTGGGGATGGGGGCAATATTTGTGAATGATTAAATTCAAATTGCACTTGTCCCGGCCTGC
>mir-279a_NW_011929474.1_48557
AATGAGTGGCGGTCTAGTGCACGGTCGATAAAGTTGTGACTAGATCCACACTCATTAAG

解决方案 #

用awk命令可以快速完成替换，执行以下命令即可：

awk 'NR==FNR {map[$1]=$2; next} /^>/ {split(substr($0,2), arr, "_"); $0=">"arr[1]"_"map[arr[2]]"_"arr[3]} 1' key_file.txt input.fasta > output.fasta

命令解释 #

• NR==FNR {map[$1]=$2; next}：先读取键值映射文件，把第一列的旧标识作为键、第二列的新编号作为对应值存入数组map，读完映射文件后再处理FASTA文件。
• /^>/ {split(substr($0,2), arr, "_"); $0=">"arr[1]"_"map[arr[2]]"_"arr[3]}：碰到FASTA标题行（以>开头）时，先去掉开头的>，按下划线分割成数组，用映射表中的新编号替换数组的第二个元素，再重新拼接成新标题。
• 1：对所有行（包括序列内容）直接输出，保证序列部分原样保留。

内容的提问来源于stack exchange，提问作者Amaranta_Remedios