如何删除FASTA文件中长度不足5的序列及其对应标题行？

问题场景 #

我有一个FASTA格式的文件，内容如下：

>seq1
GAAAT
>seq2
CATCTCGGGA
>seq3
GAC
>seq4
ATTCCGTGCC

需求是删除所有不以“>”开头且长度小于5的序列行，同时删除其上方对应的标题行。预期输出：

>seq2
CATCTCGGGA
>seq4
ATTCCGTGCC

之前尝试用sed -r '/^.{,5}$/d'，但这个命令会误删以“>”开头的标题行（比如>seq1长度刚好是5，会被匹配删除），需要正确的处理方法。

解决方案1：用awk处理（推荐，逻辑更清晰） #

awk可以很方便地成对处理FASTA的标题行和序列行，命令如下：

awk '/^>/ {hdr=$0; next} length($0)>=5 {print hdr; print}' input.fasta

命令解释：

• 当匹配到以>开头的标题行时，把该行内容存入变量hdr，然后用next跳过后续处理，直接处理下一行
• 当处理序列行时，判断该行长度是否≥5：
  • 如果满足条件，就输出之前保存的标题行hdr，再输出当前序列行
  • 如果不满足，直接跳过不输出

解决方案2：用sed的多行模式处理 #

如果偏好sed，可以利用其保持空间（hold space）来暂存标题行，命令如下：

sed -n '/^>/{h;};/^.{1,4}$/{d};g;G;p' input.fasta

命令解释：

• /^>/{h;}：匹配标题行，将其存入保持空间
• /^.{1,4}$/{d}：匹配长度≤4的序列行（即小于5的），直接删除
• g：将保持空间的内容（标题行）覆盖到模式空间
• G：将当前模式空间的内容（序列行）追加到保持空间内容之后
• p：输出最终的模式空间内容（标题+符合要求的序列）

内容的提问来源于stack exchange，提问作者Honorato