解析NCBI细菌CDS FASTA描述行生成tibble的可用方法

不需要手写正则，以下两个都是经过基因组学领域长期验证的工具，不需要预先硬编码字段名，会自动识别所有[key=value]格式的元信息，对NCBI FASTA头的特殊情况（比如value带空格、嵌套括号、转义字符）都有兼容处理。

方案1：R原生方案，适配你现有的Bioconductor工作流 #

直接用Bioconductor核心IO包rtracklayer的import()函数读取文件即可，这个包维护了十余年，专门针对NCBI/EMBL等主流数据库的FASTA格式做了适配，读取时会自动拆分描述行里的所有键值对元数据。
你之前用的readDNAStringSet()属于Biostrings生态，rtracklayer的读取结果可以无缝转成你需要的tibble格式，示例代码：

# 首次使用需安装
if (!requireNamespace("BiocManager", quietly = TRUE))
    install.packages("BiocManager")
BiocManager::install(c("rtracklayer", "tibble"))

library(rtracklayer)
library(tibble)

# 读取FASTA，自动解析所有元字段
cds_gr <- import("your_bacteria_cds.fasta", format = "fasta")
# 转换为tibble：seqnames列就是你需要的fasta_id，所有[key=value]字段自动生成同名列，序列存在seq列
cds_tbl <- as_tibble(cds_gr)

补充说明：这个方法会自动适配不同序列之间字段不一致的情况，某条序列缺失的字段会自动填充NA，哪怕后续你拿到的FASTA里新增了之前没见过的字段（比如pseudo、exception等），也会被自动识别为新列，不需要修改代码。location字段还会自动解析成标准的基因组区间结构，比正则提取的结果更规范。

方案2：大文件极速方案 #

如果你的FASTA文件体量在10GB以上，用R读取速度偏慢，可以用行业通用的命令行序列处理工具seqkit先做预解析，一条命令就能把所有元数据拆成规整的制表符分隔文件，再读入R即可：

# 自动拆分所有[key=value]元字段，输出tab分隔表
seqkit fx2tab --name-only --fields "*" your_bacteria_cds.fasta > cds_metadata.tsv

输出的tsv文件直接用readr::read_tsv()读入就是标准的tibble结构，不需要额外处理。 #

不推荐使用网上零散的自定义正则脚本：NCBI的FASTA头规则偶尔会有更新，部分特殊条目的value中会包含空格、方括号、括号等特殊字符，手写正则很容易出现匹配错误，上述两个工具的解析逻辑都跟随NCBI格式更新做过迭代，鲁棒性远高于自定义正则。

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