如何从Fasta文件DNA序列头中提取mm/dd/year格式日期

你的序列头已使用|作为分隔符，日期固定为分隔后的最后一个字段，可根据自身使用的工具选择对应实现方式，均适配大型数据集的低内存处理需求：

命令行快速处理（推荐TB级超大文件使用，处理速度最快） #

• 若处理的是标准FASTA格式序列文件（序列头以>开头），可使用awk命令直接提取：

# 逐行扫描文件，仅处理序列头行，按|分割后输出最后一个字段（日期）
awk '/^>/{split($0, arr, "|"); print arr[length(arr)]}' input.fasta > extracted_dates.txt

• 若你已经把所有序列头单独存为每行一条的纯文本文件，直接用cut命令即可完成提取：

cut -d "|" -f 4 header_list.txt > extracted_dates.txt

使用arr[length(arr)]而非固定取第4位的写法容错性更强，即使个别序列头多了|分隔的额外字段，也能准确取到位于末尾的日期。

Python实现（适合需要关联后续序列分析流程的场景） #

逐行读取文件不会把全量数据加载进内存，适配GB级大文件：

with open("input.fasta", "r", encoding="utf-8") as fin, open("extracted_dates.txt", "w", encoding="utf-8") as fout:
    for line in fin:
        if line.startswith(">"):
            fields = line.strip().split("|")
            fout.write(fields[-1] + "\n")

用你提供的示例序列头测试，提取结果为：

01/11/2016
03/01/2016
07/03/2016

R实现（适合后续做进化分析、日期数据统计的场景） #

# 读取FASTA文件，若处理纯序列头文本可直接用readLines读取
library(Biostrings)
seqs <- readDNAStringSet("input.fasta")
headers <- names(seqs)
dates <- sapply(strsplit(headers, "\\|"), tail, n=1)
# 导出提取结果
writeLines(dates, "extracted_dates.txt")

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