如何从SARS-CoV-2全基因组序列FASTA头中提取|间EPI_ISL格式串并保留>

你之前的正则匹配失败有两个核心原因：

• [EPI.+] 属于字符组语法，仅能匹配单个E、P、I、.、+字符，无法匹配EPI_ISL_开头的完整编号
• 无限制的.+是贪婪匹配模式，会吞噬尽可能多的字符，无法准确锚定|分隔的分段位置

根据你常用的工具可选择对应方案，均会保留原始序列内容，仅修改序列ID行：

方案1：sed命令（适合Linux/macOS终端批量处理） #

直接运行以下命令即可批量处理fasta格式的基因组文件：

sed -E 's/^>([^|]+\|){2}(EPI_ISL_[^|]+)\|.*/>\2/' 输入文件.fasta > 输出文件.fasta

规则说明：

• 锚定序列ID行开头的>符号
• 跳过前两段以|结尾的无关内容
• 捕获符合EPI_ISL_前缀的编号，遇到下一个|自动停止匹配
• 最终输出>+捕获到的EPI编号，非ID行的序列内容原样保留

方案2：Python脚本（适合需要后续二次加工数据的场景） #

import re

with open("输入文件.fasta", "r", encoding="utf-8") as f_in, open("输出文件.fasta", "w", encoding="utf-8") as f_out:
    for line in f_in:
        if line.startswith(">"):
            epi_match = re.search(r"\|(EPI_ISL_[^|]+)\|", line)
            if epi_match:
                f_out.write(f">{epi_match.group(1)}\n")
            else:
                # 未匹配到符合格式编号的行原样输出，避免数据丢失
                f_out.write(line)
        else:
            f_out.write(line)

方案3：文本编辑器正则替换（适合小文件手动处理） #

在支持正则的编辑器（VS Code、Sublime Text等）中使用以下规则：

• 查找规则：^>([^|]*\|){2}(EPI_ISL_[^|]*)\|.*
• 替换规则：>$2（部分编辑器需改为>\2）

内容的提问来源于stack exchange，提问作者ALVARO BAUTISTA HURTARTE