如何用bash正则实现DNA序列压缩 将AACCCC转换为2A4C格式

方法1：Bash环境Perl单行实现（正则匹配） #

依赖系统默认预装的perl，利用正则捕获连续相同碱基后计算长度替换，效率高适合批量处理：

# 单条序列压缩
echo "AAAATTCGCATTTTTTAGGTA" | perl -pe 's/(([ATCG])\2*)/length($1).$2/ge'

# 压缩后直接提取重复长度数字
echo "AAAATTCGCATTTTTTAGGTA" | perl -pe 's/(([ATCG])\2*)/length($1)." "/ge'

示例输入：AAAATTCGCATTTTTTAGGTA
压缩输出：4A2T1C1G1C1A6T1A2G1T1A
提取数字输出：4 2 1 1 1 1 6 1 2 1 1

如果需要批量处理FASTA文件，保留序列名行仅压缩序列行：

perl -pe 'unless(/^>/) { s/(([ATCG])\2*)/length($1).$2/ge }' input.fasta > compressed.fasta

方法2：纯Awk实现（无额外依赖） #

适用于没有perl的极简环境：

echo "AAAATTCGCATTTTTTAGGTA" | awk '{
    s = $0; res = ""; n = length(s)
    if (n == 0) {print ""; exit}
    cur = substr(s,1,1); cnt = 1
    for (i=2; i<=n; i++) {
        c = substr(s,i,1)
        if (c == cur) cnt++
        else {res = res cnt cur; cur = c; cnt =1}
    }
    res = res cnt cur; print res
}'

相关生信工具推荐 #

• seqkit：通用高通量序列处理工具，支持批量统计全基因组范围的串联重复分布，内置多线程优化适合大文件处理
• trf（Tandem Repeats Finder）：专门用于核酸串联重复识别的工具，可直接输出重复单元长度、拷贝数、序列位置等详细信息，无需自行开发压缩逻辑

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