如何删除FASTA序列文件中所有包含字母X的序列条目

方案1：用专用生信工具seqkit（效率最高，适合30万条级别的大文件） #

• 安装命令（conda环境下）：conda install -c bioconda seqkit
• 筛选命令：

seqkit grep -s -r -v -p 'X' input.fasta > output_no_X.fasta

参数说明：

• -s 仅搜索序列区域，不会匹配FASTA表头内的字符
• -r 启用正则匹配模式
• -v 反向筛选，仅输出不匹配规则的条目
• -p 'X' 匹配规则为字符X
  该方案处理30万条序列仅需数秒，是效率最高的选择。

方案2：用系统自带awk实现，无需额外安装工具 #

直接执行以下命令即可：

awk '/^>/ {if (seq !~ /X/ && NR>1) print header "\n" seq; header=$0; seq=""; next} {seq = seq $0} END {if (seq !~ /X/) print header "\n" seq}' input.fasta > output_no_X.fasta

执行逻辑：

遇到>开头的表头行时，先判断上一条序列是否包含X，无X则输出上一条的完整条目；随后重置当前表头和序列变量，遍历结束后单独处理最后一条序列。

方案3：Python脚本实现，方便后续自定义筛选规则 #

代码如下：

from Bio import SeqIO

input_fasta = "你的输入文件路径.fasta"
output_fasta = "你的输出文件路径.fasta"

with open(output_fasta, "w") as out_handle:
    for record in SeqIO.parse(input_fasta, "fasta"):
        if "X" not in str(record.seq):
            SeqIO.write(record, out_handle, "fasta")

依赖安装命令：pip install biopython
该方案逻辑最清晰，后续需要调整筛选规则时仅修改判断条件即可，30万条序列处理耗时约几十秒。

注意事项 #

如果你的序列中存在小写的x，可对应调整匹配规则：

• seqkit命令将-p 'X'改为-p '[Xx]'
• awk命令将seq !~ /X/改为seq !~ /[Xx]/
• Python脚本将判断条件改为"X" not in str(record.seq) and "x" not in str(record.seq)

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