如何删除FASTA文件中头部无日期信息的序列记录

你给出的示例FASTA头行以|为分隔符，日期格式为YYYY-MM-DD且固定位于第三个字段，以下方案均基于该格式规则设计：

方法1：使用生物信息学专用工具Seqkit（推荐，容错率高） #

Seqkit是FASTA/Q文件处理的常用工具，支持超大文件流式处理，不会出现换行、序列截断类的错误：
运行命令：

seqkit grep -r -p '^>[^|]+\|[^|]+\|\d{4}-\d{2}-\d{2}\|' 你的输入文件.fasta -o 过滤后输出文件.fasta

命令参数说明： #

• -r：启用正则表达式匹配模式
• -p：指定匹配规则，这里只会保留头行以>开头、第三个字段为YYYY-MM-DD格式日期的序列

方法2：使用系统自带awk命令（无需安装额外工具） #

Linux、macOS系统均自带awk工具，无需额外安装，直接运行以下命令即可：

awk '/^>/{keep=0; if($0 ~ /\|[0-9]{4}-[0-9]{2}-[0-9]{2}\|/) keep=1} keep' 你的输入文件.fasta > 过滤后输出文件.fasta

命令逻辑说明： #

• 每次遇到>开头的序列头行时，先默认标记为不保留
• 检查头行是否包含|YYYY-MM-DD|格式的日期字段，符合要求则标记为保留
• 所有标记为保留的头行和对应的序列都会输出到结果文件

可选优化（避免误匹配） #

如果确认日期固定为头行第三个|分隔的字段，可以把规则写得更严格，避免其他位置出现类似格式的字符串导致误判：

awk 'BEGIN{FS="|"} /^>/{keep=0; if($3 ~ /^[0-9]{4}-[0-9]{2}-[0-9]{2}$/) keep=1} keep' 你的输入文件.fasta > 过滤后输出文件.fasta

结果校验 #

处理完成后可以统计前后的序列数量确认过滤效果：

# 同时统计输入和输出文件的序列数
grep -c '^>' 你的输入文件.fasta 过滤后输出文件.fasta

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