如何使用awk、grep等工具筛选打印头部含|K的FASTA序列

你要处理的是标准多段FASTA格式序列，优先推荐兼容性更强、不受序列长度限制的awk命令实现，命令如下：

awk 'BEGIN{RS=""; ORS="\n\n"} /^>.*\|K/' your_sequence_file.fasta

命令参数说明： #

• BEGIN{RS=""}：将输入记录分隔符设置为空字符串，awk会自动按空行分割每个独立的序列条目，不管单条序列有多少行都能完整识别
• ORS="\n\n"：设置输出记录分隔符为两个换行，保证输出的符合要求的条目之间也保留原有的空行分隔格式
• /^>.*\|K/：匹配所有以>开头、且序列头部包含|K的条目，匹配成功就会自动输出整条序列的全部内容

如果你使用的是GNU grep，也可以用以下命令临时快速筛选：

grep -v '^$' your_sequence_file.fasta | grep -A 9999 '>.*|K' | grep -v '^--$'

说明： #

• 命令先去掉所有空行，再用-A参数打印匹配行之后最多9999行内容，只要单条序列行数不超过9999就能正常输出，grep -v '^--$'是用来去掉grep多段匹配时默认插入的分隔线
• 该方法局限性在于如果单条序列行数超过-A参数设置的阈值就会出现内容截断，因此更推荐使用awk方案

内容的提问来源于stack exchange，提问作者ALG