如何基于日期对大型FASTA文件进行排序？

报错原因说明 #

你遇到的AttributeError: 'NoneType' object has no attribute 'group'错误有两个核心诱因：

• 正则匹配逻辑不稳定：部分FASTA序列的header可能不符合你写的\d{4}-\d{2}-\d{2}匹配规则，导致re.search返回None，调用group()直接报错
• SeqIO.index的key_function使用逻辑错误：key_function的作用是生成索引字典的键，你在这里返回了(日期, seguid)的元组作为键，后续排序时又尝试取d[0]拆分日期，逻辑完全错位

大文件适配方案 #

针对GB级甚至TB级的大型FASTA文件，我们用磁盘索引+仅加载排序元数据的方案实现，全程不会把整个FASTA文件加载到内存中，内存占用仅和序列条数正相关：

import re
from Bio import SeqIO

input_file = "one.fasta"
output_file = "two.fasta"

def sort_fasta(input_file: str, output_file: str, reverse: bool = False) -> None:
    # 1. 给FASTA建磁盘索引，仅存序列位置映射，不加载序列内容
    fasta_index = SeqIO.index(input_file, "fasta")
    # 2. 提取所有序列的排序键：(日期, 原始序列ID)，仅这部分加载到内存
    sort_keys = []
    for seq_id in fasta_index.keys():
        # 你的header格式是|分割，日期固定在第3个字段，直接split比正则更稳
        try:
            # 按|拆分header，取索引为2的字段就是日期
            seq_date = seq_id.split('|')[2]
            # 校验日期格式，避免异常值
            if re.match(r'^\d{4}-\d{2}-\d{2}$', seq_date):
                sort_keys.append((seq_date, seq_id))
            else:
                # 格式不对的序列可以放到末尾，或者直接过滤，按需求调整
                sort_keys.append(("9999-12-31", seq_id))
        except Exception as e:
            # 解析失败的序列统一放到末尾
            sort_keys.append(("9999-12-31", seq_id))
    # 3. 对排序键排序，日期格式天然支持字符串字典序和实际时间序一致，不用转int
    sort_keys.sort(reverse=reverse)
    # 4. 按排序后的顺序读序列、写输出
    with open(output_file, 'w') as f:
        for date, seq_id in sort_keys:
            SeqIO.write(fasta_index[seq_id], f, "fasta")
    # 关闭索引释放资源
    fasta_index.close()

if __name__ == "__main__":
    # reverse=True为从新到旧排序，False为从旧到新排序
    sort_fasta(input_file, output_file, reverse=False)

方案优势 #

• 内存占用极低：假设100万条序列，排序元数据仅占几十MB内存
• 兼容超大文件：依赖Biopython的磁盘索引能力，支持超过100GB的FASTA文件处理
• 稳定性高：用固定位置拆分代替正则匹配，大幅降低解析失败概率

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