如何用awk或bash筛选含非A/U/C/G字符的FASTA序列？

问题修正说明 #

你原有代码的核心问题是正则逻辑错误：/AUGC/的匹配规则是查找是否存在连续的AUGC四个字符，完全不符合「检测是否存在AUCG以外字符」的需求。你需要使用字符集取反的正则语法实现需求。

正确实现代码 #

awk '/^>/{h=$0;getline s;if(s ~ /[^AUCG]/) print h"\n"s}' sample

逻辑说明 #

• 匹配到以>开头的序列头行时，先将行内容存入变量h
• 调用getline读取下一行的序列内容存入变量s
• 用正则/[^AUCG]/判断：中括号内的^代表取反，即匹配所有不在A/U/C/G范围内的字符，只要匹配到就输出对应的序列头和序列内容

该代码在你提供的测试输入上运行可直接得到预期输出结果。

内容的提问来源于stack exchange，提问作者Caterina