如何通过另一文件中的序列ID从FASTA文件提取目标序列？

刚好处理过类似的需求，给你几个实用的方案，覆盖不同场景，你可以根据自己的环境和偏好选择：

方法1：用BioPython写脚本（跨平台，灵活可控） #

如果你会点Python，BioPython是个很稳妥的选择，而且处理大文件也不会爆内存——它是按行读取处理的，不用把整个FASTA文件塞进内存。

先确保装了BioPython：

pip install biopython

然后写个简单的脚本（比如叫extract_matching_seqs.py）：

from Bio import SeqIO

# 先把ids.txt里的目标ID读进集合（集合查找比列表快太多，大文件必备）
# 这里默认ids.txt是制表符分隔，取每行第一列作为ID，要是格式不一样你可以改split的逻辑
with open("ids.txt", "r") as id_f:
    target_ids = {line.strip().split("\t")[0] for line in id_f}

# 遍历FASTA文件，把匹配的序列写进输出文件
with open("sequence.fasta", "r") as fasta_f, open("matched_seqs.fasta", "w") as out_f:
    for record in SeqIO.parse(fasta_f, "fasta"):
        # FASTA的ID就是头部>后面的第一个字段，比如>AUP4056.1 ... 这里取的就是AUP4056.1
        if record.id in target_ids:
            SeqIO.write(record, out_f, "fasta")

运行脚本就行：

python extract_matching_seqs.py

方法2：用awk命令（类Unix环境直接用，不用装额外工具） #

如果是在Linux、macOS或者WSL里，awk命令简直是处理这种文本任务的神器，速度快还不用写脚本：

awk 'NR==FNR {ids[$1]; next} /^>/ {curr_id=substr($0,2); keep=(curr_id in ids)} keep' ids.txt sequence.fasta > matched_seqs.fasta

给你解释下这个命令的逻辑：

• NR==FNR {ids[$1]; next}：先读ids.txt，把每行第一列的ID存到数组里，读完就跳到下一个文件
• /^>/ {curr_id=substr($0,2); keep=(curr_id in ids)}：碰到FASTA的头部行（以>开头），把>后面的第一个字段切出来当ID，判断是不是在目标列表里，标记要不要保留这个序列
• keep：如果标记为真，就输出当前行——不管是头部还是序列行，这样整个序列就都被保留下来了

方法3：用seqtk工具（生物信息学专用，速度拉满） #

seqtk是专门处理FASTA/Q文件的轻量工具，处理大文件的速度比前两个都快，很多生信场景里都用它。先装一下：

• Ubuntu/Debian：sudo apt install seqtk
• 其他系统可以从源码编译，也很简单

不过seqtk要求ids.txt里每行一个ID，所以如果你的ids.txt是制表符分隔，先把ID列提出来：

cut -f1 ids.txt > clean_ids.txt

然后直接提取序列：

seqtk subseq sequence.fasta clean_ids.txt > matched_seqs.fasta

这三个方案里，seqtk最快，awk最省心（不用装东西），BioPython最灵活——要是之后还要对序列做其他处理，用Python扩展起来很方便。

内容的提问来源于stack exchange，提问作者user8392790