使用Perl与正则表达式拼接FASTA文件中单个样本的多条序列

针对你有200+多序列FASTA文件、需要拼接同样本同基因多条序列的需求，我给你准备了两种实用方案，按需选择就行：

方案一：Python + BioPython 脚本（灵活易扩展） #

这种方案适合需要自定义处理逻辑的场景，比如后续要加序列质量过滤、拼接分隔符等需求。

步骤1：安装BioPython #

先确保你装了BioPython库，没装的话用pip安装：

pip install biopython

步骤2：运行处理脚本 #

下面的脚本会遍历指定目录下的所有FASTA文件，对每个文件按样本ID分组，把同一样本的所有序列拼接成一条，最后输出到新的文件（比如原文件名加_merged.fasta后缀）：

from Bio import SeqIO
import os

# 替换成你的FASTA文件所在目录
input_dir = "./fasta_files"
output_dir = "./merged_fasta_files"

# 创建输出目录（如果不存在）
os.makedirs(output_dir, exist_ok=True)

# 遍历目录下的所有FASTA文件
for filename in os.listdir(input_dir):
    if not filename.endswith(".fasta") and not filename.endswith(".fa"):
        continue
    
    input_path = os.path.join(input_dir, filename)
    output_path = os.path.join(output_dir, f"{os.path.splitext(filename)[0]}_merged.fasta")
    
    # 用字典存储每个样本的拼接序列
    sample_seqs = {}
    
    # 读取FASTA文件
    for record in SeqIO.parse(input_path, "fasta"):
        # 从序列头提取样本ID（这里按下划线分割取第一个字段，比如从"303.1_assembled_PF3D7_1475500..."提取"303.1"）
        # 如果你的序列头格式不同，修改这里的分割逻辑即可
        sample_id = record.id.split("_")[0]
        
        # 拼接序列：如果样本已存在，追加新序列；否则初始化
        if sample_id in sample_seqs:
            sample_seqs[sample_id] += str(record.seq)
        else:
            sample_seqs[sample_id] = str(record.seq)
    
    # 将拼接后的序列写入新文件
    with open(output_path, "w") as out_file:
        for sample_id, merged_seq in sample_seqs.items():
            # 新序列头格式可以自定义，这里用样本ID加原基因名（从原文件名提取，你也可以根据需求修改）
            gene_name = os.path.splitext(filename)[0]
            out_file.write(f">{sample_id}_{gene_name}\n{merged_seq}\n")
    
    print(f"处理完成：{filename} -> {os.path.basename(output_path)}")

注意事项 #

• 如果你的序列头样本ID提取规则不是“下划线分割第一个字段”，比如需要从其他位置提取，直接修改sample_id = record.id.split("_")[0]这一行即可。
• 拼接时默认直接追加序列，如果需要在片段之间加分隔符（比如N），可以把sample_seqs[sample_id] += str(record.seq)改成sample_seqs[sample_id] += "N" + str(record.seq)。

方案二：命令行 awk 脚本（适合快速批量处理） #

如果你熟悉命令行，这个方案无需安装额外库，直接用awk就能搞定。

单个文件处理命令 #

假设你的输入文件是input.fasta，运行下面的命令会输出拼接后的序列到output_merged.fasta：

awk '/^>/ {
    split(substr($0,2), arr, "_"); 
    id = arr[1]; 
    if (prev_id != "" && prev_id != id) {
        print seq; 
        seq = ""
    }; 
    prev_id = id; 
    print $0; 
    next
} {
    seq = seq $0
} END {
    print seq
}' input.fasta > output_merged.fasta

批量处理所有FASTA文件 #

用bash循环批量处理目录下的所有FASTA文件：

for file in ./fasta_files/*.fasta; do
    output_file="./merged_fasta_files/$(basename "$file" .fasta)_merged.fasta"
    awk '/^>/ {
        split(substr($0,2), arr, "_"); 
        id = arr[1]; 
        if (prev_id != "" && prev_id != id) {
            print seq; 
            seq = ""
        }; 
        prev_id = id; 
        print $0; 
        next
    } {
        seq = seq $0
    } END {
        print seq
    }' "$file" > "$output_file"
    echo "处理完成：$file -> $output_file"
done

注意事项 #

• 和Python方案一样，样本ID提取依赖序列头的格式，如果你的序列头不是下划线分割第一个字段是样本ID，修改split(substr($0,2), arr, "_"); id = arr[1];这部分逻辑即可。
• 这个脚本会按序列出现的顺序拼接，确保同一样本的序列连续出现（FASTA文件里同样本的序列通常是排在一起的，如果不是，需要先按样本ID排序，比如用sort -k1,1 input.fasta | awk '...'）。

内容的提问来源于stack exchange，提问作者tkh86