如何使用awk从多序列FASTA文件中按指定ID列表提取序列？

这里有几种实用方法，覆盖脚本和命令行工具，你可以根据自己的环境和需求挑选：

方法1：用BioPython编写脚本 #

如果你熟悉Python，这个方法灵活且容易扩展。首先确保已经安装了BioPython：

pip install biopython

假设你的ID列表保存在id_list.txt中（每行一个ID），比如：

7P58X:01332:11636
7P58X:01334:11635

然后创建如下Python脚本extract_seqs.py：

from Bio import SeqIO

# 读取ID列表，存入集合提高匹配效率
with open("id_list.txt", "r") as id_file:
    target_ids = {line.strip() for line in id_file if line.strip()}

# 遍历FASTA文件，输出匹配的序列
with open("seq.fasta", "r") as fasta_file, open("extracted_seqs.fasta", "w") as output_file:
    for record in SeqIO.parse(fasta_file, "fasta"):
        if record.id in target_ids:
            SeqIO.write(record, output_file, "fasta")

运行脚本：

python extract_seqs.py

运行后会生成extracted_seqs.fasta，里面就是你要的匹配序列。

方法2：用awk命令行工具 #

如果不想写脚本，awk是个轻量快速的选择，不需要额外安装依赖。同样假设ID列表在id_list.txt中，直接在终端运行：

awk 'NR==FNR {ids[$1]; next} /^>/ {flag=($1 in ids)} flag' id_list.txt seq.fasta > extracted_seqs.fasta

命令解释： #

• NR==FNR {ids[$1]; next}：先读取id_list.txt，把每个ID存入数组ids
• /^>/ {flag=($1 in ids)}：遇到FASTA的标题行（以>开头），检查当前ID是否在ids数组里，设置标记flag
• flag：如果flag为真，就输出当前行（包括标题和序列行）

方法3：用seqkit工具 #

seqkit是专门为生物信息学设计的命令行工具，处理FASTA/Q文件非常高效。先安装seqkit（可以通过conda或者官方渠道下载），然后运行：

seqkit grep -f id_list.txt seq.fasta > extracted_seqs.fasta

这个命令非常简洁，-f参数指定ID列表文件，直接输出匹配的序列。

示例输出 #

如果你的ID列表包含7P58X:01332:11636和7P58X:01334:11635，那么extracted_seqs.fasta的内容会是：

7P58X:01332:11636
TTCAGCAAGCCGAGTCCTGCGTCGTTACTTCGCTT
CAAGTCCCTGTTCGGGCGCC
7P58X:01334:11635
TTCAGCAAGCCGAGTCCTGCGTCGAGAGATCGCTTT
CAAGTCCCTGTTCGGGCGCCACTGCGGGTCTGTGTC
GAGCG

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