使用awk提取GFF文件中的特定模式

嘿，处理大体积GFF文件用awk绝对是个高效的选择——毕竟awk天生就是为逐行处理文本而生，内存占用极低，完全hold得住大文件。我给你几个实用的提取方案，你可以根据自己需要的特定模式来选：

1. 提取特定基因的所有CDS #

比如你想把gene_id "g57"对应的所有CDS行都提出来，可以用这个命令：

$9 ~ /gene_id "g57";/ {print $0}

这里的逻辑是：第9列是GFF的属性列，只要这一列包含gene_id "g57";，就输出整行。如果担心属性列里的字段顺序不固定，这个匹配方式也能精准命中，不会漏。

要是你想更严谨（比如避免其他字段意外匹配到这个字符串），也可以用整词匹配的写法：

$9 ~ /(^| )gene_id "g57";/ {print $0}

2. 提取指定scaffold的所有CDS #

比如只保留scaffold_32上的CDS记录，利用GFF的列特性（第1列对应scaffold名称，第3列是特征类型）：

$1 == "scaffold_32" && $3 == "CDS" {print $0}

这个命令会精准筛选出符合scaffold和特征类型的行，排除无关内容。

3. 提取特定转录本的CDS #

如果需要针对某个转录本（比如transcript_id "g57.t1"）提取CDS，逻辑和提取基因类似：

$9 ~ /transcript_id "g57.t1";/ {print $0}

4. 只提取关键字段（精简输出） #

要是你不需要整行内容，只想保留核心信息（比如scaffold名、CDS起始/终止位置、基因ID），可以用这个脚本拆分属性列：

$3 == "CDS" {
    # 把第9列的属性按分号拆分
    split($9, attrs, /;/);
    # 遍历属性找gene_id
    for (i in attrs) {
        if (attrs[i] ~ /gene_id/) {
            # 去掉gene_id的引号和前缀
            gsub(/gene_id "/, "", attrs[i]);
            gsub(/"$/, "", attrs[i]);
            gene_id = attrs[i];
            break;
        }
    }
    # 输出需要的字段
    print $1, $4, $5, gene_id;
}

运行后会得到类似这样的精简结果：

scaffold_32 8973 9290 g57
scaffold_32 11374 11507 g57
scaffold_32 11586 11733 g57

处理超大文件的小提示 #

• 直接用awk处理原文件就行，不用提前把整个文件读入内存，awk逐行处理的特性完全适配大文件
• 如果你的GFF是压缩格式（比如.gff.gz），可以结合zcat直接处理，不用解压整个文件：

  zcat your_file.gff.gz | awk '$9 ~ /gene_id "g57";/ {print $0}'
  

内容的提问来源于stack exchange，提问作者Grendel