统计Multifasta文件中去重后的序列ID数量

我来帮你解决这个FASTA序列前缀统计的问题，这里有两种简单高效的命令行方法，完全符合你的需求——只统计下划线前的唯一前缀（比如seqA、seqB这类），不管后面的数字和重复出现的次数：

方法1：用awk（推荐，简洁高效） #

awk非常适合处理这种文本提取和去重统计的场景，一行命令就能搞定：

awk '/^>/ {split($0, id, "_"); prefix=substr(id[1],2); seen[prefix]++} END {print "序列数量：" length(seen)}' your_fasta_file.fasta

命令拆解： #

• /^>/：专门匹配FASTA文件里以>开头的序列ID行
• split($0, id, "_")：把当前行按下划线分割成数组，比如>seqA_0042_0035会被拆成id[1]=">seqA"、id[2]="0042"等
• substr(id[1],2)：从id[1]的第2个字符开始截取，去掉开头的>，得到纯前缀seqA
• seen[prefix]++：用数组seen记录每个前缀已经出现过（不管出现多少次，只标记存在）
• END块：最后输出数组seen的长度，也就是唯一前缀的总数量

用你提供的示例文件测试，输出就是序列数量：4，完全符合预期。

方法2：用grep+cut+sed+sort+uniq组合工具 #

如果习惯用管道组合基础命令，也可以这样实现：

echo "序列数量：$(grep "^>" your_fasta_file.fasta | cut -d "_" -f 1 | sed 's/^>//' | sort | uniq | wc -l)"

命令拆解： #

• grep "^>"：先提取所有序列ID行
• cut -d "_" -f 1：按下划线分割，取第一部分（比如>seqA）
• sed 's/^>//'：去掉开头的>，得到纯前缀seqA
• sort：对所有前缀排序，方便后续去重
• uniq：去掉重复的前缀，只保留每个前缀一次
• wc -l：统计去重后的前缀行数，也就是唯一数量
• echo "序列数量：$(...)：把统计结果包装成你需要的输出格式

同样测试你的示例文件，会得到序列数量：4的结果。

小提示： #

如果你的FASTA文件里有空的序列ID行（比如示例里最后一行的>seqA_0042_0035 ），这两种方法都能正确处理，只要是>开头的行都会被提取前缀并计数。

内容的提问来源于stack exchange，提问作者Grendel