根据正则表达式模式更改fasta标头

Question

我有一个带有两个模式的标题的fasta文件

>256_Org1 
MAVVIIKDAADDSLARRD

>Org2_10005 
DSLARRDMAVVIIKDAA

我想只保留单词并删除数字。我尝试使用awk一个衬垫建议，但用分隔符'_'分离并跟随{print $1}给256（错误）或Org2（右）。我期望的输出是

>Org1 
MAVVIIKDAADDSLARRD

>Org2 
DSLARRDMAVVIIKDAA

在textwrangler中，我可以分两步替换它，1用\>\d+\_替换为>，2用\_\d+\n替换为\n。但我有几百个文件，并希望使用单行。有什么建议？

Answer 1

使用GNU sed：

sed -E 's/^>[0-9]+_/>/; s/_[0-9]+ *$//' file

输出：

>Org1 
MAVVIIKDAADDSLARRD

>Org2
DSLARRDMAVVIIKDAA

Answer 2

以下awk解决方案也可以帮助您。

awk 'NF && />/ && /[0-9]+/{sub(/_[0-9]+/,"");sub(/[0-9]+_/,"")} 1' Input_file

Answer 3

一个简单的sed脚本：

/^>/!b                 # if it's not a FASTA header line, don't touch it
s/\([>_]\)[0-9]*_/\1/g # zap internal all-numeric field
s/_[0-9]*$//           # zap terminal all-numeric field if present

作为sed单行，您可以申请所有文件：

sed -i~ -e '/^>/!b' -e 's/\([>_]\)[0-9]*_/\1/g' -e 's/_[0-9]*$//' *.fasta

-i~使sed执行就地替换，原始文件备份为文件名，末尾附加了波浪号。

并非所有的sed实现都像多个-e论点，而且我对[0-9]*略显草率，因为并非所有sed方言都有办法说[0-9]+在这里更合适。如果你有sed -r或sed -E这将是一个很好的改进，但再次，没有关于你在哪个平台的信息，我不想发布推测变化。