我搜索了很多，但找不到解决问题的方法。我有一个看起来像这样的文件：
>HEADER1
AACTGGTTACGTGGTTCTCT
>HEADER2
GGTTTCTC
>HEADER3
CCAGGTTTCGAGGGGTTACGGGGTA
我想删除GGTT 模式及其之前的所有内容。所以基本上在某些行中有几个这样的模式，所以我想删除所有这些模式，包括模式之前或其中的所有内容。
所需的输出应如下所示：
>HEADER1
CTCT
>HEADER2
TCTC
>HEADER3
ACGGGGTA
我尝试了建议的ways，但无法根据我的数据进行调整。
提前感谢您的帮助。
【问题讨论】：
标签： awk sed bioinformatics fasta
如果您的标题不可能包含GGTT，我想最简单的方法是：
$ sed 's/.*GGTT//' file
>HEADER1
CTCT
>HEADE2
TCTC
>HEADER3
ACGGGGTA
如果您的标头可能包含GGTT，那么 awk 可能会更好：
$ awk '!/^>/ {sub(/.*GGTT/, "")}1' file
>HEADER1
CTCT
>HEADE2
TCTC
>HEADER3
ACGGGGTA
在这两种情况下，.*GGTT 都是“贪婪的”，所以如果有多个 GGTT 实例无关紧要，它始终会匹配并删除最后一次出现的所有内容。
在 awk 版本中，!/^>/ 模式确保仅对不以 > 开头的行进行替换。
【讨论】：
sed 也支持多种过滤器：sed '/^>/! s/.*GGTT//' .. 另外，如果我对 fasta 文件的基本理解正确，标题将不匹配
sed，例如：sed 's///g' 或sed 's///d'？我读到了d 或g，但没有完全了解它们的优势。我也见过这种格式的 sed sed 's//d'.
s//d 应该是//d （表示删除与正则表达式匹配的行，注意这里只提供正则表达式，没有替换字符串）... g 标志表示替换所有出现，但在此解决方案中只有一个匹配项，因此不需要 g（尽管它仍可与 g 一起使用）...有关学习资源，请参阅 stackoverflow.com/tags/sed/info
g 在我的示例中不是必需的，因为只有一个匹配项，但我在某些行中有几个 GGTT。我知道我在这里遗漏了一些东西:)
In both cases, the .*GGTT is "greedy", so it doesn't matter if there are multiple instances of GGTT, it will always match up to and remove everything through the last occurrence. - 如果仍然无法解决，请参阅my tutorial on quantifiers 以及随后的“最长匹配获胜”部分
请注意，一般而言，问题中显示的 fasta 格式的序列可能跨越多行（= 它们通常每行包含 80 或 100 个核苷酸）。与此线程中的其他答案不同，此答案也可以正确处理此类情况。
使用这两个通过管道连接的 Perl 单线。第一个单行执行所有常见的 fasta 序列重新格式化，这在这种情况和类似情况下是必要的。它删除序列中的换行符和空格（这也解开序列），但不更改序列标题行。它还可以正确处理文件中的前导和尾随空格/换行符。第二行实际上以不区分大小写的方式删除序列中最后一个 GGTT 之前的所有内容。
注意：如果GGTT 位于序列的末尾，则输出将是一个标题加上一个空序列。请参见下面示例中的 seq4。 这可能会导致下游使用的某些生物信息学工具出现问题。
# Create the input for testing:
cat > in.fa <<EOF
>seq1 with blanks
ACGT GGTT ACGT
>seq2 with newlines
ACGT
GGTT
ACGT
>seq3 without blanks or newlines
ACGTGGTTACGT
>seq4 everything should be deleted, with empty sequence in the output
ACGTGGTTACGTGGTT
>seq5 lowercase
acgtggttacgt
EOF
# Reformat to single-line fasta, then delete subsequences:
perl -ne 'chomp; if ( /^>/ ) { print "\n" if $n; print "$_\n"; $n++; } else { s/\s+//g; print; } END { print "\n"; }' in.fa | \
perl -pe 'next if /^>/; s/.*GGTT//i;' > out.fa
在文件out.fa中输出：
>seq1 with blanks
ACGT
>seq2 with newlines
ACGT
>seq3 without blanks or newlines
ACGT
>seq4 everything should be deleted, with empty sequence in the output
>seq5 lowercase
acgt
Perl one-linera 使用这些命令行标志：-e：告诉 Perl 查找内联代码，而不是在文件中。-n：循环输入一行一次，默认分配给$_。-p：循环输入一行，默认分配给$_。在每次循环迭代后添加print $_。
chomp：删除输入行分隔符（*NIX 上的\n）。if ( /^>/ )：测试当前行是否为序列标题行。$n：此变量未定义(false) 开头，看到第一个序列头后为 true，在这种情况下，我们打印一个额外的换行符。此换行符位于每个序列的末尾，从第一个序列开始。END { print "\n"; } ：打印最后一个序列之后的最后一个换行符。s/\s+//g; print; ：如果当前行是序列（不是标题），删除所有空格并在没有终端换行符的情况下打印。
next if /^>/; ：跳过标题行。
s/.*GGTT//i; ：将所有内容（.*）替换为包括最后一个 GGTT 在内的所有内容（= 删除它）。 /i 修饰符表示不区分大小写的匹配。
另请参阅：perldoc perlrun: how to execute the Perl interpreter: command line switchesperldoc perlre: Perl regular expressions (regexes)perldoc perlre: Perl regular expressions (regexes): Quantifiers; Character Classes and other Special Escapes; Assertions; Capture groups
【讨论】：