如何将 fasta 文件中的序列（多行）重新格式化为单行？ [复制]答案

【问题标题】：how can I reformat sequences (several lines) in a fasta file to single line? [duplicate]如何将 fasta 文件中的序列（多行）重新格式化为单行？ [复制]
【发布时间】：2015-09-18 20:38:27
【问题描述】：

输入“file.fasta”（注意，这是一个示例......在fasta文件中，序列可能超过三行）

>chr1:117223140-117223856 标签：GTGGG GTGGgggggcgCATAGCAGCAGCAGCAGCAGCAGCAGCAGCAGCAGAGtt aGTAGTATCGAATCGCACGACTGACAGCTCAGCATCAGCGACGACTAGTG GTGGGCGACGACAgCGATATA >chr2:117223140-117223856 标签：GGGCT ACGAGCAGCAGCAGCAGCagCCGATCGACGACTCAAGTACGATACGCGaa cCCCCCGACGACGACTCACGA

预期输出

>chr1:117223140-117223856 标签：GTGGG GTGGgggggcgCATAGCAGCAGCAGCAGCAGCAGCAGCAGCAGCAGAGttaGTAGTATCGAATCGCACGACTGACAGCTCAGCATCAGCGACGACTAGTGGTGGGCGACGACAgCGATATA >chr2:117223140-117223856 标签：GGGCT ACGAGCAGCAGCAGCAGCagCCGATCGACGACTCAAGTACGATACGCGaacCCCCCGACGACGACTCACGA

我的努力：sed 命令

sed ':a;N;$!ba;s/\([actgACGT]\)\n\([actgACGT]\)/\1\2/g' file.fasta

我的错误输出：

>chr1:117223140-117223856 标签：GTGGGGTGGgggggcgCATAGCAGCAGCAGCAGCAGCAGCAGCAGCAGCAGAGttaGTAGTATCGAATCGCACGACTGACAGCTCAGCATCAGCGACGACTAGTGGTGGGCGACGACAgCGATATA >chr2:117223140-117223856 标签：GGGCTACGAGCAGCAGCAGCAGCagCCGATCGACGACTCAAGTACGATACGCGaacCCCCCGACGACGACTCACGA

标题的正则表达式（第一个字母是“>”的行）是"^>.*$"，但我不知道如何包含在sed命令中

提前致谢

【问题讨论】：

@tripleee 你说的对是重复的，我没见过

标签： bash sed fasta

【解决方案1】：

这可能对你有用（GNU sed）：

sed ':a;N;/>/!s/\n//;ta;P;D' file

查看两行，如果其中不包含>，则删除它们之间的换行符并重复。如果其中任何一行确实包含>，则打印并删除其中的第一行，然后重复。

【讨论】：

我会学习sed，我还有很多要学.....非常感谢

【解决方案2】：

$ awk '/^>/ {print (NR>1?"\n":"")$0;; next} {printf "%s",$0;} END{print "";}' file.fasta 
>chr1:117223140-117223856 TAG:GTGGG
GTGGgggggcgCATAGCAGCAGCAGCAGCAGCAGCAGCAGCAGCAGAGttaGTAGTATCGAATCGCACGACTGACAGCTCAGCATCAGCGACGACTAGTGGTGGGCGACGACAgCGATATA
>chr2:117223140-117223856 TAG:GGGCT
ACGAGCAGCAGCAGCAGCagCCGATCGACGACTCAAGTACGATACGCGaacCCCCCGACGACGACTCACGA

工作原理

/^>/ {print (NR>1?"\n":"")$0;; next}

如果该行以> 开头，即如果正则表达式/^>/ 为真，则打印该行。如果这不是第一行，即NR>1，则在行前打印一个换行符。然后，跳过其余命令并跳转到 next 行重新开始。
printf "%s",$0;

对于所有其他行，打印它们不带尾随换行符。
END{print "";}

到达文件末尾后，打印最后一个换行符。

【讨论】：