Bash 使用awk在fasta标题中保留分隔符后的文本

我有一个应该很简单的问题，但我缺乏awk知识，这让我停滞不前

我想清理以下格式的fasta文件的标题：

>HWGG454_Clocus2_Locus3443_allele1
ATTCTACTACTACTCT
>GHW757_clocus37_Locus555662_allele2
CTTCCCTACGATG
>TY45_clocus23_Locus800_allele0
TTCTACTTCATCT

我想清理每个标题（以“>”开头的行），只保留信息部分，即第二个“_位点*”，带或不带等位基因部分

我原以为awk是一种简单的方法，但我不能让它发挥作用

如果我只想保留标题中“uu”分隔符之前的第一列文本，以及下面的序列，我会运行这个（假设这个玩具示例在test.fasta文件中）：

但是，我只想保留第三个定界符后面的“Locus*”文本，但是，使用此代码我得到：

cat test.fasta | awk -F '_' '{print $3}'
Locus3443

Locus555662

Locus800

我做错了什么

---

谢谢。

我理解这意味着您希望从标题行中选择

轨迹

字段，而其他字段保持不变。然后：

awk -F _ '/^>/ { print $3; next } 1' filename

这也许是最简单的方法。这项工作如下：

/^>/ {      # in lines that begin with >
  print $3  # print the third field
  next      # and go to the next line.
}
1           # print other lines unchanged. Here 1 means true, and the
            # default action (unchanged printing) is performed.

这里要理解的是awk的控制流：awk代码由带有关联操作的条件组成，如果条件的计算结果为true，则执行这些操作

/^>/

是整个记录上的正则表达式匹配（默认为行）；如果行的开头是

（因为

^

与开头匹配），那么

将使awk执行

打印$3；以
开头的行中的下一个
。不那么直截了当的部分是

1

打印行不变。只有当第一个动作没有执行时（因为其中的
next
），我们才能到达这里，而这个
1
将被视为一个始终为真的条件——非零值在awk中为真

现在，如果省略awk语句中的条件或操作，则使用默认值。默认操作是打印未更改的行，这将利用它。同样可以写

1 { print }

或

在后一种情况下，省略条件并使用默认条件“true”
1是最短的变体，因此是惯用的。
下面的行需要第二个awk匹配。e、 g

cat test.fasta | awk -F _ '/^>/ { print $3"_"$4 } /^[A-Z]/ {print $1}'

输出：

Locus3443_allele1
ATTCTACTACTACTCT
Locus555662_allele2
CTTCCCTACGATG
Locus800_allele0
TTCTACTTCATCT

如果您不想从awk脚本中删除
\u allege1
位
“\u4”
。
您只需在每一行执行一个正则表达式即可：

$ awk -F_ '{print (/^>/ ? $3 : $0)}' file
Locus3443
ATTCTACTACTACTCT
Locus555662
CTTCCCTACGATG
Locus800
TTCTACTTCATCT

$ awk '{ sub(/^.*_L/,"L"); print $0}' /tmp/fasta.txt
Locus3443_allele1
ATTCTACTACTACTCT
Locus555662_allele2
CTTCCCTACGATG
Locus800_allele0
TTCTACTTCATCT

你的预期产出是多少？
Locus3443_allele1
ATTCTACTACTACTCT
Locus555662_allele2
CTTCCCTACGATG
Locus800_allele0
TTCTACTTCATCT

$ awk -F_ '{print (/^>/ ? $3 : $0)}' file
Locus3443
ATTCTACTACTACTCT
Locus555662
CTTCCCTACGATG
Locus800
TTCTACTTCATCT

$ awk '{ sub(/^.*_L/,"L"); print $0}' /tmp/fasta.txt
Locus3443_allele1
ATTCTACTACTACTCT
Locus555662_allele2
CTTCCCTACGATG
Locus800_allele0
TTCTACTTCATCT