一条命令实现fasta序列多行变单行

许多序列处理软件要求fasta序列为单行，但很多时候下载的序列都是多行fasta序列，因此需要转换成单行fasta格式：

多行fasta文件未test.fa：

test$cat test.fa 
>seq1
ATTAAAGGTTTATACCTTCC
AATCTGTGTGGCTGTCACTC
ACACGAGTAACTCGTCTATC
>seq2
ATTAAAGGTTTATACCTTCC
AATCTGTGTGGCTGTCACTC

1.使用awk加条件判断（比较快）

test$awk '{if($0~/>/) name=$0 ;else seq[name]=seq[name]$0;}END{for(i in seq) print i"\n"seq[i]"\n"}' test.fa
>seq1
ATTAAAGGTTTATACCTTCCAATCTGTGTGGCTGTCACTCACACGAGTAACTCGTCTATC
>seq2
ATTAAAGGTTTATACCTTCCAATCTGTGTGGCTGTCACTC

2. 使用awk（比较快）

test$awk '/^>/&&NR>1{print "";}{printf "%s",/^>/?$0"\n":$0}' test.fa >test2.fa
test$cat test2.fa
>seq1
ATTAAAGGTTTATACCTTCCAATCTGTGTGGCTGTCACTCACACGAGTAACTCGTCTATC
>seq2
ATTAAAGGTTTATACCTTCCAATCTGTGTGGCTGTCACTC $test # 末尾未换行

该方法在最后一行无换行符号，需要加一个换行符号。

test$sed -i '$s/$/\n/' test2.fa 
test$cat test2.fa
>seq1
ATTAAAGGTTTATACCTTCCAATCTGTGTGGCTGTCACTCACACGAGTAACTCGTCTATC
>seq2
ATTAAAGGTTTATACCTTCCAATCTGTGTGGCTGTCACTC # 末尾已换行
$test

有小伙伴留言 第一条awk命令没看懂，在这儿详细解释一下：
awk命令是读一行然后对这一行用命令处理，就是一行一行的处理命令。

1. /^>/&&NR>1{print "";} 这部分就是一个简单的匹配然后操作的命令，意思是开头为>且行数大于1时，首先print 一下，print后面啥也不跟，就意味着打印一个换行符换行。

2. {printf "%s",/^>/?$0"\n":$0}， printf 是一个格式打印的意思，%s就是打印字符串。后面跟打印的内容，/^>/?$0"\n":$0 是一个二维判断运行结构，？前表示匹配条件，如果匹配前面的条件，运行：前的命令，如果不匹配，运行:后面的内容，即，如果该行以>开头，就是标题行，打印该行（$0)并换行(“\n”）,如果不匹配，直接打印该行。

3. 对于整个命令，在第一行>seq1时，虽然匹配/^>/但不匹配NR>1，所以后面的{print "";}不运行。命令继续往后运行，到{printf "%s",/^>/?$0"\n":$0}，由于该行以>开头，所以匹配，运行：前的命令，打印该行，就是第一个序列的标题行，并换行。

4. 第2行序列行，第一部分不匹配，直接运行第二部分命令，由于不是以>开头，所以直接打印，同样第3行也是运行第二部分命令，直接打印序列，中间不换行。一直到下一个标题行（以>开头），注意末尾没有换行符。

5. 命令一直运行到第二条序列的开头>seq2，以“>”开头且行数大于1，匹配第一部分，打印换行符，这是因为上一行以序列结尾，没有换行符。运行第二部分，匹配：前的部分，打印标题行，换行。然后下一行开始打印序列直至第3条序列的标题行。

6. 开头的 /^>/&&NR>1{print "";}，其实就是为了上一条序列末尾行没有换行，在开启一条新的序列的时候，需要换行，打印一个换行符。由于整个文件最后一行是序列，所以最终文件末端没换行。除了用sed加一个换行的方法外，还可以试试awk '/^>/&&NR>1{print "";}{printf "%s",/^>/?$0"\n":$0}END{print "";}' test.fa >test2.fa, 用END命令在最后加一个换行符。这个命令应该管用，不过我没试过。

3. 使用 tr和sed，速度未测算

test$cat test.fa | tr '\n' '\t' | sed 's/\t>/\n>/g' |sed 's/\t/\n/' | sed 's/\t//g' 
>seq1
ATTAAAGGTTTATACCTTCCAATCTGTGTGGCTGTCACTCACACGAGTAACTCGTCTATC
>seq2
ATTAAAGGTTTATACCTTCCAATCTGTGTGGCTGTCACTC