代码学习 | Linux | grep 检索生信文本全套

拿到一个 FASTA 或 GTF，想快速知道里面有多少条序列、某个基因在不在、某个模式出现几次——专门写脚本太重，用文本编辑器打开又太大、几个 G 直接卡死。这种时候 grep 就是最趁手的瑞士军刀，一行命令秒出结果。它不挑文件格式、不用先排序，常用参数也就那么几个，记住了 FASTA、GTF、VCF 哪类文本都能搜。这一讲把 grep 在生信文本里的常用法一次理清：基础检索、计数定位、跨文件搜索、以及用在 GTF 和 VCF 上，配一个小 FASTA 示例照着就能用。

grep 为什么趁手

比对、注释、变异文件本质都是文本。grep 不用加载整个文件、不挑格式，几 G 的文件也能秒搜。记住几个常用参数就够应付日常检索。

核心命令速查

下面按「基础检索 / 计数定位 / 跨文件 / GTF-VCF」分组，配套小 FASTA 在 testdata 里：

#!/bin/bash# grep 在生信文本里的常用命令速查，按需复制FA=testdata/test.fa# ---- 基础检索 ----grep -c "^>""$FA"# 数序列条数（FASTA 头以 > 开头）grep "^>""$FA"# 列出所有序列名grep -n "^>""$FA"# 带行号列出grep -v "^>""$FA"# 只看序列（排除头行）grep -w "gene=KRAS""$FA"# 全词匹配，防 KRAS 误配 KRAS2grep -i "atg""$FA"# 忽略大小写# ---- 计数 / 定位 ----grep -o "ATG""$FA" | wc -l        # 统计某模式出现总次数grep -B1 "N""$FA"# 带出上一行（含 N 序列的名字）grep -A1 "TP53""$FA"# 带出下一行（该序列）grep -E "TP53|EGFR|KRAS""$FA"# 多模式（扩展正则）grep -P "A{4,}""$FA"# PCRE：连续 4 个以上 Agrep --color=auto "ATG""$FA"# 高亮匹配项# ---- 跨文件 ----grep -l "TP53" testdata/*.fa       # 列出含匹配的文件名grep -r "TP53" testdata/           # 递归搜整个目录grep -f patterns.txt "$FA"# 从文件读多个模式批量搜# ---- 用在 GTF / VCF ----grep -w "TP53" genes.gtf           # GTF 里找某基因所有行grep -P "\tgene\t" genes.gtf       # GTF 只看 gene 类型行grep -v "^#" sample.vcf            # VCF 跳过表头grep -c -v "^#" sample.vcf         # 数变异条数grep "PASS" sample.vcf             # 只看通过过滤的变异

^> 锁 FASTA 头；-w 全词防误配；-B1/-A1 带出上/下一行；-o+wc -l 数模式次数；-v 反向匹配。

示例的输出日志

对示例 FASTA 跑几个代表命令，结果如下：

序列条数:5序列名:>seq1 gene=TP53>seq2 gene=EGFR>seq3 gene=KRAS>seq4 gene=BRCA1>seq5 gene=MYC找 KRAS:>seq3 gene=KRAS含 N 的序列(带名字):>seq4 gene=BRCA1ATGGATTTATCTGCTCTTCGCNNNNGTTGGAAGGCTTTTATG 出现次数:7多模式 TP53/EGFR:>seq1 gene=TP53>seq2 gene=EGFROK

序列条数、序列名、KRAS、含 N 的 BRCA1、ATG 次数、多模式——检索结果一目了然。

扩展：接成统计流水线

grep 抽出来的东西接 sort/uniq，就是一条快速统计流水线：

# 抽出所有基因名并去重计数grep -o "gene=[A-Z0-9]*" testdata/test.fa | sort | uniq -c# 统计 GTF 里每种 feature 各有多少行grep -v "^#" genes.gtf | cut -f3 | sort | uniq -c

grep 负责筛、sort/uniq 负责统计，管道一串就是日常最常用的组合（后面 L07 细说）。

避坑指南

• 匹配到一堆不想要的 → 用 -w 全词，或 ^/$ 锚定位置
• 大小写漏匹配 → 加 -i 忽略大小写
• 想看上下文 → -A/-B/-C 带出后/前/前后几行
• 正则特殊字符 → 用 -F 按字面匹配，或反斜杠转义

📦 完整代码 + 测试数据下载

百度网盘链接：https://pan.baidu.com/s/1-AZFgMozh9NvISwTWUdDFg?pwd=l04c

提取码：l04c（代码已实测可直接运行，建议保存到自己网盘）