Capítulo 9: sed — El editor de flujo
Capítulo 9: sed — El editor de flujo
sed significa Stream EDitor (editor de flujo). A diferencia de un editor interactivo como nano o vim, sed aplica transformaciones a un flujo de texto automáticamente, línea por línea, sin abrir ninguna ventana. Es la herramienta ideal cuando necesitas modificar miles o millones de líneas de un archivo y abrirlo a mano sería inviable — situación común en bioinformática, donde un GFF o un VCF puede tener cientos de miles de líneas.
sed hereda la sintaxis del antiguo editor ed y se estandarizó en POSIX. Es ubicuo: viene preinstalado en Ubuntu, macOS y prácticamente cualquier UNIX. En este capítulo aprenderás la sintaxis general, las opciones más comunes, los principales comandos (s, d, p, i, a, c) y los patrones de direccionamiento. Verás también expresiones regulares extendidas, backreferences y el temido pero utilísimo espacio de patrón y espacio de hold.
sed o awk?
sed está optimizado para sustituciones y filtrado por líneas: “cambia esto por aquello”, “borra las líneas que matcheen este patrón”, “extrae las líneas entre dos cabeceras”. awk (Capítulo 10) es mejor cuando necesitas operar con columnas, hacer cálculos o mantener variables entre líneas. Para tareas simples de sustitución, sed es más corto y rápido.
9.1. Sintaxis general
La forma de invocación más simple:
sed [opciones] 'comando' archivoopcionesson banderas como-n,-i,-E.comandoes una acción encerrada entre comillas simples (para evitar que el shell interprete caracteres como*,(,\).archivoes el fichero de entrada. Si se omite,sedlee de stdin, lo que permite usarlo en pipes.
Por defecto sed imprime cada línea a stdout después de aplicarle el comando. Por eso muchos comandos requieren -n para silenciar la salida automática cuando solo queremos imprimir lo que digamos explícitamente.
9.2. Opciones comunes
| Opción | Función |
|---|---|
-n |
Suprime la impresión automática de cada línea. Necesario con p |
-i |
Edita el archivo in-place (modifica el archivo original) |
-i.suf |
Edita in-place y crea un respaldo con sufijo .suf |
-E (o -r) |
Usa expresiones regulares extendidas (EREs). En GNU sed ambas son equivalentes |
-e cmd |
Permite especificar varios comandos |
-f script.sed |
Lee los comandos desde un archivo script |
-s |
Trata varios archivos como separados (útil con -i) |
sed 's/U/T/g' secuencia.fa # imprime resultado a stdout
sed -i 's/U/T/g' secuencia.fa # modifica el archivo original
sed -i.bak 's/U/T/g' secuencia.fa # original + respaldo secuencia.fa.bak-i
sed -i modifica el archivo sin pedir confirmación. Si tu regex está mal, puedes perder datos. Costumbre sana: primero prueba sin -i (ves el resultado en pantalla) y, cuando funcione, añade -i.bak para tener respaldo.
9.3. Comando de sustitución s
Es el comando estrella de sed:
s/patrón/reemplazo/flags
Reemplaza el primer match de patrón en cada línea por reemplazo. Con el flag g se reemplazan todas las ocurrencias en la línea.
echo "ATCG UUUU" | sed 's/U/T/g'
# ATCG TTTTFlags de la sustitución
| Flag | Significado |
|---|---|
g |
Global: reemplaza todas las ocurrencias en la línea, no solo la primera |
i o I |
Insensible a mayúsculas/minúsculas |
N |
Solo reemplaza la N-ésima ocurrencia (s/a/b/3) |
p |
Imprime la línea solo si se hizo una sustitución (útil con -n) |
w archivo |
Escribe solo las líneas modificadas a archivo |
e |
(GNU) Ejecuta el reemplazo como comando shell |
M o m |
Modo multilínea |
echo "aaa aaa aaa" | sed 's/a/b/' # bab aaa aaa (solo la 1ª)
echo "aaa aaa aaa" | sed 's/a/b/3' # aab aaa aaa (solo la 3ª)
echo "aaa aaa aaa" | sed 's/a/b/g' # bbb bbb bbb (todas)
echo "Hello" | sed 's/L/x/i' # Hexo (case insensitive)Delimitadores alternativos
Si tu patrón o reemplazo contiene / (rutas de archivos, URLs), escapar cada slash con \/ es ilegible. sed permite cualquier carácter como delimitador: el primero que aparece después de s se usa como separador.
sed 's/\/home\/usuario\/ref.fa/\/data\/genome.fa/g' # horrible
sed 's|/home/usuario/ref.fa|/data/genome.fa|g' # legible
sed 's#/home/user#~#g' # también válido9.4. Comandos de eliminación d
d borra líneas del flujo (no aparecen en la salida):
sed '3d' archivo # borra la 3ª línea
sed '5,10d' archivo # borra líneas 5 a 10
sed '$d' archivo # borra la última línea
sed '/^$/d' archivo # borra líneas en blanco
sed '/chromosome/d' archivo # borra líneas que contengan "chromosome"
sed '/^#/d' archivo # borra comentarios9.5. Comando de impresión p
Imprime la línea actual. Solo tiene sentido con -n, porque sin -n ya se imprime todo y p duplica la línea.
sed -n '5p' archivo # solo la 5ª línea
sed -n '10,20p' archivo # líneas 10 a 20
sed -n '/gene/p' archivo # solo líneas con "gene"
sed -n '3,~5p' archivo # desde la 3 hasta la siguiente múltiplo de 5sed -n 'NUMp' es una alternativa a head -n NUM | tail -n 1 para extraer una línea concreta.
9.6. Inserción, anexado y cambio de línea
| Comando | Acción |
|---|---|
i\ texto |
Inserta texto antes de la línea actual |
a\ texto |
Añade texto después de la línea actual |
c\ texto |
Cambia la línea completa por texto |
sed '2i\## Línea insertada antes de la 2' archivo
sed '2a\## Línea añadida después de la 2' archivo
sed '1c\## Nueva cabecera' archivoEn GNU sed (Ubuntu), el \ es opcional y se admite la forma:
sed '2i ## CABECERA' archivo
sed '/^>/a ## anotación automática' secuencias.fa9.7. Direccionamiento (seleccionar líneas sobre las que actuar)
Todo comando (s, d, p, etc.) puede ir precedido de una dirección que indica a qué líneas aplicar:
sed '5s/A/N/' archivo # solo sustituye en la línea 5
sed '5,10s/A/N/g' archivo # solo en líneas 5-10
sed '/^>/s/ /_/g' archivo # solo en líneas que empiecen con > (FASTA)
sed '$d' archivo # la última ($)
sed '/start/,/end/p' archivo # desde línea con start hasta línea con end
sed '0~2p' archivo # cada 2 líneas (con -n)Direccionamiento por paso (útil para FASTQ)
sed 'N~Mp' imprime cada M líneas empezando en la N. En un FASTQ cada record ocupa 4 líneas (header, sequence, +, quality). Para extraer solo las secuencias:
sed -n '2~4p' sample.fastq # líneas 2, 6, 10, 14, ...Y para las cabeceras:
sed -n '1~4p' sample.fastq9.8. Expresiones regulares y backreferences
Con -E activamos las expresiones regulares extendidas (EREs), donde los paréntesis son agrupadores (no necesitan escaparse) y +, ?, {n,m} funcionan sin backslash.
Las backreferences permiten referenciar dentro del reemplazo un grupo capturado en el patrón:
echo "gen01 gen02 gen03" | sed -E 's/(gen[0-9]+)/<\1>/g'
# <gen01> <gen02> <gen03>(gen[0-9]+)captura el identificador.\1en el reemplazo se sustituye por el texto capturado por el primer grupo.
Sin -E (modo BRE), los paréntesis se escapan: \(...\) y la backreference sigue siendo \1. Es preferible usar siempre -E para mayor claridad.
Otros ejemplos:
# Poner entre comillas los IDs tipo ID=algo;
sed -E 's/ID=([^;]+);/ID="\1";/g' anotacion.gff3
# Convertir chr1 a Chr_1
sed -E 's/chr([0-9A-Za-z]+)/Chr_\1/g' archivo.bed
# Intercambiar dos campos separados por tabulador
sed -E 's/^([^\t]+)\t([^\t]+)/\2\t\1/' datos.tsv9.9. Múltiples comandos con -e
Para aplicar varias transformaciones en una sola pasada:
sed -e 's/a/A/g' -e 's/b/B/g' -e 's/c/C/g' archivoTambién se puede separar con ;:
sed 's/a/A/g; s/b/B/g' archivoY agrupar comandos sobre la misma dirección con { }:
sed -n '/gene/{p; n; p}' archivo # imprime línea con gene y la siguiente9.10. Scripts sed (-f)
Cuando los comandos son largos o reutilizables, escríbelos en un archivo:
# Quitar comentarios y líneas en blanco
/^#/d
/^$/d
# Cambiar comas por tabs
s/,/\t/g
# Mayúsculas a minúsculas para todas las bases
s/[A-Z]/\l&/gsed -f script.sed datos.csv > datos.tsvEl & en el reemplazo representa todo el match. \l& convierte el match a minúscula.
9.11. Espacio de patrón y espacio de hold (avanzado)
sed mantiene dos buffers:
- Espacio de patrón: la línea actual que se está procesando.
- Espacio de hold: un almacenamiento auxiliar donde puedes guardar líneas temporalmente.
| Comando | Acción |
|---|---|
h |
Copia patrón → hold (sobreescribe) |
H |
Añade patrón al hold (con \n) |
g |
Copia hold → patrón |
G |
Añade hold al patrón (con \n) |
x |
Intercambia patrón ↔︎ hold |
n |
Lee siguiente línea al patrón |
N |
Añade siguiente línea al patrón (con \n) |
D |
Borra hasta el primer \n del patrón y reinicia el ciclo |
q |
Sale de sed |
Ejemplo clásico: invertir el orden de las líneas de un archivo (tac ya lo hace, pero ilustra el concepto):
sed '1!G;h;$!d' archivoNo te preocupes si esto parece críptico: en el 95% del trabajo bioinformático diario no necesitarás estos comandos, pero conviene saber que existen.
9.12. Ejemplos bioinformáticos
Convertir cabeceras FASTA largas a IDs cortos
sed -E 's/^>([^ ]+).*/>\1/' secuencias.faExplicación: ^> localiza el > inicial; ([^ ]+) captura todo hasta el primer espacio (el ID); .* consume el resto (la descripción); el reemplazo >\1 deja solo > seguido del ID.
Eliminar líneas en blanco
sed '/^$/d' archivo
sed -i '/^$/d' secuencias.faReemplazar uracilo por timina (transcripción inversa ARN → ADN)
sed 's/U/T/g' secuencia_rna.fa > secuencia_dna.faExtraer secuencias entre dos cabeceras
sed -n '/>gene1/,/>gene2/p' archivo.faCuidado: incluye la cabecera >gene2. Para excluirla hay que combinar comandos:
sed -n '/>gene1/,/>gene2/{/>gene2/!p}' archivo.faRenombrar IDs en GFF
sed -E 's/ID=([^;]+);/ID=new_\1;/g' anotacion.gff3Quitar carriage return de archivos creados en Windows
Archivos editados en Windows suelen tener finales de línea \r\n (CRLF). En Linux esos \r causan problemas en GFF y VCF. Se ven como ^M con cat -A:
sed -i 's/\r$//' archivo.gffSi montas un directorio de Windows en WSL (/mnt/c/...) y editas archivos desde ahí, casi siempre tendrás \r al final de cada línea. Una costumbre útil es crear un alias:
alias dos2unix='sed -i "s/\r$//"'y usar dos2unix archivo.gff antes de cualquier herramienta bioinformática que se queje de “line 1: unexpected character”.
Extraer cada 4 líneas de un FASTQ
# Solo cabeceras
sed -n '1~4p' sample.fastq
# Cabeceras y secuencias
sed -n '1~4p;2~4p' sample.fastqCambiar separador CSV → TSV
sed 's/,/\t/g' archivo.csv > archivo.tsvSi tu CSV tiene comas dentro de campos entrecomillados (ej. "Smith, John",42), sed 's/,/\t/g' romperá el campo. Para CSV reales usa csvkit o mlr (miller), no sed.
Numerar las secuencias de un FASTA
sed = secuencias.fa | sed 'N;s/\n/\t/'=, que imprime el número de línea seguido de \n, combinado con N (añade siguiente línea al patrón) y s/\n/\t/ (cambia el \n por tab) produce cada línea numerada con un tab.
9.13. Resumen de comandos y flags
s/pat/repl/flags sustituir
/pat/d borrar
Nd borrar línea N
N,Md borrar rango
$d borrar última
-n Np imprimir línea N
-n N,Mp imprimir rango
i\ texto insertar antes
a\ texto añadir después
c\ texto cambiar línea
h H g G x n N D manipulación de buffers (avanzado)
-e CMD varios comandos
-f script leer de script
-i[.suf] in-place con backup opcional
-n silenciar auto-print
-E o -r regex extendida
9.14. Ejercicios
Ejercicio 1
Dado un archivo FASTA seqs.fa con cabeceras tipo:
>seq1 description here
ACGTACGT
>seq2 another description
TTTTGGGG
Usa sed para dejar las cabeceras como >seq1 y >seq2 (sin descripción). Muestra el comando y el resultado esperado.
Ejercicio 2
En un archivo GFF cuyas líneas tienen atributos del estilo:
ID=gen001;Name=GENE1;biotype=protein_coding
ID=gen002;Name=GENE2;biotype=protein_coding
Usa sed para reemplazar protein_coding por PC en todas las ocurrencias. Edita in-place creando un respaldo .bak.
Ejercicio 3
Dado un archivo VCF cuya estructura es:
##fileformat=VCFv4.2
##INFO=<ID=DP,Number=1,Type=Integer,Description="Depth">
#CHROM POS ID REF ALT QUAL FILTER INFO
chr1 100 . A T 50 PASS DP=20
chr1 200 . G C 30 PASS DP=8
Usa sed para: (a) mostrar solo las líneas de cabecera ##; (b) eliminar todas las líneas de cabecera (## y #CHROM...) y dejar solo los datos. Comandos separados.
9.15. Soluciones
Solución 1
sed -E 's/^>([^ ]+).*/>\1/' seqs.fa^>ancla al inicio de línea y exige el>.([^ ]+)captura el ID: cualquier carácter que no sea espacio, una o más veces..*consume el resto (la descripción).>\1reemplaza toda la línea por>seguido del primer grupo.
Resultado:
>seq1
ACGTACGT
>seq2
TTTTGGGG
Sin -E sería sed 's/^>\([^ ]+\).*/>\1/' seqs.fa.
Solución 2
sed -i.bak 's/protein_coding/PC/g' anotacion.gff3s/protein_coding/PC/g: cambia todas las ocurrencias porPCen cada línea.-i.bak: edita el archivo original y dejaanotacion.gff3.bakcon la versión anterior.
Si quieres solo reemplazar dentro de biotype=... y no en cualquier otra parte donde aparezca esa palabra, acota el patrón:
sed -i.bak -E 's/biotype=protein_coding/biotype=PC/g' anotacion.gff3Resultado (en anotacion.gff3):
ID=gen001;Name=GENE1;biotype=PC
ID=gen002;Name=GENE2;biotype=PC
Solución 3
- Mostrar solo las líneas
##:
sed -n '/^##/p' variants.vcf-nsilencia la impresión automática./^##/selecciona líneas que empiecen con##.pimprime las líneas seleccionadas.
Resultado:
##fileformat=VCFv4.2
##INFO=<ID=DP,Number=1,Type=Integer,Description="Depth">
- Eliminar todas las cabeceras y dejar solo datos:
sed '/^#/d' variants.vcf > datos.vcf/^#/dborra cualquier línea que empiece con#(engloba##y#CHROM).
Resultado:
chr1 100 . A T 50 PASS DP=20
chr1 200 . G C 30 PASS DP=8
Si quieres borrar solo las ## pero conservar la línea #CHROM..., usa:
sed '/^##/d' variants.vcfsed en el día a día
De todos los capítulos del curso, este y el de awk son los que más vas a usar. Aprender bien s///, d, p y el direccionamiento por patrón te ahorrará horas de abrir y cerrar editores para cambiar cosas triviales en archivos enormes.
Con esto ya dominas sed para las tareas más comunes. En el siguiente capítulo veremos awk, el complemento perfecto cuando necesitas operar con columnas y hacer cálculos sobre archivos de texto tabulares.
