2. 蛋白复合物数据基础

蛋白复合物结构预测的第一步不是建模，而是把“输入数据”这件事做扎实。复合物数据分散在多个公共数据库中，各自记录的对象、精度和适用场景并不相同：PDB 记录的是实验解析的原子坐标，EMDB 记录的是冷冻电镜密度图，AlphaFold DB 提供的是预测模型。若不加区分地混用，后续对接、界面分析和打分都会建立在错误前提上。本节围绕“取什么、从哪取、怎么清洗、如何判断可用”展开。

三类数据库记录的对象不同

PDB（Protein Data Bank）是复合物原子坐标的核心来源，条目以 4 位字符标识，如 1A2K。一个 PDB 条目可能包含多条链、配体、水分子和金属离子，复合物信息体现在链的组合与相互作用上。EMDB 以 EMD-xxxxx 编号存储电镜密度图，本身不含原子坐标，需要与 PDB 中对应的拟合模型配合使用。AlphaFold DB 则以 UniProt 登录号为单位提供预测结构，对复合物而言，它通常只给出单链模型，多聚体需要借助 AlphaFold-Multimer 另行预测，因此不能把 AlphaFold DB 的单链条目直接当作复合物数据。

理解这一点后，数据获取就有了明确分工：需要实验复合物坐标时查 PDB；需要密度图验证界面或做柔性分析时查 EMDB；需要补全缺失链或做对照时参考 AlphaFold DB，但必须标注其为预测来源。

获取：从条目号到本地文件

以 PDB 为例，最直接的方式是通过 RCSB PDB 的文件服务下载。若已知条目号 1A2K，可用 https://files.rcsb.org/download/1A2K.cif 获取 mmCIF 格式坐标，或用 https://files.rcsb.org/download/1A2K.pdb 获取 PDB 格式。批量获取时，RCSB 提供 FTP 目录和 rsync 镜像，适合一次性拉取数百个复合物条目。EMDB 的密度图可从 https://ftp.ebi.ac.uk/pub/databases/emdb/ 按 EMD 编号下载，通常为 .map 或 .mrc 文件。AlphaFold DB 的模型可通过 https://alphafold.ebi.ac.uk/files/AF-P12345-F1-model_v4.pdb 获取，其中 P12345 为 UniProt 登录号。

获取阶段要同时记录元数据：PDB 条目的实验方法（X-ray、Cryo-EM、NMR）、分辨率、R-free；EMDB 的分辨率与拟合 PDB 编号；AlphaFold 模型的 pLDDT 和 PAE 文件。这些字段决定了后续能否用于复合物界面分析。

清洗：把“原始条目”变成“可计算对象”

下载得到的文件往往包含大量与目标复合物无关的内容。清洗的第一步是链筛选：根据生物学装配注释（REMARK 350 或 mmCIF 中的 pdbx_struct_assembly）确定哪些链构成目标复合物，删除无关链、水分子和多余配体。第二步处理缺失残基：PDB 中常见某些 loop 区未解析，表现为链内残基编号跳号。若缺失位于界面附近，会直接影响接触判断，应明确标注或借助同源建模、AlphaFold 补全。第三步处理非标准残基和配体：金属离子、糖基、修饰残基需保留或按研究目的决定是否删除。第四步统一格式：下游对接常用 PDBQT，分子动力学常用 PDB 或 GRO，需用 pdb2pqr、obabel 等工具加氢、加电荷并转换。

质量控制：判断数据能不能用

质控不是简单看分辨率一个数。对实验复合物，应同时检查：整体分辨率是否优于约 3.0 Å；R-free 是否在合理范围（通常低于 0.30）；目标链是否完整，界面残基是否被解析；复合物界面是否有真实原子接触（而非晶体堆积造成的假接触）。对 EMDB 数据，还要看密度图与拟合模型的一致性，局部分辨率是否足以支撑界面判断。对 AlphaFold 预测模型，重点看 pLDDT（逐残基置信度，>70 通常认为主链可信）和 PAE（预测对齐误差，界面区 PAE 低才说明链间相对位置可信）。

一个常见的误区是：把 AlphaFold DB 的单链模型直接拼成复合物。单链模型内部置信度高，不代表链间界面可信。若要用预测模型做复合物分析，应使用 AlphaFold-Multimer 重新预测，并检查界面 PAE 矩阵，而不是简单叠加两个单链模型。

可参考的质控检查表

把获取、清洗、质控三步串起来，复合物数据才真正具备进入预测流程的资格。下一阶段的所有建模与打分，都建立在这份经过筛选和记录的数据之上。