📚 课程目录第2章蛋白质结构基础与数据表示

2. 蛋白质结构基础与数据表示

蛋白质结构预测的输入与输出，本质上都是对三维结构的某种“数据表示”。如果对氨基酸的化学性质、二级结构的几何含义、三级结构的空间组织方式，以及 PDB/mmCIF 这类结构文件如何编码原子坐标没有清晰认识，就很难判断一个预测模型到底在预测什么、输出是否合理。本节从结构层次出发，落到结构文件格式与可视化工具，建立后续建模与评估所需的数据直觉。

氨基酸：序列层面的化学字母表

蛋白质由 20 种标准氨基酸通过肽键连接而成。每个氨基酸由主链（N—Cα—C 及羰基 O）和侧链 R 基组成，主链在所有残基中重复，侧链决定残基的化学个性。理解结构预测，需要抓住三组关键属性：

侧链大小与柔性：甘氨酸（G）只有氢原子，柔性最高；脯氨酸（P）侧链成环并约束主链 φ 角，常出现在转角处；色氨酸（W）、酪氨酸（Y）等芳香族侧链体积大，常参与疏水核心与堆积。
电荷与极性：天冬氨酸（D）、谷氨酸（E）带负电，赖氨酸（K）、精氨酸（R）带正电，丝氨酸（S）、苏氨酸（T）等含羟基可形成氢键。这些性质决定残基倾向暴露在溶剂还是埋藏在内部。
疏水性：以 Kyte-Doolittle 标度为例，异亮氨酸（I）、缬氨酸（V）、亮氨酸（L）、苯丙氨酸（F）疏水性强，精氨酸（R）、赖氨酸（K）、天冬氨酸（D）亲水性强。疏水效应是驱动折叠的主要力量之一。

此外，半胱氨酸（C）之间可形成二硫键，对结构起交联稳定作用；组氨酸（H）咪唑环的 pKa 接近生理 pH，常出现在酶活性中心。这些细节在预测中往往作为特征或约束使用。

二级结构：局部规则构象

二级结构是主链局部规则排列形成的构象，最典型的是 α 螺旋和 β 折叠。α 螺旋中，每个残基沿螺旋轴上升约 1.5 Å，每圈约 3.6 个残基，主链 N—H 与前方第 4 个残基的 C=O 形成链内氢键。β 折叠中，相邻 β 链之间通过主链氢键形成片层，可分为平行与反平行两种取向，反平行 β 片层的氢键更接近直线，因而更稳定。

二级结构还包含转角（turn）和无规卷曲（coil）。在 DSSP 等算法中，二级结构被赋予 H（α 螺旋）、E（β 折叠）、G（3-10 螺旋）、T（转角）、S（弯曲）等符号。预测二级结构是许多三级结构预测流程的中间步骤，也是评估预测质量的重要维度。

三级结构：空间中的整体组织

三级结构描述整条链在三维空间中的折叠方式，包括结构域（domain）、疏水核心、活性口袋、二硫键、金属结合位点等。结构域是独立折叠、常具有独立功能的单元，同一蛋白可含多个结构域。三级结构的稳定性来自疏水核心、氢键、盐桥、范德华力与二硫键的协同。

描述三级结构时，常用主链二面角 φ、ψ、ω 以及侧链 χ 角。φ 与 ψ 的允许组合可用 Ramachandran 图表示，绝大多数残基落在 α 螺旋区、β 区与左旋螺旋区。预测结果若大量残基落在不允许区，通常意味着局部几何不合理。

PDB 与 mmCIF：结构数据的两种主要载体

PDB 格式是历史最悠久的结构文件格式，以固定列宽记录原子信息。其核心记录包括：

ATOM      1  N   MET A   1      27.340  24.430   2.614  1.00 20.00           N
ATOM      2  CA  MET A   1      26.266  25.413   2.842  1.00 20.00           C
ATOM      3  C   MET A   1      26.913  26.639   3.531  1.00 20.00           C
ATOM      4  O   MET A   1      27.886  26.463   4.263  1.00 20.00           O
HETATM 1234  ZN  ZN  A 201      15.220  18.340   9.110  1.00 25.00          ZN

其中 ATOM 记录标准残基原子，HETATM 记录配体、金属离子或修饰残基；各列依次为记录名、原子序号、原子名、残基名、链标识、残基序号、x/y/z 坐标、占据率、温度因子（B-factor）与元素符号。坐标单位为 Å，B-factor 反映原子位置的不确定度，通常越大表示越柔性或越不可靠。

PDB 格式的局限在于列宽固定、字段有限，难以容纳超大复合物与丰富元数据。mmCIF（ macromolecular Crystallographic Information File）采用键值对与循环表结构，扩展性更好，已成为 PDB 归档的主流格式。其核心类别包括 _atom_site（原子坐标）、_entity（实体）、_struct_conf（二级结构）等。例如：

loop_
_atom_site.group_PDB
_atom_site.id
_atom_site.label_atom_id
_atom_site.label_comp_id
_atom_site.label_asym_id
_atom_site.Cartn_x
_atom_site.Cartn_y
_atom_site.Cartn_z
ATOM 1 N  MET A 27.340 24.430 2.614
ATOM 2 CA MET A 26.266 25.413 2.842

实际工程中，读取结构常用 Biopython 的 PDBParser 或 MMCIFParser，也可用 gemmi、BioJava 等库。解析后应检查：链数、残基编号是否连续、是否有缺失原子、是否有 altLoc 备选构象、HETATM 中是否包含关键配体。

结构比对与可视化：从坐标到判断

结构比对用于衡量两个结构的相似性。常用指标是 RMSD（均方根偏差），计算前需先做最优叠合。对长度不同或存在柔性区的结构，全局 RMSD 可能失真，此时可用 TM-score、GDT-TS 或局部叠合。序列比对与结构比对并不总是一致：序列相似度低但结构相似的情况在进化中并不罕见。

可视化工具方面，PyMOL 适合精细制图与脚本化操作，ChimeraX 适合大复合物与密度图，VMD 擅长分子动力学轨迹，NGL Viewer 与 Mol* 则适合网页内嵌展示。常见操作包括按二级结构着色、按 B-factor 着色、显示疏水表面、测量距离与角度、叠合两个结构并查看差异区域。

工程实践中的关键检查点

拿到一个结构文件后，建议按以下顺序检查，避免后续预测或比对建立在错误数据上：

链与实体：确认目标链标识（如 A、B），多链复合物需明确要预测哪条链或哪组界面。
残基编号：注意编号是否从 1 开始、是否有插入码（如 100A）、是否有缺失残基。缺失残基会直接影响序列与结构的对应关系。
原子完整性：检查主链 N、CA、C、O 是否齐全，侧链是否有缺失重原子。缺失原子在计算 RMSD 或特征时需跳过或补全。
altLoc：同一残基可能存在多个备选构象，需决定取 A 构象、取占据率最高者，还是全部保留。
HETATM：确认是否包含关键配体、金属离子、水分子。水分子在界面预测中有时重要，有时应剔除。
B-factor：高 B-factor 区域通常柔性大，评估预测时可将这些区域单独看待。

若使用 mmCIF，注意 label_asym_id 与 auth_asym_id 可能不同：前者是文件内部实体标识，后者是作者链标识。做链映射时以实际需求选择，并在全流程保持一致。

从结构表示到预测任务

结构预测模型的输入通常包括序列、多序列比对（MSA）、模板结构；输出则可能是坐标、距离图、二面角分布或二级结构标签。理解 PDB/mmCIF 中坐标与 B-factor 的含义，有助于判断模型输出的置信度；理解二级结构与三级结构的关系，有助于解释为什么某些区域预测得准、某些区域预测得差。结构比对与可视化则是验证预测结果、发现异常几何与局部错误的基本手段。

例如，用 PyMOL 叠合预测结构与实验结构时，可先执行 align pred, exp，再查看 RMSD 与叠合区域；若整体 RMSD 偏大但核心区叠合良好，说明柔性末端拉高了全局指标，此时应结合局部叠合与 TM-score 综合判断。类似地，在 ChimeraX 中可用 matchmaker 命令完成叠合，并用 color byattribute bfactor 观察柔性分布。