📚 课程目录第3章蛋白质结构数据库

3. 蛋白质结构数据库：从哪里找到我们需要的材料

做蛋白质结构预测，说白了就是在找一张「折叠地图」。而这张地图的原材料——序列和结构——就散落在几个大型数据库中。我刚开始接触这个领域时，面对PDB、UniProt这些名字也是一脸懵。今天我们就把这些数据源理清楚。

3.1 PDB：结构生物学的「黄金档案」

PDB（Protein Data Bank）是目前最权威的蛋白质三维结构数据库。截止到写这段内容时，它已经存了超过20万个结构。我每次做项目，第一件事就是去PDB看看目标蛋白有没有同源结构。

PDB里的每条记录都有一个唯一的四字符ID。比如血红蛋白的经典结构是1A3N。你下载下来的文件是.pdb格式，里面包含了原子坐标、键长键角、温度因子等信息。

PDB的最新结构通过实验方法（X射线、核磁共振、冷冻电镜）获得。AlphaFold预测的结构也会被提交到PDB。

我记得有一次做药物设计项目，需要找一个激酶结构。直接在PDB搜索「kinase」能返回上千条结果。怎么办？我建议你学会用高级搜索，按分辨率、物种、实验方法过滤。

PDB的典型查询命令：

# 使用Python的Bio.PDB模块查询
from Bio.PDB import PDBList
pdbl = PDBList()
pdbl.retrieve_pdb_file('1A3N', pdir='./structures')

3.2 UniProt：蛋白质序列的「百科全书」

如果说PDB存的是结构，那UniProt存的就是序列和功能注释。我经常会遇到这种情况：手里只有一条序列，想找同源结构。那就得先去UniProt查这条序列的注释信息。

UniProt下有三大子库：

子库名称	内容特点	我常用的场景
UniProtKB/Swiss-Prot	人工校验过的高质量条目	做功能注释时最稳妥
UniProtKB/TrEMBL	自动注释的条目	查新物种或大规模数据时用
UniRef	去冗余后的序列簇	做序列比对前必用

我建议你直接使用UniProtKB/Swiss-Prot部分。人工校验过的数据，靠谱得多。曾有一次我用TrEMBL里的序列做比对，结果发现注释有误，后来查证是自动注释把信号肽区域标错了。从那以后，我对自动注释的数据都会多留一个心眼。

UniProt的REST API非常实用。你可以直接用URL查询：https://www.uniprot.org/uniprot/P00519.fasta 就能拿到ABL1激酶的序列。

3.3 序列与结构数据的获取

数据获取其实就两个路子：网页下载和API批量拉取。我们来分别看一下。

3.3.1 网页下载

PDB和UniProt都有友好的网页界面。你输入某个人工蛋白的ID，就能看到可视化结构、序列、参考文献。我个人习惯先看Structure Summary页，那里有分辨率、R-factor等质量指标。

PDB：https://www.rcsb.org/
UniProt：https://www.uniprot.org/

3.3.2 批量API下载

当你需要处理成百上千个蛋白质时，网页下载就太慢了。AlphaFold的训练数据就是通过API批量获取的。

PDB的批量查询示例：

# 使用requests库批量下载
import requests
pdbs = ['1A3N', '2B5E', '3C8K']
for pdb_id in pdbs:
    url = f"https://files.rcsb.org/download/{pdb_id}.pdb"
    response = requests.get(url)
    with open(f"{pdb_id}.pdb", 'wb') as f:
        f.write(response.content)

UniProt的批量查询示例：

# 使用UniProt REST API
url = "https://rest.uniprot.org/uniprotkb/search?query=human%20AND%20kinase&format=fasta&size=5"
response = requests.get(url)
print(response.text)

注意：API调用频率不要太高。我之前写脚本时没加延时，结果IP被临时封了。建议每次请求间隔0.5秒以上。

3.4 数据格式：不仅要会用，还要懂

拿到数据后，你面对的是各种格式文件。新手最常犯的错就是格式混用。我来给你梳理一下。

3.4.1 PDB格式

PDB格式是固定宽度的文本格式。每列有特定含义。举个例子：

ATOM      1  N   ALA A   1       7.910   4.794   2.248  1.00  0.00           N
ATOM      2  CA  ALA A   1       8.708   5.124   3.510  1.00  0.00           C
ATOM      3  C   ALA A   1       8.156   4.465   4.767  1.00  0.00           C

看到了吗？序列号、原子名、残基名、链标识、坐标、占据率、温度因子。每个字段都有严格的位置要求。我踩过一个坑：使用Bio.PDB读取PDB文件时，如果残基编号不连续，解析会报错。后来我发现是因为某些结构有插入突变，残基编号跳过了。

3.4.2 mmCIF格式

mmCIF是PDBx格式的新标准，现在PDB主要提供这种格式。它比PDB格式更灵活，能存储更多元数据。

loop_
_atom_site.group_PDB
_atom_site.id
_atom_site.type_symbol
_atom_site.label_atom_id
_atom_site.label_comp_id
ATOM 1 N N ALA
ATOM 2 CA C ALA

我建议你在做大规模数据处理时，优先使用mmCIF格式。因为它的数据完整性更好，解析也更稳定。

3.4.3 FASTA格式

序列数据的标准格式。简单但不简单。

>sp|P00519|ABL1_HUMAN Tyrosine-protein kinase ABL1
MLEICLKLVGCKSKKGLSSSSSCYLEEALQRPVASDFEPQGLSEAARWNSKENLLAGPSENDPNLFVALYDFVASGDNTLSITKGEKLRVLGYNHNGEWCEAQTKNGQGWVPSNYITPVNSLEKHSWYHGPVSRNAAEYLLSSGINGSFLVRESESSPGQRSISLRYEGRVYHYRINTASDGKLYVSSESRFNTLAELVHHHSTVADGLITTTPAPRTPPTSTS

行首的'>'是序列标识符。后面跟着物种、蛋白质名等信息。序列行推荐每行60-80个字符，方便阅读。

关键区别：PDB/mmCIF存的是三维坐标，FASTA存的是氨基酸序列。做AlphaFold训练时，你需要先找到序列（UniProt/FASTA），再找到对应的结构（PDB/mmCIF），然后才能配对训练。

3.5 一张图理清数据流转

说了这么多，我画一张流程图，帮你把这三个数据库的关系和获取路径串起来。

这张图展示了核心流程：实验结构流向PDB，测序数据流向UniProt。两个数据库通过序列-结构配对，最终汇入训练数据。而在AlphaFold训练时，你需要把PDB的坐标和UniProt的序列对齐，才能构造训练样本。

3.6 实战避坑指南

讲几个我亲身踩过的坑，你们提前防着点：

序列名称对不上：UniProt里的蛋白质ID和PDB里的链ID往往不同。我曾经用UniProt ID直接去PDB搜，结果搜不出来。正确做法是用序列去BLAST。
结构文件缺失原子：有的PDB文件只存了主链原子，侧链缺失了。特别是在AlphaFold训练时，需要完整的全原子坐标。我后来用了mmCIF格式，这种情况明显少了。
分辨率大于3.5Å的结构要谨慎使用：结构质量差，会影响模型训练效果。我一般只选分辨率≤3.0Å的结构。

有一个实用技巧：使用`pdb_selres`工具可以快速从PDB文件中提取出具体区域。比如只想保留活性位点附近5Å范围内的残基，一条命令就搞定。

好了，关于三大数据库和数据格式，我们今天就讲到这里。把这些搞清楚，后面做AlphaFold的训练数据处理就不会手忙脚乱了。