1. PDB 文件格式概述

说起 PDB 文件格式，只要是做过结构生物学或者生物信息学相关工作的朋友，应该都不陌生。这玩意儿几乎可以说是我们这行的“通用语言”了。我个人习惯把 PDB 比作是蛋白质结构的“身份证”——它不光告诉你这个分子长什么样，还附带了一大堆实验条件、解析方法之类的背景信息。嗯，从我开始做结构分析到现在，PDB 文件我至少处理过上万条，今天就跟你聊聊它的来龙去脉。

一句话总结： PDB（Protein Data Bank）文件格式，是存储蛋白质、核酸等生物大分子三维结构数据的标准文本格式，也是全球结构生物学数据库的“基石”。

1.1 发展历史：从手绘到数字化的跨越

你想想看，在计算机还没普及的年代，结构生物学家们是怎么记录一个蛋白质的三维结构的？答案是手绘图纸和坐标列表。这听起来有点原始，但确实是早期结构生物学家的日常。

我记得最早的结构坐标数据，基本就是拿着尺子在图纸上量，然后手动录入到打孔卡片里。这种效率，说实话，现在根本不敢想象。

1970 年代，随着 X 射线晶体学技术的发展，解析出来的结构越来越多。大家发现，得有个统一的数据交换标准。于是，1971 年，Brookhaven 国家实验室正式推出了 PDB 格式。最初的格式非常简单，就是把原子坐标一行行写下来，加上一些实验参数的注释。

  • 1971年：Brookhaven 国家实验室建立 PDB 数据库，第一个 PDB 文件格式诞生。
  • 1980年代：格式逐步规范，加入了 REMARK、SEQRES 等记录类型。
  • 1998年：全球 PDB 协调组织 wwPDB 成立，统一管理全球四个 PDB 节点。
  • 2000年以后：格式稳定，但受限于行宽 80 字符的限制，开始面临大数据量结构的挑战。
  • 2020年代：虽然 mmCIF 格式逐渐成为主流，但 PDB 格式因其简单、易读、兼容性好，依然广泛使用。
一个小细节
PDB 格式的每一行都严格限制为 80 个字符。这个“80 列”的规矩，其实最早来源于打孔卡片的标准宽度。我刚开始用的时候还觉得挺奇怪，后来才知道这是历史遗留问题。

1.2 标准规范：PDB 文件的“骨架”

PDB 文件说白了就是个纯文本文件。它的结构非常清晰，每一行都由一个记录类型（Record Type）开头，告诉你这一行放的是什么信息。我经常跟学生讲，你只要掌握了几个核心的记录类型，基本就能把 PDB 文件读通了。

记录类型作用常见子类型
HEADER文件头，包含分子名称、发布日期等元信息COMPND, SOURCE, KEYWDS
ATOM原子坐标记录，描述每个原子的三维位置HETATM（配体/非标准残基）
HETATM异质原子记录，专门用于配体、水分子、金属离子等HET, HETNAM, FORMUL
CONECT连接记录，描述原子间的成键关系（无）
REMARK注释信息，实验条件、结构质量等REMARK 3（精修信息）
SSBOND二硫键连接（无）
SEQRES序列信息，一维氨基酸/核酸序列（无）
END文件结束标志（无）

举个例子，下面是一个简单的 ATOM 记录行，本质上它就是一个格式化字符串。我处理过各种各样的 PDB，但 ATOM 记录的格式几乎几十年没变过。

ATOM      1  N   ALA A   1       6.296   7.605  10.946  1.00  0.00           N

你拆开看，每个字段都占固定列宽：

  • 1-6：记录类型（"ATOM "）
  • 7-11：原子序号（" 1"）
  • 13-16：原子名称（" N "）
  • 17：备用位置指示符
  • 18-20：残基名称（"ALA"）
  • 22：链标识符（"A"）
  • 23-26：残基序号（" 1"）
  • 31-54：X、Y、Z 坐标
  • 55-60：占有率（" 1.00"）
  • 61-66：温度因子 B 值（" 0.00"）
  • 77-78：元素符号（" N"）
注意：
PDB 格式是“基于列”的，不是基于分隔符的。千万不要用逗号、制表符或者空格分隔的思维去解析它。我曾经遇到过一次团队里的脚本因为用 split() 切分导致解析错误，排查了半天才发现是字段长度没对齐。

你可能会问，为什么 PDB 格式这么“死板”还要用？说白了，它最大的优点就是人类可读。随便找个文本编辑器打开就能看，而且处理起来非常直接，不需要额外的解析库。

1.3 常见应用场景：哪哪都有它

PDB 文件的应用场景其实比很多人想象的要广。不光是结构生物学，在药物设计、生物信息学、甚至合成生物学里，它都是绕不开的角色。

  • 结构生物学：存储和分享蛋白质、核酸、复合物的三维坐标，这是最核心的场景。
  • 计算机辅助药物设计（CADD）：分子对接、虚拟筛选、药效团建模，全都基于 PDB 结构。
  • 生物信息学：结构比对、序列-结构关系分析、进化分析中的结构模板。
  • 分子动力学模拟：作为模拟的初始结构，输出轨迹文件。
  • AI 蛋白质结构预测：AlphaFold、RoseTTAFold 的预测结果通常也输出为 PDB 格式。

我个人觉得，PDB 格式最让人“上瘾”的一点是它的普适性。无论你用什么平台、什么编程语言，处理 PDB 文件几乎都不需要额外纠结编码格式。一个 Python 脚本几十行就能读进去做分析。

1.4 数据来源：去哪搞 PDB 文件

说完了格式本身，咱们聊聊数据源。PDB 文件的主要来源自然是全球 PDB 数据库。主站点是 RCSB PDB，当然还有其他镜像。我个人习惯用 wwPDB 的官方 FTP，因为它能批量下载，速度也快。

另外，很多科研机构也会提供本地 PDB 数据镜像。我当年做大规模结构筛选的时候，就是直接在美国的 PDB FTP 上拉了一个完整的压缩包，然后自己在本地搭了个索引库。

下载小技巧：
如果你只需要特定结构，优先用 RCSB 的“Download Files”按钮。如果你要批量处理，用 wget 或者 curl 配合 FTP 更省事： 
wget ftp://ftp.wwpdb.org/pub/pdb/data/structures/divided/pdb/pd1/pdb1ubq.ent.gz
gunzip pdb1ubq.ent.gz
这样下载的是旧版 PDB 格式（扩展名 .ent）。如果你习惯用 .pdb 扩展名，可以手动重命名，或者直接下载 mmCIF 格式。

我建议你前期做学习或者小项目的时候，直接去 RCSB 官网搜索和下载，方便省事。等后面涉及到规模化处理的时候，再迁移到 FTP 或 API 接口。

PDB 格式知识体系总览 实验数据来源 X射线 / NMR / Cryo-EM → 原始结构坐标 PDB 文件核心规范 80 列固定宽格式 ATOM / HETATM / REMARK 基于列，无分隔符 数据来源与存储 RCSB / PDBe / PDBj FTP 批量下载 PDB / mmCIF 多格式 核心应用领域 结构生物学 · 药物设计 · 生物信息学 · 分子模拟 数据预处理环节 格式解析 · 数据清洗 · 坐标归一化 · 质量评估 标准化 PDB 文件 + 结构化数据 历史溯源 1971年Brookhaven起步 格式限制 每行80字符的“天花板”
← 上一章 📖 返回目录 下一章 →
数据源URL特点
RCSB PDBhttps://www.rcsb.org/Web 界面友好，支持搜索、可视化、下载
PDBehttps://www.ebi.ac.uk/pdbe/欧洲节点，集成度高，有丰富的 API
wwPDB FTPftp://ftp.wwpdb.org/pub/pdb/data/支持批量下载完整数据库，适合本地部署
PDBjhttps://pdbj.org/日本节点，提供亚洲区域的高速镜像