📚 课程目录第4章残基命名与标准氨基酸

残基命名与标准氨基酸：三字母代码、单字母代码、非标准残基处理

处理PDB文件，说白了你每天都在跟残基命名打交道。我刚开始接触结构生物学那会儿，就被ATOM记录里的三字母代码搞得晕头转向——明明看着是LYS，心里还想着这是不是赖氨酸，结果库里面写的是LYS，单元里写的是L、Y、S，完全对不上。嗯，今天我们就把这个事情彻底讲清楚。

标准氨基酸的命名体系

PDB格式使用两种残基标识符：三字母代码和单字母代码。前者是PDB文件默认的存储格式，后者常用于序列比对和展示。

这里是我个人习惯的一个对比表，你写脚本的时候直接照着核对就行：

氨基酸全名	三字母代码	单字母代码	侧链性质
丙氨酸	ALA	A	非极性，脂肪族
精氨酸	ARG	R	碱性，带正电
天冬酰胺	ASN	N	极性，不带电
天冬氨酸	ASP	D	酸性，带负电
半胱氨酸	CYS	C	极性，含巯基
谷氨酰胺	GLN	Q	极性，不带电
谷氨酸	GLU	E	酸性，带负电
甘氨酸	GLY	G	非极性，柔性最大
组氨酸	HIS	H	碱性，含咪唑环
异亮氨酸	ILE	I	非极性，支链脂肪族
亮氨酸	LEU	L	非极性，支链脂肪族
赖氨酸	LYS	K	碱性，带正电
甲硫氨酸	MET	M	非极性，含硫
苯丙氨酸	PHE	F	非极性，芳香族
脯氨酸	PRO	P	非极性，亚氨基
丝氨酸	SER	S	极性，含羟基
苏氨酸	THR	T	极性，含羟基
色氨酸	TRP	W	非极性，芳香族
酪氨酸	TYR	Y	极性，含酚羟基
缬氨酸	VAL	V	非极性，支链脂肪族

我个人习惯在写解析脚本时，会把三字母到单字母的映射写成一个静态字典，而不是用if-else判断。因为PDB里某些非标准残基也遵循类似的命名规则，你有个字典能更方便地做扩展。

三字母代码的ATOM记录格式

在PDB文件的ATOM或HETATM记录中，残基名称固定占据第18-20列，右对齐。你写解析器的时候，千万别按字符串trim来做，要按字符位置截取。

ATOM      1  N   ALA A   1       6.247  18.672  -9.654  1.00  0.00           N  
ATOM      2  CA  ALA A   1       7.056  17.432  -9.507  1.00  0.00           C  
ATOM      3  C   ALA A   1       8.566  17.672  -9.473  1.00  0.00           C

# Python示例：截取三字母代码
resname = line[17:20].strip()   # 第18-20列，注意索引从0开始
chain_id = line[21]             # 第22列，链标识

曾经我在处理一批老旧的PDB文件时，发现某些条目把残基名写在了第17列，导致截取失败。原因是部分早期的X射线结构使用了格式化不严格的记录。所以，稳妥的做法是先检查第17列的字符是否为空格，如果不是，就得用自定义的偏移量做容错。

非标准残基与修饰残基

PDB里不只有20种标准氨基酸。晶体结构解析过程中，经常会遇到修饰残基、配体、水分子、甚至错误建模的残基。你想想看，一个磷酸化的丝氨酸，PDB里写成了SEP，而不是SER。如果你用单纯的三字母到单字母映射去处理，就会丢失这个修饰信息。

常见的非标准残基包括：

修饰氨基酸：磷酸化丝氨酸（SEP）、磷酸化苏氨酸（TPO）、磷酸化酪氨酸（PTR）、乙酰化赖氨酸（ALY）
非天然氨基酸：正亮氨酸（NLE）、正缬氨酸（NVA）、鸟氨酸（ORN）
水分子：HOH或SOL
配体与离子：ATP、NAD、ZN、MG等
未知或未解析残基：UNK或XXX

我当年在一个蛋白质-配体复合物的项目中，因为没处理好SEP残基，导致后续的力场参数分配全错了——那家伙把磷酸基团当作侧链原子一锅炖，能量最小化直接跑飞。从那以后，我写预处理流程时一定会在PDB解析阶段单独处理非标准残基，并建立一张映射表，把修饰残基还原成标准类型，同时保留修饰标记。

处理策略：统一化还是保留原貌？

这里其实有两种思路，取决于你的下游任务：

统一化策略：把非标准残基映射到邻近的标准残基。比如SEP→SER，TPO→THR。这种策略适合做序列比对、保守性分析、机器学习特征提取。
保留原貌策略：保留所有修饰标记，把SEP当作独立残基类别。这种策略适合做结合口袋分析、相互作用计算、力场参数分配。

我个人建议用一个YAML配置文件来管理这种映射关系，保持可追踪性。这样下次换一个数据集也不用手动改代码。

# standardize_nonstandard.yaml
# 修饰氨基酸 → 标准氨基酸映射
SEP: SER   # 磷酸化丝氨酸 → 丝氨酸
TPO: THR   # 磷酸化苏氨酸 → 苏氨酸
PTR: TYR   # 磷酸化酪氨酸 → 酪氨酸
ALY: LYS   # 乙酰化赖氨酸 → 赖氨酸
CSO: CYS   # 巯基氧化半胱氨酸 → 半胱氨酸
MSE: MET   # 硒代甲硫氨酸 → 甲硫氨酸
HID: HIS   # 质子化组氨酸 → 组氨酸
HIE: HIS   # 去质子化组氨酸 → 组氨酸
HIP: HIS   # 双质子化组氨酸 → 组氨酸

你解析的时候，可以这样加载：

import yaml

with open("standardize_nonstandard.yaml", "r") as f:
    mapping = yaml.safe_load(f)

def standardize_resname(resname):
    """将非标准残基映射为标准残基，如果找不到映射则返回原值。"""
    return mapping.get(resname, resname)

特殊案例：组氨酸的质子化状态

组氨酸在PDB中有三种常见的命名变体：HID（δ-质子化）、HIE（ε-质子化）、HIP（双质子化）。这三种构型在静电力学计算中差异很大。你要是直接统一映射成HIS，相当于抹掉了这个关键信息。

我做过一个蛋白质pKa预测的项目，里面有一处关键组氨酸被建模成HID形式，而默认的残基库把它当作标准HIS处理，结果pKa偏移了1.2个单位，整个pH-活性曲线对不上实验数据。所以，如果你的下游分析涉及氢键网络、静电计算或质子化状态，务必保留原始的HID/HIE/HIP标记，至少保留一份元数据副本。

水分子与配体的处理

很多初学者会忽略水分子和配体残基。PDB里水分子统一用HOH或SOL表示（取决于来源），配体则使用HETATM记录。你写预处理流程时，需要根据记录类型来分流：

ATOM：蛋白质或核酸的主链/侧链原子
HETATM：非标准残基、水分子、配体、离子

这里有个小技巧：不要只看残基名来区分，因为某些非标准残基（比如SEP）也会出现在ATOM记录中。你要结合record_type和resname两个字段做判断。

def is_protein_atom(record_type, resname):
    """判断原子是否属于蛋白质主链/侧链"""
    if record_type != "ATOM":
        return False
    standard_residues = {
        "ALA","ARG","ASN","ASP","CYS","GLN","GLU","GLY",
        "HIS","ILE","LEU","LYS","MET","PHE","PRO","SER",
        "THR","TRP","TYR","VAL",
        # 修饰残基也视为蛋白原子
        "SEP","TPO","PTR","ALY","CSO","MSE",
        "HID","HIE","HIP"
    }
    return resname in standard_residues

常见坑点与避坑指南

我整理了几个你一定会遇到的坑：

大小写问题：PDB文件里残基名全部大写，但有些第三方库或旧版本PDB会输出小写。解析时最好先做 .upper()。
空列填充：残基名不足3字符时，左侧补空格，右侧对齐。比如CYS的C往往会被解析成CY，因为第18列是空格。你截取的时候要用line[17:20]，而不是line.split()[3]，因为split会把空格压缩掉。
插入残基代码：PDB格式有插入残基（insertion code）的概念，如果两条链在同一位置有不同残基，会用字母后缀区分（如100A、100B）。你在做残基编号映射时，一定要把resSeq和iCode拼起来作为唯一键。
内存残基：某些PDB文件会出现 .（三个点）或UNK作为残基名，通常表示该位置未解析。稳妥的做法是直接跳过或者记录为缺失。

曾经我在解析一个来自EMDB的冷冻电镜结构时，发现某个链在中间位置突然出现了一个残基名为 1（空格空格1）的条目，搞得程序直接崩溃。后来排查发现，这是数据准备阶段的一个残基编号标记错误，原子坐标却是正常的。所以，你一定要对残基名做合法性校验，只通过白名单方式处理。

总结一下核心要点

残基命名这件事，说白了就是：三字母代码是存储格式，单字母代码是计算格式，非标准残基必须单独管理。你按这个思路去设计预处理流程，能省掉不少回头填坑的时间。

我建议你在实际的PDB预处理程序中，把残基命名规范化的模块独立出来做单元测试，特别是针对那些修饰残基、水分子和异常命名，提前写几个边界case的测试用例。如果你刚入门，可以先用PDBbind或PDBbind refine数据集练手，里面既有标准残基也有大量配体，能逼着你做完整的分支处理。