📚 课程目录第3章 PDB文件格式详解

PDB 文件格式详解：ATOM、HETATM、CONECT 和 ANISOU

PDB 文件格式，说白了就是蛋白质结构的“身份证”。每个原子、每个残基、每条链，都得按固定列宽写进去。我刚开始接触时，对着 80 列宽的纯文本看了半天——这玩意儿怎么读？后来拆过几千个 PDB 文件才摸熟。

嗯，先看整体结构。PDB 文件是固定列宽的纯文本，每行 80 字符，开头有记录类型关键字。类型大概有十几种，但核心就四个：ATOM、HETATM、CONECT、ANISOU。其他像 TER、END、HEADER 是辅助行。咱们一个一个拆。

1. ATOM 记录——骨架与侧链的坐标

ATOM 记录存的是标准氨基酸的原子坐标。每行对应一个原子，格式从第 1 列到第 80 列，一个萝卜一个坑。
我记得第一次自己写解析器时，把第 55-60 列的 occupancy 读成了 float，结果发现有的文件把 occupancy 写成整数——解析就崩了。后来我改成先读字符串再转浮点，稳多了。

标准 ATOM 行格式（列偏移从 1 开始）：

COLUMNS        DATA TYPE       FIELD        DEFINITION
------------------------------------------------------
 1 -  6        Record name     "ATOM  "     ATOM 或 HETATM
 7 - 11        Integer         serial       原子序号
13 - 16        Atom            name         原子名（如 CA, CB, N）
17             Character       altLoc       备用位置指示符
18 - 20        Residue name    resName      残基名（如 ALA, GLU）
22             Character       chainID      链标识（A, B, ...）
23 - 26        Integer         resSeq       残基编号
27             AChar           iCode        插入码
31 - 38        Real(8.3)       x            正交 x 坐标
39 - 46        Real(8.3)       y            正交 y 坐标
47 - 54        Real(8.3)       z            正交 z 坐标
55 - 60        Real(6.2)       occupancy    占有率（0 到 1）
61 - 66        Real(6.2)       tempFactor   温度因子（B 因子）
77 - 78        LString(2)      element      元素符号
79 - 80        LString(2)      charge       原子电荷

个人习惯：我解析时通常先按 line[:6] 判断记录类型，再用 line[30:54] 提取坐标。注意原子名在第 13-16 列，如果原子名只有三个字符（如 CA），第 13 列往往填空格，千万别把第 13 列本身的空格当成 atom name 的一部分。

2. HETATM 记录——水、配体与修饰残基

HETATM 跟 ATOM 长得一模一样，格式完全相同。唯一区别是：ATOM 只用于标准氨基酸，HETATM 用于其他一切——水分子（HOH）、配体（ATP、NAD）、修饰残基（比如甲基化赖氨酸）。

你想想看，如果某个配体在晶体结构中占了多个构象，HETATM 记录的 altLoc 列（第 17 列）也会填字母 A、B 之类的。我在一个激酶项目里碰见过一个大配体，同一个原子写了 4 个 HETATM，altLoc 分别标了 A、B、C、D。解析时我忘了处理 altLoc，结果三维结构上出现了四个重叠的幻影原子……后来我直接用 line[16] 判断备用构象，只取 A 的坐标。

踩过的坑：我曾经因为“HOH”残基名在 HETATM 行里，却当成 ATOM 处理，导致键合分析全乱套。记住：只要不是标准 20 种氨基酸，它就叫 HETATM。哪怕是“HOH”，也是 HETATM。

3. CONECT 记录——原子间化学键

CONECT 记录描述原子之间的连接关系。我没骗你，很多 PDB 文件压根不包含 CONECT，或者只写了部分键。尤其是那些用旧版软件精修的结构，CONECT 经常残缺。我一般会自己算键——根据原子间距和元素类型重建。

CONECT 行的列格式很简单：

COLUMNS        DATA TYPE      FIELD         DEFINITION
------------------------------------------------------
 1 -  6        Record name    "CONECT"      CONECT
 7 - 11        Integer        serial        起始原子序号
12 - 16        Integer        serial        键连原子 1
17 - 21        Integer        serial        键连原子 2
22 - 26        Integer        serial        键连原子 3
27 - 31        Integer        serial        键连原子 4
32 - 36        Integer        serial        键连原子 5  （可选）
37 - 41        Integer        serial        键连原子 6  （可选）

注意：serial 是 ATOM/HETATM 行中的原子序号，不一定是行号。而且 CONECT 行可以包含多达 6 个连接原子，每个 5 列宽。实际超过 4 个连接的情况很少见，但水分子周围可能连 4 个氢键供体。我没遇到过需要第 5 个连接的情况，但结构生物学的朋友跟我说某些大配体确实可能。

重建键的常用策略：若 CONECT 缺失，可基于范德华半径 +0.5 Å 的阈值自动搜索原子对。但注意：金属离子（如 Zn²⁺、Mg²⁺）半径较小，需单独设阈值。

4. ANISOU 记录——各向异性的温度因子

ANISOU 记录对应同一条 ATOM 或 HETATM 行的各向异性温度因子。格式跟 ATOM/HETATM 几乎一样，但在第 1-6 列写的是 "ANISOU" 。主要字段是 U11、U22、U33、U12、U13、U23 这六个张量分量，放在第 29-70 列。

COLUMNS        DATA TYPE      FIELD         DEFINITION
------------------------------------------------------
 1 -  6        Record name    "ANISOU"       ANISOU
 7 - 11        Integer        serial        原子序号（与对应的ATOM/HETATM一致）
13 - 16        Atom           name          原子名
17             Character      altLoc        备用位置
18 - 20        Residue name   resName       残基名
22             Character      chainID       链标识
23 - 26        Integer        resSeq        残基编号
27             AChar          iCode         插入码
29 - 35        Integer        u[0][0]       U11 (×10⁴)
36 - 42        Integer        u[1][1]       U22
43 - 49        Integer        u[2][2]       U33
50 - 56        Integer        u[0][1]       U12
57 - 63        Integer        u[0][2]       U13
64 - 70        Integer        u[1][2]       U23

嗯，这里要注意：ANISOU 存储的是整数×10⁴，不是浮点数！比如 U11 存 1234，实际值是 0.1234。我早期解析时直接转 float 忘了除以 10000，算出来的椭球大得离谱。其实 ANISOU 不代表所有结构都有，只有分辨率很高（比如 ≤1.5 Å）的结构才会提供。我处理过一堆 2.0 Å 以上的 PDB，里面就根本没有 ANISOU 行。

5. 其他常见记录

除了上面四个，还有几个辅助记录也得了解：

TER 行：标记一条链的结束。位于链最后一个原子之后，第 18-20 列写残基名，第 22 列写链 ID。解析时遇到 TER 我就知道要切一条链了。
END 行：文件结束标记，就一行。
HEADER、TITLE：元数据，描述分子、发表信息，一般解析坐标时直接跳过。
SSBOND：二硫键信息，但我更信任基于距离自己算。

我见过某些结构用空行结束链而不是 TER，或者 END 行根本不写——嗯，解析器一定要容忍这些异常。我写的解析代码会先扫一遍文件末尾，如果没遇到 END 就把最后一行的原子当作结尾。

6. 避坑指南

列偏移必须精确到字符：PDB 格式是列固定的，不是空格分隔。比如第 13-16 列原子名，如果原子名是 "CA "（CA 后跟一个空格），用 split() 拆出来的长度可能会乱。
区分 altLoc：如果 ATOM 和 HETATM 的 altLoc 不为空（空格），那么同一个 serial 会对应多个副本。通常只取 altLoc='A' 或第一个出现的，除非你需要多构象分析。
CONECT 缺失时的补救：我建议始终运行一个基于距离的键重建步骤，特别是做分子动力学或结构分析时。
ANISOU 与 ATOM 的对应：ANISOU 行的 serial 必须与同一条链上的 ATOM/HETATM 匹配，但并非所有原子都有 ANISOU。我通常用 serial 做字典映射，没有对应项就置零。
续行问题：旧版 PDB 格式中，ATOM 行若坐标过长会折行（比如旧版 2.0 之前的写法），但现代 PDB 已经废弃，不过我在一些老旧结构文件（如 1BNA）里见过。处理办法：如果行首为 "ATOM " 且长度不足 80 列，直接跳过。

我的配置文件：每次新建项目时，我都会从源代码仓库拷贝一个 PDB 列偏移常量表，用字典存起来。这样不同语言（Python、Rust、Julia）的项目都能保持一致的列定义，避免手写数字偏移出错。

记录类型	起始列	终止列	字段	示例值
ATOM	13	16	atom name	CA
ATOM	22	22	chainID	A
ATOM	31	54	x y z	12.345 67.890 1.234
HETATM	（与ATOM相同）			HOH
ANISOU	29	70	U11..U23	1234 5678 9101 1121 3141 5161
CONECT	7	11	serial	123
CONECT	12	16	bonded serial 1	124

啰嗦了这么多，其实核心就一句话：PDB 是固定列宽的纯文本，用对偏移就能安稳解析。我自己写过三版解析库，每次发现新坑就在测试集中加一个错误案例。最后那版连“第 13 列是空格还是字母”都做了分支处理。

嗯，掌握这些记录，你基本就能拆开任何 PDB 文件了。下一步就是把数据清洗干净，把那些不规范的烂文件变成能直接用的数据。别急，后面几节咱们专门聊清洗的硬功夫。