第4章 文件格式解析与互转：支持格式一览与互转命令详解
说起 Open Babel 最核心的功能，你一定绕不开文件格式的读写与互转。我刚开始用这个工具时，光是搞明白它能读哪些格式就花了半天。后来才意识到，搞懂格式互转，其实就是搞懂了 Open Babel 的基础。
本章我会带你过一遍最常见的格式，再手把手演示怎么在不同格式之间来回转换。
4.1 支持格式一览
Open Babel 支持的格式超过 110 种，但日常配体处理常用的也就下面这几种。我给你列了个对照表，方便你快速查阅。
| 格式扩展名 | 全称 | 典型用途 | 存储内容 |
|---|---|---|---|
| SDF | Structure-Data File | 分子数据库、虚拟筛选结果 | 原子坐标+键信息+性质字段 |
| MOL2 | Tripos Mol2 | 对接软件（如 Sybyl）的原始输入 | 原子坐标+键级+形式电荷+原子类型 |
| PDB | Protein Data Bank | 蛋白质-配体复合物、晶体结构 | 原子坐标+残基信息+温度因子 |
| SMI | SMILES | 一维分子编码、快速检索 | 线性字符串，无坐标 |
| XYZ | XYZ 坐标文件 | 量子化学计算结果、轨迹 | 原子符号+坐标（无键信息） |
| MOL | MDL Molfile | 单个分子的输入输出 | 原子坐标+键信息（无性质字段） |
我个人的经验是：SDF 是「配体交换」的首选格式，因为它可以同时存多个分子和自定义性质字段。想想看，你做一个虚拟筛选，SDF 里既能保留打分值，又能保留原始构象，非常方便。
4.2 常见格式怎么选？
不同的场景，配体格式的选择差别很大。我按使用场景给你整理了一下思路。
- 对接前的准备：从数据库下载的配体多是 SDF，但很多对接软件偏爱 MOL2。为啥？因为 MOL2 自带形式电荷和原子类型，省去你手动分配的麻烦。
- 与蛋白质共存：如果你需要把配体和蛋白质放一起分析，PDB 是标准。不过要小心，PDB 里的配体有时会被截断或丢失氢原子。
- 快速测试与搜索：想验证一个分子是否存在？直接用 SMILES，一行字符串解决问题，不需要三维坐标。
- 量子化学计算：做完 Gaussian 或 ORCA 的计算，输出通常是 XYZ 格式。它只存坐标和原子符号，非常简洁。
↗ 我在项目中遇到过一种情况：从 NCBI 下载的 SDF 文件里有几十万个分子，但里面混了一些「空分子」。直接用 obabel 转换时会报错。我的经验是：先跑个空分子检测脚本，过滤掉后再做后续处理。
4.3 格式互转命令与参数详解
格式互转是 Open Babel 最拿手的活。说白了，就是一条命令在不同格式之间切换。下面我带你操作几个典型案例。
4.3.1 SDF → MOL2 转换
从 ChEMBL 或 ZINC 下载的数据集通常是 SDF，要把它们转成对接软件能认的 MOL2，运行这条命令就可以了。
obabel ligands.sdf -O ligands.mol2但这样转换出来的 MOL2 可能缺失原子类型（如 C.3、N.ar 等）。为了获得更准确的结果，我建议加上 --genatomtype 参数，让 Open Babel 自动猜测原子类型。
obabel ligands.sdf -O ligands.mol2 --genatomtype⚠️ 我曾经因为偷懒没加这个参数，结果对接程序报了一堆原子类型错误。后来排查才意识到，默认转换不生成 Tripos 原子类型。记得一定要加 --genatomtype。
4.3.2 PDB → SDF 转换
从蛋白质数据库下载的 PDB 文件里，配体有时被当作 HETATM 记录。要把它们单独提取出来并转成 SDF，可以这么做。
obabel 4s1q_ligand.pdb -O 4s1q_ligand.sdf如果 PDB 文件里同时含蛋白质和多条配体链，需要先用 -x 参数过滤出特定的链或残基。举个例子，只提取残基 ID 为 LIG 的配体：
obabel complex.pdb -O ligand.sdf -xr LIG我个人习惯在做 PDB→SDF 转换时，顺手加上 --addhydrogen 参数。因为晶体结构里的氢原子经常是缺失的，而你做后续计算时需要完整的氢原子构型。
obabel complex.pdb -O ligand.sdf -xr LIG --addhydrogen4.3.3 SMI → SDF 转换
SMILES 是线性字符串，没有三维坐标。如果你需要把它转成 SDF，Open Babel 会自动生成一个三维构象。
obabel "CC(C)C(=O)O" -O ibuprofen.sdf --gen3d这里 --gen3d 是关键参数，它告诉 Open Babel 使用内置的构象生成算法。你想想看，一个只有一维字符串的分子，不靠算法怎么得到三维坐标？
↗ 如果生成的构象不合理，可以试试 --best 参数，它会尝试更多构象搜索步骤，虽然耗时但质量更高。
4.3.4 XYZ → MOL2 转换
量子化学计算出来的 XYZ 文件没有键信息，也没有原子类型。转换时需要 Open Babel 自己计算键连接性和原子类型。
obabel output.xyz -O output.mol2 --genatomtype这里要注意：如果 XYZ 里的分子有自由基或过渡态，Open Babel 自动加氢可能会出错。我建议你在转换前先检查一下分子的电子结构。
4.4 批量转换与筛选
做虚拟筛选时，你往往要处理几百个甚至几万个文件。手动一个一个转换肯定不现实。Open Babel 支持批量处理，也支持按条件筛选。
4.4.1 批量转换所有 SDF 到 MOL2
for f in *.sdf; do obabel "$f" -O "${f%.sdf}.mol2" --genatomtype; done这个小脚本会遍历当前目录下所有 .sdf 文件，逐个转成 .mol2。我在项目中用它处理过上万个小分子，跑了一夜，第二天早上结果全出来了。
4.4.2 筛选并转换
Open Babel 可以用 -at 或 -an 参数按原子数或原子类型筛选。比如只想转换分子量在 300-500 之间的分子：
obabel ligands.sdf -O filtered.sdf -at 20-40 --weight 300-500这里 -at 20-40 表示原子数在 20 到 40 之间，--weight 300-500 表示分子量在 300 到 500 之间。两个条件同时满足的分子才会被写入新文件。
⚠️ 我曾经在筛选时忘记加单位，结果 --weight 的实际值和我的预期差了一倍。后来才发现 Open Babel 的 --weight 默认单位是 g/mol，和计算软件一致，但和某些数据库里的道尔顿（Da）数值是相等的，不用额外换算。
4.5 转换参数速查表
做格式互转时，我经常要用到下面这几个参数。为了方便你查阅，我整理成了一个表格。
| 参数 | 全拼/说明 | 适用场景 |
|---|---|---|
--genatomtype |
Generate atom types | 从 SDF 或 XYZ 转 MOL2 时加 |
--addhydrogen |
Add hydrogen atoms | 从 PDB 或 XYZ 转其他格式时加 |
--gen3d |
Generate 3D coordinates | 从 SMILES 转 SDF 或 MOL2 时加 |
--best |
Use best 3D generation algorithm | 需要高质量构象时加 |
-xr |
Extract specific residue | 从 PDB 中提取特定配体时加 |
-at |
Filter by number of atoms | 批量筛选时用 |
--weight |
Filter by molecular weight | 批量筛选时用 |
嗯，这里再强调一下：--genatomtype 和 --addhydrogen 这两个参数，在实际项目中几乎每次都会用到。我建议你把它们列为转换命令的「默认套餐」。
4.6 常见坑与避坑指南
做格式转换时，踩坑在所难免。我把自己踩过的坑分享给你，省得你走弯路。
- 坑一：MOL2 的原子类型与对接软件不兼容
我用 Open Babel 转出来的 MOL2，导入到 Autodock 时发现原子类型错误。原因是 Autodock 使用的原子类型表与 Open Babel 的默认类型不一致。解决方法是手动指定输出格式为 pdbqt，或者使用专门的对接格式转换参数。
- 坑二：SDF 中的性质字段丢失
SDF 文件里存储的 logP、MW 等字段，在转成 MOL2 或 PDB 时会丢失。因为 MOL2 和 PDB 的文件格式不支持这些自定义字段。如果你需要保留这些性质数据，建议先转成 SDF 格式，或者用 Python 读取字段后单独存储。
- 坑三：XYZ 文件与 SDF 混用出错
XYZ 文件没有键信息，你把它转成 SDF 后，Open Babel 会靠距离判断键型。对于大环或过渡态分子，这种判断很容易出错。我曾经用 XYZ 转 SDF 后，发现环戊二烯被当成五个离散的 CH 基团。后来我改成先用 MOPAC 做一次几何优化，再转格式，问题就解决了。
↗ 总结一下：做格式互转时，先问自己三个问题——1）原文件里有什么信息？2）目标文件需要什么信息？3）这些信息在转换过程中会不会丢失？想清楚后再执行命令，能省很多排查时间。
4.7 本章知识框架
我把本章的关键知识画成了一张框架图，你看看。
图上展示的逻辑很简单：左侧是输入格式，中间是互转命令层，右侧是输出格式。关键在于你在转换前要想清楚需要保留哪些信息，然后选择合适的参数组合。