3. 分子结构表示：原子坐标、PDB与XYZ格式
做RMSD计算，第一步就是把分子结构读进来。你想想看，如果没有坐标数据，RMSD就是个空架子。我刚开始接触这个领域时，光搞清楚不同格式的区别就花了一整天。今天咱们就把原子坐标、PDB格式和XYZ格式彻底理清楚。
3.1 原子的位置就是用三个数字
任何一个原子在三维空间里的位置，就是一个三元组 (x, y, z)。单位通常是埃（Å），1 Å = 10⁻¹⁰ m。RMSD的本质就是在比较两套原子坐标的差异，所以坐标的精度和格式直接决定计算结果是否靠谱。
我个人习惯把所有格式都转成同一个内部表示再计算，避免格式转换的坑。先看看最基本的坐标长什么样：
# 纯坐标清单（示例）
C 1.234 2.345 3.456
O 0.123 1.234 2.345
N 2.345 3.456 4.567这种裸坐标文件在实际工作中几乎不用，因为没有原子名称、残基信息，根本没法做RMSD的原子匹配。得靠PDB或XYZ格式来带上下文。
3.2 PDB格式：生物信息学的通用语言
PDB（Protein Data Bank）格式是最常见的生物大分子结构文件。它不仅可以存原子坐标，还能存残基名、链ID、温度因子、占有率等等。我在做蛋白质构象分析时，90%以上的输入都是PDB。
PDB文件每行固定80个字符，按记录类型开头。最常用的是ATOM和HETATM记录：
ATOM 1 N ALA A 1 1.234 2.345 3.456 1.00 0.00 N
ATOM 2 CA ALA A 1 1.567 2.678 3.789 1.00 0.00 C
ATOM 3 C ALA A 1 1.890 2.123 3.012 1.00 0.00 C
ATOM 4 O ALA A 1 2.111 2.444 3.555 1.00 0.00 O
ATOM 5 CB ALA A 1 0.999 2.888 3.666 1.00 0.00 C各列含义如下：
| 列号 | 字段 | 说明 |
|---|---|---|
| 1-6 | 记录名 | ATOM 或 HETATM |
| 7-11 | 原子序列号 | 整数，从1开始 |
| 13-16 | 原子名 | 如 CA、N、C、O |
| 17-20 | 残基名 | ALA、GLY、HOH |
| 22 | 链ID | 大写字母，A/B/… |
| 23-26 | 残基序号 | 整数 |
| 31-38 | x 坐标 | 八位，小数点后三位 |
| 39-46 | y 坐标 | 八位，小数点后三位 |
| 47-54 | z 坐标 | 八位，小数点后三位 |
| 55-60 | 占有率 | 1.00 或 0.00 |
| 61-66 | 温度因子 | 常用 B 因子 |
| 77-78 | 元素符号 | 右对齐 |
PDB里还有一个重要的记录叫MODEL/ENDMDL，专门用来存多构象。做RMSD时经常会读入多个MODEL：
MODEL 1
ATOM 1 N ALA A 1 1.234 2.345 3.456 1.00 0.00 N
ATOM 2 CA ALA A 1 1.567 2.678 3.789 1.00 0.00 C
ENDMDL
MODEL 2
ATOM 1 N ALA A 1 1.111 2.222 3.333 1.00 0.00 N
ATOM 2 CA ALA A 1 1.444 2.555 3.666 1.00 0.00 C
ENDMDL3.3 XYZ格式：轻量但缺少语义
XYZ格式就简单多了。第一行是原子数，第二行是注释（经常被忽略），后面每行一个原子。元素名加三个坐标，用空格或制表符分隔：
3
water molecule from DFT calculation
O 0.000 0.000 0.117
H 0.757 0.000 -0.469
H -0.757 0.000 -0.469XYZ的优点：解析超级快，文件体积小，适合存大量轨迹帧。缺点：没有残基、链、键信息，没法做原子匹配。做RMSD时，如果你比较两个相同原子顺序的XYZ文件，直接算就行。但如果顺序乱了，就悲剧了。
我一般在处理小分子（< 100 原子）时用XYZ格式，又快又简单。但在蛋白质或核酸上，必须用PDB，因为要按残基和链名做匹配。
3.4 两种格式的核心差异
| 特性 | PDB | XYZ |
|---|---|---|
| 原子信息 | 元素 + 原子名 + 残基 + 链 | 仅元素符号 |
| 坐标精度 | 小数点后3位（固定） | 任意精度 |
| 多帧支持 | MODEL/ENDMDL | 多个XY文件或扩展格式 |
| 键信息 | CONECT记录可存键 | 无 |
| 文件大小 | 较大（固定80列每行） | 较小 |
| 适用场景 | 蛋白质、核酸、复合物 | 小分子、轨迹帧 |
| 解析难度 | 中等（注意列对齐） | 极简单 |
我的建议：如果做RMSD计算，优先用PDB格式，因为它保留了残基和原子名称，可以直接按名称做匹配。如果只有XYZ，加一个拓扑文件（比如mol2或pdb）来提供原子映射关系。
3.5 原子坐标在RMSD中的角色
RMSD公式里只用到了坐标向量。但坐标本身的数值单位、精度、是否平移或旋转都会影响结果。在实际项目中，我会先做以下预处理：
- 单位统一：全部转成埃，有的文件可能是微微米或纳米。
- 对齐参考系：用最小二乘法把待比较的分子跟参考分子叠合（这就是RMSD计算的前置步骤）。
- 原子选择：只选骨架原子（如CA、N、C、O）或所有重原子，视具体问题而定。
比如这里有一个预处理代码片段（伪代码风格）：
def read_pdb(filename):
atoms = []
with open(filename) as f:
for line in f:
if line.startswith("ATOM") or line.startswith("HETATM"):
atom_name = line[12:16].strip()
res_name = line[17:20].strip()
chain = line[21].strip()
res_num = int(line[22:26].strip())
x = float(line[30:38].strip())
y = float(line[38:46].strip())
z = float(line[46:54].strip())
atoms.append( (atom_name, res_name, chain, res_num, x, y, z) )
return atoms实际项目中我会用Biopython的PDBParser，但刚上手时自己写一写，能帮你彻底搞懂PDB的结构。
3.6 知识体系结构
下面这张图梳理了分子结构格式在RMSD计算流程中的位置：
3.7 格式转换的注意事项
你可能会遇到需要把PDB转成XYZ，或者反过来。我推荐用OpenBabel或者RDKit来做格式转换，但自己写个简单脚本也没问题。下面是一个用Python从PDB提取坐标并输出XYZ的例子：
def pdb_to_xyz(pdb_file, xyz_file):
atoms = read_pdb(pdb_file) # 用上面定义的函数
with open(xyz_file, 'w') as f:
f.write(f"{len(atoms)}\n")
f.write("converted from PDB\n")
for a in atoms:
elem = a[0][0] # 取原子名的首字母（简化版，不完善）
x, y, z = a[4], a[5], a[6]
f.write(f"{elem:2s} {x:9.3f} {y:9.3f} {z:9.3f}\n")这个代码很粗糙，但能跑通。真实项目中元素符号得按原子名准确映射，比如"CA"是C，"HA"是H。直接用首字母会出错。