3. PDB 文件解析入门：用 Biopython 把结构拆明白

PDB 文件，说白了就是一长串坐标和原子名字。但咱们做数据处理，不能只看文本，得把它变成 Python 里的对象才行。这一章我就带你用 Biopython 把 PDB 文件拆开，拿到最基础的三个层级——原子、残基、链。

我个人习惯，拿到一个新结构文件，第一件事就是确认这几个核心对象能不能正常读取。之前在项目里遇到过文件本身没问题，但 PDB 格式里某些残基编号不标准，导致链对象直接为空——那排查起来真是头疼。所以，把底层对象理清楚，后面所有流程才不会翻车。

3.1 环境准备与命令行热身

Biopython 是必备的。如果你还没装，先跑一下。我建议用 conda 装，依赖处理起来省心很多。

conda install -c conda-forge biopython
# 或者用 pip
pip install biopython

装好之后，咱们用 4HHB（血红蛋白）来示范。你可以在 rcsb.org 下载它的 PDB 文件，或者直接用下面代码从本地读。我自己写脚本时习惯先调用 Bio.PDB.PDBParser，把文件路径传进去就好。

3.2 核心对象——结构(Structure)

在 Biopython 里，整个 PDB 文件被包装成一个 Structure 对象。它是顶级容器，里面可以有多个 Model（X 射线解析的多模型结构很常见）。

你想想看，一个 PDB 文件如果包含 NMR 模型，Model 就可能有好几十个。平时我们做晶体结构分析，一般只用到第一个 Model。

from Bio.PDB import PDBParser

parser = PDBParser(QUIET=True)   # QUIET=True 可以屏蔽一些不太重要的警告
structure = parser.get_structure("4HHB", "4hhb.pdb")

# 拿到第一个 model
model = structure[0]
print(f"Model ID: {model.id}")
print(f"Number of chains: {len(model)}")

代码跑完之后，你就能看到 Model ID 通常是 0，然后链数量就是 4HHB 的四个链（α1, β1, α2, β2）。

3.3 层层深入：从链(Chain)到残基(Residue)

拿到 Model 之后，接下来就是 Chain。每个链对应 PDB 文件里一条多肽链。我个人习惯拿链时直接按 ID 索引：

# 遍历所有链
for chain in model:
    chain_id = chain.id
    print(f"Chain ID: {chain_id}")
    # 每个链里的残基
    for residue in chain:
        res_name = residue.get_resname()   # 比如 "HIS", "ALA"
        res_id = residue.get_id()          # 比如 (' ', 42, ' ')，注意是元组
        print(f"  Residue: {res_name} {res_id}")

注意！residue.get_id() 返回的是一个三元组：(hetero_flag, sequence_number, insertion_code)。 hetero_flag 是 ' '（标准残基）、'W'（水分子）或 'H_'（配体）。
我在初学时就踩过这个坑：hetero_flag 为 'W' 的水分子，用索引取残基时一定要过滤掉，不然遍历到水分子它还带着它自己的坐标，干扰主链分析。

下面这个表格能帮你快速区分不同残基类型：

3.4 原子(Atom)——最底层的数据单元

原子对象负责存坐标、温度因子（B-factor）、元素类型等。对于每个残基，它通常包含主链原子（N, CA, C, O）和侧链原子。

for atom in residue:
    atom_name = atom.get_name()      # 比如 "CA", "CB", "N"
    coord = atom.get_coord()         # numpy 数组 [x, y, z]
    bfactor = atom.get_bfactor()     # 温度因子
    element = atom.element           # 元素符号，比如 "C", "N", "O"
    print(f"  Atom: {atom_name} at {coord} B={bfactor:.2f}")

这里有个小技巧：atom.element 在 PDB 中没有直接写元素时可能会是空字符串，我推荐用 atom.get_full_id() 来判断归属。

原子层级的属性我整理了一个清单，方便你对照：

• name：原子名（字符串），如 "CA"、"CB"
• coord：三维坐标（numpy 数组）
• bfactor：温度因子（可拿来评估柔性）
• occupancy：占据率（部分结构无序时 < 1.0）
• element：元素

3.5 完整结构遍历脚本

下面是我常用来做结构审查的脚本：

from Bio.PDB import PDBParser

parser = PDBParser(QUIET=True)
structure = parser.get_structure("4HHB", "4hhb.pdb")

model = structure[0]
for chain in model:
    print(f"\n--- Chain {chain.id} ---")
    for residue in chain:
        # 只取标准残基
        if residue.get_id()[0] != ' ':
            continue
        res_name = residue.get_resname()
        res_seq = residue.get_id()[1]
        # 提取 Ca 坐标
        if "CA" in residue:
            ca = residue["CA"]
            coord = ca.get_coord()
            print(f"{res_name} {res_seq}  CA: {coord}")
        else:
            print(f"{res_name} {res_seq}  (no CA atom)")

你把这个脚本跑一遍，就能逐残基地看到 Ca 原子的空间位置。这对后续做结构比对、距离计算都很有用。

3.6 知识结构一览

为了帮你建立整体框架，我用一张图把 PDB 解析流程画出来。这张图展示的是从 PDB 文件到最细粒度坐标的拆解路径。

3.7 常见问题与避坑

• 残基编号不连续？ 晶体结构里常有缺口，不一定是完整序列。用 residue.get_id() 检查插入码也能发现。
• 同分异构体（Alternate Conformation）？ PDB 中一个原子可能对应多个位置。Biopython 的 Atom 对象会标出占位符，你可以通过 atom.get_altloc() 检测。
• 水分子会不会影响链长度？ 别忘了 hetero_flag 是 'W'，我写脚本时必加过滤：if residue.get_id()[0] != ' ': continue
• 链的 ID 是大写字母？ 大多数 PDB 文件链 ID 是 "A", "B", 但有些用数字。用 model.child_list 可列出所有链 ID。

嗯，说到这你应该对 Biopython 如何解析 PDB 文件有个底了。后面几章我们要在上面的对象上做各种计算——距离、角度、配体交互，这些全都建立在今天讲的基础之上。你先把脚本跑一遍，看看输出的原子坐标，感受一下从文件到对象的映射过程。