蛋白质结构数据资源（PDB）

做口袋识别，第一步就是找结构数据。PDB全称叫Protein Data Bank，说白了就是一个蛋白质结构的“档案馆”。我刚开始做这个方向时，还以为PDB只是个简单的文件仓库，后来才发现——嗯，这里面的门道不少。

你想想看，全球实验测出来的蛋白质结构，绝大部分都存这儿。从X射线衍射到冷冻电镜，再到核磁共振，PDB都收。我们现在要做的，就是知道怎么从里面“捞”出想要的数据。

PDB 到底是个什么库？

PDB 建于 1971 年，最初只有 7 个结构。现在？超过 20 万条记录了。我个人习惯把它当“结构领域的主干数据库”，几乎所有口袋识别任务，数据源都是它。

每条结构记录有一个唯一的 PDB ID，4 位字符。比如 1a1e、4pep、7b3c。你可以通过这些 ID 直接下载结构文件。

PDB 数据仓库的“来世今生”

PDB 数据库这些年经历了巨大的增长。我记得当初做药物设计时，手上能用的高分辨率结构就那么几个，现在同一个靶点可能有几十上百个结构可选。下表展示了几个关键里程碑：

看到这个增长曲线，你就能理解——学会在PDB里“淘金”有多重要。

PDB 文件长什么样？

PDB 官方提供了两种常用格式：.pdb 和 .cif（mmCIF）。前者是传统文本格式，每行固定宽度；后者是更现代的键值对格式，信息更完整。

我在项目中遇到过一种情况：用 .pdb 格式读到的配体原子坐标不全，换成 .cif 就好了。所以我建议你尽量用 mmCIF 格式做批处理。

一个典型的 .pdb 文件片段是这样的：

ATOM      1  N   ALA A   1      12.345  45.678  23.901  1.00 15.23           N
ATOM      2  CA  ALA A   1      13.456  46.789  24.012  1.00 14.89           C
ATOM      3  C   ALA A   1      14.567  47.890  24.123  1.00 14.56           C
ATOM      4  O   ALA A   1      14.678  48.901  24.234  1.00 14.23           O
ATOM      5  CB  ALA A   1      12.345  47.123  22.345  1.00 15.01           C

每列都有固定含义：原子序号、原子名称、残基名称、链标识、残基序号、x/y/z 坐标、占有率、温度因子、元素符号。看不懂？没关系。做口袋识别，我们一般用 Biopython 或 ProDy 这类库来解析，不需要手写解析器。

从 PDB 批量下载——避坑指南

我曾经因为手写了一个爬虫去批量下载PDB文件，结果被服务器封了 IP。后来才知道，PDB 官方提供了专门的批量下载工具和 API。

推荐的方法有两种：

1. 命令行 wget/rsync 同步：PDB 在多个镜像站点开放了 rsync 服务，非常适合全库同步或大范围筛选。
2. REST API 按 ID 拉取：适合你知道具体 PDB ID 列表的场景。

下面是我常用的拉取方式，先下载一个 mmCIF 文件：

wget https://files.rcsb.org/download/4pep.cif

如果有多个 ID，可以写个简单的 Shell 循环：

for id in 4pep 1a1e 7b3c 2g5r; do
    wget "https://files.rcsb.org/download/${id}.cif"
done

注意：别一次性并发太多请求，我建议加个 sleep 0.5 控制频率，避免触发反爬机制。

数据质量——不是所有结构都能用

你从 PDB 下载一个结构，不等于它“能用”。做口袋识别前，一定要评估结构质量。我总结了几个关键指标：

• 分辨率：X 射线和冷冻电镜结构的核心指标。一般要求 ≤ 3.0 Å，最好 ≤ 2.5 Å。分辨率太高，摸不到口袋细节。
• R 因子 / R free：反映实验模型与数据的吻合度。通常 R free ≤ 0.3 算可接受。
• 完整度：看结构是否有缺失的 loop 或侧链。缺失太多，口袋边界会失真。
• 配体存在：如果你要研究特定配体结合的口袋，确保结构里有完整的配体分子。

用工具看一眼结构

下载了结构，别急着跑计算。我建议你先可视化确认——你看，一个简单的操作能筛掉一半问题结构。

推荐几个轻量级方案：

• PyMOL：经典，脚本可控，适合批量处理。
• UCSF ChimeraX：新一代，交互好，适合快速检查。
• NGL Viewer（网页版）：不需要安装，适合临时看结构。

知识体系总览

从上图能看到整个流程是串联的：拿到 ID 后获取文件，然后做质量筛查，通过可视化和口袋识别两个分支并行推进，最后汇总到结构准备步骤。我建议你严格按照这个顺序来做，能省不少返工时间。

实战：用 Python 批量抓 PDB

说了这么多，来点真家伙。下面这段代码是我在一个化合物筛选项目中用过的，用来从指定 ID 列表批量下载 mmCIF 文件并做简单质量筛选：

import requests
import os

pdb_ids = ["4pep", "1a1e", "7b3c", "2g5r"]
out_dir = "./cif_files"
os.makedirs(out_dir, exist_ok=True)

base_url = "https://files.rcsb.org/download/"
for pid in pdb_ids:
    url = f"{base_url}{pid}.cif"
    r = requests.get(url, timeout=10)
    if r.status_code == 200:
        with open(os.path.join(out_dir, f"{pid}.cif"), "wb") as f:
            f.write(r.content)
        print(f"OK: {pid}")
    else:
        print(f"FAIL: {pid} (status {r.status_code})")

到这里，你应该对 PDB 的结构数据获取有了清晰的路线图：哪个格式更可靠、怎么批量拉、质量怎么筛、可视化怎么辅助判断。掌握了这些，后面做口袋识别就不怕“巧妇难为无米之炊”了。