1. PDB 格式概述：历史、标准结构、文件构成

各位同仁，咱们今天开篇聊PDB格式。说白了，PDB文件就是蛋白质结构的“身份证”。你从X射线、冷冻电镜或者NMR拿到结构数据，最终都得存成这个格式。我干了十几年结构生物信息，经手的PDB文件少说也有几万个。嗯，今天我把核心要点给大家梳理一遍。

1.1 格式的“前世今生”

1970年代，蛋白质数据库（Protein Data Bank）刚成立那会儿，格式远没有现在规范。我记得早期有些文件，连原子坐标的列对齐都不严格，解析起来简直想摔键盘。后来PDB组织统一了标准，才有了我们今天看到的版本。

现在主流的PDB格式遵循3.3版本规范。你可以把它理解成一本“流水账”——每一行都有固定的含义，列号也卡死了。为什么这么死板？因为早期计算机内存小，固定列格式解析起来最快。

这里我提一个避坑点：千万不要手动用文本编辑器去改坐标列。我曾经有个合作者，手滑多敲了一个空格，导致整个配体分子的坐标偏移了一个原子位。以后重构结构花了三天，这教训够深刻吧？

3 PDB文件的“骨架”

一个标准的PDB文件分三大部分：文件头（HEADER）、坐标记录（ATOM/HETATM）、以及连接与注释（CONECT/SSBOND等）。我建议初学的朋友，先抓大放小——把ATOM记录看懂，其他部分遇到时再查阅。

下面这张图，帮你快速建立起PDB文件的整体认识：

1.3 ATOM记录：PDB的心脏

ATOM这一行占80列。你想想看，从列1到列80，每一段都有明确用途。我手头就经常要写脚本解析ATOM行，来给大家拆解一下：

ATOM     39  CA  AARG A   6      35.560  33.460  38.860  1.00 15.20           C

我们来逐列拆解：

grep "^ATOM" input.pdb | awk '$3=="CA"' | awk '{print $6,$7,$8}'

1.4 配置并非只有ATOM：HETATM与CONECT

HETATM的列格式和ATOM完全一致。区别在于：HETATM记录的是非标准残基，比如配体、水分子、金属离子。我在做药物设计项目时，经常需要大量处理HETATM。

CONECT记录负责描述“谁和谁成键”。它的格式如下：

CONECT 1171 1172 1173 1174

这行的意思：原子1171分别与1172、1173、1174成键。如果你发现小分子的键连关系错了，多半是CONECT行有问题。我记得有一次提交结构到PDB，审核员直接退回，说我们的配体CONECT少写了一根键——嗯，后来我们被迫重新跑了一遍构象搜索。

1.5 文件头的“审计线索”

你打开一个PDB，前面几十行全是HEADER, TITLE, COMPND…这些看似“废话”的记录，实际上藏着大量审计必要的信息。比如：

• EXPDTA：实验方法（X射线、NMR、冷冻电镜）
• REMARK：尤其是REMARK 3，包含分辨率、R因子、Rfree值。这些参数直接决定结构的可信度。
• DBREF：把PDB序列和UniProt序列做对应，是序列比对的基础。

1.6 一个小案例：从PDB文件提取分辨率

我常写的一个小脚本，用来批量挖分辨率：

grep "REMARK   2 RESOLUTION" 1ubq.pdb
# 返回: REMARK   2 RESOLUTION.   1.80 ANGSTROMS.

如果你拿到一个新结构，第一件事就是查它的分辨率。分辨率优于2.5Å的基本可信，2.5–3.0Å需要谨慎，大于3.5Å的……我建议只用做粗粒度的形状比对。

1.7 格式后缀与版本的“潜规则”

PDB文件的标准后缀是.pdb。但有些工具会生成.pdb.gz，这其实就是gzip压缩包。你解压后得到的是标准PDB文件。

除了.pdb，还有.ent（旧版）、.pdb1、.pdb2（多链拆分等）。我个人建议统一用.pdb后缀，避免解析歧义。另外，mmCIF格式（后缀.cif）正在迅速取代PDB成为主流——不过那是后面章节的内容了。