📚 课程目录第2章 PDB文件格式详解

2. PDB 文件格式详解：原子记录、链与残基编号

PDB 文件，说白了就是一个文本文件。

但它不是随便写的文本。每一行都有严格规定。我刚开始接触结构生物学时，总以为格式无所谓，能读就行。直到有一次，一个解析脚本因为某条记录的原子名少了个空格，直接崩了。嗯，从那以后，我再也不敢小看格式。

2.1 原子记录（ATOM / HETATM）—— 骨架中的骨架

原子记录是整个 PDB 文件的核心。它描述每个原子的三维坐标和属性。

我个人习惯把 ATOM 记录拆成两段看：认证信息段和坐标段。

ATOM 记录的标准格式（固定列宽，不是 CSV！）

COLUMNS        DATA       FIELD          DEFINITION
-------------------------------------------------------------------
 1 -  6        Record     "ATOM  "       或 "HETATM"
 7 - 11        Integer    serial          原子序号
13 - 16        Atom       name            原子名称（如 CA、CB）
17             Character  altLoc          可选的定位标识（A/B）
18 - 20        Residue    resName         残基名称（如 ALA）
22             Character  chainID         链标识（A、B、...）
23 - 26        Integer    resSeq          残基序列号
27             AChar      iCode           插入码
31 - 38        Real(8.3)  x               X 坐标
39 - 46        Real(8.3)  y               Y 坐标
47 - 54        Real(8.3)  z               Z 坐标
55 - 60        Real(6.2)  occupancy       占有率
61 - 66        Real(6.2)  tempFactor      B 因子 / 温度因子
77 - 78        LString(2) element         元素符号
79 - 80        LString(2) charge          电荷

注意看——列宽是硬性规定的。比如原子序号必须从第 7 列开始，占 5 列。你要是少算一个字符，整个解析器就会错位。

一个常见坑： 原子名是右对齐的，且占 4 列。比如 Cα 写成 " CA "（前面有空格），而不是 "CA "。我曾见过一个新手写的脚本，因为多砍了一列空格，Cα 变成了 C，后面的残基名也跟着错位，整个结构全乱了。

2.2 A、B、C 字段 —— 那些被忽略的细节

PDB 文件里，除了 ATOM 记录，还有几个字段经常被忽略，但它们其实非常关键。

字段	出现在哪	干什么用的
A	ANISOU 记录	各向异性温度因子的 U 值（6 个分量）
B	ATOM / HETATM	B 因子（温度因子），表示原子位置的不确定性
C	ATOM / HETATM	占有率（Occupancy），表示该构象出现的概率

你想想看：如果某个原子的 B 因子是 80 甚至更高，那这个坐标基本上不可信。我在做结构修复时，第一件事就是检查 B 因子异常值。通常我会把 B > 80 的原子标记为「待修正」。

我的一个小技巧： 修复 B 因子过高时，不要直接删除原子。可以用周围残基的 B 因子做插值或平滑处理。我曾经写过一个小脚本，用滑动窗口平均法修正过一条 loop 区的 B 因子，后来那批结构的 R 值降低了 1.5%。很值。

2.3 链标识（Chain ID）—— 别让链乱掉

链标识是一个单字符。A、B、C… 最多到 Z。但在现实项目中，你可能会见到数字或特殊字符。

我记得有一次处理一个多聚体结构，原 PDB 链标识是数字，而我的对接软件只认字母。不得不写脚本批量替换。

链标识的常见规范：

单一字符，通常大写字母 A–Z
对称体用相同链名（如 A 链和 B 链可能是一样的序列）
水分子链通常标记为 W 或不标注
非标准残基（如配体、修饰残基）出现在 HETATM 记录中，链标识与所在链一致

另外，同一条链可以包含连续或非连续的残基编号。比如 A 链有残基 1–100，但中间缺了 50–55 是常见的。这不是错误，是结构里的无序区域。

2.4 残基编号（Residue Number）—— 看似简单，实则大坑

残基编号由两部分组成：序列号（resSeq） 和 插入码（iCode）。

插入码是什么？说白了就是一个字母后缀。比如某个残基的编号是 100A，100B——这在同源建模里很常见，表示在标准编号基础上插入的新残基。

我曾经踩过的一个坑： 在处理一个抗体结构时，框架区用标准 Kabat 编号，CDR 区有插入码。我直接按整数编号读取，结果把 CDR 区删掉了 3 个残基，整个结构修复全错了。从那以后，我一直用的是「编号=字符串(resSeq + iCode)」的方式。

另外，残基编号不一定是连续的。结构中缺失的部分通常不写记录，而不是补 0。解析时要注意：你的脚本能否处理跳号？

2.5 小结：一张图看懂 PDB 原子记录

下面这张图总结了我刚才讲的核心内容。你一看就明白了。

这张图帮你理清了：记录类型 告诉你怎么读，标识字段 告诉你是哪个原子，坐标与属性 则是数据本体。三部分缺一不可。

实用建议： 如果你用 Python 解析 PDB，建议用 Biopython 的 PDB.PDBParser。它能自动处理列宽对齐、链标识、插入码等细节。最好不要自己手写正则去匹配。

2.6 避坑清单

我把这些年踩过的坑总结一下，你以后遇到了直接对号入座：

列宽问题：永远不要用空格分割，用固定列宽读取。
插入码：残基编号一定是字符串（整数+字母），别当成纯整数。
B 因子异常：超过 80 的原子，坐标基本不可信，修复时要做标记。
链标识不一致：同一个结构的链名，在不同记录中（如 ATOM 和 HETATM）要保持一致。
占有率小于 1：不代表坐标错，可能是多构象。保留所有构象，用 altLoc 区分。

嗯，这些规则背下来不难。但真正用的时候，记得我前面说的——所有脚本的第一步，永远是做格式校验。别问我为什么知道。