PDB 格式概述

处理 PDB 文件时，你最头疼的是什么？格式乱？坐标对不上？还是链标识搞得人晕头转向？今天咱们就把 PDB 格式里的几个核心概念掰开揉碎聊一聊。我记得刚入行那会儿，第一次打开一个 PDB 文件，满屏的 ATOM 和数字，说实话，真有点懵。后来踩的坑多了，才慢慢摸清门道。

1.1 PDB 文件标准

说白了，PDB 格式就是结构生物学界的“通用语言”。它由 wwPDB 维护，最初的版本是为 X 射线晶体学量身定做的。后来 NMR、冷冻电镜都加入了，格式也在不断扩展。

目前你见到的 PDB 文件，大多数还沿用传统格式，但官方力推的是 PDBx/mmCIF 格式。我个人习惯在做大规模批量处理时，优先把传统 PDB 转成 mmCIF，因为它的字段更灵活，不会出现列宽不够用的情况。

一个标准的 PDB 文件，由记录类型（Record Type）来组织内容。常见的记录类型包括：

• HEADER —— 文件头，包含结构名称、沉积日期、PDB ID
• ATOM —— 标准氨基酸或核苷酸原子坐标
• HETATM —— 非标准原子坐标（配体、水、修饰残基）
• TER —— 链终止标记
• END —— 文件结束

1.2 原子记录

原子记录是 PDB 文件的核心。先看一段实例，你就明白了：

ATOM      1  N   ALA A   1       1.234   2.345   3.456  1.00  0.00           N
ATOM      2  CA  ALA A   1       2.345   3.456   4.567  1.00  0.00           C
ATOM      3  C   ALA A   1       3.456   4.567   5.678  1.00  0.00           C
ATOM      4  O   ALA A   1       4.567   5.678   6.789  1.00  0.00           O
HETATM    5  O   HOH A 201      5.678   6.789   7.890  1.00  0.00           O
TER       6      ALA A   1
END

每一列的含义是固定的，我整理了一张对比表，把 ATOM 和 HETATM 的核心区别讲清楚：

你想想看，一个原子记录里包含了多少信息？原子名、残基名、链 ID、坐标、占据率、温度因子……这些字段在后续的结构分析和预处理中全都用得上。

1.3 坐标与坐标系

PDB 里的坐标是三维空间中的直角坐标，单位是 Ångström（埃）。格式上固定占 8 列宽，通常保留三位小数。

我个人习惯在预处理 PDB 文件时，先检查坐标精度。有些旧结构的坐标小数点后只有两位，而高精度的冷冻电镜结构可能有六位。精度不够会导致后续计算出现奇怪的偏差。

1.4 链标识

链标识（Chain ID）是 PDB 里最容易出幺蛾子的字段之一。它是一个单字符，可以是字母或数字。大写字母最常见，但也可能混进小写和数字。

我遇到过最离谱的一次，一条链用大写的 A，另一条用小写的 a。在视觉上几乎看不出区别，可程序一跑就报错。为什么会这样？因为很多工具链区分大小写。

• 单链结构：通常用 A
• 多链结构：A, B, C … 依次编号
• 特殊场景：数字链 ID（如 1, 2）在旧结构中偶尔出现

1.5 残基编号

残基编号也不总是连续增长的。插入码（Insertion Code）就是一个经典的坑。

举个例子，在某些抗体结构中，为了给补充决定区（CDR）的插入残基让出位置，编号可能是 100A, 100B, 101 这种格式。PDB 文件里用第 27 列（插入码字段）来标记。

ATOM    120  N   CDR A 100A     11.234  22.345   3.456  1.00  0.00           N
ATOM    121  CA  CDR A 100B     12.345  23.456   4.567  1.00  0.00           C
ATOM    122  N   CDR A 101      13.456  24.567   5.678  1.00  0.00           N

1.6 备选构象

备选构象（Alternate Conformation）用 altLoc 字段标记，位于原子名的后面。当某个残基或原子在电子云密度中有两种或多种稳定位置时，PDB 会用 A, B, C 等标识区分。

ATOM     10  N   ALA A   1      10.123  20.456  30.789  1.00  0.00           N
ATOM     11  CA A ALA A   1      11.234  21.567  31.890  1.00  0.00           C
ATOM     12  CA B ALA A   1      11.567  21.890  32.123  1.00  0.00           C

上面这段里，CA 原子有 A 和 B 两种构象。如果不做处理直接读入，你的结构里会同时出现两个位置矛盾的 CA，能量计算直接崩掉。

处理备选构象的策略通常有三种：

1. 保留主构象 —— 只保留 altLoc=A 或空格的原子
2. 按最高占据率选取 —— 谁的占据率高就留谁
3. 扩展为多模型 —— 把 A/B 构象拆成两个独立的模型文件

我个人倾向第一种策略，因为它最简单、最可复现。在做深度学习模型训练时，数据一致性比那一点点构象多样性重要得多。