📚 课程目录第3章 PDB文件基础

PDB文件基础：格式规范、原子坐标与模型质量指标

做结构生物学的人，几乎每天都要跟PDB文件打交道。但说实话，很多人只把PDB当成一个“坐标存储器”，忽略了它背后那一套严谨的格式规范。我刚开始接触结构校验时，就吃过PDB格式的亏——某个原子名多了个空格，导致整条链对接失败，排查了整整一天。所以这一章，我想跟你好好聊聊PDB文件到底长什么样，它怎么描述原子，以及那些藏在线条里的质量指标到底在说什么。

PDB文件的基本框架

一个标准的PDB文件，说白了就是一组按固定长度排列的文本行。每行以记录类型开头，比如HEADER、ATOM、TER、END等等。我自己的习惯是，拿到一个PDB文件，先瞄一眼REMARK字段和HEADER，那里面常常藏着分辨率、R值等关键信息。

我们来看一个最简的PDB骨架：

HEADER    HYDROLASE                              01-JAN-00   1XYZ
TITLE     THE STRUCTURE OF SOMETHING
COMPND    MOL_ID: 1;
REMARK   2 RESOLUTION. 2.00 ANGSTROMS.
ATOM      1  N   ALA A   1       1.234   2.345   3.456  1.00 10.00           N
ATOM      2  CA  ALA A   1       1.567   2.678   3.789  1.00 11.00           C
ATOM      3  C   ALA A   1       1.890   2.901   3.012  1.00 12.00           C
TER       4      ALA A   1
END

注意每列的位置都是严格固定的——原子序号占第7-11列，原子名占13-16列，残基名占18-20列，链标识22列，残基序号23-26列，坐标x、y、z各占31-38、39-46、47-54列，然后占用率（occupancy）和温度因子（B-factor）各占55-60和61-66列。少一个空格，整个文件可能就被读取器拒之门外。

警告： 我曾经遇到过有人把PDB文件从网页复制粘贴到文本编辑器，结果制表符替代了空格，导致坐标解析异常。所以千万要检查原始PDB是从哪来的，最好用wget或curl直接下载，别用手动复制。

原子坐标的“内涵”

一个原子记录里除了xyz坐标，还有两个容易被忽略的参数：占用率（occupancy）和B因子（temperature factor）。

Occupancy (OCC)：表示该原子在晶体中的占据比例。通常主链原子是1.0，如果某个侧链有两种构象，就会分别赋予0.5的比例。MolProbity在校验时，会特别关注低占用率原子的合理性。
B-factor (B)：衡量原子位置的震动幅度。单位是Å²。如果某个氨基酸侧链的B值比周围高很多，往往意味着局部柔性大，或者模型精度差。我习惯在批量校验前先跑一遍B-factor分布图，看看有没有明显异常。

你想想看，如果拿到一个PDB，里面某个原子的B值是100，而周围都是20，那大概率是建模时出了错。MolProbity里的“B-factor outlier”指标就是干这个的。

模型质量指标：从R值到Clashscore

结构生物学家有很多指标来评判一个模型的“好坏”。这些指标通常会写在PDB文件的REMARK行里，或者在结构发布时随附的validation报告中。我总结了几个最常用的：

指标	含义	常见阈值	MolProbity中对应项
R-work	模型与实验电子密度的拟合程度（训练集）	一般 < 0.25	无直接报告，但输入需含F/sigF
R-free	模型与未参与精修的5%反射数据的拟合	比R-work高0.05以内	无直接报告，但输入需含R-free标记
Clashscore	每1000个原子中空间冲突的数量	优秀 < 10, 可接受 < 20	核心输出项
Ramachandran outliers	主链二面角不合理的残基比例	优秀 < 1%	核心输出项
Rotamer outliers	侧链二面角不合理的残基比例	优秀 < 1%	核心输出项

嗯，这里要注意一点：MolProbity不直接计算R-work/R-free，因为它不是精修程序。你需要事先从结构精修软件（比如REFMAC、Phenix）拿到这些值。但它会基于你提供的结构模型，自动计算clash、rotamer、Ramachandran等几何指标。这些指标才是它校验的核心。

小技巧： 我建议你在用MolProbity批量校验前，先手动翻一下PDB文件里的REMARK 3字段，里面通常有精修软件的参数和最终R值。记录下来，跟MolProbity输出的几何指标对照看，能更快定位问题。

PDB格式中的“坑”与规避

我在项目里踩过不少PDB格式的坑，挑几个典型的说说：

链标识重复：同一个PDB里不同模型（NMR结构）可能使用相同的链名，MolProbity在校验时会默认把它们当作同一个链，造成冲突误报。解决办法是在提交前用脚本重命名链，或者使用多模型PDB时选择“per-model validation”。
原子名不对齐：比如“CA”与“CA ”（多空格）在有些解析器里会被当成不同原子。MolProbity的解析器比较严格，但最好还是保持标准格式。我写过一个Python脚本，用pdb-tools库统一格式化所有PDB文件。
缺少TER记录：蛋白质链结束后如果没有TER行，MolProbity会认为所有原子属于同一条链，导致计算clash时产生假阳性。务必检查每个链尾是否有TER。
水分子和其他配体：有些PDB文件把水分子和配体混杂在ATOM记录里，MolProbity默认会处理水分子（标记为HOH），但其他小分子如果没有正确的三维坐标和连接性，可能引起clash误报。我通常会在提交前先用grep或PyMOL把配体提取出来单独校验。

避坑指南：我曾经因为忘记添加TER记录，导致一个六聚体结构被看成一条长蛋白，MolProbity报出上千个clash。后来我用pdb_validate工具跑了一遍格式检查，才发现问题。从那以后，我每次批量处理前都会先跑一次格式校验。

  重点总结：

  PDB文件是结构生物学的“通用语言”，格式必须严谨。原子坐标中的占用率和B因子直接反映模型质量。MolProbity的主要校验目标是几何合理性（clash、rotamer、Ramachandran），而非R值。掌握这些基础，你才能正确理解MolProbity的输出报告。

这张图把PDB文件到MolProbity校验的整个数据流串起来了。你发现没有？原子坐标是连接“格式规范”与“质量指标”的桥梁。格式不对，坐标就解析错；坐标有偏差，质量指标就失真。所以打好PDB基础，是后面所有批量校验工作的前提。

我每次开始一个新项目，都会先把所有待校验的PDB文件扔进一个统一的格式检查脚本里——这个脚本我写得比较糙，但能查出90%的格式问题。嗯，等后面讲自动化流程时，我再把这个脚本分享给你。先记住一条：干净的数据，才能跑出可靠的校验结果。