第三章 数据准备：实验数据与模型坐标的获取
好，到了真正动手的环节。前面两章我们把RMSD和R因子的概念、公式都捋了一遍，感觉都有数了。但巧妇难为无米之炊，你拿到手里的数据不对，后面算出来的全是垃圾。
本章咱们聊点实在的：去哪找数据？怎么找？找到之后又该怎么读？我从第一线干起，踩过的坑不说多，也有几个了。
3.1 数据源概述：PDB与结构因子文件
说白了，做结构生物学的精度评估，手里需要两种原料：
- 模型坐标：就是你搭出来的那个结构模型，通常存在.pdb文件里。
- 实验结构因子：来自X射线衍射实验的观测数据，通常以.mtz或.hkl文件保存。里面记录了每个反射的振幅F和它的标准差σ(F)。
我建议你从一开始就把这两种文件分开放，别混在一起。我有个师兄，当年就把模型和实验数据扔在同一个目录下，文件名还都是model_final.pdb、model_final_v2.pdb……结果对照数据的时候总是搞混。后来我养成了一个习惯：
| 文件类型 | 扩展名 | 内容 | 来源 |
|---|---|---|---|
| 模型坐标 | .pdb | 原子名称、坐标 (x,y,z)、占位率、B因子 | 你自己的结构精修输出 |
| 结构因子 | .mtz | HKL索引，F观测值，σ(F)，相位（如果有） | PDB验证报告或同步辐射数据归档 |
| 结构因子 | .hkl | 类似.mtz，但多为SheLX格式 | 特定精修软件 |
3.2 获取实验数据：PDB入口与验证报告
绝大多数情况下，你可以直接从PDB（Protein Data Bank）获取实验数据。我个人习惯通过它的详细页面去下载结构化数据。你想想看，PDB上有的条目会附带“验证报告”（Validation Report），里面其实整合了结构因子文件。
流程是这样的：
- 打开PDB的官网（你想用的那个入口，比如RCSB网站）。
- 输入你想分析的PDB ID，比如1BNA。点进去。
- 找到“Download Files”或“Structure Data”区域。
- 选.mtz文件，下载。通常会有一个压缩包，解压就行。
嗯，这里要注意一个点：不是所有PDB条目的.mtz文件都有。有些老的结构是从PDB早期直接提交的，可能只有F，没有σ(F)。如果没有σ(F)，R因子计算会受影响。我建议你先确认一下实验数据是否完整。
3.3 获取模型坐标：从精修到输出
模型的.pdb文件通常是你自己通过精修软件（如Phenix、Refmac5）跑出来的。如果你是做结构解析的，这个文件应该很熟悉。里面主要包含：
- 残基序列与原子命名（与晶体学对称操作相关）
- 笛卡尔坐标 (x, y, z)
- 占位率（occupancy，通常为1.0，如果多重构象会有0.5等）
- 各向同性/各向异性温度因子（B因子）
我强调一点：务必保证.pdb文件中记录了正确的晶胞参数和空间群。很多新人跑精修后，直接拿原子坐标去算RMSD，却不看晶胞。RMSD是坐标层面的对比，但如果两个模型的晶胞不同，那直接对比是没意义的。你想想看，一个晶体在P212121空间群里折叠成一种样子，换到C2空间群里，同一套原子坐标可能就不在独立的分子内了。
用我自己经历过的一个场景：有次我在处理一个拓扑异构酶的结构，做分子置换之前，我直接把PDB中那个模板坐标拿来，没注意晶胞参数是错的。结果RMSD算出来奇高，后来发现是晶胞的α角参数写错了30度。
3.4 文件格式解析：你读得懂你的数据吗？
好，数据拿到了。咱们得看看文件里到底放了什么。.pdb文件是纯文本，可以拿来读。我这里给你举例一段核心内容：
ATOM 1 N ALA A 1 8.126 12.941 11.131 1.00 25.00 N
ATOM 2 CA ALA A 1 7.469 13.045 10.594 1.00 24.00 C
ATOM 3 C ALA A 1 6.036 13.155 11.147 1.00 23.00 C
ATOM 4 O ALA A 1 5.727 13.392 12.342 1.00 25.00 O每列的意义：ATOM序号、原子名、残基名、链ID、残基序号、x/y/z坐标、占位率、B因子、元素符号。这是最基础的格式。如果你要提取模型坐标做RMSD计算，就是从这些行里抓出坐标。
而.mtz文件咱们一般是靠ctf2mtz或phenix.mtz2txt这类工具解析。它存的是H、K、L三个整数的反射指标，以及对应的观测振幅F和误差σ(F)。
实际工作中，我很少手动去解析.mtz。你可以用Python工具如MTZpy或直接用CCP4程序集的commands：
# 如果用CCP4
# 从.mtz转出文本列表
mtzdmp hklin your_data.mtz > output.txt
# 或者用Python中的gemmi库
# import gemmi
# mtz = gemmi.read_mtz_file('your_data.mtz')
# print(mtz.get_labels())# 如果需要用命令行快速检查.mtz内容
# 用phenix.mtz2txt
phenix.mtz2txt your_data.mtz这些命令可以直接看到.mtz文件中有哪些标签，比如F(+)，F(-)，SIGF，PHI等。
3.5 数据质量核验：拿到数据后你应该立马做的三件事
数据拿到手后别急着扔进算法里。我建议你按下面三步确认数据完整性：
- 检查实验数据的空间群和晶胞与模型是否一致
- 确认结构因子文件中是否包含σ(F)列——如果没有，R工作因子是算不出来的
- 记录下数据的分辨率（通常在.mtz的文件头或PDB验证报告里有个high_res值，单位Å）
我曾经有一次没做第三步，把一个2.0 Å分辨率的结构因子拿来对比一个1.5 Å的模型，结果R因子低得离谱，我还以为我做对了，实际上是数据质量不对等，你算出来的R因子就没意义。
3.6 完整的准备工作流程
为了可视化整个数据准备逻辑，我画了一张图，从原始数据源到输入文件，再到后续计算，一目了然。
图里的流程你对照一下自己的操作。每个步骤都确认一遍，花不了几分钟，但能省下后续好几天的debug时间。
3.7 常见问题与避坑
好，最后说几个我遇到过的典型问题：
- 实验数据的.pdb和模型.pdb混淆：你可能会从PDB同时下载了模型坐标文件和实验结构因子文件。后者是.mtz，前者是.pdb。千万别搞反。R因子计算需要把模型坐标变换成结构因子，再去和实验F对比，如果你的“模型坐标”本身就是PDB里那个，那你算出来的是模型与自身的比较，没有意义。
- 忽略未解析的部分：.pdb里有时会有“MODEL”标注（NMR数据）或者缺少的部分你需要注意，RMSD只算对齐的部分。
- 空间群变换：如果你的模型是P1，实验数据是P212121，直接算RMSD是不行的。有些工具会自动做晶胞变换，但大多数需要你手动匹配。我建议你先用PDB验证工具检查一下晶胞是否匹配。
• 查看.mtz内容：gemmi
• 提取F值与σ(F)：phenix.examine_mtz
• 查看晶胞参数：phenix.cif2pdb
数据准备是个看上去无聊，但极其重要的环节。我希望你没觉得啰嗦。下一块内容，就是把这些准备好的数据扔进RMSD和R因子的计算器里。到那时候，你才会真正体会到前期准备工作做得好，算起来有多省心。