第4章 分子结构文件格式：PDB、Mol2、XYZ 简介

做计算化学，打交道最多的东西，除了原子，就是这些文件。

你从实验拿到晶体结构，从数据库下载参考构象，或者自己建个模型——最终都得落在一个文件里。

而这些文件的格式，决定了你能读出什么，读出的东西对不对。

嗯，这章我就以手里最常见的三种格式：PDB、Mol2、XYZ 为例子，跟你聊聊里面的门道。我个人习惯是，包里永远备着这三类文件的解析器，因为你永远不知道合作方会扔给你什么格式。

---

4.1 PDB 格式：蛋白晶体学的“通用语言”

PDB，全称 Protein Data Bank。它不是一种存储格式，它几乎就是结构生物学的标准语言。

我在项目里拿到的大部分晶体结构，甚至冷冻电镜的模型，源头都是 PDB 文件。你随便去 RCSB 网站下载一个 .pdb 文件，打开看看，会发现它其实是纯文本——说白了，就是一串固定长度的字符行。

4.1.1 核心结构：ATOM 记录

PDB 文件最核心的行，是 ATOM 开头的记录。每行固定 80 个字符，用列位置来分割信息。

我曾经为了在一个老旧脚本里硬解析 PDB，忘了列偏移，结果把原子序号和坐标读串了，折腾了一下午。所以，记住下面这个列位图，很有用。

COLUMNS        DATA  TYPE    FIELD          DEFINITION
-------------------------------------------------------------
 1 -  6        Record name   "ATOM  "
 7 - 11        Integer       serial         Atom serial number
13 - 16        Atom          name           Atom name
18 - 20        Residue name  resName        Residue name
22             Character     chainID        Chain identifier
23 - 26        Integer       resSeq         Residue sequence number
31 - 38        Real(8.3)     x              Orthogonal coordinates for X
39 - 46        Real(8.3)     y              Orthogonal coordinates for Y
47 - 54        Real(8.3)     z              Orthogonal coordinates for Z
55 - 60        Real(6.2)     occupancy      Occupancy
61 - 66        Real(6.2)     tempFactor     Temperature factor
77 - 78        LString(2)    element        Element symbol, right-justified
79 - 80        LString(2)    charge         Charge on the atom

这里有个坑：原子名（Atom name） 的对齐方式。你回想一下，主链的 Cα 原子，它写的是 " CA "，前后有空格的；而钙离子也是 "CA "，但位置不同。如果你按字符串直接对比，很容易匹配错。我建议直接用列区间取子串，别偷懒用 split()。

4.1.2 PDB 中的 RMSD 计算要点

用 PDB 做 RMSD 对齐时，我个人只关心 ATOM 记录。HETATM（配体、水分子）要不要对齐，取决于你的目标。

如果你是在对比蛋白骨架，那就只取 CA 原子。方法很简单：筛选出 ATOM 开头，且原子名为 CA 的行。

# Python 伪代码：从PDB提取CA坐标
for line in pdb_lines:
    if line.startswith("ATOM") and line[12:16].strip() == "CA":
        x = float(line[30:38])
        y = float(line[38:46])
        z = float(line[46:54])
        coordinates.append([x, y, z])

提取后，你就得到了一份只含主链骨架的坐标集，用来算 RMSD，又快又稳。

---

4.2 Mol2 格式：Sybyl 时代的“富容器”

Mol2 格式来自 Tripos 公司的 Sybyl 软件。它不像 PDB 那样纯线性，而是按块划分。每个块用 @<TRIPOS>XXXXXX 标识。

我记得第一次做小分子配体对接时，输出结果就是 Mol2 格式。里面不但有原子坐标，还能带上原子类型、形式电荷、键连接，甚至残基名称。

4.2.1 关键块结构

一个典型的 Mol2 文件，包含以下几个主要块。我建议你只关注 @<TRIPOS>MOLECULE、ATOM、BOND 这三个，其他如 SUBSTRUCTURE 对结构对齐没太大用处。

块标识	内容	重要性
@<TRIPOS>MOLECULE	分子名、原子数、键数、类型	必读
@<TRIPOS>ATOM	原子序号、坐标、原子类型、残基名	必读（核心）
@<TRIPOS>BOND	键连接关系与键级	推荐读
@<TRIPOS>SUBSTRUCTURE	子结构定义与根原子	可选

看一个 ATOM 块的示例。每行依次是：原子序号、x y z 坐标、原子类型、残基编号、残基名、形式电荷。

@<TRIPOS>ATOM
      1 C1         1.234   2.345   3.456 C.3        1 LIG     0.0000
      2 C2         2.345   3.456   4.567 C.2        1 LIG     0.0000
      3 N1         3.456   4.567   5.678 N.4        1 LIG     0.0000

4.2.2 对齐前需要考虑的问题

Mol2 格式虽然信息丰富，但也有头痛的地方。不同分子里的原子序号不一定连续，而且残基名可能带不同前缀。你在做 RMSD 对齐前，最好是按原子序号或原子类型做一个映射，别直接按行号对比。

---

4.3 XYZ 格式：极简主义的“坐标快照”

如果你觉得 PDB 太啰嗦，Mol2 太复杂，那 XYZ 就是一股清流。

它啥也没有——就是原子符号和坐标。第一行是原子数，第二行是注释，后面行列式排开。说白了，就是一个列表。

4.3.1 标准格式

3
water molecule example
O  0.000   0.000   0.000
H  0.757   0.000   0.000
H -0.757   0.000   0.000

就这些，没了。

为什么会有人喜欢这个格式？因为它的 IO 开销最小。我在跑大规模构象搜索（比如用 CREST 或 xTB 扫上千个构象）时，生成 XYZ 文件几乎是瞬间的事。写脚本解析它也极其简单。

def read_xyz(filepath):
    with open(filepath) as f:
        lines = f.readlines()
    n_atoms = int(lines[0].strip())
    comment = lines[1].strip()
    atoms = []
    coords = []
    for i in range(2, 2 + n_atoms):
        parts = lines[i].split()
        atoms.append(parts[0])
        coords.append([float(x) for x in parts[1:4]])
    return atoms, coords, comment

简单归简单，它也有致命伤。

4.3.2 什么时候用 XYZ？

我的建议是：

• 做轨迹对齐、批量构象比较时，优先用 XYZ。解析快，不占地方。
• 需要保留键合信息或原子类型时，绝对别用 XYZ。请回头用 PDB 或 Mol2。

---

4.4 三种格式的对比与选择

你会问，这么多格式，到底用哪个？

我的建议是：以你最终 RMSD 对齐的目标来决定。下表供你快速决策。

特性	PDB	Mol2	XYZ
文件大小（同类复杂分子）	大	中	小
是否记录键连接	部分（CONECT）	有（BOND）	无
原子类型	元素符号	Sybyl 类型	元素符号
形式电荷	无（仅 PQR 扩展有）	有	无
残基/链信息	完整	残基名	无
解析难度	中（列对齐）	中（块结构，行分割）	低
RMSD 对齐适用场景	蛋白-蛋白、蛋白-配体	小分子比对、对接输出	轨迹帧、批量构象

嗯，这些说完，我再给你看一张我整理的结构关系图。它能帮你快速回忆起什么时候该用哪种文件。

这张图从左到右，你可以看到三个格式的出身、编码方式和在 RMSD 计算中的典型用法。我个人觉得，把这三种格式理解透了，你手里的分子结构文件，就再也不会出现格式信息丢失导致的 RMSD 偏差了。

---