第二章 生物大分子结构数据资源：PDB数据库、下载方法归纳总结

搞分子模拟的人，天天跟PDB打交道。PDB全称Protein Data Bank，说白了就是全球最大的生物大分子结构仓库。我刚开始做结构验证时，总以为随便找个PDB文件就能用，结果踩了不少坑——有的结构分辨率差，有的缺失原子坐标，甚至还有文件格式过时的问题。今天咱们就系统理一遍PDB到底是什么、怎么高效下载、怎么避坑。

2.1 PDB数据库到底是什么

PDB由wwPDB（Worldwide Protein Data Bank）联盟维护，总部在Rutgers大学。截至2025年，存储了超过20万个实验结构——X射线晶体学、核磁共振、冷冻电镜三种主流方法产出的数据都在这儿。我个人习惯把PDB看成一本“蛋白质结构的百科全书”，每个条目都有一个唯一ID，比如1B3G、4HHB。

核心数据字段：

  • 标题：结构名称、来源生物
  • 实验方法：X-RAY、NMR、EM
  • 分辨率：X射线和EM结构的关键质量指标
  • 沉积作者：提交团队信息
  • 坐标文件：原子坐标、链、残基、配体
  • 验证报告：Ramachandran图、clash分数等

为什么强调这些？因为下载一个结构前，你最好先看一眼分辨率——我曾遇到一个2.8Å的蛋白结构，主链都漂移了，用它做对接纯粹浪费时间。

2.2 下载PDB结构的四种主流方式

咱们把方法按“手工程度”排了个序，你根据场景选就行。

方式 适用场景 批量能力 注意事项
RCSB网站图形界面 单文件浏览、快速查看 低（手动点） 直接下载需登录？实际不用，但受浏览器限制
命令行 wget/curl Linux/服务器批量下载 高（脚本） 需知道PDB ID列表
FTP协议 完整镜像/大批量同步 极高（rsync） 带宽可能受限
编程API（PDBx/mmCIF） 程序化检索、按条件筛选 极高（可组合查询） 需懂REST API或Python库

我个人的建议：日常用方式1和4，一次性下载整个类别群体时用方式3。别在图形界面里点100个文件，手指会酸。

2.2.1 方式一：RCSB网站直接下载

打开 rcsb.org（这里不写链接，你记得地址就行）。输入PDB ID，进入详情页，右上角有个“Download Files”按钮。里面给了几种文件格式：PDB格式（老式）、mmCIF格式（新主流，推荐）、PDBx格式（带更多元数据）。

嗯，这里要提醒你：PDB格式现在已经逐渐被mmCIF取代了。因为PDB格式每行列数固定80列，原子超过99999个就凉了。你想想看，现在冷冻电镜结构动不动几十万原子，PDB格式根本装不下。所以，从今天起，尽量下载mmCIF格式。

2.2.2 方式二：命令行批量下载（wget/curl）

如果你手头有一堆PDB ID，比如几十个，写个bash脚本最省事。以下是我在项目里经常用的方式：

# 单文件下载（mmCIF格式）
wget https://files.rcsb.org/download/1B3G.cif

# 批量下载：从 id_list.txt 中循环
while read id; do
  wget -q "https://files.rcsb.org/download/${id}.cif"
done < id_list.txt

# 用curl更快（支持断点续传）
cat id_list.txt | xargs -P 4 -I {} curl -O "https://files.rcsb.org/download/{}.cif"

注意，RCSB的服务器在国外，国内下载可能慢。曾经我一次下载200个结构，wget跑了半小时，中间断了几次。后来换成curl配合-P 4并行，快了三倍。

避坑指南：我曾经因为没加`-q`参数，wget把下载进度刷满了屏幕，然后服务器以为我在DDOS攻击……建议限速或加延时：`wget --limit-rate=500k`。

2.2.3 方式三：FTP/rsync镜像

如果你需要整个PDB数据库镜像（比如用来做本地结构比对），那得用官方FTP。wwPDB提供全球镜像站点：

# PDB格式
rsync -av rsync.rcsb.org::ftp_data/structures/divided/pdb/ ./pdb/

# mmCIF格式（推荐）
rsync -av rsync.rcsb.org::ftp_data/structures/divided/mmCIF/ ./mmcif/

# 或者使用HTTP镜像（国内中科院节点）
wget -r -l1 -np http://cn.cnr.rcsb.org/pub/pdb/data/structures/divided/mmCIF/

这条命令会拉下来整个PDB分成的小目录。第一次同步可能上百GB，后面增量更新就快了。我当年在服务器上配置了每周一次的cron任务，自动更新本地库。这么做的好处是后续分析不用每次联网。

2.2.4 方式四：编程接口（REST API + Python库）

这是我最常用的方法。RCSB提供了GraphQL API，可以按条件检索（比如：分辨率≤2.0Å，来源人类，含有某个配体）。

import requests
import json

# 查询：人类蛋白，分辨率≤2.0Å，含ATP
query = {
    "query": {
        "type": "group",
        "nodes": [
            {"type": "terminal", "service": "text", "parameters": {"attribute": "rcsb_entry_info.resolution_combined", "operator": "less_or_equal", "value": 2.0}},
            {"type": "terminal", "service": "text", "parameters": {"attribute": "rcsb_entity_source_organism.scientific_name", "operator": "exact_match", "value": "Homo sapiens"}},
            {"type": "terminal", "service": "text", "parameters": {"attribute": "rcsb_polymer_entity_instance.rcsb_pdbx_nonpdb_entity_annotation.comp_id", "operator": "exact_match", "value": "ATP"}}
        ],
        "logical_operator": "and"
    },
    "return_type": "entry"
}

url = "https://search.rcsb.org/rcsbsearch/v2/query"
response = requests.post(url, json={"query": query})
ids = [entry["identifier"] for entry in response.json()["result_set"]]
print(f"找到 {len(ids)} 个结构：{ids}")

这段代码能在几秒内从20万结构中筛选出符合条件的。我用来做批次相似性验证前，会先用这个API拉出一批高质量结构，省得手动翻。

提示：Python库Bio.PDB也能直接解析mmCIF和PDB文件。但注意Bio.PDB对mmCIF支持已稳定，不过最新版（1.84+）才完整支持。我建议直接装`gemmi`库，解析速度快，API更贴近CIF标准。

2.3 下载路径与命名规范

RCSB下载URL的规律很简单：

# PDB格式（不推荐）
https://files.rcsb.org/download/{PDB_ID}.pdb

# mmCIF格式（推荐）
https://files.rcsb.org/download/{PDB_ID}.cif

# PDBx格式（带XML元数据）
https://files.rcsb.org/download/{PDB_ID}.pdbx

# 验证报告
https://files.rcsb.org/pub/pdb/validation_reports/{PDB_ID[1:3]}/{PDB_ID}/{PDB_ID}_validation.xml

注意PDB ID是四位字母数字组合，但小写也行，服务器大小写不敏感。不过我个人习惯全大写。

2.4 一张图理清PDB下载流程

下面这张SVG图帮你快速理解从需求到拿到本地文件的完整路径：

PDB结构下载流程图 1. 确定PDB ID列表 2. 选择下载策略 RCSB网站
手动下载 wget/curl
批量脚本 rsync镜像
全量同步 REST API
+ Python库 3. 选择mmCIF格式 4. 本地验证与预处理 提示 优先使用mmCIF格式 批量>100个用rsync 查询用REST API

2.5 避坑清单

这些年我踩过的坑还真不少，列几个重点：

  1. 不要迷信PDB格式——超过99999原子会出截断错误，肉眼看不到，但Python解析就崩。换成mmCIF。
  2. 下载前先看验证报告——RCSB每个结构都自带XML验证报告，里面有Ramachandran outliers、clash score、R-free等。我习惯用`py3Dmol`在本地检查一遍。
  3. 注意链命名混乱——部分旧结构克隆的PDB文件链名不连续，比如跳过'B'直接到'D'。用`gemmi`解析时会保留原始链ID，别假定是A/B/C。
  4. 配体坐标不全——有些结构只给了蛋白主链，配体坐标缺失。下载前最好确认`pdbx_nonpoly_scheme`字段非空。
  5. 分辨率过滤别太松——我一般只下载分辨率≤3.0Å的结构（X射线）。冷冻电镜看EMDB分辨率指标，不是PDB里的“resolution”字段。

避坑指南：我曾经下载了100个结构做相似性验证，结果有一半是NMR ensemble（多构象）。默认下载的mmCIF文件里包含了所有模型，如果不加处理直接读平均结构，算出来的相似度全是错的。所以下载前一定要检查实验方法字段：`exptl.method`。

2.6 小结

PDB下载看似简单，但选错格式、漏掉验证、忽略批量效率，后续工作全白搭。我个人建议的固定流程是：先通过REST API筛选出符合条件的高质量结构列表→再用rsync或并行wget批量拉取mmCIF→最后用gemmi或Bio.PDB统一检查格式完整性。这样一套下来，你手里的数据就靠谱多了。

额外技巧：如果你做批次相似性验证，建议把下载好的mmCIF文件用`mmcif2xyz`转成统一的XYZ格式（仅保留重原子），能节省大量后续计算时间。这个我们后面章节再详细展开。

← 上一章 📖 返回目录 下一章 →