4、分子结构的数据结构：原子坐标、残基、链的表示

拿到一个 PDB 文件，你第一反应是什么？

我刚开始做结构解析的时候，觉得这就是一堆数字和字母。后来才发现，PDB 里藏着三层嵌套的数据结构——原子、残基、链。不理解这个结构，写校验脚本就是瞎蒙。

4.1 原子坐标：最底层的数据单元

PDB 里每一个原子对应一条 ATOM（或 HETATM）记录。说白了，就是一个编号、一个元素符号、三个浮点数坐标（x, y, z），再加上 occupancy（占有因子）、temperature factor（温度因子，也叫 B 因子）。

举个例子，一条典型的 ATOM 记录长这样：

ATOM      1  N   ALA A   1       5.372   4.509   1.277  1.00 10.44           N

字段顺序：

  • ATOM：记录类型，HETATM 表示异种原子（非标准氨基酸或小分子）
  • 1：原子序号（整个文件内唯一）
  • N：原子名称（比如 N、CA、CB）
  • ALA：残基名称（氨基酸三字母缩写）
  • A：链标识符（单个字符）
  • 1：残基序号（整数，可重复配合插入码区分）
  • 5.372 4.509 1.277：直角坐标系下的原子坐标，单位 Å
  • 1.00：occupancy，通常为 1.0（完全占据），部分占据可能低于 1
  • 10.44：温度因子（B 因子），表示原子位置的不确定性
  • N：元素符号

这里面有一点坑——坐标精度。我见过有人直接从 PDB 里读 float 不保留小数位，导致校验时精度不对。PDB 标准格式坐标宽度固定为 8 列，3 位小数。你解析时必须按格式读，否则批次比对会出错。

4.2 残基：氨基酸或核酸的基本单元

一个残基由一组原子组成。比如丙氨酸（ALA）包含 N、CA、CB、C、O 这 5 个主链原子，加上侧链原子。残基在 PDB 里通过残基名称（三字母）+ 残基序号 + 链标识 来唯一标识。

残基序号不一定连续。我记得有一次校验项目，发现某结构中间缺失了一个残基，导致序列比对断裂。原因是在结构解析时那个 loop（环区）没建出来。批次校验时，必须检查残基序号是否严格递增，有没有跳跃或重复。

字段含义常见问题
residue name三字母代码，如 ALA、ARG大小写混合？标准统一大写
chain ID单字符链标识空链或特殊字符（如空格）需警惕
residue number整数序号，可含插入码（如 101A）不同批次序号体系不一致？
atom count每个残基在 PDB 中原子数量缺失原子导致几何校验失败

4.3 链：蛋白质或核酸的高级组织

一条链就是一组连续残基的集合。PDB 用一个大写字母（A、B、C…）或数字标识链。多链结构常见于复合体：比如抗体-抗原、酶-底物、DNA-蛋白质。

链的连续性有两种含义：

  • 序列连续性：残基按从 N 端到 C 端的顺序排列。
  • 坐标连续性：残基在空间上是否紧邻（Cα 距离 < 4 Å）。

我的习惯是在校验脚本里先按链分组，再按残基序号排序，然后计算相邻残基间 Cα 距离。如果距离大于 4.5 Å，基本就是断链。批次一致性校验要比较两个 PDB 的链 ID 集合是否一致，残基顺序是否相同。

4.4 三层嵌套结构：从原子到链

把这三层关系画出来，你就明白 PDB 的层次结构了：

PDB 层次结构 PDB 文件 链 A 链 B 链 C 残基 1 (ALA) 残基 2 (ARG) 残基 3 (SER) …… N CA CB C O … 提示：原子是叶节点，残基是中间节点，链是顶层容器。批次校验本质上就是对比这三层结构是否一致。

4.5 数据结构对批次校验的影响

为什么要理解这个层次？因为批次一致性校验的核心就是比较两套数据的结构树是否同构。

  • 原子级别的校验：检查每个原子的坐标差、B 因子差，看是否在容忍阈值内。
  • 残基级别的校验：比对残基类型、序号连续性、原子组成（缺失原子算不合格）。
  • 链级别的校验：链数量、链 ID、链内残基顺序是否相同。不同批次的链 ID 分配可能不同（比如 A 链变成了 B 链），这时候需要做拓扑比对。

我曾经遇到一个案例：两个批次的 PDB 文件，残基序号完全一样，但链 ID 一个是 'A'，另一个是 ' '（空格）。直接按字符串比较会判错。正确的做法是先标准化——把空格链映射成默认链，或者根据链内残基的序列相似性做匹配。

4.6 在实践中解析和校验

我个人偏好用 BioPython 的 PDB 模块来解析。它把结构自动映射成 SMCRA 层次：Structure → Model → Chain → Residue → Atom。用起来很顺手。

from Bio.PDB import PDBParser

parser = PDBParser(QUIET=True)
structure = parser.get_structure("1ubq", "1ubq.pdb")

for model in structure:
    for chain in model:
        print(f"Chain {chain.id} has {len(chain)} residues")
        for residue in chain:
            for atom in residue:
                coords = atom.get_vector()
                # 这里可以加校验逻辑

但注意，PDB 里可能包含多个模型（比如 NMR 结构，一个文件有 20 个模型）。批次校验时通常只比对第一个模型（或每个模型单独比对）。

4.7 数据结构带来的常见坑

  1. 插入码（iCode）：残基序号后面可能跟一个字母，比如 101A 和 101B。纯数字比较会漏掉。你要把序号+插入码作为一个组合键。
  2. 交替构象（Alternate Conformations）：同一个原子可能有多个坐标，用 altLoc 标识（比如 A 和 B）。校验时选主要构象（occupancy 最高）或者全部比对。
  3. 水分子与配体：HETATM 记录构成的残基不要和标准氨基酸混为一谈。批次校验前最好先分离出目标链。

我的一个实用技巧：写一个函数，把 PDB 结构序列化成一个嵌套字典 —— {chain_id: {residue_key: [atom_names, coords]}}。这样比对两批次只需递归遍历字典，性能高且逻辑清晰。代码放下面供参考：

def pdb_to_nested_dict(pdb_file):
    from Bio.PDB import PDBParser
    parser = PDBParser(QUIET=True)
    struct = parser.get_structure('x', pdb_file)
    # 只取第一个模型
    model = struct[0]
    data = {}
    for chain in model:
        ch = {}
        for res in chain:
            # 用 (resid, icode) 作为键
            key = f"{res.get_id()[1]}{res.get_id()[2] or ''}"
            atoms = {}
            for atom in res:
                coord = list(atom.get_vector())
                atoms[atom.get_name()] = coord
            ch[key] = atoms
        data[chain.get_id()] = ch
    return data

有了这个字典，批次之间对比就简单了——直接比较键集合、值精度。遇到不一致的地方，用差异报告定位。

说白了，PDB 的数据结构不复杂，但细节决定成败。你做校验脚本时，一定要把原子、残基、链三层都覆盖到。只要有一个层级对不上，批次一致性就算不通过。

← 上一章 📖 返回目录 下一章 →