第2章：蛋白结构与序列基础——从氨基酸到PDB数据库
什么是氨基酸？
蛋白的最小组成单位，说白了就是氨基酸。每个氨基酸都有一个中心碳原子，连着一个氨基（-NH₂）、一个羧基（-COOH）、一个氢原子和一个侧链R基团。R基团决定了这个氨基酸是亲水还是疏水，是酸性还是碱性。
我记得第一次在实验室看氨基酸结构式时，觉得20种标准氨基酸背下来好烦。后来发现，你只要记住它们按侧链性质分成几类就好办了：
| 分类 | 名称（三字母缩写） | 特点 |
|---|---|---|
| 非极性疏水 | Ala, Val, Leu, Ile, Pro, Phe, Trp, Met | 藏在蛋白内部，稳定疏水核心 |
| 极性不带电 | Ser, Thr, Cys, Tyr, Asn, Gln | 常出现在表面，可形成氢键 |
| 酸性（带负电） | Asp, Glu | pH中性时带负电 |
| 碱性（带正电） | Lys, Arg, His | pH中性时带正电 |
举个例子，你在做结构预测时，如果看到一段连续疏水残基（比如LLVLV），基本可以断定那是穿膜区。我测过的一个膜蛋白，就是靠这种简单的疏水性分析先锁定跨膜片段，后续建模才没跑偏。
一级结构：序列决定一切
一级结构就是氨基酸的线性排列顺序。这个顺序决定了蛋白怎么折叠。虽然听起来很抽象，但你可以把它想象成一条字符串——字符串的每个字符对应一个氨基酸。
为什么说序列决定一切？因为蛋白的所有高级结构信息都编码在这条序列里。我当年踩过一个坑：做了一个点突变突变预测，结果能量计算显示没问题，可蛋白就是不折叠。后来发现，这个突变刚好破坏了α螺旋的疏水重复模式。所以序列分析真的不能马虎。
在实际项目中，拿到的序列通常是FASTA格式：
>sp|P68871|HBB_HUMAN Hemoglobin subunit beta
MVHLTPEEKSAVTALWGKVNVDEVGGEALGRLLVVYPWTQRFFESFGD
LSTPDAVMGNPKVKAHGKKVLGAFSDGLAHLDNLKGTFATLSELHCD
KLHVDPENFRLLGNVLVCVLAHHFGKEFTPPVQAAYQKVVAGVANAL
AHKYH二级结构：α螺旋和β折叠
蛋白的局部规则结构就是二级结构。最常见的两种：α螺旋和β折叠。α螺旋靠第一个残基的羰基氧与后面第四个残基的氨基氢形成氢键，缠成弹簧状。β折叠则是几条肽链平行或反平行排列，像折扇的褶皱。
我在做DSSP（二级结构分配程序）结果分析时，经常遇到一个情况：一条序列理论上应该形成α螺旋的区域，却出现了无规卷曲。为什么？往往是因为序列中有脯氨酸或甘氨酸——脯氨酸的刚性环会打断螺旋，甘氨酸则太灵活。这就是序列模式预测二级结构的依据。
你用PyMOL看PDB文件时，会把二级结构着色显示。我个人习惯先用工具（比如`PSIPRED`）跑一遍预测，再跟实验结构对比，这样能快速发现不对劲的区域。
三级结构：空间整体折叠
三级结构是整个多肽链在三维空间里的最终折叠形态。包括球状、纤维状等。球状蛋白又分全α、全β、α/β等拓扑类型。
三级结构的稳定性靠什么维持？主要是疏水作用、氢键、离子键、范德华力和二硫键。其中疏水作用是最主要的驱动力。我曾经处理过一个嗜热菌蛋白，它的疏水核心比普通蛋白更紧密，所以你用室温环境做分子动力学模拟时，它的结构纹丝不动——你以为它稳定，其实人家是太“粘”了。
研究三级结构最核心的数据源就是PDB（Protein Data Bank）。每个结构有一个4字母的PDB ID，比如1CRN是植物甜蛋白，1UBQ是泛素。下载下来的文件叫`1ubq.pdb`，里面记录了每个原子的三维坐标：
ATOM 1 N MET A 1 11.203 13.459 21.613 1.00 9.80 N
ATOM 2 CA MET A 1 11.496 12.936 20.273 1.00 10.20 C
ATOM 3 C MET A 1 12.776 13.568 19.754 1.00 10.60 C
ATOM 4 O MET A 1 13.226 14.594 20.258 1.00 10.80 O四级结构：多个亚基的组装
四级结构指的是多条多肽链（亚基）通过非共价键（偶尔有二硫键）组装成一个有功能的复合物。比如血红蛋白有两个α亚基和两个β亚基，四个亚基协同工作来输氧。
我在做蛋白质复合物预测时，最头疼的是对称性问题。很多酶以二聚体或四聚体形式存在，如果你只预测单体结构，很可能漏掉关键的界面结合位点。所以拿到一个序列时，我会先查UniProt数据库看它是否有“注释的四级结构”，如果写着“homodimer”，就一定要考虑二聚体建模。
四级结构解析常用的方法是X射线晶体学或冷冻电镜。PDB里用`REMARK 350`记录生物单元（biological assembly）信息，告诉你哪个原子组是功能相关的实体。我看PDB文件时，会先用`pdb_selchain`工具提取出生物单元再分析。
PDB数据库简介
PDB（Protein Data Bank）是全世界最大的蛋白质三维结构仓库。目前超过20万个结构，还在快速增长。每个结构都有元数据：分辨率（对X射线而言）、R值、序列、配体、引用文献等。
你可以在官网（rcsb.org）上按序列、名字、甚至功能关键词检索。我个人的常用套路是：先搜同源序列的已知结构（BLAST），再根据序列相似度决定能否用同源建模。如果相似度>30%，基本可以放心建。
蛋白结构层次总览
下面这张SVG图清晰地概括了从氨基酸到四级结构的层次关系。我在做课程幻灯片时也喜欢画类似的逻辑图，一眼就能看清全局。
避坑指南
- 不要混淆序列号与PDB序号：PDB中的氨基酸编号可能与UniProt不一致。我每次做同源建模前都会手工对齐，否则模型残基错位。
- 二级结构预测并非100%准确：我曾经用PSIPRED预测一个蛋白，结果α螺旋区域预测为β折叠，后来实验解析发现原来是一个较长的loop区。所以预测结果只能作为参考，要结合多种方法。
- 四级结构解析数据不一定可靠：有些PDB只给出了不对称单元，而非生物单元。你需要检查`REMARK 350`或使用`PISA`服务器判断哪个组装才是功能相关的。