1. 认识PDB文件格式：一个结构生物学家的老朋友

说起PDB格式，它绝对是结构生物学里最“古老”的数据格式之一。我本科那会儿第一次打开一个PDB文件，满屏的数字和字母看得我头皮发麻——这玩意儿怎么读？后来做了几年结构数据清洗，才发现这位“老朋友”虽然年纪大了点，但真的很有内涵。

PDB格式是Protein Data Bank的缩写，诞生于上世纪70年代。说白了，它就是一套描述生物大分子三维结构的“标准语法”。我们做数据清洗，第一步就得读懂这套语法。

1.1 一个真实的PDB文件长什么样

先别急着看密密麻麻的规范文档。咱们直接打开一个真实的PDB文件看看。我习惯用胰岛素的一段记录当例子，它特别能说明问题：

HEADER    HORMONE                               01-JAN-98   1INS
ATOM      1  N   ALA A   1       5.123   3.456   2.789  1.00 16.00           N
ATOM      2  CA  ALA A   1       6.234   4.567   3.890  1.00 17.00           C
ATOM      3  C   ALA A   1       7.345   5.678   4.901  1.00 18.00           C
ATOM      4  O   ALA A   1       8.456   6.789   5.012  1.00 19.00           O
ATOM      5  CB  ALA A   1       5.678   4.890   2.345  1.00 15.00           C
TER
HETATM   10  O   HOH A 101       9.012   7.890   6.123  1.00 20.00           O
END

嗯，是不是看着有点眼花？我来拆开讲，你马上就能看懂。

1.2 原子记录格式：别被80列吓到

早期的PDB格式规定每行必须严格80列。为什么？因为那时候用的还是打孔纸带和宽行打印机。现在虽然不强制了，但绝大多数PDB文件还沿用这个传统。我个人觉得，这反而让格式更整齐，解析起来也简单。

原子记录主要分两种：ATOM和HETATM。ATOM记录标准氨基酸/核酸的原子，HETATM记录配体、水分子等“非标”东西。它们的字段位置完全一样：

列位置	字段名	说明	示例
1-6	记录类型	ATOM 或 HETATM	ATOM
7-11	原子编号	整数，建议连续	5
13-16	原子名称	左侧留空格，右侧对齐	CB
17-17	备选位置	有空位异构时用A/B/C
18-20	残基名称	三字母代码	ALA
22-22	链标识	单字母A-Z	A
23-26	残基编号	整数，可用负值	1
27-27	插入码	如晶体制备时插入的残基
31-38	X坐标	浮点数，单位埃	5.678
39-46	Y坐标	浮点数，单位埃	4.890
47-54	Z坐标	浮点数，单位埃	2.345
55-60	占据率	0.00-1.00	1.00
61-66	温度因子	也叫B因子，单位平方埃	15.00
77-78	元素符号	靠右对齐	C

1.3 坐标数据：从XYZ到实际应用

坐标数据是PDB的核心，三个浮点数定义了原子在三维空间的位置。单位都是埃（Å），1Å = 0.1纳米。做数据处理时，我见过最多的问题就是单位搞混了——有人把坐标当纳米处理，计算出来的键长全是错的。

占据率这个字段，新手容易忽略。它表示这个原子在晶体里的“出现概率”。理想情况下是1.00，但侧链柔性大的残基，或者配体结合不明确的地方，可能会出现0.50甚至更低。我个人习惯，做能量计算前会把占据率低于0.50的原子去掉，否则结果偏差很大。

温度因子（也叫B因子）更有意思。它反映的是原子的运动幅度。B因子越大，原子越“抖”。我曾经帮一个课题组清理数据，他们发现某个活性位点的配体B因子特别高——后来证明那个配体根本没结合好，是晶体打包时硬塞进去的。

1.4 注解字段：藏在文件里的“剧情简介”

PDB文件不只是原子坐标。文件头部的HEADER、TITLE、COMPND、SOURCE这些注解字段，记录了实验信息、分子来源、功能描述。做数据清洗时，千万别忽略它们。

举个真实的例子。有一次我批量处理冗余的PDB结构，发现两条记录一个标的是“人胰岛素”，另一个标的是“猪胰岛素”，但坐标对得严丝合缝。查了SOURCE记录才知道：后者虽然标的猪，但表达系统是人源细胞，测出来构象一模一样。如果光对坐标，我会直接删掉一个，就漏掉这条重要信息了。

几个常用的注解字段：

• HEADER：分子类型，比如HORMONE、TRANSPORT PROTEIN
• TITLE：实验的简短描述，常包含突变信息和配体信息
• COMPND：分子名称，包括链的命名
• SOURCE：表达系统，对理解翻译后修饰很重要
• KEYWDS：关键词，方便检索和分类
• REMARK 2：分辨率信息，这是质量评价的第一道门槛

1.5 PDB格式的两大“坑”

讲了这么多好的，也得说说坑。我花了至少两个月才彻底搞明白这两个问题：

1.6 知识结构总览

在你开始实战解析前，先看看PDB格式的整体骨架。下面这张图总结了我们刚才讲的核心内容：

1.7 实战准备：用Python读一行PDB

理论讲完，还是得动手。这是我写的第一版PDB解析函数的简化版，留给你当模板：

def parse_atom_line(line):
    """
    解析单行ATOM/HETATM记录
    返回字典，失败返回None
    """
    # 检查记录类型
    rec_type = line[0:6].strip()
    if rec_type not in ("ATOM", "HETATM"):
        return None

    record = {
        "type": rec_type,
        "serial": int(line[6:11].strip()),
        "name": line[12:16].strip(),
        "alt_loc": line[16:17].strip(),
        "res_name": line[17:20].strip(),
        "chain": line[21:22].strip(),
        "res_seq": int(line[22:26].strip()),
        "i_code": line[26:27].strip(),
        "x": float(line[30:38].strip()),
        "y": float(line[38:46].strip()),
        "z": float(line[46:54].strip()),
        "occupancy": float(line[54:60].strip()),
        "b_factor": float(line[60:66].strip()),
        "element": line[76:78].strip()
    }
    return record

注意，我这里用的全是固定列宽截取。你可以自己试试，如果换成line.split()，原子名为" CA"时split的结果会多一个空串，这个bug能让你debug到怀疑人生。

好了，PDB文件的基本骨架你已经摸清了。下一阶段我们会深入到格式变种和异常处理——相信我，PDB文件里的“妖怪”比你想象的多。