📚 课程目录第2章 PDB文件下载与数据库

PDB 文件下载与数据库：你的结构数据从哪里来？

搞结构生物学，第一步就是拿数据。PDB 文件不会自己跑到你硬盘里，你得知道去哪找、怎么拿、怎么批量拿。

我个人刚开始做这方面工作时，最大的坑就是：花了一周分析一个蛋白，最后发现下载的 PDB 文件版本不对。嗯，这种痛，经历过一次就够了。

2.1 RCSB PDB 数据库：结构生物学的大本营

全球最权威的蛋白质结构数据库，就是 RCSB PDB。它托管着所有实验测定的蛋白质、核酸和复合物的三维结构。

说白了，这就是结构生物学家的 GitHub。所有公开发表的结构，都得往这里存一份。

核心信息：

PDB ID：每个结构唯一的 4 位字母数字码，比如 1CRN、4HHB。
存储内容：原子坐标、键连信息、晶体学参数、实验条件、参考文献。
更新频率：每周都有新结构入库。

我建议：刚开始做项目时，先花半小时在 RCSB PDB 首页搜索一下，看看你想研究的蛋白家族有多少已知结构。这能帮你判断后面工作的可行性。

2.2 下载方式：不止一种打开方式

获取 PDB 文件的方式很多，我按常用度排个序，你直接对号入座。

方式	适用场景	命令行/代码示例
1. 浏览器手动下载	单个文件，新手入门	搜索 PDB ID → 点 Download
2. wget/curl 直接下载	少量文件，Linux 环境	`wget https://files.rcsb.org/download/1CRN.pdb`
3. FTP 批量拉取	成百上千个文件	`ftp ftp://ftp.wwpdb.org/pub/pdb/data/structures/divided/pdb/`
4. Python API（Bio.PDB）	自动化流程、集成到脚本	见下方代码

记住这个 URL 模板：https://files.rcsb.org/download/{PDB_ID}.pdb

把 {PDB_ID} 换成你想要的 4 位 ID，直接下载。这是最常用的单文件下载方式。

2.3 批处理：用脚本解放双手

你想想，如果要对几百个蛋白做结构分析，一个一个下载？那得下到猴年马月。

批处理的核心思路：用循环 + 自动下载工具。我推荐两种主要方式。

2.3.1 方式一：纯 Shell 脚本

适合 Linux/Mac 用户，简单直接。

#!/bin/bash
# 从文件读取 PDB ID 列表，逐个下载
while read pdb_id; do
    wget -q "https://files.rcsb.org/download/${pdb_id}.pdb"
    echo "Downloaded: ${pdb_id}.pdb"
    sleep 1  # 礼貌起见，等 1 秒
done < pdb_ids.txt

把你要下载的 ID 每行一个写在 pdb_ids.txt 里就行。

2.3.2 方式二：Python 脚本（我强烈推荐）

做特征提取的时候，你迟早要用 Python。不如一开始就养成好习惯。

import urllib.request
import time

def download_pdb(pdb_id, output_dir='.'):
    url = f'https://files.rcsb.org/download/{pdb_id}.pdb'
    filename = f'{output_dir}/{pdb_id}.pdb'
    
    try:
        urllib.request.urlretrieve(url, filename)
        print(f"✅ {pdb_id} 下载成功")
    except Exception as e:
        print(f"❌ {pdb_id} 下载失败：{e}")
    
    time.sleep(0.5)  # 防止请求过频

# 批处理
pdb_list = ['1CRN', '4HHB', '1BNA']
for pid in pdb_list:
    download_pdb(pid)

我曾经遇到过：一口气下载几千个文件，被 RCSB 服务器封 IP 了。原因是没加延时，触发了反爬机制。

解决办法：每次请求间隔至少 0.5 秒。保持礼貌，对服务器好一点。

2.4 知识图谱：这一章的核心逻辑

下面这张图，概括了 PDB 文件从数据库到我们工作区的完整路径。

我的个人习惯：对于日常研究，我永远首选 Python 脚本下载。原因很简单——下载完直接可以接着解析、提取特征，不用切换工具。一条龙，舒服。

2.5 避坑指南：我曾经踩过的雷

最后，分享几个我用真金白银换来的教训。

文件格式问题：有些旧结构是 .ent 格式，不是 .pdb。下载时注意后缀名。URL 把 .pdb 改成 .ent 也能下。
压缩文件：PDB 文件是纯文本，但 FTP 上有 .pdb.gz 压缩包。下载后记得解压，不然解析不了。
网络波动：批量下载几百个文件，中间断了怎么办？我建议脚本里加个重试机制，失败了自动重试 3 次。

# 带重试的下载函数（Python 片段）
import urllib.request
import time

def download_with_retry(pdb_id, retries=3):
    for i in range(retries):
        try:
            url = f'https://files.rcsb.org/download/{pdb_id}.pdb'
            urllib.request.urlretrieve(url, f'{pdb_id}.pdb')
            return True
        except:
            print(f"重试 {i+1}/{retries}...")
            time.sleep(2)
    return False

好了，有了这些工具和技巧，PDB 文件你要多少有多少。接下来，我们就可以真正开始动手解析这些文件了。