📚 课程目录第1章 PDB与SDF文件格式概述

PDB 与 SDF 文件格式概述

做计算化学或结构生物学的人，天天都得跟这两种文件打交道。PDB 和 SDF，说白了就是装分子信息的“容器”。但哪个容器装什么、怎么装，坑不少。我最早接触 PDB 文件时，被它那套历史遗留格式折腾得不轻。今天咱们就先把这俩格式的底牌翻出来看看。

PDB 格式：一个老牌选手的前世今生

PDB 全称叫 Protein Data Bank，它既是一个数据库，也是一种文件格式。1971 年诞生，那时 ASCII 编码还是主流。说白了，它就是个固定宽度的文本文件，每一行 80 个字符，连列宽都是死规矩。

为什么会这样？因为当年打孔卡片就是 80 列。嗯，这格式一直用到现在。

核心原则：PDB 格式以原子为单位，每个原子占用固定列位。列错了，读出来的坐标就对不上。

文件里最常见的记录类型有这些：

记录类型	说明
HEADER	文件头部，包含分子类型和日期
ATOM	标准氨基酸原子、水分子坐标
HETATM	非标准残基、配体、修饰原子
CONECT	明确的原子连接关系
END	文件结束标志

一个典型的 ATOM 记录长这样：

ATOM     32  CA  ALA A   5      11.261   6.702  10.318  1.00 12.93           C

每个字符范围都有严格定义。比如原子名“CA”，必须从第 13 列开始。如果写歪了一个空格，Parser 就会读错。我之前在项目里遇到过一批第三方转换的 PDB 文件，所有坐标列都偏移了一列。调 bug 调了一整天，最后发现是序列号里多了一个空格。从那以后，我拿到 PDB 文件第一件事就是做格式校验。

PDB 的结构数据：不仅仅是坐标

PDB 文件不止存 xyz 坐标。它还记录了：

残基序列：整条链的氨基酸顺序
二级结构：alpha 螺旋、beta 折叠的指派
晶体学数据：空间群、分辨率、R 因子
注释信息：配体结合位点、突变信息

解析时有个难点：多构象和多链。同一个残基可能存了 2 套坐标，用 A/B 标注。你想想看，如果无脑写代码，把所有原子都当成独立的，那分子拓扑就全乱了。

我的习惯：用 biopython 的 PDBParser 做解析。够稳，对多构象处理也好。

from Bio.PDB import PDBParser

parser = PDBParser(QUIET=True)                # QUIET=True 关掉冗余警告
structure = parser.get_structure("example", "1ubq.pdb")
for model in structure:
    for chain in model:
        for residue in chain:
            for atom in residue:
                print(atom.get_id(), atom.get_vector())

SDF 格式：小分子的“万能工”

SDF，全称 Structure-Data File。它比 PDB 年轻一点，是 MDL 在 1980 年代推出来的。设计目标很明确——存小分子结构 + 任意自定义属性。

格式分三段：

头块：分子名，程序信息
原子块 + 键块：坐标、原子类型、键连接
数据块：键值对形式的属性，以 > 开头

一个典型的 SDF 结构如下：

mol_123
  ChemOffice 20.0

 20 22  0  0  0  0  0  0  0  0
    1.2345   2.3456   3.4567 C   0  0  0  0  0  0
    2.3456   3.4567   4.5678 N   0  0  0  0  0  0
    ...
  1  2  1  0  0  0
  2  3  2  0  0  0
  ...
M  END
> <LogP>
2.34

> <MW>
180.16

$$$$

看到那个 $$$$ 了吗？那是记录分隔符。一个 SDF 文件可以包含几万个小分子，每个用 $$$$ 隔开。做虚拟筛选时，经常一个文件就上百 MB。

我曾经踩过的坑：某些 SDF 文件里坐标用的整数，是缩放过的。读的时候要检查 V2000 还是 V3000 格式。V3000 用了 M 后缀，语法完全不同。

各自的长处与短板

两个格式各有侧重。我列个表格对比一下：

维度	PDB	SDF
适用范围	蛋白质、核酸、大分子复合物	小分子、配体、有机化合物
结构精度	实验测定，0.1 Å 级	计算模型，精度依情况而定
属性扩展	差，只能通过 REMARK 行自己加	好，数据块支持任意键值
多分子支持	通常一文件一个结构	天然支持多个记录
标准解析	规则	偶有歧义，尤其是 V3000

PDB 的优势在于标准统一，全世界共用。但缺点是扩展性差。想加个自定义属性？只能写在 REMARK 行里，随便写，谁写谁读，没人管格式。

SDF 的优势恰恰是灵活。LogP、MW、SMILES、活性数据，全可以塞进数据块。但问题也出在这——一家一个写法，有的字段名大小写不统一，有的值是字符串有的又是浮点。解析时得很小心。

我个人建议，做蛋白-配体对接时，蛋白用 PDB，配体用 SDF。但配体坐标要转成 PDB 格式才能一起输入到 Docking 软件里。这就是预处理的工作了。你想想看，如果配体 SDF 里的原子类型写的是“C.ar”（芳香碳），某些对接程序不认识它，直接当成未知原子类型报错。

# 快速检查 SDF 中的原子类型
from rdkit import Chem

suppl = Chem.SDMolSupplier("ligands.sdf")
for mol in suppl:
    if mol is None:
        continue
    for atom in mol.GetAtoms():
        print(atom.GetSymbol(), atom.GetIsAromatic())

一句话总结：PDB 是“老派但靠谱”的大分子容器，SDF 是“灵活略粗糙”的小分子容器。预处理的关键，就是在这两个格式之间搭好桥。