使用Biopython读取PDB文件：Parser类，获取模型、链、残基、原子

PDB 文件就是个文本仓库。里面装着晶体学或 NMR 解出来的原子坐标，还有一堆附加信息。但真正干活时，谁也不会手撕文本。Biopython 的 Bio.PDB 模块封装好了，直接用就是。

我个人习惯先建一个解析器对象，再调用它的 get_structure 方法。代码就几行，背后替你处理了 ATOM、HETATM、MODEL 等各种记录。嗯，这里的关键是搞清楚它返回什么——一个 Structure 对象，里面嵌套着 Model、Chain、Residue、Atom 这四层。

PDBParser 的基本用法

先导入，再实例化。注意那个 PERMISSIVE=1 参数，我之前在项目中遇到过一个结构文件有点不规范，不加这个直接报错。你想想看，解析器默认检查很严格，开一档宽松模式，能跳过很多非致命的格式问题。

from Bio.PDB import PDBParser

parser = PDBParser(PERMISSIVE=1)
structure = parser.get_structure("1ake", "1ake.pdb")

这里第一个参数是你的项目命名，随便给；第二个参数是文件路径。返回的 structure 就是一个 Structure 对象。

逐层获取：从 Structure 到 Atom

结构层级的递进关系，说白了就是：一个结构可以包含多个模型（NMR 结构常有多个），每个模型有多条链，每条链上有若干残基，每个残基由一堆原子组成。怎么拿？看代码：

# 获取第一个模型
model = structure[0]

# 获取一条链，比如链 A
chain = model['A']

# 获取第 100 号残基（通常是氨基酸序号）
residue = chain[(' ', 100, ' ')]

# 获取残基中的 CA 原子
atom = residue['CA']

注意残基的索引是一个三元组：(异原子标志, 残基序号, 插入码)。异原子标志通常是空格，对于水分子是 'W'，对于其他配体是 'H_'。插入码也很烦，当年我解析 1BRS 结构时就遇到了第 42 号残基有插入码 'A'，如果不传它，直接报 KeyError。

完整实战示例：遍历整条链并打印

我一般写一个循环，把结构里的信息全部 dump 出来，检查一下数据质量。下面是个通用模板：

for model in structure:
    print(f"Model ID: {model.get_id()}")
    for chain in model:
        print(f"  Chain: {chain.get_id()}")
        for residue in chain:
            resname = residue.get_resname()
            resid = residue.get_id()[1]
            print(f"    Residue: {resname} {resid}")
            for atom in residue:
                aname = atom.get_name()
                coord = atom.get_coord()
                print(f"      Atom: {aname} -> {coord}")

这个循环能帮你快速看清数据里到底有什么。曾经有个项目，配体以 HETATM 形式存着，残基名是 'LIG'，我刚开始没注意到，直接按常规氨基酸处理，结果坐标全乱套。后来在第一层 for 循环里加了个判断，看清了异原子标志，问题就解决了。

避坑指南：那些容易踩的雷

• 残基索引的三元组。 我当时在批量处理 1000+ PDB 文件时，发现某些文件返回的残基标号对不上。调查后发现是插入码不一致。解法是永远用 residue.get_id() 来获取完整标识，别硬编码。
• 交替位置（altloc）。 有时候同一个位置有多个备选原子坐标（如 'A' 和 'B'）。默认情况下 Biopython 只保留第一个。如果你需要所有选项，得用 get_list() 手动处理。
• 水分子。 残基名 'HOH' 或者 'WAT'，你可以用 residue.get_resname() 排掉。我习惯在遍历残基时加一句 if residue.get_resname() == 'HOH': continue。
• 链 ID 重复。 某些老旧 PDB 文件里链 ID 是不连续的，甚至可能包含空格或特殊字符。直接 model['A'] 可能不存在，换成 model.child_list 更稳妥。

PDBParser vs MMCIFParser

现在很多数据库开始用 mmCIF 格式替代 PDB。Biopython 也支持，用法几乎一样，只是导入类不同。我把它俩对比一下：

我个人建议：如果手里是 .pdb 就无脑用 PDBParser；如果下载的是 .cif，就用 MMCIFParser。别混用，否则会报解析错误。

一张图理解整个解析流程

下面这张 SVG 画的就是从 PDB 文件到原子的四层结构。我平时写解析脚本时，脑子里先过一遍这个图，层级关系就清晰了。

有了这个层级结构，你再写解析脚本就不会迷路。我每次接到新的 PDB 文件，第一步就是跑一遍这个遍历循环，确认模型编号、链名、残基编号有没有异常。这叫“摸清底数”。

总结一下关键点

• PDBParser 是主力，配合 PERMISSIVE=1 减少报错。
• Structure 用序号索引，Chain 用字母索引，Residue 用三元组索引，Atom 用名字索引。
• 三元组的第二个元素是残基编号，第三个是插入码（常为空字符），别忽略。
• 遍历时考虑 HETATM 和 water，根据需求取舍。
• 遇到 mmCIF 格式，换 MMCIFParser，操作方式几乎一致。

做好这些预处理，后续的分子对接、可视化、特征提取才能稳稳地跑起来。嗯，下回我们再聊怎么把残基坐标变成特征向量。