PDB 文件格式入门

PDB，全称 Protein Data Bank，是结构生物学的"普通话"。你想想看，全球所有实验室解析出来的蛋白质、核酸、复合物结构，最后都得用这个格式存起来。我个人习惯把 PDB 称为"结构界的 FASTA"——简单、通用、但坑也不少。

这门课第一节，咱们先把 PDB 的来龙去脉摸清楚。从哪来、到哪去、怎么下载，聊明白再说后续处理的事。

1.1 为什么要有 PDB 格式？——一点历史

上世纪 70 年代初，晶体学刚起步，几个实验室各自用自己定义的格式存坐标。结果想对比两个结构？对不起，先写个脚本转格式。太折腾了。
1971 年，美国 Brookhaven 国家实验室牵头，建立了 Protein Data Bank。同时定义了一套统一的坐标文件格式——就是现在说的 PDB 格式。我翻过当年最早的 PDB 文件，只有几十个原子坐标，注释也比现在少得多。

现在 PDB 里存了 20 多万个结构，每年新增约 1.5 万。你想想看，要是没这个统一格式，咱们做结构数据处理得多痛苦。

1.2 PDB 文件里到底写了什么？

PDB 文件是纯文本，每行 80 个字符。为什么是 80？因为当年打孔纸带和早期终端就一行 80 列。我一直觉得这个历史包袱很有趣——到现在我们还在用 80 列当标准。

文件内容按 记录类型 组织，每行开头 6 个字符标识这一行是干啥的。举个例子：

HEADER    HYDROLASE                               22-JAN-98   1BTL
TITLE     X-RAY STRUCTURE OF SUBTILISIN BPN' ...
COMPND    MOL_ID: 1;
          MOLECULE: SUBTILISIN BPN';
ATOM      1  N   ALA A   1      11.274  28.635   7.769  1.00 15.80           N
ATOM      2  CA  ALA A   1      12.244  27.561   7.467  1.00 15.00           C
TER       3      ALA A   1
HETATM 1234  O   HOH A 200       5.123  10.456  12.789  1.00 20.00           O
END

常用的记录类型我列在下面，方便你查询：

记录类型	作用	备注
HEADER	分子类型、沉积日期、PDB ID	每个文件只有一行
TITLE	结构标题	可能有多行
COMPND	化合物/分子描述	解析对象信息
ATOM	标准氨基酸/核苷酸原子坐标	核心数据
HETATM	非标准原子（配体、溶剂等）	格式与 ATOM 相同
TER	链终止标记	每条链末尾
CONECT	连接性信息	非标准键
SSBOND	二硫键	—
REMARK	实验注释、精修统计等	最长的部分
END	文件结尾	—

1.3 PDB 数据都从哪来？——四大站点与镜像

现在全球有四个指定站点，构成 wwPDB（Worldwide Protein Data Bank）联盟。数据每天同步，你从哪个下都一样。但我建议用离自己近的，下载快。

站点	URL（示例）	所在地区
RCSB PDB	https://www.rcsb.org/	美国
PDBe	https://www.ebi.ac.uk/pdbe/	欧洲（英国）
PDBj	https://pdbj.org/	日本
BMRB	https://bmrb.io/	美国（NMR 数据为主）

实际工作中你还会遇到一些特殊数据来源：

• 本地 PDB 镜像：有些机构内部有 rsync 镜像，比如我们实验室就用一台服务器每夜同步 PDB 全部数据。
• 预编译数据集：比如 SCOP、CATH、Dali 等数据库会提供筛选后的 PDB 列表。
• AlphaFold 结构库：虽然格式是 mmCIF，但很多工具也支持转成 PDB。

1.4 怎么下载 PDB 文件？——条条大路通罗马

嗯，这里要注意。新手最常犯的错误是——在浏览器里一个一个点下载。几百个结构？点到手抽筋。下面我列出最常用的几种方式。

1.4.1 网页下载（适合单文件）

去 RCSB 搜索 PDB ID，点 Download → PDB Format。比如 1BTL：

https://files.rcsb.org/download/1BTL.pdb

1.4.2 批量下载用 wget / curl

假设你有 10 个 PDB ID 列表 ids.txt：

while read pdb; do
    wget "https://files.rcsb.org/download/${pdb}.pdb"
done < ids.txt

1.4.3 利用 FTP 或 rsync 整库同步

如果你要下载整个 PDB 的一周更新量，或者建立本地镜像，用 rsync 最稳：

rsync -avz --delete \
    rsync.rcsb.org::ftp_data/structures/divided/pdb/ \
    /data/pdb/

PDB 把文件按 PDB ID 中间两位分了子目录，比如 bt/ 下面有 pdb1btl.ent.gz。注意压缩格式和命名风格。

1.4.4 通过 Python 库 biopython / pypdb

在我看来，写脚本用 biopython 最舒服。一行代码搞定：

from Bio.PDB import PDBList
pdbl = PDBList()
pdbl.retrieve_pdb_file("1BTL", pdir=".", file_format="pdb")

这段会下载 1btl.pdb 到当前目录。biopython 还支持 mmCIF、PDBML 格式。我建议日常用这个，出错自动重试。

1.5 知识结构总览

下面这张图整理了本章的核心脉络。你可以用它当一张记忆地图：