用 BioPython 读取 PDB：安装、读取与遍历

处理 PDB 数据，肯定得有个趁手的工具。
我个人最喜欢的就是 BioPython。
你想想看，一个纯 Python 库，能读能写能分析，生态还特别好。
这一章咱们就把它的 PDB 模块搞熟。

先说个我自己的教训。
早年我做结构预处理时，用的全是手写字符串匹配，每次改格式都头大。
后来换到 BioPython，真的是省心太多。

安装 BioPython

安装这件事，其实简单。
只要你有 Python 环境，一行命令就搞定。

pip install biopython

如果你需要指定版本——我个人习惯用最新稳定版。

pip install biopython==1.83

读取 PDB 文件

BioPython 读取 PDB 文件有两个主要方式：PDBParser 和 MMCIFParser。
先说最常用的 PDBParser。

from Bio.PDB import PDBParser

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

那句 get_structure 后面跟的两个参数：
第一个是 结构ID（你随便起），第二个是 文件路径。

我遇到过一个问题：
如果文件里的链名或残基编号不符合标准，parser 会报错。
这时候可以加一个 PERMISSIVE=True 参数，让它更宽容。

parser = PDBParser(PERMISSIVE=True)

如果你想读 mmCIF 格式，就换成 MMCIFParser。

from Bio.PDB import MMCIFParser

parser = MMCIFParser()
structure = parser.get_structure("1ake", "1ake.cif")

我个人建议：
如果能拿到 mmCIF，优先用 mmCIF。
因为它没有 PDB 格式的 80 列宽度限制，原子信息更完整。

结构对象层级

读懂 BioPython 的结构层级，是后续一切操作的基础。
说白了，BioPython 把 PDB 数据组织成一个树形结构。

• Structure —— 最顶层，代表整个文件。
• Model —— 模型，通常 NMR 结构会有多个。
• Chain —— 链。
• Residue —— 残基。
• Atom —— 原子。

看看代码是怎么体现这个层级的。

# 获取第一个模型
model = structure[0]

# 获取所有链
for chain in model:
    print(f"Chain ID: {chain.id}")

    # 获取链里的所有残基
    for residue in chain:
        print(f"  Residue: {residue.resname} {residue.id[1]}")

        # 获取残基里的所有原子
        for atom in residue:
            print(f"    Atom: {atom.name}, coord: {atom.coord}")

这段代码会把每个原子坐标都打印出来。
我在项目中用过这个逻辑来提取特定残基的侧链原子。

遍历模型与链

大多数 X 射线晶体结构只有一个模型，但 NMR 结构可能有十几个。
这时候你必须遍历所有模型。

for model in structure:
    print(f"Model ID: {model.serial_num}")

    for chain in model:
        print(f"  Chain: {chain.id}")

为什么会这样？
因为 BioPython 的 structure[0] 默认只取第一个模型。
如果你不管 NMR，直接用索引取，会漏掉很多信息。

另外一个坑是我曾经踩过的：
有的 PDB 文件会包含 水分子链，链名叫 W（实际是水）。
你在处理时得判断是否要跳过。

for chain in model:
    # 跳过水分子链
    if chain.id == "W":
        continue
    process_chain(chain)

BioPython 没有内置的 HETATM 区分方法，但你可以通过残基名判断。
常见的水分子残基名：HOH、DOD、WAT。

访问原子与残基属性

每个原子对象都有丰富的属性。
我常用的属性列表：

举个例子：提取所有 Cα 原子的坐标。

ca_atoms = []
for model in structure:
    for chain in model:
        for residue in chain:
            if "CA" in residue:
                ca_atoms.append(residue["CA"].coord)

残基的属性也比较直观。

知识体系图

下面这个 SVG 梳理了本章的核心流程。
用 BioPython 解析 PDB 文件，然后遍历结构层级，提取所需数据。

这个图我就不多解释了。
你们跟着箭头走，就能理解从 PDB 文件到提取原子坐标的完整链路。

最后说一句

BioPython 的 PDB 模块很成熟，但并不意味着无脑用。
我遇到过一次：
某个老旧的 PDB 文件里有非标准残基名，解析直接挂了。
最后还得手写一个补丁来处理它。

所以，永远保留原始文件，永远做格式校验。
这是数据预处理的铁律。