2. PDB 数据库下载与批量获取蛋白质-配体复合物结构

做结构数据清洗，第一步总得先搞到数据吧？

PDB 数据库是这行的老本营。几乎所有人都在用，但你想想看，每次手动去网页上一个一个点下载，碰上几百个结构怎么弄？

我刚开始做虚拟筛选时，就吃过这个亏。一个项目涉及 50 多个激酶结构，我手动下了整整两天，眼睛都快瞎了。后来发现，其实只要把流程梳理清楚，批量获取完全可以脚本化。

这一章，我把完整套路拆给你看。

2.1 PDB 数据库简介与访问方式

PDB（Protein Data Bank）目前由 wwPDB 联合管理，主站点在 rcsb.org。存储了超过 20 万个实验解析的生物大分子结构，包括 X 射线、冷冻电镜和核磁共振数据。

我个人习惯的访问方式有这几种：

  • 网页交互搜索：适合查几个结构，快速预览。
  • RESTful API：通过 URL 直接查询和下载，适合写脚本。
  • FTP 批量镜像：整个数据库定期同步，适合搭建内部库。
  • Python 库：比如 Biopython、pypdb，封装了 API 调用。

做批量获取，我基本只用后面三种。尤其是 API，写个循环就能解决大部分问题。

2.2 理解 RCSB 的高级搜索与表格

RCSB 的高级搜索支持布尔逻辑、属性过滤、序列相似性匹配等。

比如你要找所有含 ATP 类似物的激酶结构，就可以用这样的查询条件：

Query:
- 实验方法: X-RAY DIFFRACTION
- 分辨率: ≤ 2.5 Å
- 配体 ID: ATP (或类似物如 ANP)
- 链类型: Protein
- 来源: Homo sapiens

搜索结果展示为表格，但我建议你直接导出为 CSV。为什么？因为后续批量处理需要结构列表，吃 CSV 最省事。

我曾经有个项目需要批量处理 1200 个 GPCR 结构。如果手动点开每一个 PDB 页面去人工甄别，至少需要一整天。后来我写了段脚本，直接从 CSV 读取 PDB ID，五分钟搞定下载和初步过滤。这才是效率。

导出的 CSV 通常包含这些核心字段，你心里要有数：

字段名 说明 是否必备
structureId 4 位 PDB ID 是
title 结构标题 参考
resolution 分辨率 (Å) 强烈建议
depositionDate 提交日期 否
ligandIds 配体 ID 列表 是
experimentalMethod 实验方法 参考
我的小技巧： 导出 CSV 后，先用 Excel 或 Python 快速筛一遍分辨率 (< 3.0 Å) 和配体完整性，筛完再下载。省带宽，省时间。

2.3 批量下载方法：三种主流方式对比

说到批量下载，方法其实就那么几种。我按实际使用频率排序给你列出来。

2.3.1 方式一：使用 wget 直接拉取 (最常用)

PDB 提供了固定的 URL 结构，只要你有 ID 列表，一个循环就能搞定。

我个人用 wget 比较多，稳定且容易控制重试。核心命令是这样：

# 单个结构下载示例
wget https://files.rcsb.org/download/4HHB.pdb.gz

# 批量下载：从 id_list.txt 读取每个 ID
while read pdb_id; do
    wget https://files.rcsb.org/download/${pdb_id}.pdb.gz
    sleep 0.5  # 避免请求过快被封
done < id_list.txt

下载下来的 .pdb.gz 压缩包，可以统一解压：

gunzip *.pdb.gz

2.3.2 方式二：使用 Python 的 requests + Biopython

这种方式更灵活，适合需要下载后立刻做初步解析的场景。

import requests
from Bio import PDB

pdb_ids = ['4HHB', '1AKE', '2CPK']
base_url = "https://files.rcsb.org/download/"

for pid in pdb_ids:
    url = f"{base_url}{pid}.pdb"
    response = requests.get(url, timeout=30)
    if response.status_code == 200:
        with open(f"{pid}.pdb", 'w') as f:
            f.write(response.text)
        print(f"{pid} 下载成功")
    else:
        print(f"{pid} 下载失败，状态码 {response.status_code}")
我曾经踩过的坑： 大批量并发请求容易被 RCSB 封 IP。建议每次请求间隔至少 0.3 秒，或者使用官方提供的批量下载接口。300 个以上的请求，分批次执行。

2.3.3 方式三：FTP 镜像（适合建本地库）

如果你在机构内部要用到大量结构数据，可以直接 rsync 整个 PDB 镜像。官方提供匿名 FTP 服务。

# 同步 PDB 格式的完整归档（数据量较大，约 100GB+）
rsync -rlpt -v -z --delete \
    rsync.rcsb.org::ftp_data/structures/divided/pdb/ \
    /local/pdb_mirror/pdb/

同步后的目录结构是按 PDB ID 的中间两位分目录的，比如 4HHB 放在 /pdb/hh/ 下。这一套我之前在实验室搭过一次，后续做分子对接时就不用每次都联网下载了。

2.4 数据校验：下载完了不等于能用

批量下载最怕什么？

最怕下载到一半网络断了，或者文件损坏了你没发现。

我在这里提供几个快速校验的方法。

  • 检查文件大小：正常 PDB 文件通常在几百 KB 到数 MB 之间。如果下载下来只有几 KB，基本是坏文件。
  • 检查文件头部：用 `head -1` 看第一行是否以 `HEADER` 开头。
  • 检查原子记录数：用 Python 统计 ATOM 和 HETATM 行数。

一个简单的校验脚本：

import os

def validate_pdb(filepath):
    """快速检查 PDB 文件是否完整"""
    with open(filepath, 'r') as f:
        lines = f.readlines()
    header = lines[0].startswith('HEADER')
    has_atoms = any(line.startswith(('ATOM', 'HETATM')) for line in lines)
    end = any(line.startswith('END') for line in lines)
    return header and has_atoms and end

# 批量检查
pdb_dir = "./downloaded_pdbs/"
for fname in os.listdir(pdb_dir):
    if fname.endswith(".pdb"):
        valid = validate_pdb(os.path.join(pdb_dir, fname))
        if not valid:
            print(f"损坏文件: {fname}")

2.5 配体信息的初步提取与筛选

下载完结构，你得确认这个结构里到底有没有配体。不是所有结构都含小分子配体。

我最常用的方法是直接从 PDB 文件中抓取 HETATM 记录。配体通常由 3 字母的 HET ID 标识，比如 ATP、STI、IMD。

# 提取某个 PDB 文件中的配体 ID
grep "^HETATM" 4HHB.pdb | awk '{print $4}' | sort -u

如果想用 Python 做个系统化的预筛选，可以这样：

def extract_ligands(pdb_file):
    """从 PDB 文件中提取所有配体 ID"""
    ligands = set()
    with open(pdb_file, 'r') as f:
        for line in f:
            if line.startswith("HETATM"):
                het_id = line[17:20].strip()
                # 排除水分子和常见离子
                if het_id not in ['HOH', 'NA', 'CL', 'MG', 'ZN', 'CA']:
                    ligands.add(het_id)
    return ligands

# 示例调用
print(extract_ligands("4HHB.pdb"))
注意： 配体 ID 的大小写是敏感的。ATP 和 atp 在 PDB 标准里是两个不同的东西。另外，有些配体虽然是 HETATM，但其实是共价修饰或缓冲液成分，这部分在后续预处理中需要额外处理。

2.6 本章知识体系总览

下面这张图总结了从“检索目标”到“确认可用结构”的核心流程。我习惯把预处理前的下载阶段叫做“数据狩猎期”，这个阶段目标只有一个：拿到正确且完整的结构性文件。后面再谈清洗和分析。

批量获取蛋白质-配体复合物结构流程图 确定检索目标 RCSB 高级搜索 导出 CSV 列表 批量下载 (wget/API) 数据校验 配体信息提取 该阶段只负责拿数据，不做结构优化

2.7 常见问题与避坑指南

我总结了一下自己这些年踩过的坑，给你列出来。嗯，都是真金白银换来的。

坑一：下载不完整
我曾经有一次在服务器后台跑批量下载，第二天回来发现网络断了，只下了一半。从此我养成了一个习惯：每个下载脚本后都加文件大小校验。小于 100 KB 的直接标记重下。
坑二：配体 ID 混淆
同一个配体在不同 PDB 里可能用不同 ID。比如 ATP 类似物，有时候叫 ANP，有时候叫 ACP。如果你只搜索 ATP，可能会漏掉大量有效结构。建议用 KEGG 或者 ChEBI 把相似配体 ID 都列出来。
坑三：镜像是老版本
搭建 FTP 镜像时要注意同步频率。如果我用的是每周同步的数据，那么本周新发布的结构就下载不到。对于时效性要求高的项目，建议直接从 API 获取。

说到底，批量获取蛋白质-配体结构并不是什么高深的技术。只要你把规则定好，校验做足，整个流程完全可以自动化。我自己的工具箱里，常年保留着几套下载脚本和校验函数，换项目时只要改一改 PDB ID 列表就能复用。

← 上一章 📖 返回目录 下一章 →