📚 课程目录第3章 PDB文件格式解析

3. PDB文件格式解析：原子记录、残基链标识与六列坐标系统

PDB文件，说白了就是蛋白质结构的“通用语言”。无论是X-ray、NMR还是冷冻电镜解析出来的结构，最后都会被记录成这种固定格式的纯文本文件。我这些年清洗过的PDB文件少说也有几万套，发现大多数人栽的坑，往往就是没搞懂那几行原子记录是怎么写的。

本章咱们就把PDB文件的原子记录这块彻底掰开揉碎。你理解了ATOM行和HETATM行，就等于拿到了结构清洗的入场券。

3.1 ATOM与HETATM：两条核心记录行

PDB文件里最重要的，就是ATOM和HETATM开头的行。ATOM记录蛋白质自身的原子，HETATM记录配体、水分子、金属离子等“额外”原子。两者格式完全一样，靠这么一个小区别就把“蛋白质”和“配体”分开了。

一个关键经验：有些工具会严格按照ATOM/HETATM来区分蛋白和配体。如果你把配体放进了ATOM记录，或者把蛋白质残基写成了HETATM，对接的时候直接报错。别问我怎么知道的，我被这个问题坑过不止一次。

咱们来看看标准的记录格式。每条原子记录占一整行，80个字符，字段固定。下面这个例子展示了两条典型的原子行：

ATOM     12  N   ALA A   1      11.265  14.431   6.995  1.00  0.00           N
HETATM   34  C1  LIG B   1      15.342  22.178   9.883  1.00  0.00           C

这两行虽然只占了整行的一小部分，但里面藏了十几个字段。我把这些字段拆开介绍一下：

列位置	字段	说明	长度/格式
1-6	记录类型	ATOM或HETATM，右对齐，我习惯用格式化输出补足空格	字符6
7-11	原子序号	从1开始顺序编号，不建议用这个做原子标识，因为清洗后可能乱	整数5
13-16	原子名称	标准氨基酸用IUPAC命名（如CA、CB、N、O），配体常用PDB自定义名	字符4，左对齐
17	备选位置	默认空格或'.'；多构象时标'A','B'等。我建议清洗时保留主构象	字符1
18-20	残基名称	三字母编码，如ALA、LIG、HOH	字符3，右对齐
22	链标识	单字符链ID，如A、B，空格表示单链	字符1
23-26	残基编号	整数，支持负号	整数4
27	插入码	处理残基插入时的标记，如'A'	字符1
31-54	X Y Z坐标	正交坐标，单位埃	每个浮点8.3
55-60	占有率	通常1.00，不全占时小于1	浮点6.2
61-66	温度因子	B因子，单位Å²	浮点6.2
73-80	元素符号	右对齐，如C、N、O、S、Fe	字符2，可选

你注意看第12列和第21列，这两列是 固定的空格。我见过不少人写代码解析PDB时没处理好这些空格的偏移，导致原子名称和残基名称读成了一坨。嗯，解析PDB最好用结构化库，比如BioPython，别自己写切片，容易翻车。

3.1.1 备选位置的处理

备选位置字段（第17列）是个容易忽略但非常关键的细节。高分辨率的结构里，部分残基会有两种甚至三种构象。PDB文件会用同一个原子序号、不同的备选位置字母来记录这些构象。

一个我曾经踩过的坑：我曾经处理一套2.0Å的结构，没注意备选位置字段。结果一个残基出现了两个CA原子，坐标还差1.5Å。对接的时候能量死活不对，因为蛋白内部出现了“原子打架”。后来加了一步备选位置过滤，默认只保留A构象，问题解决。

3.2 链标识与残基编号：别搞混了这些标识

链标识（Chain ID）是个单字符，用来区分蛋白复合物中的不同链。比如抗体-抗原复合物，可能重链是H、轻链是L、抗原是A。残基编号则是链内的顺序号。

我建议你在清洗流程里，一定要把 链标识 + 残基编号 + 插入码 三者联合作为残基的唯一键。只看残基编号是不安全的，因为不同的链可能有相同的编号。

下面这张表汇总了常见的标识符和它们的作用：

标识符	所在位置	作用说明	处理建议
链标识	第22列	区分不同多肽链	保留原始链ID，清洗时不要随意重命名
残基编号	第23-26列	链内顺序编号，可能为负（如配体）	允许负号，解析时注意整数转换
插入码	第27列	表示插入残基	序列结构对齐时需展开为序列间隙
原子名称	第13-16列	原子类型和位置（如CA是Cα）	清洗时推荐映射为标准IUPAC名称
备选位置	第17列	多构象标记	默认保留备选位置A，丢弃其余

一个小技巧：手写脚本解析时，我习惯把链标识和残基编号拼接成一个字符串作为键，比如"A_123"。这样既能保证唯一性，又方便调试时定位问题。pandas里用这个键做groupby，能直接统计每个残基的原子数量，快速发现异常。

3.3 六列坐标系统：真相都在这些数字里

PDB里最核心的数据就是第31到54列的X、Y、Z坐标。三组浮点数，每组占8列，定点格式8.3。什么意思？就是总宽8位，小数部分3位。这决定了PDB坐标的理论精度是0.001Å。

但实际上，我拿到的大部分结构的坐标精度远达不到这个量级。X-ray结构的坐标误差通常在0.1-0.3Å，低温电镜的精度更低。你想想看，用8.3格式去记录本来就不可靠的坐标，有点“过剩包装”的意思。不过规则就是规则，8.3格式带来的好处是：所有原子行对齐，解析简单。

我最早学PDB解析时，曾被这六个数字“骗”过。我之前以为坐标行只包含X、Y、Z就完了，后来才知道，在标准PDB里，这六列之外的52-54列其实并没有定义新的坐标。真正需要我关心的，就是那六个数字。

另外，PDB的坐标系统是 正交坐标，单位是Å。你可能会问：那晶胞里的分数坐标呢？嗯，分数坐标存在CRYST1记录里。如果你做的是晶体结构的对称操作，就需要先用CRYST1里的晶胞参数把正交坐标转成分数坐标，做完变换再转回去。

一个实用原则：清洗时只看正交坐标。除非你要做晶胞扩展或者对称体生成，否则不要碰分数坐标。坐标单位统一用Å，如果遇到其他单位（极少），先做换算。

3.3.1 占有率与B因子

坐标行后面的占有率（occupancy）和温度因子（B-factor）也是清洗时要留意的东西。占有率低于0.5的原子，说白了就是基本“看不见”的原子，我建议删掉。B因子过高的原子（比如超过60），说明这个原子在晶体里飘来飘去，清洗时也可以考虑剃掉。

但这里有个度。有些柔性的loop区域B因子整体偏高，你如果全删了，蛋白结构就断了。我一般保留B因子中位数±2倍标准差范围内的原子，超出范围的标记一下，不直接删除。

3.4 一张图搞懂PDB记录结构

下面这张SVG图，把PDB文件中原子相关的核心结构串联了一下。看完它，你应该能理解记录行、字段偏移和它们之间的关系。

3.5 一些实战中的检查清单

每次拿到一个新的PDB文件，我建议你先走一遍下面的快速检查。能帮你避免后面对接、模拟时出现各种莫名其妙的问题。

检查记录类型：ATOM和HETATM是否分对了？配体是否被错误标记为ATOM？
检查备选位置：有没有多构象？是否只保留了主构象？
检查链标识：链ID是否统一？空链标识是否需要补成'A'？
检查残基编号：有没有异常大的编号（如9999）？有没有负数？
检查坐标范围：坐标值是否在合理区间（通常-50到100Å）？有没有极大值（超过1000Å）？
检查占有率：占有率不全为1时，是否做了取舍？
检查元素符号：第77-78列是否缺失或错误？比如Fe写成了FE。

一个我自己项目里用的小脚本思路：先用Python的BioPython读一遍PDB，然后遍历所有原子，把链标识、残基名、残基编号、备选位置和坐标打印出来看一眼。通常5秒就能定位问题。比如：

from Bio.PDB import PDBParser
parser = PDBParser(QUIET=True)
structure = parser.get_structure("test", "1abc.pdb")
for model in structure:
    for chain in model:
        for residue in chain:
            for atom in residue:
                print(chain.id, residue.get_id(), atom.get_name(), atom.get_vector())

PDB文件格式看起来枯燥，但懂了就是懂了。你只需要记住ATOM/HETATM的行结构、链标识和坐标的偏移位置，后面所有的清洗步骤都是在这个基础上做的。

行，这一讲就到这里。多拿几个PDB文件练练手，拆开看看里面的原子记录，你很快就熟了。