📚 课程目录第4章理解PDB文件格式

理解PDB文件格式

PDB 文件说白了就是蛋白质的“存档”文件。你打开一看，全是固定格式的文本行。我第一次接触时也觉得眼花，但只要搞懂几条核心记录，剩下的都大同小异。

我个人习惯把 PDB 文件分成三个部分：文件头（告诉你这个结构是谁、怎么测的）、原子坐标（核心，每个原子的 xyz 坐标）以及连接和结束信息。下面我们就拆开聊。

PDB 文件整体框架

先看一张图，把 PDB 文件的骨架烙进脑子里。后面讲细节时，你就能知道每段代码该往哪放。

最重要的记录：ATOM

ATOM 记录是整个 PDB 文件的价值所在。它描述蛋白质中每一个“标准氨基酸”的原子坐标和化学信息。

看一个真实的例子，这是 1CRN 结构（一种植物毒素蛋白）中的第一个残基：

ATOM      1  N   THR A   1       6.316  24.238  47.845  1.00 12.44           N  
ATOM      2  CA  THR A   1       7.608  23.623  48.228  1.00 10.32           C  
ATOM      3  C   THR A   1       7.904  23.924  49.693  1.00 15.27           C  
ATOM      4  O   THR A   1       8.105  25.101  50.030  1.00 12.63           O  
ATOM      5  CB  THR A   1       8.722  23.649  47.186  1.00 12.94           C  
ATOM      6  OG1 THR A   1       9.396  24.933  46.975  1.00 15.90           O  
ATOM      7  CG2 THR A   1       8.426  22.719  46.046  1.00 13.45           C

每一列都有明确含义。下表总结了 ATOM 记录的 12 个固定字段：

列号（1-index）	字段名	含义	格式与示例
1-6	Record Name	记录类型标识	`ATOM` （注意末尾两个空格）
7-11	Serial Number	原子在文件中的顺序号	`1` 右对齐，整数
13-16	Atom Name	原子名称（例：N、CA、C、O、CB）	`N` （长度 4，不足右补空格）
17	Alt Loc	可替换构象标识（空格表示无）	或 `A`
18-20	Residue Name	残基名称（三字母码）	`THR`
22	Chain ID	链标识符	`A`
23-26	Residue Number	残基序列号	`1`
27	Code for Insertion	插入残基码（用于非标准序列编号）
31-38	X (Å)	正交坐标 X	`6.316`
39-46	Y (Å)	正交坐标 Y	`24.238`
47-54	Z (Å)	正交坐标 Z	`47.845`
55-60	Occupancy	占有率（通常为 1.00）	`1.00`
61-66	Temp Factor	温度因子（B 值）	`12.44`
77-78	Element	元素符号（右对齐）	`N` 或 `C`
79-80	Charge	形式电荷（极少使用）	或 `2+`

我曾经踩过一个坑：早期版本 PDB 文件的 Atom Name 在列 13-15（长度 3），而非 13-16（长度 4）。如果你解析的是 1990 年代的老结构，比如 1BTL，必须按三字符规则来。我建议解析前先判断 HEADER 记录中的发布年份。

HETATM：与标准残基说再见

HETATM 记录长得跟 ATOM 一模一样——列位置、字段顺序完全相同。唯一的区别是前 6 个字符写着 “HETATM”。

那它用来存什么？说白了，非蛋白质标准组分的原子。比如：

配体（抑制剂、辅因子、金属离子，如 Zn²⁺、ATP）
水分子（HOH 或 H2O）
修饰残基（比如乙酰化的赖氨酸，但有时也被放进 ATOM）

举个例子，一个结合在蛋白活性位点的锌离子：

HETATM 1234 ZN   A 100      12.345  56.789  23.456  1.00  8.50          Zn

我在做药物对接项目时，常需要从 HETATM 中单独提取配体。这时我会先过滤 Record Name，再根据 Residue Name 找出目标配体（比如 1A4G 中的配体叫做 “STU”）。注意：不要把水分子（HOH）也当作配体，除非你明确需要它。

我的习惯：写脚本处理 PDB 文件时，ATOM 和 HETATM 我总是分开处理。前者做结构建模，后者做配体分析——混在一起容易搞乱坐标排序。

CONECT：原子之间的“隐形桥梁”

ATOM 和 HETATM 只告诉你“这里有一个原子，坐标是 xyz”。但你还需要知道谁和谁成键。PDB 标准做法是用 CONECT 记录来定义共价连接关系。

基本格式：

CONECT serial bonded1 bonded2 bonded3 bonded4

每个字段都是 1-4 位整数，右对齐。例如：

CONECT 1234 1235 1236 1240

表示原子 #1234 与 #1235、#1236、#1240 分别成单键。

但是……现实往往没那么完美。

避坑指南（我遇到过的真实问题）：

很多 PDB 文件缺失 CONECT 记录——特别是旧的 X 射线结构。这时你需要靠自己算距离。
部分 PDB 文件用SSBOND记录二硫键，而不是 CONECT。
还有的配体键信息被藏在LINK或HYDBND里，不是标准格式。

所以，如果你做分子模拟（比如准备 GROMACS 拓扑），我建议不要完全依赖 PDB 的 CONECT。最好用VMD 或 PyMOL的自动键识别功能重算一遍，或者用 RDKit / OpenMM 的模板化加键逻辑。

下面是一个真实的 PDB 文件片段，展示完整的文件结尾部分（包含 CONECT 和 END）：

CONECT 1234 1235 1236 1240
CONECT 1235 1234 1241 1242
CONECT 1240 1234
END

文件结构与解析思路

现在来总结一下，你拿到一个 PDB 文件后，脑子里要有一个“扫描清单”：

先看 HEADER：确认结构类型（蛋白质 / DNA / 复合物）、分辨率、发布年份。
跳过 REMARK、TITLE 等注释行（除非你需要提取实验细节）。
读取所有 ATOM 记录：按残基分组，构建主链和侧链坐标。
读取 HETATM 记录：提取配体、水、金属离子。
找 CONECT、SSBOND、LINK：建立键拓扑（如果做分子动力学这一步不能省）。
遇到 END 记录：停止解析。

一个小技巧：如果你用 Python 解析 PDB，推荐用 Biopython，它处理字段对齐和续行的问题非常稳。自己手写解析时，注意 ATOM 的 Atom Name 可能从第 13 列开始而不是第 12 列——有些 PDB 格式变体把第 12 列也占用了。

最后，我想强调一点：PDB 格式看似死板，但它的长度固定、字段位置严格恰好是它最大的优点。你写一次解析代码，基本所有 PDB 文件都能吃。比那些 XML 啊、JSON 啊的变体格式省心多了。