在Python语言中解析.pdb文件

Question

我正在尝试为.pdb文件(它们显示蛋白质结构)编写一个快速解析器。我正在研究的一个蛋白质的例子是KRAS (癌症中常见的)，这里是：http://www.rcsb.org/pdb/files/3GFT.pdb

如果向下滚动到足够远，您将看到如下所示的行: ATOM 1N MET A 1 63.645 97.355 31.526 1.00 33.80 N

第一个元素“原子”意味着它与蛋白质中的一个实际原子有关。1涉及一般计数，N涉及原子的类型，"MET“是残基的名称，"A”涉及链的类型，1(第二个"1")是原子计数，然后接下来的3个数字是空间中的x-y-z位置。

我需要的输出是这样的(下面的"1“对应于原子计数，而不是一般计数)：MET A 1 63.645 97.355 31.526

更复杂的是，有时原子计数(本例中的第二个"1“)是负数。在这些情况下，我想跳过这一行，继续，直到我点击一个正的条目，因为这些元素与找到位置所需的生物化学有关，而不是实际的蛋白质。更糟糕的是，有时你会得到这样的一行：

ATOM 139 CA AILE A 21 63.260 111.496 12.203 0.5012.87C

ATOM 140CA胆汁A 21 63.275 111.495 12.201 0.50 12.17 C

虽然他们都提到残基21，但生物化学不够精确，无法获得确切的位置，所以他们给出了两个选择。理想情况下，我会指定"1“、"2”或其他任何值，但如果我只选择第一个选项，就可以了。最后，对于我原始示例中的原子类型("N")，我只想获得那些带有"CA“的行。

我是python的新手，我的训练是生物统计学，所以我想知道做这件事的最好方法是什么？我要用for循环逐行解析这个代码吗？在python中有没有更快的方法呢？如何处理某些原子的重复条目？

我知道这有点问，但一些指导将是非常有帮助的！我已经使用R编写了所有的统计数据位，但现在我只需要将我的文件转换为正确的格式！

谢谢!

Answer 1

这是一个很长的描述。我不确定我是否全部正确:-)如果字段(以ATOM开头的行)是固定的，您可以使用拆分和一些并列。我使用了一个散列来查看该条目是否已被查看，从而按照您的要求消除重复项。希望这能给你一个开始，

visited = {}
for line in open('3GFT.pdb'):
    list = line.split()
    id = list[0]
    if id == 'ATOM':
        type = list[2]
        if type == 'CA':
            residue = list[3]
            type_of_chain = list[4]
            atom_count = int(list[5])
            position = list[6:8]
            if atom_count >= 0:
                if type_of_chain not in visited:
                    visited[type_of_chain] = 1
                    print residue,type_of_chain,atom_count,' '.join(position)

将输出，

MET A 1 62.935 97.579
GLY B 0 39.524 105.916
GLY C 0 67.295 110.376
MET D 1 59.311 124.106
GLY E 0 44.038 96.819
GLY F 0 44.187 123.590

Answer 2

我有点惊讶，没有人提到来自BioPython的Bio.PDB包。自己编写PDB解析器是一种相当严重的不必要的重新发明，我的意思是重新实现轮子。

BioPython是一个有用的软件包集合，用于处理其他类型的生物数据(例如蛋白质或核酸序列)。

我知道这是一个古老的问题，但也许有人仍然认为这个指针有帮助。

Answer 3

它看起来像是一个解析PDB文件的库已经存在。查看：

http://www.csb.pitt.edu/prody/index.html

简单地浏览一下教程，似乎这就是你所说的，不是吗？

http://www.csb.pitt.edu/prody/tutorial.html#atomic-data