蛋白质结构信息获取与解析（基于Biopython）

通常情况下，一个蛋白质所包含的信息是非常多的，与结构相关的包括：包括链名、氨基酸残基序列、原子坐标等。一个蛋白质的结构相关的信息可以以pdb文件的形式保存，这些文件可以直接从PDB、NCBI等数据库获取，也可以利用biopython获取。

获取某个蛋白的pdb文件，我们可以转成文本格式查看相关信息，不过这样很不利于数据分析。所以利用biopython解析蛋白质结构信息是十分方便的。

（一）基于Biopython蛋白质文件获取

（1）Entrez方法(获取数据并保存于文件中）

from Bio import Entrez
Entrez.email='邮箱名'  #如'123456789@qq.com'
handle=Entrez.esearch(db='protein',term='2rbg')
record=Entrez.read(handle)
id=record['IdList'][0]
handle=Entrez.efetch(db='protein',id=id,rettype='gb',retmode='text')
with open('2rbg.pdb','w') as f:
    for i in handle.readlines():
        f.write(i)

Biopython中Entrez函数主要用于蛋白质、核酸等数据的获取。

Entrez.email是用于获取你的地址(如果过度使用该工具，NCBI会在阻止访问之前通过该电子邮件通知你)。

Entrez.esearch()用于从数据库中搜索你所需要的文件的相关信息。参数db表示数据库，这里的'protein'表示蛋白质数据库，其它的数据库可参考NCBI官网首页中'All Databases'中各个数据库(如'nucleotide'核酸数据库等)。参数term表示需要获取的蛋白名称(也可以是核酸数据库中基因名等，这里以2rbg为例)。最终返回的handle是一个对象，通过Entrez.read()获取handle中的数据。读取后得到的record是一个字典。

record={'Count': '3', 'RetMax': '3', 'RetStart': '0', 
'IdList': ['2057065522', '208435533', '208435532'], 'TranslationSet': [], 
'TranslationStack': [{'Term': '2rbg[All Fields]', 'Field': 'All Fields', 'Count': '3', 'Explode': 'N'}, 'GROUP'], 
'QueryTranslation': '2rbg[All Fields]'}

record中IdList列表包含了所获取的文件id号，这里有3个文件，我们可以从中选取1个id进行文件数据获取。

通过Entrez.efetch()，根据数据库，id号来获取该蛋白质数据。db与前面Entrez.esearch()相同，id表示id号，rettype表示字节，如'kb','mb'等，这里需要使用gb。retmode表示数据格式,这里是'text'。最后将数据保存在文件中即可。

（2）retrieve_pdb_file(直接获取数据文件)

from Bio import PDB
PDB.PDBList().retrieve_pdb_file(pdb_code='2FAT',file_format='mmCif')

retrieve_pdb_file函数中pdb_code表示蛋白文件名，file_format表示文件格式，如''pdb'、'mmCif'等。如果需要下载到指定文件夹，需要使用参数pdir，参数值为指定文件夹的绝对路径。

（二）蛋白质结构解析

（1）获取structure类对象

from Bio import PDB
parser=PDB.PDBParser(QUIET=True)
structure=parser.get_structure(file='2rbg.pdb',id=None)

先使用PDBParser()创建PDB解析器parser，再用parser从pdb文件中解析蛋白质结构，得到structure类对象。parser.get_structure()函数中file参数表示解析的蛋白质文件，id是一个编号，可以用数、字符串等标记，也可以用None。得到的structure用于后面肽链chain、氨基酸残基residues、原子atom、模型model等数据的获取。

注：除了pdb文件，对于其它类型的文件，可以使用相应的PDB.MMCIFParser()、PDB.FastMMCIFParser()解析器，使用get_structure()得到structure，之后的方法都是相同的。

（2）从structure中获取chains

chains=structure.get_chains()

得到的chains为chains类对象，它包含该蛋白质所有肽链。

print(list(chains))
 
'''------------------'''
>>> [id=A>, id=B>]

例如这里的2rbg.pdb，其中包含了A、B两条链。

（3）从structure/chain中获取residues

从structure、chain中获取residues方法是相同的，structure 是从整体蛋白质获取残基，chain是指定某条链获取残基。

chains=structure.get_chains()
chain_A=list(chains)[0]
residues_A=chain_A.get_residues()

以A链为例，把chains转成列表，列表中第一个表示A链对象，之后用get_residues()函数即可。

若从structure获取所有残基，用下面方法即可。

residues=structure.get_residues()

将residues转成列表，列表中每个值为一个残基类，包含该残基相关信息。

print(list(residues))
'''--------------------'''
>>> [3 icode= >, 
4 icode= >, 
5 icode= >,.....]

其中Residue表示氨基酸名；het是异质域，'W'表示水，'H_残基名'表示非标准氨基酸，空表示标准氨基酸；resseq为氨基酸序列编号；icode为插入码。

对于每个残基，使用get_resname()可获取残基名，使用get_atoms()函数可以获取该residue中所有原子。

resname=list(residues)[0].get_resnames()
atoms=list(residues)[0].get_atoms()

上述代码第一行获取第一个氨基酸残基名，第二行获取氨基酸残基所有原子。

print(list(atoms))
'''------------------'
>>>[, , , , , 
, , , ,
 , , ]

residue中其它方法：

get_segid：返回segid

get_unpacked_list：undisordered原子组成的列表。

sort()：将原子排序，N,CA,C,O等排在前面。

is_disordered()：判断氨基酸中十分含有disordered原子，若含有则返回True。

（4）从structure/chain/residues中获取原子

从residues中获取atoms方法前面已讲述，从structure、chain中获取原子信息方法是与前面相同的，仍使用get_atoms()函数。

atoms=structures.get_atoms()
atoms_chain_A=chain_A.get_atoms()

（5）从atoms中获取原子信息

get_vector()：原子坐标的vector。

get_coord()：原子坐标。

get_fullname()：原子全名。

get_serial_number() or serial number()：原子序号(从1开始)。

get_sigatm()：原子坐标标准差。

get_bfactor()：bfactor温度因子。

set_?：设置属性，'?'可以为coord、bfactor、serial_number等。