在Python中解析.pdb文件

Question

我正在嘗試爲.pdb文件（它們顯示蛋白質結構）編寫一個快速解析器。我看到的蛋白質的一個例子是KRAS（在癌症中很常見），並且在這裏：http://www.rcsb.org/pdb/files/3GFT.pdb

如果向下滾動得足夠遠，您將看到一條如下所示的線： ATOM 1 N MET A 1 63.645 97.355 31.526 1.00 33.80 N

第一個元素「原子」是指這涉及蛋白質中的實際原子。 1涉及一般計數，N涉及原子的類型，「MET」是殘基的名稱，「A」涉及鏈的類型，1（第二個「1」）是原子計數並且那麼接下來的3個數字就是太空中的xyz位置。

我需要輸出什麼是這樣的（其中「1」下方對應於原子數，不是一般的計數）： 遇到了一個1 63.645 97.355 31.526

爲了使問題更復雜，有時原子數（在這種情況下第二個「1」）是負數。在那些情況下，我想跳過這條線，直到我打開一個積極的條目，因爲這些元素與找到位置而不是實際蛋白質所需的生物化學有關。爲了使事情更糟的是，有時你會得到一個行這樣的：

ATOM 139 CA愛樂A 21 63.260 111.496 12.203 0.50 12.87Ç
ATOM 140 CA膽汁A 21 63.275 111.495 12.201 0.50 12.17Ç

雖然他們兩者均指殘留物21，生物化學物質不夠精確以得到確切的位置，所以他們給出兩種選擇。理想情況下，我會指定「1」，「2」或其他，但如果我只是採取第一個選項就可以了。最後，在我原來的例子中，對於原子類型（「N」），我只想讓這些行具有「CA」。

我是python的新手，我的培訓是在biostats，所以我想知道什麼是最好的方法來做到這一點？我是否用for循環解析這行代碼？有沒有辦法在Python中更快地做到這一點？我如何處理一些原子的雙重入口？

我意識到這是有點要問，但一些指導將是一大幫忙！我使用R編寫了所有的統計數據，但現在我只需要以正確的格式獲取我的文件！

謝謝！

Answer 1

這是一個很長的描述。我不確定是否得到了正確的答案:-) 如果字段（對於以ATOM開頭的行）是固定的，您可以使用拆分和一些comaprisons。 我已經使用散列來查看該條目是否已被看到，以消除 重複，如你所想。 希望這會給你一個開始，

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) 

將輸出，

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

它看起來像解析PDB文件的庫已經存在。退房：

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

簡單翻翻教程，好像這是你在談論什麼沒有？

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

Answer 3

對於大pdb文件有很多的原子，沒有空白字段之間留下，所以你不能使用split命令。相反，你可以使用蛋白質數據銀行格式定義來解析pdb文件：

with open('min.pdb') as pdbfile: 
    for line in pdbfile: 
     if line[:4] == 'ATOM' or line[:6] == "HETATM": 
      print line 
      # Split the line 
      splitted_line = [line[:6], line[6:11], line[12:16], line[17:20], line[21], line[22:26], line[30:38], line[38:46], line[46:54]] 
      print splitted_line 
      # To format again the pdb file with the fields extracted 
      print "%-6s%5s %4s %3s %s%4s %8s%8s%8s\n"%tuple(splitted_line) 

下面是一個示例輸出：

# Original line: 
HETATM10000 O HOH B3257  2.509 40.006 -4.097 1.00 0.00   O 

# Fields extracted: 
['HETATM', '10000', ' O ', 'HOH', 'B', '3257', ' 2.509', ' 40.006', ' -4.097'] 

# Reformatted line: 
HETATM10000 O HOH B3257  2.509 40.006 -4.097