蛋白质PDB文件解析+建图（biopython+DGL）

PDB文件解析

PDB文件设计得非常好，能够比较完整地记录实验测定数据

读懂蛋白质PDB文件-腾讯云开发者社区-腾讯云 (tencent.com)

科学网—PDB文件格式说明 - 李继存的博文 (sciencenet.cn)

从蛋白质结构来看，首先它会有多种不同的测定模型，然后每个模型中包含多条链，每条连上包含若干个残基，每个残基包含若干个原子

在biopython.PDB包中可以找到这些概念对应的模块：model、chain、residue、atom

Bio.PDB软件包 — Biopython 1.79 文档 (osgeo.cn)

首先用PDBParser读取文件，获得structure

struct = parser.get_structure(0,pdbfilepath)
model = struct.get_models().__next__()

struct内部的一层结构是model，我们只取第一个model

然后就可以用循环遍历chains、residues、atoms

for chain in model.get_chains():
    for residue in chain.get_residues():
        for atom in residue.get_atoms():

虽然也可以直接从structure中获取atom序列、residue序列、chain序列

但是这样就失去了一些从属关系

另外还可以通过查询的方式获得残基中的某个原子

例如使用residue['CA']就可以获取残基residue中名字为‘CA’的原子（氨基酸α碳原子）

所以我们只需要枚举残基，给每个残基的Cα原子进行编号就可以了

一般的PDB文件中都包含原子坐标数据，可以用它来作为这个氨基酸的一个特征

另外，为了获得序列，我们还需要把氨基酸的三字母缩写转化为一字母缩写，下面是一个转换矩阵。

three2one= {'VAL':'V', 'ILE':'I', 'LEU':'L', 'GLU':'E', 'GLN':'Q',
            'ASP':'D', 'ASN':'N', 'HIS':'H', 'TRP':'W', 'PHE':'F', 
            'TYR':'Y', 'ARG':'R', 'LYS':'K', 'SER':'S', 'THR':'T', 
            'MET':'M', 'ALA':'A', 'GLY':'G', 'PRO':'P', 'CYS':'C'
}

使用DGL对蛋白质建图

DGL库接口解析：dgl — DGL 2.1.0 documentation

建图的方法就很多了，得看个人的设计，有只根据Cα原子之间的距离进行建图的，有使用所有原子来建图的，也有用肽链原子+残基Cβ原子+二硫键建图的，只能说是五花八门，不过这些都只是多写几个if 的问题。

特征构造的方式就更多了

简单的，边不加特征，氨基酸作为点用独热向量作为特征

复杂的就多了去了，有加化学键长度的，有对化学键加入类别的，有加入残基直径的，还有加入原子数、分子量、氨基酸电性的，氨基酸特征向量还可以用一些序列比对的特征值，例如blosum，pam，cIndex of /blast/matrices (nih.gov) 总之想法很多，但真正有用的就那么几个。

DGL添加点：（第一个参数是点的个数，后面是一个dict，里面写这个点的特征向量tensor，但必须行数相同）

graph.add_nodes(1, {'pos': pos_feature, 'res': residue_feature})

DGL添加边：（必须用两个tensor来表示两个端点的编号，后面的dict同样是边的特征向量）

值得注意的是，DGL只会添加单向边，所以无向边需要加两次

（ps：在网上看到许多写法都是graph=dgl.add_edges(graph,……)，但graph.adde_edges()也是可以用的）

graph.add_edges(torch.tensor([atom_num-1]), torch.tensor([atom_num]), {'feat': Peptide_bond_feature})

这里我使用的是，只根据肽键和Cα原子进行建图，以Cα原子代替氨基酸作为点，边为两个氨基酸之间是否存在肽键，点特征为氨基酸的blosum80特征和坐标特征，边特征为独热向量，方便以后加入其他类型的边。

import Bio.PDB.PDBParser
import os
import numpy
import torch
import dgl

parser = Bio.PDB.PDBParser()
# 连接Cα的肽键的边特征向量
Peptide_bond_feature = torch.tensor([1.0,0.0])
# 连接Cα的二硫键的边特征向量
S_S_bond_feature = torch.tensor([0.0,1.0])

three2one= {'VAL':'V', 'ILE':'I', 'LEU':'L', 'GLU':'E', 'GLN':'Q',
            'ASP':'D', 'ASN':'N', 'HIS':'H', 'TRP':'W', 'PHE':'F', 
            'TYR':'Y', 'ARG':'R', 'LYS':'K', 'SER':'S', 'THR':'T', 
            'MET':'M', 'ALA':'A', 'GLY':'G', 'PRO':'P', 'CYS':'C'
}
# 氨基酸的特征
AA_feature_blosum80 = {
'A' : torch.tensor([ 7, -3, -3, -3, -1, -2, -2,  0, -3, -3, -3, -1, -2, -4, -1,  2,  0, -5, -4, -1, -3, -2, -1]),
'R' : torch.tensor([-3,  9, -1, -3, -6,  1, -1, -4,  0, -5, -4,  3, -3, -5, -3, -2, -2, -5, -4, -4, -2,  0, -2]),
'N' : torch.tensor([-3, -1,  9,  2, -5,  0, -1, -1,  1, -6, -6,  0, -4, -6, -4,  1,  0, -7, -4, -5,  5, -1, -2]),
'D' : torch.tensor([-3, -3,  2, 10, -7, -1,  2, -3, -2, -7, -7, -2, -6, -6, -3, -1, -2, -8, -6, -6,  6,  1, -3]),
'C' : torch.tensor([-1, -6, -5, -7, 13, -5, -7, -6, -7, -2, -3, -6, -3, -4, -6, -2, -2, -5, -5, -2, -6, -7, -4]),
'Q' : torch.tensor([-2,  1,  0, -1, -5,  9,  3, -4,  1, -5, -4,  2, -1, -5, -3, -1, -1, -4, -3, -4, -1,  5, -2]),
'E' : torch.tensor([-2, -1, -1,  2, -7,  3,  8, -4,  0, -6, -6,  1, -4, -6, -2, -1, -2, -6, -5, -4,  1,  6, -2]),
'G' : torch.tensor([ 0, -4, -1, -3, -6, -4, -4,  9, -4, -7, -7, -3, -5, -6, -5, -1, -3, -6, -6, -6, -2, -4, -3]),
'H' : torch.tensor([-3,  0,  1, -2, -7,  1,  0, -4, 12, -6, -5, -1, -4, -2, -4, -2, -3, -4,  3, -5, -1,  0, -2]),
'I' : torch.tensor([-3, -5, -6, -7, -2, -5, -6, -7, -6,  7,  2, -5,  2, -1, -5, -4, -2, -5, -3,  4, -6, -6, -2]),
'L' : torch.tensor([-3, -4, -6, -7, -3, -4, -6, -7, -5,  2,  6, -4,  3,  0, -5, -4, -3, -4, -2,  1, -7, -5, -2]),
'K' : torch.tensor([-1,  3,  0, -2, -6,  2,  1, -3, -1, -5, -4,  8, -3, -5, -2, -1, -1, -6, -4, -4, -1,  1, -2]),
'M' : torch.tensor([-2, -3, -4, -6, -3, -1, -4, -5, -4,  2,  3, -3,  9,  0, -4, -3, -1, -3, -3,  1, -5, -3, -2]),
'F' : torch.tensor([-4, -5, -6, -6, -4, -5, -6, -6, -2, -1,  0, -5,  0, 10, -6, -4, -4,  0,  4, -2, -6, -6, -3]),
'P' : torch.tensor([-1, -3, -4, -3, -6, -3, -2, -5, -4, -5, -5, -2, -4, -6, 12, -2, -3, -7, -6, -4, -4, -2, -3]),
'S' : torch.tensor([ 2, -2,  1, -1, -2, -1, -1, -1, -2, -4, -4, -1, -3, -4, -2,  7,  2, -6, -3, -3,  0, -1, -1]),
'T' : torch.tensor([ 0, -2,  0, -2, -2, -1, -2, -3, -3, -2, -3, -1, -1, -4, -3,  2,  8, -5, -3,  0, -1, -2, -1]),
'W' : torch.tensor([-5, -5, -7, -8, -5, -4, -6, -6, -4, -5, -4, -6, -3,  0, -7, -6, -5, 16,  3, -5, -8, -5, -5]),
'Y' : torch.tensor([-4, -4, -4, -6, -5, -3, -5, -6,  3, -3, -2, -4, -3,  4, -6, -3, -3,  3, 11, -3, -5, -4, -3]),
'V' : torch.tensor([-1, -4, -5, -6, -2, -4, -4, -6, -5,  4,  1, -4,  1, -2, -4, -3,  0, -5, -3,  7, -6, -4, -2]),
'B' : torch.tensor([-3, -2,  5,  6, -6, -1,  1, -2, -1, -6, -7, -1, -5, -6, -4,  0, -1, -8, -5, -6,  6,  0, -3]),
'Z' : torch.tensor([-2,  0, -1,  1, -7,  5,  6, -4,  0, -6, -5,  1, -3, -6, -2, -1, -2, -5, -4, -4,  0,  6, -1]),
'X' : torch.tensor([-1, -2, -2, -3, -4, -2, -2, -3, -2, -2, -2, -2, -2, -3, -3, -1, -1, -5, -3, -2, -3, -1, -2]),
}

def get_seq_graph_info(pdbfilepath):
    struct = parser.get_structure(0,pdbfilepath)
    model = struct.get_models().__next__()
    seq = []
    graph = dgl.DGLGraph()

    residue_num = 0
    for chain in model.get_chains():
        residues = chain.get_residues()
        # print(chain)
        chain_start_flag = 1
        for residue in residues:
            res_name = three2one[residue.get_resname()]
            seq.append(res_name)
            pos_feature = torch.from_numpy(residue['CA'].get_coord()).unsqueeze(0)
            residue_feature = AA_feature_blosum80[res_name].unsqueeze(0)
            graph.add_nodes(1, {'pos': pos_feature, 'res': residue_feature})
            if chain_start_flag == 0 :
                graph.add_edges(torch.tensor([residue_num-1]), torch.tensor([residue_num]), {'feat': Peptide_bond_feature})
                graph.add_edges(torch.tensor([residue_num]), torch.tensor([residue_num-1]), {'feat': Peptide_bond_feature})
            residue_num += 1
            chain_start_flag = 0
    return seq,graph

pdb_data_dir = 'D:\PVT\data'
file_list = [os.path.join(pdb_data_dir, file) for file in os.listdir(pdb_data_dir)]
for file in file_list:
    if file.endswith('.pdb'):
        print("processing "+file)
        seq,graph = get_seq_graph_info(file)
        print(seq)
        print(graph)
        print("finished!")

运行结果：

点数61，边数120

可以看出这个蛋白质只是一条肽链

这样我们就从PDB文件中得到了 氨基酸序列和蛋白质的图

接下来就可以愉快地使用GNN之类的东西提取特征啦