python格式化读取解析PDB文件 字符串指定宽度格式化分割

python格式化读取解析PDB文件 字符串指定宽度格式化分割

描述：

pdb蛋白质文件是一类高度格式化的文本文件，每行中每一个字段都有着固定宽度和位置，无法使用常见的split()函数来分割字段。

PDB 文件格式说明
官方：link
科学网博客：link

在处理蛋白质模型pdb文件时，可能会遇到字符串中 随机两列数据连着（如下图中的365315行以后的原子坐标值Y列和Z列连在一起），使用split()函数无法处理，所以想以文件本身的格式来格式化读取。

我的方法：

# 将每行的字符串转换成多个单字符的数组，按照给定的格式数组（可自行定义）重组字符，形成最终的对应PDB格式的数组
def formatStr2List(string,formatList):
    # 第一步 先把字符串转成数组，一个字符对应一个数组元素
    atom=[]
    for s in string:        
        atom.append(s)
    # 第二步 把字符串数组按formatList格式宽度，组建成新的数组
    i=1
    fal=[]
    for li in formatList:
        mid=[]
        for l in range(li):
            mid.append(atom[i-1])
            i+=1        
        iter="".join(mid)        
        fal.append(iter)    
    return fal

string="ATOM    125  C   TYR    19     244.604 249.2491515.330  1.00110.97           C"
# 按照PDB文件的格式 写一个格式数组，数组里的元素代表 所分割字符的宽度
formatList=[4,2,5,1,4,1,3,1,1,4,1,3,8,8,8,6,6,6,4,2]    
print(formatStr2List(string,formatList))

输出效果：

['ATOM', '  ', '  125', ' ', ' C  ', ' ', 'TYR', ' ', ' ', '  19', ' ', '   ', ' 244.604', ' 249.249', '1515.330', '  1.00', '110.97', '      ', '    ', ' C']

方法二：

通常每个字段的位置是固定的，因此可以通过截取字符串的方式来提取数据，而不是依赖于split函数。

在PDB文件中，每一行的结构是有规律的，比如ATOM记录的行的结构如下：

ATOM      1  N   ASN A   1      11.962  53.349  44.812  1.00 20.46           N

示例代码块：

def parse_pdb_line(line):
    record_name = line[0:6].strip()
    atom_number = int(line[6:11].strip())
    atom_name = line[12:16].strip()
    residue_name = line[17:20].strip()
    chain_id = line[21]
    residue_number = int(line[22:26].strip())
    x = float(line[30:38].strip())
    y = float(line[38:46].strip())
    z = float(line[46:54].strip())
    return {
        "record_name": record_name,
        "atom_number": atom_number,
        "atom_name": atom_name,
        "residue_name": residue_name,
        "chain_id": chain_id,
        "residue_number": residue_number,
        "x": x,
        "y": y,
        "z": z
    }

line = "ATOM      1  N   ASN A   1      11.962  53.349  44.812  1.00 20.46           N"
parsed_data = parse_pdb_line(line)
print(parsed_data)

方法三：

当然，结合Python的一些库，可以更简洁地处理PDB文件。一个常用的库是Biopython，它提供了处理生物信息学数据的功能，包括解析PDB文件的工具。

from Bio.PDB import PDBParser

def parse_pdb(file_path):
    parser = PDBParser()
    structure = parser.get_structure('pdb', file_path)

    atom_data = []
    for model in structure:
        for chain in model:
            for residue in chain:
                for atom in residue:
                    atom_data.append({
                        "atom_name": atom.get_name(),
                        "residue_name": residue.get_resname(),
                        "chain_id": chain.get_id(),
                        "residue_number": residue.get_id()[1],
                        "coordinates": atom.get_coord()
                    })

    return atom_data

file_path = 'your_pdb_file.pdb'
parsed_data = parse_pdb(file_path)
print(parsed_data)