如果我们想获得一个结构文件，一种方法可以首先通过from Bio.PDB import PDBList导入PDBList类，然后创建一个类的实例pdb_list，用于与蛋白质数据数据库（PDB）交互。然后我们可以定义需要下载的PDB ID（这里为”4hhb”），这里代表的是人类脱氧血红蛋白的结构。接下来，通过调用retrieve_pdb_file方法，指定下载的文件格式为MMCIF，并将文件保存到指定的目录”data/PDB_files"中。最后为了认下载操作是否成功，我们可以打印出下载的文件名。

from Bio.PDB import PDBListpdb_list = PDBList()pdb_id = "4hhb"pdb_filename = pdb_list.retrieve_pdb_file(pdb_id, pdir="data/PDB_files", file_format="mmCif")print(pdb_filename)

运行结束后，各位小伙伴可以在 data 的文件夹中看到一个名为 4hhb.cif 的结构文件。

当然，除了使用 Biopython 文件下载那样获取结构文件，我们也可以调用 API，通过 PDB ID 在网页上检索分子的信息。我们可以通过修改 URL 来访问 PDB 不同的条目信息以及目的文件。

在 PDB 数据库 API 的格式如下：

https://data.rcsb.org/rest/v1/core/<资源类型>/<标识符>

例如，要获取 PDB ID 为 4hhb 的完整条目，你可以使用以下链接：

https://data.rcsb.org/rest/v1/core/entry/4hhb

大家可以复制这个链接！大家可以在浏览器中显示与 4HHB 相关的信息。

使用 REST API（REST 是表述性状态传递的英文缩写，API 是应用编程接口）可以做很多有趣的事情。比如我们可以检索某个条目主要引用文献的 PubMed 注释。所以我们修改<资源类型>为 pubmed：

https://data.rcsb.org/rest/v1/core/pubmed/4hhb

大家可以看到显示的结果是一堆代码，其实这些结果中的数据是以一种叫做 JSON 的格式返回的。这是一种常用的网页 API 返回格式，因为它可以被编程处理。其格式类似于 Python 字典，包含键和值。

Tip:

JSON 是一种简单易懂的格式，用来在电脑和应用程序之间传递数据。它的结构类似于一个包含键和值的表格或者字典。

每条数据都有一个“键”（相当于标签）和一个对应的“值”（相当于内容）。比如，如果我们想存储一个人的信息，JSON 会把这些信息整理成成对的数据，就像这样：

{  "名字": "小明",  "年龄": 25,  "城市": "北京"}

这里，"名字"是键，"小明"是对应的值。同样的，"年龄"和"城市"也是键，而它们对应的值分别是25和北京。

JSON 格式清晰、简单，易于理解，广泛应用于数据传递和处理，尤其适合编程语言自动读取和操作。

REST API 在通过编程访问时变得更加有用。我们将使用 Python 从指定的 URL 获取数据，并将其转换为我们可以操作的格式。我们将使用一个名为 requests 的 Python 库。requests 用于从网站和 URL 获取信息。

import requests

要从 URL 获取信息，我们使用 requests.get 方法。该方法的参数是我们想从中获取信息的 URL。

data = requests.get("https://data.rcsb.org/rest/v1/core/entry/4hhb")

现在，变量 data 包含了我们请求的结果和其他相关信息。如果请求成功，它将返回一个状态码 200。这是网页 URL 的一个功能。如果请求成功，服务器将返回状态码 200。这对于任何网站都适用。大家可能熟悉的另一个状态码是 404，当资源未找到时会返回这个状态码。

请注意，status_code 并不是 data 关联的一个函数，所以不需要使用 ()。

data.status_code

输出的应该是 200

我们可以通过调用 .json() 方法查看与请求关联的 JSON 数据，我们将其保存到一个名为 info_4hhb 的变量中。现在，这个变量类似于一个 Python 字典，它是一种由键值对组成的数据类型。

info_4hhb = data.json()

一旦我们以 JSON 格式加载了返回的值，我们可以通过 变量.keys() 方法查看与该条目关联的所有关键词。

info_4hhb.keys()

输出的是 dict_keys(['audit_author', 'cell', 'citation', …])

变量 info_4hhb 是一个 Python 字典，这意味着我们可以使用如下语法访问字典中的信息：

dictionary_name["key_name"]

例如：

info_4hhb["exptl"]

会输出：[{'method': 'X-RAY DIFFRACTION'}]

info_4hhb["struct_keywords"]

会输出：{'pdbx_keywords': 'OXYGEN TRANSPORT', 'text': 'OXYGEN TRANSPORT'}

info_4hhb["struct"]

会输出：{'title': 'THE CRYSTAL STRUCTURE OF HUMAN DEOXYHAEMOGLOBIN AT 1.74 ANGSTROMS RESOLUTION'}

我们还可以使用 PDB 数据 API，通过改变 URL 来检索关于聚合物实体（蛋白质或核酸）之间接口的信息。

查询接口信息的 URL 格式如下：

https://data.rcsb.org/rest/v1/core/interface///

在下面的代码中，我们获取了 assembly 1 的第一个接口信息（这个 PDB 中只有一个 assembly）。

my_query = {  "query": {    "type": "terminal",    "service": "text",    "parameters": {        "attribute": "struct_keywords.pdbx_keywords",        "operator": "contains_phrase",        "value": '"oxygen storage"'    }  },  "request_options": {    "paginate": {      "start": 0,      "rows": 50,    },    "sort": [      {      "sort_by": "rcsb_accession_info.initial_release_date",      "direction": "asc"     }    ]  },    "return_type": "entry"}my_query = json.dumps(my_query)

刚才我们的代码是生成一个查询对象，使用 JSON 格式来描述查询条件，以便从一个数据库或API中提取相关数据。具体来说，它可能是查询某个与PDB 相关的API或数据库，用于检索蛋白质结构数据。

query 部分:

"type": "terminal" 表示查询是一个终端类型的查询，可能是直接执行的查询。
"service": "text" 表示查询目标是文本服务，可能与文本数据有关。
"parameters" 定义了查询的条件：
"attribute": "struct_keywords.pdbx_keywords" 表示查询的属性是struct_keywords.pdbx_keywords，这可能是与结构相关的关键字。
"operator": "contains_phrase" 表示操作符是包含短语。
"value": '"oxygen storage"' 表示要查找包含 "oxygen storage" 这个短语的记录。
request_options 部分:

"paginate" 定义分页选项：
"start": 0 表示从第0条记录开始检索。
"rows": 50 表示每页返回50条记录。
"sort" 定义排序选项：
"sort_by":"rcsb_accession_info.initial_release_date"表示根据 rcsb_accession_info.initial_release_date 字段排序。
"direction": "asc" 表示按照升序排序，意即从最早的发布日期开始排序。
return_type: 指定返回的类型为 "entry"，即返回的是数据项的条目。

最后，my_query = json.dumps(my_query) 将上面构建的查询字典转换为 JSON 格式的字符串，以便发送到 API 或数据库进行查询。

interface = requests.get("https://data.rcsb.org/rest/v1/core/interface/4hhb/1/1")interface.status_code

# 输出：200

interface_info = interface.json()interface_info["rcsb_interface_info"]

# 输出：{'polymer_composition': 'Protein (only)', 'interface_character': 'hetero', ...}

大家可以试着更改 URL 中的数字，看看结果有何变化？

我们刚刚使用的 API 是基于 PDB “数据” 的API。然而，PDB 还有另一个 API，称为“搜索” API，它允许你基于关键词、宿主物种、序列相似性等进行搜索。虽然搜索 API 可能比较复杂，但在 PDB 网站上有详细的文档支持。

该 API 的 URL 格式如下：

https://search.rcsb.org/rcsbsearch/v2/query?json={search-request}

我们使用 requests.get 方法和我们的搜索查询以及搜索 API 的 URL 格式来获取数据。其中，search-request 是一个包含搜索参数的 JSON（类似于 Python 字典）。我们将创建一个 Python 字典，然后使用 json 库将其转换为 JSON（搜索 API 所需的数据格式）。

data = requests.get(f"https://search.rcsb.org/rcsbsearch/v2/query?json={my_query}")results = data.json()results

我们的查询结果告诉我们，搜索返回了 671 个结果（total_count）。result_set 关键字包含了结果列表。result_set 中每个值的 identifier 键告诉我们搜索结果的 PDB ID。大家可以看到尽管搜索结果显示有 671 个结果，但我们只获得了 10 个值。这是因为 API 总是会计算结果的数量，但除非我们要求更多，否则只返回 10 个结果。

现在，我们可以将此与 Biopython 或数据 API 结合使用，以获取关于结构的更多信息。例如，如果我们想获取该结构发表论文的标题，可以这样做：

first_result = results["result_set"][0]["identifier"]print(first_result) data = requests.get(f"https://data.rcsb.org/rest/v1/core/entry/{first_result}")result = data.json()result[“struct"]

接下来的代码展示了使用 Biopython 对这些结构进行的较复杂分析。如果你对编程不太熟悉，接下来的几段代码可能会比较难理解。不过，它们展示了如何通过编程方式获取搜索结果并使用 Python 进行数据分析。分析的最后一步打印出在这些结构中最常见的与铁原子相邻的残基。

这个程序分为多个步骤：

·使用 Biopython 下载所有结构的 mmCIF 文件。

·使用 Biopython 创建结构对象，筛选原子，并找到与铁原子相邻的残基。

·使用 Python 的 Counter 函数统计残基组合的出现次数。

第一步

from Bio.PDB import PDBList

# 创建 PDBList 类的实例

pdb_list = PDBList()

# 下载所有的结构文件

for result in results["result_set"]:

   pdb_id = result["identifier"].lower()

  # 使用 retrieve_pdb_file 方法下载 MMCIF 文件

   pdb_filename = pdb_list.retrieve_pdb_file(pdb_id, pdir="pdb_files", file_format="mmCif")

第二步

from Bio.PDB.MMCIFParser import MMCIFParser

from Bio.PDB import NeighborSearch

from collections import Counter

# 创建 MMCIFParser 对象用于解析 mmCIF 文件

parser = MMCIFParser(QUIET=True)

# 定义用于识别邻近残基的最大距离（以埃为单位）

cutoff_distance = 5

# 初始化一个字典用于存储每个蛋白质结构的邻近残基

residue_neighbors = {}

# 'results' 变量包含搜索结果

for result in results["result_set"]:

   pdb_id = result["identifier"].lower()

   # 使用 PDB ID 解析该蛋白质结构的 mmCIF 文件

   structure = parser.get_structure(pdb_id, f"pdb_files/{pdb_id}.cif")

   # 从蛋白质结构中提取所有原子

   atoms = list(structure.get_atoms())

   # 创建 NeighborSearch 对象进行邻近搜索

   neighbor_search = NeighborSearch(atoms)

   # 初始化一个列表用于存储此蛋白质结构的邻近残基

   neighbor_list = []

   for atom in atoms:

       # 检查原子是否为铁原子

       if atom.element == "FE":

           # 获取铁原子的父残基

           iron_residue = atom.get_parent()

           # 查找在给定距离内的邻近原子

           neighbors = neighbor_search.search(atom.get_coord(), cutoff_distance)

           for neighbor in neighbors:

               # 获取邻近原子的父残基

               residue = neighbor.get_parent()

               # 如果邻近残基与铁原子残基不同，则将其添加到列表中

               if residue != iron_residue:

                   neighbor_list.append(residue)

   # 使用 PDB ID 作为键，将唯一的邻近残基存储在字典中

   residue_neighbors[pdb_id] = set(neighbor_list)

第三步

# 统计邻近残基的类型

combination_counts = Counter()

for pdb_id, neighbors in residue_neighbors.items():

   # 提取每个邻近残基的名称

   resname = [x.get_resname() for x in neighbors if x.get_resname()]

   # 统计每个残基名称在当前组合中的出现次数

   res_counts = Counter(resname)

   # 将残基统计信息转换为 (残基, 次数) 的元组，并按残基名称排序

   combination = tuple(sorted(res_counts.items()))

   # 更新组合统计

   combination_counts.update([combination])

# 获取最常见的残基组合

most_common_combinations = combination_counts.most_common()

# 获取前五种最常见的残基组合

top_5_combinations = combination_counts.most_common(5)

print("\n与铁原子邻近的最常见残基组合前五名：")

for combination, count in top_5_combinations:

   combination_str = ', '.join([f"{count} {residue}" for residue, count in combination])

   print(f"组合：{combination_str}, 次数：{count}”)

• 整个代码如下图：

当我们运行后，他会执行一会儿，最后给出与铁原子邻近的最常见残基组合前五名的结果。

组合：2 HIS, 1 HOH, 1 VAL, 次数：4

组合：1 CMO, 2 HIS, 1 VAL, 次数：3

组合：2 HIS, 1 HOH, 1 OXY, 1 VAL, 次数：2

组合：5 HIS, 2 HOH, 2 VAL, 次数：2

组合：4 HIS, 2 HOH, 2 VAL, 次数：2

在本节课程中，小亚老师带大家了如何使用 Python 与蛋白质数据库（PDB）进行交互，并通过 PDB 的 Web API 检索生物分子结构信息。我们首先通过 Biopython 中的 PDBList 类下载结构文件，并展示了如何使用 PDB 的 REST API 获取特定条目信息。同时，我们学习了如何使用 requests 库从 API 中获取数据，并以 JSON 格式处理这些数据。

在本节课程中，我们还实践了如何基于 API 返回的数据进行进一步的分析，例如使用 Biopython 对结构文件进行解析，识别蛋白质中与铁原子邻近的残基组合，并统计最常见的邻近组合。我们不仅了解了 PDB 数据库的 Web API 结构，还了解了如何使用 Python 代码获取和分析蛋白质结构数据。这些技能对于深入探索结构生物学及其应用具有重要意义。

这节课其实非常重要，对于 API 的运用不仅体现在 PDB 数据库中。在生物学中有许许多多的官方数据库都提供访问，大家可以运用这种方法进行尝试，熟练之后，可以更快速的获得想要的结果。