第三章结构数据库【前介】本章将集中介绍生物信息学中生物分子结构的有关内容，并将研究重点放在三维结构实际存在的氨基酸序列上，力图使读者了解结构数据库记录的内容及如何合理应用各类通用软件程序处理这类记录。
本章不涉及结构生物学家们建立三维分子结构的计算程序，也不讨论相似蛋白质构象的精细结构。
在本章参考书目后列出了一些优秀的讨论蛋白质构象的有关专著和蛋白质结构决定方法。
用图象直观表示蛋白质和核酸结构在生物化学教科书和研究论文中屡屡出现。
这些图象是美丽迷人的反而使我们忽视了图象背后所反映的实验细节���实验中应用的生物物理方法，X射线晶体衍射学家和核磁共振波谱分析学家们努力工作的成效.在结构数据库中记录的数据是实用化的实验数据。
它既不同于直接由仪器获得的原始数据，也并非原始数据的简单数学转换。
每一个结构数据库记录都内含着随结构预测技术的进步而不断变化的假设和偏好。
尽管如此，每个生物分子结构蕴涵着有关序列所缺失数据的至关重要的信息。
∙三维分子结构数据的一些概念首先做一个关于如何记录生物高聚物的三维数据的思想实验。
考虑一下如何在纸上记录如肌球素这类蛋白质的三维球棒模型的所有细节和尺度关系。
一条开始的途径是从由三维模型主干描绘出的氨基酸序列入手。
从N’端开始，我们通过将每个残基的化学结构与20种普通氨基酸化学结构（其结构的图解可以从教科书中找到）比较，以识别每个氨基酸侧链。
一旦序列被写出来，我们将绘制生物高聚物的二维草图，草图中包括所有的原子、基本符号、化学键，可能会占用几页纸。
亚化血红素配合基的绘制即为一例。
将它的化学结构画在纸上后，我们可以通过量测模型中每个原子在设定的直角坐标系中的距离记录三维数据。
同时也提供了球�棒结构中每个原子“球”的x，y，z坐标距离数据。
下一步是提出一个系统的分门别类的记录方案以保存与识别有关的每个原子的（x，y，z）坐标信息。
最简单的方法是在生物高聚物的二维草图上，每个原子的右侧，标出（x，y，z）三元坐标值。
以上思想实验有助于我们对三维结构数据库应包含哪些内容形成初步的概念。
从人类可读性的角度而言，这样的结构记录形式是足够的，但计算机却不一定能够理解它。
计算机需要原子、化学键、坐标、残基、分子间结合关系的清晰明显的编码。
∙坐标、序列、化学图像典型的三维结构记录中与使用的文件格式无关的最明显的数据是坐标数据，它表征了分子中原子的空间位置，用沿着每个坐标轴到某特定原点的距离（x，y，z）表示。
每个原子的坐标数据归属于结构记录中的标注信息列表：空间中的每一点代表了记录中的元素、残基和分子。
对于生物多聚体，这标注信息来源于序列。
每个序列固含的是重要的化学数据。
我们能够直接从序列中推断出完整的包含所有原子和化学键的生物高聚物分子化学联接，能够恰如早先所描述的仅从序列信息出发描绘出草图。
我们把这分子“草图”称作三维结构的化学图像。
序列是生物高聚物分子完整化学图谱的固有表示。
当描绘从属原子与化学键的略图以表示序列时，我们可以借鉴教科书中描绘的每个残基的化学结构，以免露掉一两个甲基。
同样地，计算机可利用“残基词典”在内存中建立结构的类似于略图的化学图像表示，“残基词典”中则包括一组对应于每个普通氨基酸或核酸模块的原子类型与化学键信息表。
原子、化学键和完整性分子图像可视化软件完成了精细的“点联接”过程，而绘制出如我们在生物分子结构教科书中所见到的完美的蛋白质结构图像，例如图3.1所示的胰岛素3INS 结构（Isaacs，Agarwal，1978）。
显然,原子间联接依靠化学键。
在目前的应用中，三维分子结构数据库记录使用了两种不同的键数据信息优化存储方法。
记录原子与化学键信息的经典途径是依靠“化学准则”。
这些准则是显而易见的物理化学准则，比如稳定的碳、碳键的平均长度大约1.5埃。
应用这些来源于化学键的规则，意味着空间中两个1.5埃距离的碳原子总形成单键。
有了这些化学准则，我们可完全简化化学键信息存储。
倘若结构本身未违背任何化学规则，则能够被完整记录而不带任何附加键信息。
最初的三维生物分子结构文件记录格式，Brookhaven蛋白质数据库（Bernstein 等，1977）的PDB格式皆以化学准则方法为基础。
一般而言，这些记录没有生物高聚物的完整键信息。
无需“残基词典”，而仅用可能成键原子对的键长与键类型匹配表即可解译用“化学准则方法”编码的数据。
PDB数据文件读入软件包必须能基于这类规则重构化学键。
对于程序员，如何解释PDB文件中的键信息尚未形成明确统一的规则，而导致了各类软件绘制化学键连接时的不一致，尤其应用了不同的算法和距离容差，这类情况更为严重。
虽然PDB文件组织方案在记录数据存储方面的要求最低，但比较连键信息和化学图像描述已在记录中详细说明的情况，则对存储信息进行恰当解释所需算法也相应更复杂。
这将迫使程序开发者做更多的工作。
基于事件的编程中，考虑连键规则中的种种例外情况，更需要复杂的逻辑说明。
第二种方法在由PDB衍生而来的分子建模数据库（MMDB）的数据库记录中得到应用。
MMDB运用标准的“残基词典”，其中记录了氨基酸、核酸残基这样以聚合体形式存在，具有末端多样性的分子中所有原子、化学键信息。
在结构科学家解决分子结构而使用的专用软件中，这类数据词典是很普遍的。
读入MMDB数据的软件能利用词典所提供的键信息将原子连为一体，而无须力图满足化学准则的要求。
最终，用软件获得准确的三维坐标数据。
这种方法使软件开发简单化，因为连键规则中的例外情况在数据库文件中已被记录，而无须附加逻辑控制代码即可将之读入。
一些不熟悉结构数据的科学家常常希望在公共数据库中的结构信息表达类同于教科书。
他们会对结构中某部分的数据丢失感到惊讶。
相应于某一特定分子的三维数据库记录的适用性并不意味着完整性。
结构的完整性定义如下：化学图像中任一原子至少有一维坐标值确定。
在结构数据库中，完整的记录是不多见的。
大多数由X射线衍射获得的结构缺少氢原子坐标，因为氢原子的空间位置不能用实验手段决定。
但一些建模软件可用于估计氢原子位置，并用其重建结构记录。
在结构数据库中识别由模型构造的分子是容易的。
它们常常有过于复杂的坐标数据和所有用实验手段无法确认的氢原子可能表达形式。
【PDB：Brookhaven国家实验室蛋白质数据库】∙概述计算机在生物学中的运用起源于生物物理方法的应用，如X射线结晶衍射。
于是最初的“生物信息学”数据库被用于存储复杂的三维数据不足为怪。
现代的蛋白质数据库以收集的蛋白质三维结构公共数据为核心，附带核酸、糖类三维结构和各类由X射线衍射结晶学家、核磁共振谱分析学家通过实验测定的合成物。
本部分集中详细介绍由蛋白质数据库PDB提供的生物信息学数据库服务。
∙PDB数据库服务Brookhaven国家实验室（详见本章末列表）蛋白质数据库的WWW站点为三维结构数据的提交、检索提供了大量的服务。
∙提交结构数据对于那些希望向PDB提交三维结构信息的人们而言，可以经由AutoDep服务机构按照一定的基于网页的程序步骤实现其愿望。
因为提交程序是随编写时间而不断变化的，所以在PDB的网络站点上应该能找到最新信息。
核酸结构数据保存在核酸数据库NDB中。
Biotech Validation Suite站点是镜像站点，提供在提交结构数据前屏蔽立体化学构象与几何学构象不一致的PDB文件的服务。
PDB明文规定拒收依靠计算机三维建模而非实验手段获得的结构数据。
而关于已被宣布为例外结构的最新细节数据的提交需与PDB商议。
容纳结构模型的单独的数据库是现成的，可以在本书的网络站点上查询有关信息。
∙PDB的ID编码PDB中登记入册的结构记录拥有一个唯一的包含字母与数字的被称为PDB-ID或PDB编码的四位字符串，可由数字0～9和大写字母A～Z组合而成。
因此可能的组合方案超过了130万种，没有按某特定顺序分配PDB-ID。
但蛋白质数据库PDB 的索引编撰者尽量设计好的记忆方法，使结构名称易于记忆，如早先如图3.1所示的胰岛素记录3INS。
∙数据库查询、PDB文件检索与链接PDB和它的一些镜像站点提供由每个PDB记录的所有文本信息索引的文本搜索引擎，可按一些专门的查询项目（如提交数据、作者姓名、结构表达）检索。
PDB 最新的搜索引擎，3DB Atlas，可用于PDB记录检索，如图3.2示。
3DB Atlas 也是链接有PDB结构数据第三方注解的基本数据库，支持大量的到基于因特网三维结构服务的其它网点的链接。
其中包括了一些二维、三维浏览器，如Kinemage （Richardson，Richardson，1992）、Resmol（Sayle，Milner�White，1995）。
图3.2b显示了蛋白质1BNR的到3DB记录Barnase的一些链接。
创建的图像有助于调整三维结构方向，以获得观察结合位点这类确定特征的最好视角。
3DB Atlas 也与专门设计的数据库相连，这些数据库由对诸如结构进化（FSSP：Holm，Sandar，1993）、结构相似性（DALI：Holm，Sander，1996）和蛋白质运动（Gerstein 等，1994）等相关课题有兴趣的研究者维护。
3DB可相应链接NCBI的MMDB服务（Hogue等，1996），提供了一条到Entrez（Schuler等，1996）系统（包括序列、分类、PubMed/MEDICINE服务和VAST结构相似性比较）的通路。
∙源自PDB结构记录的序列PDB文件编码格式的序列是众人皆知的。
因为不能确保结构的完整，PDB记录包括两个序列信息备份：隐性序列和显性序列。
两者都被用于重构生物高聚体的化学图像。
显性序列在PDB文件中以关键词SEQRES打头逐行存储。
不同于其它序列数据库，PDB记录用三字母氨基酸编码，任意选择三个字母作为名称的非标准氨基酸在许多PDB记录序列条目中可被找到。
在PDB中，一些双螺旋核酸序列条目被指定依照在条目中按从3’到5’端的顺序排列的一条链在上，从5’到3’端排列的互补链在下的方式排列。
虽然这些以双螺旋形式表达的序列对人类而言是容易理解的，但直接由计算机阅读此类从3’到5’端排列的显性序列是荒堂的。
因为三维结构可能对应有多个生物高聚物链，所以使用者必须借助PDB链识别标记方可确定需要的序列。
PDB文件SEQRES入口用一个大写字母或空格作为链识别标记，以识别条目中的每个单独的生物高聚体链。
如图3．1所示的3INS结构，在记录中便存在两种胰岛素分子。
3INS序列包括A、B、C、D四个氨基酸序列。
由胰岛素的生物化学背景知识知道A、B蛋白质链源自同一基因，在翻译修饰的过程中，胰岛素序列被切为如PDB记录所示的两段。
