Biopython：生物序列与结构数据处理基础

Biopython 是生物信息学最基础的 Python 库，1999 年至今持续维护。在 AI 制药流程里它很少是主角，但几乎每条管线都会用到它做序列解析、PDB 文件处理或数据库检索——属于「不显眼但绕不开」的基础设施。

安装

pip install biopython
python -c "import Bio; print(Bio.__version__)"

一、序列处理

from Bio import SeqIO, Align
from Bio.Seq import Seq

# 读写常见格式
for rec in SeqIO.parse("proteins.fasta", "fasta"):
    print(rec.id, len(rec.seq), rec.seq[:30])

# 转录翻译
dna = Seq("ATGGCCATTGTAATGGGCCGCTGAAAGGGTGCCCGATAG")
print(dna.translate(to_stop=True))

# 序列比对（新版用 PairwiseAligner）
aligner = Align.PairwiseAligner(scoring="blastp")
aligner.mode = "local"
alns = aligner.align("MKTVRQERLKS", "MKTAROERLKS")
print(alns.score)
print(alns[0])

注意旧教程里的 Bio.pairwise2 已被弃用，新代码应用 Bio.Align.PairwiseAligner，速度也快很多。

二、PDB 结构处理

from Bio.PDB import PDBParser, PDBIO, Select, PDBList, Superimposer

parser = PDBParser(QUIET=True)
st = parser.get_structure("prot", "1ake.pdb")

# 层级：Structure → Model → Chain → Residue → Atom
for chain in st[0]:
    print(chain.id, len(list(chain.get_residues())))

# 提取单链并去水，写出干净结构
class CleanSelect(Select):
    def accept_residue(self, res):
        return res.id[0] == " "          # 只保留标准残基
    def accept_chain(self, chain):
        return chain.id == "A"

io = PDBIO()
io.set_structure(st)
io.save("chainA_clean.pdb", CleanSelect())

# 结构叠合
sup = Superimposer()
sup.set_atoms(fixed_atoms, moving_atoms)
print("RMSD", sup.rms)

Select 类是它处理 PDB 最实用的机制：通过重写 accept_* 方法就能按任意规则筛选并写出结构，比手工解析文本可靠得多。对接和模拟前的结构准备经常用到。

三、数据库检索

from Bio import Entrez, SeqIO
Entrez.email = "you@example.com"        # NCBI 要求提供邮箱

handle = Entrez.efetch(db="protein", id="NP_000537",
                       rettype="gb", retmode="text")
record = SeqIO.read(handle, "genbank")
print(record.description, len(record.seq))

# 批量下载 PDB
from Bio.PDB import PDBList
pdbl = PDBList()
pdbl.retrieve_pdb_file("1AKE", pdir="structures/", file_format="pdb")

使用 NCBI 接口时要遵守频率限制（无 API key 时约每秒 3 次），批量下载要加延时，否则会被限流。

在 AI 制药流程里的典型位置

• 准备结构预测输入：从 UniProt/NCBI 拉序列、清洗、切域，再喂给 AlphaFold / ESMFold。
• 对接前的结构清理：提取目标链、去水去杂原子、保留必要辅因子。
• 批量结构分析：遍历一批 PDB 算 RMSD、提取序列、统计残基组成。
• 与专用工具的分工：复杂的结构修复交给 PDBFixer（见 215《PDBFixer》），轨迹分析交给 MDAnalysis（见 205《MDAnalysis》），Biopython 负责解析、筛选、格式转换这类基础活。

延伸资源

• 结构修复：215《PDBFixer》；结构动力学：209《ProDy》；
• 轨迹分析：205《MDAnalysis》；蛋白语言模型：194《ESM》；
• 结构数据库见「数据资源」模块。