蛋白质结构中pdb_strand_id和asym_id相互转化

pdb_strand_id：是历史上由 PDB 数据库定义的链标识符，用于区分同一PDB文件中不同的链（可以是多肽链或核酸链）。这是结构解析过程中最常见的链标识符。

asym_id：是 mmCIF 格式中使用的一个标识符，表示非对称单元的标识符。它通常表示结构中的一个独立的多肽或核酸链，并用于细致描述每个非对称单元的内容。

mmseqs2进行pdb蛋白质序列聚类分析结果中（mmseqs2进行pdb蛋白质序列聚类分析_mmseq2-CSDN博客），链的ID为pdb_strand_id，而 解析批量下载的mmCif复合体结构并保存为.pt格式文件（解析批量下载的mmCif复合体结构并保存为.pt格式文件-CSDN博客）结果中链的编号为asym_id。再下游模型训练时需要把cluster.csv（mmseqs2蛋白质聚类数据格式转化-CSDN博客） 中 pdb_strand_id转为asym_id。

示例代码：

### 蛋白质链的映射：pdb_strand_id 转 asym_id 

import tempfile
from Bio.PDB import *
from mmcif.io.PdbxReader import PdbxReader
import os
 
 
def find_file_in_directory(file_name, search_directory):
    # 遍历指定目录及其子目录
    for root, dirs, files in os.walk(search_directory):
        # 检查当前目录中的文件是否与指定文件名匹配
        if file_name in files:
            # 返回文件的完整路径
            return os.path.join(root, file_name)
    
    # 如果没有找到，返回None
    return None

def parse_pdb_chain_to_asym_map(pdb_id, search_directory):
    """
    biopython下载.cif结构文件到临时文件夹并解析链 PDB ID 到 asym ID 的映射
    :param pdb_id: 目标蛋白质结构的 PDB ID
    :return: 链 PDB ID 到 asym ID 的映射字典
    """
 
    file_name =  pdb_id.lower() + '.cif'
    
    # 先查找有没有本地文件
    file_path = find_file_in_directory(file_name, search_directory)
    data = [] # 存储解析后的数据
    if file_path:
        with open(file_path, 'r') as file:
            reader = PdbxReader(file)
            reader.read(data)
    else:
        # 创建临时目录 
        with tempfile.TemporaryDirectory() as temp_dir:
            pdbl = PDBList()
            # 它将从服务器下载指定的文件(2fat.cif)并将其存储在当前工作目录中。
            pdbl.retrieve_pdb_file(pdb_id, pdir = temp_dir, file_format = 'mmCif')
        
            temp_file = os.path.join(temp_dir,file_name)
 
            print(temp_file)
        
            # 读取并解析 CIF 文件
            with open(temp_file, 'r') as file:
                reader = PdbxReader(file)
                reader.read(data)
       
    # 获取 pdbx_poly_seq_scheme 对象
    block = data[0]
    pdbx_poly_seq_scheme = block.getObj('pdbx_poly_seq_scheme')

    # 提取 pdb_strand_id 和 asym_id_idx 的列索引
    strand_id_idx = pdbx_poly_seq_scheme.getAttributeIndex('pdb_strand_id')  # pdb_strand_id
    asym_id_idx = pdbx_poly_seq_scheme.getAttributeIndex('asym_id')  # asym_id

    # 获取对应的值
    strand_ids = pdbx_poly_seq_scheme.getColumn(strand_id_idx)
    #print(pdb_strand_ids)
    asym_ids = pdbx_poly_seq_scheme.getColumn(asym_id_idx)
    
    # 加上pdb_id号  
    pdb_strand_ids = [f"{pdb_id}_{strand_id}" for strand_id in strand_ids]
    pdb_asym_ids = [f"{pdb_id}_{asym_id}" for asym_id in asym_ids]
 
    id_map = {}
    for pdb_strand_id, pdb_asym_id in zip(pdb_strand_ids, pdb_asym_ids):
        id_map.update([(pdb_strand_id, pdb_asym_id)])

    return id_map


# 示例用法
pdb_id = "5d0j"
id_map = parse_pdb_chain_to_asym_map(pdb_id, "/Users/zhengxueming/test/mmcif")
print(id_map)

批量转换并保存：

import csv
 
## 读取原始数据
with open("test_cluster.csv", 'r') as csvfile:
    reader = list(csv.reader(csvfile))
    data = reader[1:]   # 读取数据部分
    # 得到所有映射的字典
    cluster_ids = [ item[1].split('_')[0] for item in data ]
    homolog_ids = [ item[2].split(',') for item in data ]
    homolog_ids = [ id.split('_')[0] for item in homolog_ids for id in item ]
 
    #print(cluster_ids)
    #print(homolog_ids)
 
    pdb_ids = cluster_ids + homolog_ids
    pdb_ids = set(pdb_ids)
   
    #print(pdb_ids)
 
pdb_chain_to_asym_map = {}
for id in pdb_ids:
    #print(id)
    id_map = parse_pdb_chain_to_asym_map(id, "/Users/zhengxueming/test/mmcif")
    pdb_chain_to_asym_map.update(id_map)
 
print(pdb_chain_to_asym_map)


## 根据new_chain_to_entity_map，替换test_cluster.csv中链PDB ID 为 entity ID并保存到新的csv文件中
with open("test_cluster.csv", 'r') as csvfile:
    reader = list(csv.reader(csvfile))
    data = reader[1:]   # 读取数据部分


with open("new_test_cluster.csv", 'w', newline='') as csvfile:
    writer = csv.writer(csvfile)
    writer.writerow(["IDX","HOMOLOG"])
    for idx, cluster_id, homolog_ids in data:
        homolog_id_lst = homolog_ids.split(',')
        all_id_lst = [cluster_id] + homolog_id_lst
        writer.writerow([idx, ','.join([pdb_chain_to_asym_map[pdb_id] for pdb_id in all_id_lst if pdb_id in pdb_chain_to_asym_map.keys()])])

转化前：

转化后：

## 第一列为 index， 第二列为同源序列，其中第一个为代表序列（合并了原来的第二列和第三列后再转化)。