用於計算分子生物學的 Python 工具
用於計算分子生物學的 Python 工具
Bio.PDB 是 Biopython 的一個模組，專注於處理生物巨分子的晶體結構。本文檔提供了 Bio.PDB 的相當完整的概述。
Bio.PDB 會自動作為 Biopython 的一部分安裝。Biopython 可以從 http://www.biopython.org 取得。它可以在許多平台上執行 (Linux/Unix、Windows、Mac 等)。
Bio.PDB 被用於建構 DISEMBL，這是一個預測蛋白質中無序區域的網路伺服器，以及 COLUMBA，一個提供註釋蛋白質結構的網站（不再可用？）。Bio.PDB 也被用於在 PDB 中執行蛋白質結構之間活性位點相似性的大規模搜索（請參閱 Proteins 51: 96–108, 2003），並開發一種新的演算法來識別線性二級結構元素（請參閱 BMC Bioinformatics 6: 202, 2005）。
從功能和資訊的需求來看，Bio.PDB 也被幾家大型製藥公司 (LPC) 使用 :-)。
有的，如果您使用了 Bio.PDB，我會很感激您在出版物中引用它。參考文獻是
Hamelryck, T., Manderick, B. (2003) PDB parser and structure class implemented in Python. Bioinformatics 19: 2308–2310
這篇文章可以透過 生物資訊學期刊網站 免費下載。我歡迎您發送電子郵件告訴我您使用 Bio.PDB 的用途。功能請求也歡迎。
實際上相當好。Bio.PDB 已經在來自 PDB 的近 5500 個結構上進行了廣泛的測試 - 所有結構似乎都得到了正確的解析。更多詳細資訊可以在 Bio.PDB 生物資訊學文章中找到。Bio.PDB 已經/正在許多研究專案中作為可靠的工具使用。事實上，我幾乎每天都將 Bio.PDB 用於研究目的，並繼續致力於改進它並添加新功能。
PDBParser 的效能在約 800 個結構（每個結構都屬於一個獨特的 SCOP 超家族）上進行了測試。這需要大約 20 分鐘，或平均每個結構 1.5 秒。解析大型核醣體亞基 (1FKK) 的結構，其中包含約 64000 個原子，在 1000 MHz 的 PC 上需要 10 秒。簡而言之：對於許多應用來說，它已經足夠快了。
Bio.PDB 可能正是您想要的，但也可能不是。如果您對 PDB 標頭的資料探勘感興趣，您可能需要考慮其他地方，因為這方面的支援有限。如果您正在尋找一個強大、完整的資料結構來存取原子資料，那麼 Bio.PDB 可能適合您。
這很簡單
from Bio.PDB import *
不是直接支援，主要是因為已經有很多基於 Python 或具有 Python 感知的解決方案，它們有可能與 Bio.PDB 一起使用。我選擇的是 Pymol，順便說一句（我已經成功地將它與 Bio.PDB 一起使用，而且 Bio.PDB 中可能很快/有一天會出現特定的 PyMol 模組）。基於 Python 或具有 Python 感知的分子圖形解決方案包括
再寫一個分子圖形應用程式會很瘋狂（實際上已經做過了 :-）。
但是，您可以使用 nglview 在 Jupyter 筆記本中以互動方式檢視 Biopython 結構實體
import nglview as nv
view = nv.show_biopython(structure)
view
首先，建立一個 PDBParser 物件
parser = PDBParser()
然後，以下列方式從 PDB 檔案建立結構物件（在這種情況下，PDB 檔案名為 1FAT.pdb，PHA-L 是使用者定義的結構名稱）
structure = parser.get_structure("PHA-L", "1FAT.pdb")
與 PDB 檔案的情況類似，首先建立一個 MMCIFParser 物件
parser = MMCIFParser()
然後使用此解析器從 mmCIF 檔案建立結構物件
structure = parser.get_structure("PHA-L", "1FAT.cif")
目前尚不支援，但我絕對計畫在未來支援（這不是很多工作）。如果您需要此功能，請與我聯繫，這可能會鼓勵我 :-)。
沒問題。您可以建立一個 Python 字典，將 mmCIF 檔案中的所有 mmCIF 標籤對應到它們的值。如果有多個值（例如標籤 _atom_site.Cartn_y，它保存所有原子的y座標），則該標籤會對應到一個值列表。字典是從 mmCIF 檔案中建立的，如下所示
from Bio.PDB.MMCIF2Dict import MMCIF2Dict
mmcif_dict = MMCIF2Dict("1FAT.cif")
範例：從 mmCIF 檔案取得溶劑含量
sc = mmcif_dict["_exptl_crystal.density_percent_sol"]
範例：取得所有原子的 y 座標列表
y_list = mmcif_dict["_atom_site.Cartn_y"]
感謝 Christian Rother，您可以存取 PDB 標頭中的一些資訊。但請注意，許多 PDB 檔案包含具有不完整或錯誤資訊的標頭。許多錯誤已在等效的 mmCIF 檔案中修正。因此，如果您對標頭資訊感興趣，最好使用上述 MMCIF2Dict 工具從 mmCIF 檔案中提取資訊，而不是解析 PDB 標頭。
現在已經澄清了，讓我們回到解析 PDB 標頭。結構物件有一個名為 header 的屬性，它是一個 Python 字典，將標頭記錄對應到它們的值。
範例
resolution = structure.header["resolution"]
keywords = structure.header["keywords"]
可用的索引鍵包括 name、head、deposition_date、release_date、structure_method、resolution、structure_reference（對應到參考文獻列表）、journal_reference、author 和 compound（對應到包含有關結晶化合物的各種資訊的字典）。
也可以在不建立 Structure 物件的情況下，直接從 PDB 檔案建立字典
handle = open(filename, "r")
header_dict = parse_pdb_header(handle)
handle.close()
當然。許多 PDB 解析器假設只有一個模型，這使得它們對於 NMR 結構幾乎毫無用處。Structure 物件的設計使其可以輕鬆處理具有多個模型的 PDB 檔案（請參閱 結構物件 章節）。
可以使用 PDBList 物件，使用 retrieve_pdb_file 方法來完成。此方法的引數是結構的 PDB 識別符號。
pdbl = PDBList()
pdbl.retrieve_pdb_file("1FAT")
PDBList 類別也可以作為命令列工具使用
python PDBList.py 1fat
下載的檔案將被命名為 pdb1fat.ent 並儲存在目前的工作目錄中。請注意，retrieve_pdb_file 方法還有一個可選引數 pdir，用於指定儲存下載的 PDB 檔案的特定目錄。
retrieve_pdb_file 方法還有一些選項，用於指定下載使用的壓縮格式，以及用於本地解壓縮的程式（預設為 .Z 格式和 gunzip）。此外，可以在建立 PDBList 物件時指定 PDB ftp 站點。預設情況下，使用 全球蛋白質資料庫 的 ftp 伺服器。有關更多詳細資訊，請參閱 API 文件。再次感謝 Kristian Rother 捐贈此模組。
以下命令會將所有 PDB 檔案儲存在 /data/pdb 目錄中
python PDBList.py all /data/pdb
python PDBList.py all /data/pdb -d
此 API 方法稱為 download_entire_pdb。新增 -d 選項會將所有檔案儲存在同一目錄中。否則，它們會根據其 PDB ID 分類到 PDB 樣式的子目錄中。根據流量的不同，完整下載需要 2-4 天。
也可以使用 PDBList 物件來完成。只需建立一個 PDBList 物件（指定 PDB 的本地副本所在的目錄）並呼叫 update_pdb 方法即可
pl = PDBList(pdb="/data/pdb")
pl.update_pdb()
當然，可以將此操作設定為每週的 cronjob，以便自動使本地副本保持最新。也可以指定 PDB ftp 站點（請參閱 API 文件）。
PDBList 還有一些額外的方法可以使用。get_all_obsolete 方法可以用來取得所有過時的 PDB 條目的列表。changed_this_week 方法可以用來取得本週新增、修改或過時的條目。關於 PDBList 的更多可能性，請參閱 API 文件。
眾所周知，許多 PDB 檔案都包含語義錯誤（我指的不是結構本身，而是它們在 PDB 檔案中的表示）。Bio.PDB 嘗試以兩種方式處理這個問題。PDBParser 物件可以兩種方式運作：嚴格模式和寬鬆模式（現在是預設）。嚴格模式過去是預設模式，但人們似乎認為 Bio.PDB 因為一個錯誤而「崩潰」（哈！），所以我更改了它。如果您遇到真正的錯誤，請立即告訴我！
範例
# Permissive parser
parser = PDBParser(PERMISSIVE=1)
parser = PDBParser() # The same (default)
# Strict parser
strict_parser = PDBParser(PERMISSIVE=0)
在寬鬆模式（預設）下，明顯包含錯誤的 PDB 檔案會被「修正」（即，某些殘基或原子會被忽略）。這些錯誤包括：
這些錯誤表示 PDB 檔案中存在真正的問題（詳細資訊請參閱 Bioinformatics 文章）。在嚴格模式下，包含錯誤的 PDB 檔案會導致例外發生。這對於找出 PDB 檔案中的錯誤很有用。
然而，有些錯誤會自動修正。通常，每個無序原子都應該有一個非空白的 altloc 識別符。然而，有許多結構不遵循這個慣例，並且對於同一個原子的兩個無序位置，同時具有空白和非空白的識別符。這會自動以正確的方式解釋。
有時，一個結構包含屬於鏈 A 的殘基列表，接著是屬於鏈 B 的殘基，然後又是屬於鏈 A 的殘基，也就是說，這些鏈是「斷裂的」。這也會被正確解釋。
使用 PDBIO 類別來實現。當然，也很容易寫出結構的特定部分。
範例：儲存一個結構
io = PDBIO()
io.set_structure(s)
io.save("out.pdb")
如果您想寫出結構的一部分，請使用 Select 類別（也在 PDBIO 中）。Select 有四個方法：
accept_model(model)
accept_chain(chain)
accept_residue(residue)
accept_atom(atom)
預設情況下，每個方法都會回傳 1（表示模型/鏈/殘基/原子包含在輸出中）。透過繼承 Select 並在適當時回傳 0，您可以從輸出中排除模型、鏈等等。也許很麻煩，但非常強大。以下程式碼只會寫出甘胺酸殘基：
class GlySelect(Select):
def accept_residue(self, residue):
if residue.get_name() == "GLY":
return 1
else:
return 0
io = PDBIO()
io.set_structure(s)
io.save("gly_only.pdb", GlySelect())
如果這對您來說太複雜了，Dice 模組包含一個方便的 extract 函式，它可以寫出鏈中開始和結束殘基之間的所有殘基。
不，而且我也不打算很快（或永遠）添加該功能（我根本不需要它，而且這需要大量工作，而且從來沒有人要求過）。想要添加這個功能的人可以聯絡我。
Structure 物件遵循所謂的 SMCRA（結構/模型/鏈/殘基/原子）架構：
這是許多結構生物學家/生物資訊學家思考結構的方式，並提供了一種簡單但有效的方式來處理結構。其他額外的東西基本上是在需要時添加的。下面圖中顯示了 Structure 物件的 UML 圖（暫時忽略 Disordered 類別）。
結構物件的 SMCRA 架構圖。
帶有菱形的全線表示聚合，帶有箭頭的全線表示引用，帶有三角形的全線表示繼承，帶有三角形的虛線表示介面實現。
以下程式碼會迭代瀏覽結構的所有原子：
p = PDBParser()
structure = p.get_structure("X", "pdb1fat.ent")
for model in structure:
for chain in model:
for residue in chain:
for atom in residue:
print(atom)
還有一些捷徑：
# Iterate over all atoms in a structure
for atom in structure.get_atoms():
print(atom)
# Iterate over all residues in a model
for residue in model.get_residues():
print(residue)
結構、模型、鏈、殘基和原子在 Biopython 中稱為 實體。您始終可以從子 Entity 取得父 Entity，例如：
residue = atom.get_parent()
chain = residue.get_parent()
您也可以使用 has_id 方法來測試 Entity 是否具有特定的子實體。
您可以執行以下操作：
atoms = structure.get_atoms()
residues = structure.get_residues()
atoms = chain.get_atoms()
您也可以使用 Selection.unfold_entities 函式：
# Get all residues from a structure
res_list = Selection.unfold_entities(structure, "R")
# Get all atoms from a chain
atom_list = Selection.unfold_entities(chain, "A")
顯然，A=原子，R=殘基，C=鏈，M=模型，S=結構。您可以使用這個方法在階層中向上移動，例如，從 Atom 的列表取得（唯一的）Residue 或 Chain 父節點列表：
residue_list = Selection.unfold_entities(atom_list, "R")
chain_list = Selection.unfold_entities(atom_list, "C")
如需更多資訊，請參閱 API 文件。
Structure 中提取特定的 Atom/Residue/Chain/Model？很簡單。這裡有一些範例：
model = structure[0]
chain = model["A"]
residue = chain[100]
atom = residue["CA"]
請注意，您可以使用捷徑：
atom = structure[0]["A"][100]["CA"]
模型 ID 是一個整數，表示模型在 PDB/mmCIF 檔案中的排序。模型 ID 從 0 開始。晶體結構通常只有一個模型（id 為 0），而 NMR 檔案通常有幾個模型。
鏈 ID 在 PDB/mmCIF 檔案中指定，並且是一個單一字元（通常是字母）。
由於 PDB 格式的笨拙，這有點複雜。殘基 ID 是一個包含三個元素的元組：
'H_' 加上異質殘基的名稱（例如，葡萄糖分子的情況下為 'H_GLC'），或水分子情況下的 'W'。'A'。插入碼有時用於保留某種期望的殘基編號方案。例如，Ser 80 插入突變體（例如，插入在 Thr 80 和 Asn 81 殘基之間）的序列識別符和插入碼可能如下：Thr 80 A、Ser 80 B、Asn 81。這樣，殘基編號方案就可以與野生型結構的編號方案保持一致。因此，上述葡萄糖殘基的 id 將會是 ('H_GLC', 100, 'A')。如果異質旗標和插入碼為空白，則可以單獨使用序列識別符。
# Full id
residue = chain[(" ", 100, " ")]
# Shortcut id
residue = chain[100]
使用異質旗標的原因是，許多 PDB 檔案對氨基酸以及異質殘基或水使用相同的序列識別符，如果沒有使用異質旗標，就會產生明顯的問題。
原子 ID 只是原子名稱（例如，'CA'）。實際上，原子名稱是透過移除 PDB 檔案中原子名稱的所有空格來建立的。
但是，在 PDB 檔案中，空格可以是原子名稱的一部分。通常，鈣原子被稱為 'CA..'，以便將它們與 Cα 原子（稱為 '.CA.'）區分開來。在移除空格會造成問題的情況下（即，同一個殘基中有兩個稱為 'CA' 的原子），則會保留空格。
這是 Bio.PDB 的強項之一。它可以處理無序原子和點突變（即，相同位置的 Gly 和 Ala 殘基）。
應該從兩個角度來看待無序：原子和殘基的角度。總體而言，我試圖封裝由無序產生的所有複雜性。如果您只想遍歷所有 Cα 原子，您不會關心某些殘基是否具有無序的側鏈。另一方面，也應該有可能在資料結構中完全表示無序。因此，無序原子或殘基儲存在特殊的物件中，這些物件的行為就像沒有無序一樣。這是透過只表示無序原子或殘基的子集來完成的。選擇哪個子集（例如，使用 Ser 殘基的兩個無序 OG 側鏈原子位置中的哪一個）可以由使用者指定。
無序原子位置由普通的 Atom 物件表示，但是所有表示相同物理原子的 Atom 物件都儲存在一個 DisorderedAtom 物件中（請參閱結構物件章節）。DisorderedAtom 物件中的每個 Atom 物件都可以使用其 altloc 指定符來唯一索引。DisorderedAtom 物件會將所有未捕獲的方法呼叫轉發到選定的 Atom 物件，預設情況下是代表具有最高佔有率的原子的物件。使用者當然可以變更選定的 Atom 物件，並使用其 altloc 指定符。這樣，就可以正確地表示原子無序，而不會增加太多的複雜性。換句話說，如果您對原子無序不感興趣，就不會受到它的干擾。
每個無序原子都有一個特徵的 altloc 識別符。您可以指定 DisorderedAtom 物件的行為應該像與特定 altloc 識別符相關聯的 Atom 物件一樣。
atom.disordered_select("A") # select altloc A atom
atom.disordered_select("B") # select altloc B atom
當無序是由於點突變造成時，就會出現特殊情況，也就是說，當晶體中存在多個多肽的點突變體時。一個例子可以在 PDB 結構 1EN2 中找到。
由於這些殘基屬於不同的殘基類型（例如，假設 Ser 60 和 Cys 60），因此它們不應該像一般情況一樣儲存在單一的 Residue 物件中。在這種情況下，每個殘基都由一個 Residue 物件表示，並且兩個 Residue 物件都儲存在單一的 DisorderedResidue 物件中（請參閱結構物件章節）。
DisorderedResidue 物件會將所有未捕獲的方法轉發到選定的 Residue 物件（預設情況下是最後添加的 Residue 物件），因此其行為就像一個普通的殘基。DisorderedResidue 物件中的每個 Residue 物件都可以透過其殘基名稱來唯一識別。在上述範例中，殘基 Ser 60 在 DisorderedResidue 物件中的 id 將會是 'SER'，而殘基 Cys 60 的 id 將會是 'CYS'。使用者可以透過此 id 來選取 DisorderedResidue 物件中的活動 Residue 物件。
範例：假設一個鏈在位置 10 有一個點突變，由一個 Ser 和一個 Cys 殘基組成。請確保此鏈的位置 10 的殘基表現得像 Cys 殘基。
residue = chain[10]
residue.disordered_select("CYS")
此外，您可以使用 (Disordered)Residue 物件的 get_unpacked_list 方法，取得所有 Atom 物件的列表（即，所有 DisorderedAtom 物件都會「解包」為其個別的 Atom 物件）。
可以，某種程度上可以，但我正在等待這個功能的請求完成 :-)。
請參閱「什麼是殘基 ID？」。
是的！Bio.PDB 支援等向性和非等向性 B 因子，並且在存在非等向性 B 因子的標準差時也會處理（請參閱分析章節）。
是的，支援。請參閱分析章節。
當然，當然。每個人總是提出（大多是空談或部分實作的）資料結構，以處理所有可能的情況，並以所有可想像（和不可想像）的方式擴展。然而，平淡的真相是，使用（我的意思是真的使用！）晶體結構的人中，有 99.9% 是以模型、鏈、殘基和原子的角度思考。 Bio.PDB 的理念是提供一個相當快速、乾淨、簡單但完整的方式來存取結構資料。布丁的好壞，吃過才知道。
此外，在 Structure 類別之上建立更專業的資料結構相當容易（例如，有一個 Polypeptide 類別）。另一方面，Structure 物件是使用 Parser/Consumer 方法（分別稱為 PDBParser/MMCIFParser 和 StructureBuilder）建立的。可以透過實作專業的 StructureBuilder 類別，輕鬆重複使用 PDB/mmCIF 解析器。當然，透過編寫新的解析器，新增對新檔案格式的支援也很簡單。
Atom 物件中提取資訊？使用以下方法
a.get_name() # atom name (spaces stripped, e.g. 'CA')
a.get_id() # id (equals atom name)
a.get_coord() # atomic coordinates
a.get_vector() # atomic coordinates as Vector object
a.get_bfactor() # isotropic B factor
a.get_occupancy() # occupancy
a.get_altloc() # alternative location specifier
a.get_sigatm() # std. dev. of atomic parameters
a.get_siguij() # std. dev. of anisotropic B factor
a.get_anisou() # anisotropic B factor
a.get_fullname() # atom name (with spaces, e.g. '.CA.')
Residue 物件中提取資訊？使用以下方法
r.get_resname() # return the residue name (eg. 'GLY')
r.is_disordered() # 1 if the residue has disordered atoms
r.get_segid() # return the SEGID
r.has_id(name) # test if a residue has a certain atom
這很簡單：原子的減號運算子已重載為傳回兩個原子之間的距離。
範例
# Get some atoms
ca1 = residue1["CA"]
ca2 = residue2["CA"]
# Simply subtract the atoms to get their distance
distance = ca1 - ca2
這可以透過原子坐標的向量表示法，以及 Vector 模組中的 calc_angle 函式輕鬆完成
vector1 = atom1.get_vector()
vector2 = atom2.get_vector()
vector3 = atom3.get_vector()
angle = calc_angle(vector1, vector2, vector3)
同樣地，這可以透過原子坐標的向量表示法輕鬆完成，這次使用 Vector 模組中的 calc_dihedral 函式
vector1 = atom1.get_vector()
vector2 = atom2.get_vector()
vector3 = atom3.get_vector()
vector4 = atom4.get_vector()
angle = calc_dihedral(vector1, vector2, vector3, vector4)
使用 NeighborSearch。這在幕後使用 C 語言編碼的 KD 樹狀資料結構，因此速度相當快（請參閱 Bio.KDTree）。
Structure 物件中提取多肽？使用 PolypeptideBuilder。您可以使用產生的 Polypeptide 物件，取得序列作為 Seq 物件，或取得 Cα 原子的列表。可以使用 C-N 或 Cα-Cα 距離標準來建立多肽。
範例
# Using C-N
ppb = PPBuilder()
for pp in ppb.build_peptides(structure):
print(pp.get_sequence())
# Using CA-CA
ppb = CaPPBuilder()
for pp in ppb.build_peptides(structure):
print(pp.get_sequence())
請注意，在上述情況下，PolypeptideBuilder 只會考慮結構的模型 0。但是，也可以使用 PolypeptideBuilder 從 Model 和 Chain 物件建立 Polypeptide 物件。
首先要做的就是從結構中提取所有多肽（請參閱前一個條目）。然後可以從 Polypeptide 物件輕鬆取得每個多肽的序列。序列以 Biopython Seq 物件表示。
範例
>>> seq = polypeptide.get_sequence()
>>> print(seq)
Seq('SNVVE...')
對於此功能，您需要安裝 DSSP（並取得其授權 - 學術用途免費）。然後使用 DSSP 類別，將 Residue 物件對應到其二級結構（和可及表面積）。DSSP 代碼列於下表中。請注意，DSSP（程式以及因此的類別）無法處理多個模型！
| DSSP 代碼 | 二級結構 |
|---|---|
| H | α-螺旋 |
| B | 孤立 β-橋殘基 |
| E | 鏈 |
| G | 3-10 螺旋 |
| I | Π-螺旋 |
| T | 轉角 |
| S | 彎曲 |
| - | 其他 |
使用 DSSP 類別（另請參閱前一個條目）。但另請參閱下一個條目。
殘基深度是殘基的原子與溶劑可及表面之間的平均距離。它是溶劑可及性的一個相當新且非常強大的參數化方法。對於此功能，您需要安裝 Michel Sanner 的 MSMS 程式。然後使用 ResidueDepth 類別。這個類別的行為像一個字典，將 Residue 物件對應到相應的（殘基深度、Cα 深度）元組。Cα 深度是殘基的 Cα 原子到溶劑可及表面的距離。
範例
model = structure[0]
rd = ResidueDepth(model, pdb_file)
residue_depth, ca_depth = rd[some_residue]
您也可以存取分子表面本身（透過 get_surface 函式），其形式為帶有表面點的 NumPy 陣列。
半球暴露 (HSE) 是一種新的 2D 溶劑暴露測量方法。基本上，它計算殘基周圍沿著其側鏈方向和相反方向（在 13 Å 的半徑內）的 Cα 原子數量。儘管它很簡單，但它比許多其他溶劑暴露的測量方法更有效。一篇描述這種新型 2D 測量方法的文章已提交。
HSE 有兩種形式：HSEα 和 HSEβ。前者只使用 Cα 原子位置，而後者則使用 Cα 和 Cβ 原子位置。HSE 測量由 HSExposure 類別計算，該類別也可以計算接觸數。後者類別具有傳回字典的方法，這些字典會將 Residue 物件對應到其相應的 HSEα、HSEβ 和接觸數值。
範例
model = structure[0]
hse = HSExposure()
# Calculate HSEalpha
exp_ca = hse.calc_hs_exposure(model, option="CA3")
# Calculate HSEbeta
exp_cb = hse.calc_hs_exposure(model, option="CB")
# Calculate classical coordination number
exp_fs = hse.calc_fs_exposure(model)
# Print HSEalpha for a residue
print(exp_ca[some_residue])
首先，建立 FASTA 格式的比對檔案，然後使用 StructureAlignment 類別。這個類別也可以用於兩個以上結構的比對。
使用 is_aa(residue)。
Atom 物件使用 get_vector 方法傳回坐標的 Vector 物件表示法。Vector 實作完整的 3D 向量運算、矩陣乘法（左和右）以及一些進階的旋轉相關運算。另請參閱下一個問題。
好吧，我承認，這個範例只是為了展示 Bio.PDB 的 Vector 模組的可能性而存在的（儘管這個程式碼實際上是用在 HSExposure 模組中，其中包含參數化殘基暴露的新方法 - 出版中）。假設您想找到 Gly 殘基的 Cβ 原子位置，如果它有的話。您會怎麼做？嗯，將 Gly 殘基的 N 原子沿著 Cα-C 鍵旋轉 -120 度，大約會將其置於虛擬 Cβ 原子的位置。以下是如何使用 Vector 模組的 rotaxis 方法（可以用來建構繞著特定軸的旋轉）來完成此操作
# get atom coordinates as vectors
n = residue["N"].get_vector()
c = residue["C"].get_vector()
ca = residue["CA"].get_vector()
# center at origin
n = n - ca
c = c - ca
# find rotation matrix that rotates n -120 degrees along the ca-c vector
rot = rotaxis(-pi * 120.0 / 180.0, c)
# apply rotation to ca-n vector
cb_at_origin = n.left_multiply(rot)
# put on top of ca atom
cb = cb_at_origin + ca
這個範例顯示，有可能對原子資料執行一些相當重要的向量運算，這可能相當有用。除了所有常見的向量運算（叉積（使用 **），和點積（使用 *）運算、角度、範數等等）以及上述的 rotaxis 函式之外，Vector 模組還具有將一個向量旋轉 (rotmat) 或反射 (refmat) 到另一個向量之上的方法。
令人驚訝的是，這是使用 Superimposer 物件完成的。此物件會計算旋轉和平移矩陣，以將兩個原子列表彼此旋轉疊合，使其 RMSD（均方根偏差）最小化。當然，這兩個列表需要包含相同數量的原子。Superimposer 物件也可以將旋轉/平移應用於原子列表。旋轉和平移以元組形式儲存在 Superimposer 物件的 rotran 屬性中（請注意，旋轉是右乘！）。RMSD 儲存在 rmsd 屬性中。
Superimposer 使用的演算法來自 Matrix computations, 2nd ed. Golub, G. & Van Loan (1989)，並利用奇異值分解（這在一般的 Bio.SVDSuperimposer 模組中實現）。
範例
sup = Superimposer()
# Specify the atom lists
# 'fixed' and 'moving' are lists of Atom objects
# The moving atoms will be put on the fixed atoms
sup.set_atoms(fixed, moving)
# Print rotation/translation/rmsd
print(sup.rotran)
print(sup.rms)
# Apply rotation/translation to the moving atoms
sup.apply(moving)
非常簡單。使用活性位點原子計算旋轉/平移矩陣（見上文），然後將這些矩陣應用於整個分子。
可以，使用 Atom 物件的 transform 方法，或直接使用 set_coord 方法。
請參閱主要的 Biopython 教學。
目前尚無文件。
哇！時間晚了，我累了，而且一杯極品的 Pedro Ximenez 雪利酒正在等著我。請給我發郵件，我會在早上回答你（如果幸運的話……）。
Bio.PDB 的主要作者/維護者是
Thomas Hamelryck 生物資訊學中心 哥本哈根大學分子生物學研究所 Universitetsparken 15, Bygning 10 DK-2100 København Ø 丹麥
Kristian Rother 捐贈了與 PDB 資料庫互動以及解析 PDB 表頭的程式碼。Indraneel Majumdar 發送了一些錯誤報告並協助編寫了 Polypeptide 模組。非常感謝 Brad Chapman、Jeffrey Chang、Andrew Dalke 和 Iddo Friedberg 的建議、評論、幫助和/或嚴厲批評 :-)。
可以，可以，可以！如果您有任何有用的東西可以貢獻，請發送電子郵件給 Thomas Hamelryck 或 Biopython 開發人員！永恆的名聲在等著您！