文件格式说明 - mmCIF／CIF（晶体学与宏分子结构）

发表于 | 分类于 ，
介绍晶体学信息文件（CIF）与宏分子扩展 mmCIF（PDBx）的 STAR 语法骨架、核心类目与生物学／化学含义，附科普漫画风手绘示意图理解数据块、晶胞对称与原子表。

当你从 **蛋白质结构数据库（Protein Data Bank，PDB）**下载条目、或使用 AlphaFold 等管线导出结构时，文件名常为 .cif 或 .mmcif。这类文本本质上是 **晶体学信息文件（Crystallographic Information File，CIF）**家族的一员；描述蛋白质／核酸／配体复合物时常采用 宏分子 CIF（macromolecular CIF，mmCIF），在 wwPDB 生态里也常被称为 PDBx/mmCIF。它比老式固定宽度 PDB 文本更易扩展：字段名自描述、表格行数不受列宽限制，适合多链、翻译后修饰、配体化学与大规模组装体。

段末注释：wwPDB 为全球 PDB 档案库的协作组织；mmCIF 基于 STAR 语法（键–值 + loop_ 表格）；后文沿用 mmCIF、CIF，必要时区分「小分子晶体 CIF」与「宏分子 mmCIF」。

字段全称与校验规则以 mmcif.wwpdb.org 与 PDBx/mmCIF 词典为准。

1. 语法骨架：像「标签笔记本」一样的 STAR／mmCIF

mmCIF 建立在 STAR（Self-defining Text Archive and Retrieval） 文本格式之上，可读性规律可以记成三条：

  1. data_名称：打开一个新数据块（data block），类似笔记本里新开一章；一个文件可有多个块，常见宏分子条目里主要用一个块承载整套结构。
  2. _类目.项目名 值：单行键–值，点号前是类目（category），点后是项目（item），对应词典里的定义与允许类型。
  3. loop_：下列若干行先列出本表有哪些列（同上形式的 _类目.项目，可无值），再跟多行数据行，列顺序与声明一致——像表格表头 + 逐行记录。

data 块与 loop 表格的直觉（科普手绘漫画风，非官方原图）

科学意义：晶体学与结构生物学需要同时存档「物理测量 metadata」「化学拓扑」「原子坐标」「衍射／冷冻电镜重构统计」等异质信息；键–值适合唯一项（如晶胞边长），loop_ 适合「每个原子一行」「每个键一行」的可变长度列表，避免 PDB 固定列被超长字段撑爆。

2. 生物学／化学语境里最先值得盯的几组类目

2.1 条目身份：_entry.id

对应 PDB ID（如 8ABC）。阅读批量下载文件时，用它做去重与数据库 API 关联。

2.2 晶胞与对称：_cell.*、_symmetry.*、_space_group_*

实验晶体结构里，原子坐标常描述在不对称单元（asymmetric unit）中，再通过空间群对称操作生成完整晶体；_cell.length_a/b/c、_cell.angle_alpha/beta/gamma 给出**晶胞（unit cell）**几何——本质上是用三个边长与三个夹角，界定周期性重复排列的「最小盒子」，离子／小分子在盒子里堆积方式即晶体化学关心的堆垛与氢键网络。

晶胞边长、夹角与对称／空间群的直觉（科普手绘漫画风，非官方原图）

预测结构或冷冻电镜单颗粒重构条目仍可能出现晶胞字段（有时取占位或约定默认），解读时要结合 EXPDTA（实验方法）等说明：不必把「晶胞数字」一律当成真实衍射晶体的测量结果。

段末注释：**空间群（space group）**描述晶体对称操作的集合（平移、旋转、反演等的组合），决定如何从不对称单元复制出整块晶体。

2.3 原子坐标表：loop_ _atom_site.*

这是最常用的「逐原子清单」。典型列包括（具体条目未必全列齐）：

常见 _atom_site 列（示意） 概念／科学意义
group_PDB ATOM（聚合物标准残基） vs HETATM（配体、离子、溶剂等）
type_symbol 元素符号（化学物种）
label_atom_id / auth_atom_id 原子名；label_* 与 auth_* 分别对应标准化标注与作者／ deposited 习惯
label_comp_id / auth_seq_id 残基／组分名与序号，映射突变、修饰位点
label_asym_id 链 ID；沟通序列比对与分子界面分析
Cartn_x/y/z 笛卡尔坐标（Å），三维构象的直接载体
occupancy 占位率：无序或多构象时可见小于 1 的值
B_iso_or_equiv 各向同性 B-factor 或等效值；晶体学里反映热振动／无序；预测结构里常与置信度相关（视数据来源）

atom_site 循环表：一行一个原子（科普手绘漫画风，非官方原图）

表中 occupancy 与 B_iso_or_equiv（B-factor）在晶体学里的理化含义、与预测结构「借用 B 列存置信度」的区别，已作为知识补充写在同目录 fileformat-pdb.md 的 §2.2，并配有示意插图，可与本节对照阅读。

小分子配体／对接侧常用的 Molfile／SDF／MOL2 文本格式说明见 fileformat-molfile.md、fileformat-sdf.md、fileformat-mol2.md（与 chem_comp／对接工作流互补）。

2.4 聚合物实体与小分子：entity / entity_poly vs chem_comp

  • entity / entity_poly：描述「这条聚合物实体」是什么——例如蛋白质一条链的序列类型、长度、是否为 polymer。生物学叙事（结构域划分、翻译后修饰标注）常先要理清 entity 与链的对应。
  • chem_comp：词典式列出文件中出现的化学组分（标准氨基酸三字码、辅因子、抑制剂、离子等），连接 PubChem／内部组分 ID，承载化学识别信息。

聚合物实体 entity_poly 与化学组分 chem_comp 分工（科普手绘漫画风，非官方原图）

化学意义：同一晶体里既有 酶 又有 底物类似物 时，entity_poly 告诉你「哪段序列是酶」，_chem_comp / _atom_site 告诉你「配体原子如何命名与键合」；解析对接与药效团分析时，二者缺一不可。

3. 与 PDB 文本的对照（何时优先 mmCIF）

场景 更合适的格式
极长链、多链复合物、复杂配体 mmCIF（字段长度与表格行数灵活）
老脚本、部分可视化仅认 PDB PDB
AlphaFold DB、最新 wwPDB 分发 常见 mmCIF 为主或双格式

同目录下的 PDB 说明见：fileformat-pdb.md。

4. 极简虚构示例（教学用，非真实条目）

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
data_demo
_entry.id DEMO
_cell.length_a 50.0
_cell.length_b 50.0
_cell.length_c 100.0
_cell.angle_alpha 90.0
_cell.angle_beta  90.0
_cell.angle_gamma 90.0
loop_
_atom_site.group_PDB
_atom_site.type_symbol
_atom_site.label_atom_id
_atom_site.label_comp_id
_atom_site.label_asym_id
_atom_site.auth_seq_id
_atom_site.Cartn_x
_atom_site.Cartn_y
_atom_site.Cartn_z
_atom_site.occupancy
_atom_site.B_iso_or_equiv
ATOM N N GLY A 1 10.0 20.0 30.0 1.0 25.3
ATOM C CA GLY A 1 11.2 20.5 30.1 1.0 24.8

真实文件还包含对称、struct_asym、entity 等大量关联信息；应用层应用 gemmi、Biopython MMCIF、iotbx 等库解析，避免手写字符串切片。

5. 解析与校验工具（实践入口）

  • gemmi（C++/Python）：读写 mmCIF、晶胞对称、结构编辑常用。
  • Biopython MMCIF2Dict / 结构对象：与序列、链对象衔接。
  • wwPDB 校验服务：提交前检查类目完备性与化学一致性。

6. 小结 Checklist

  1. data_ 定位数据块；loop_ 读作「表」。
  2. _cell / 对称相关：晶体周期性几何；预测条目需结合实验类型解读。
  3. _atom_site：坐标与 B-factor／占位率；链与序列号用 label_* / auth_* 时注意数据库约定。
  4. entity_poly vs chem_comp：分清「生物聚合物身份」与「化学组分词典」。
  5. 需要与 PDB 对照或衔接 AlphaFold 导出时，优先确认下载的是 mmCIF 还是 PDB，再选解析栈。

参考链接

-------------本文结束感谢您的阅读-------------