DAY 1 · S3 · 下午 90 分钟

数据格式与标识符：你的主场

这一节全是你的主场——格式、schema、主键、别名冲突。

U3.1FASTA：一行描述 + 一段 payload

>WQA35248.1 Sequence 45 from patent US 11753463
QVQLVQSGAEVKKPGASVKVSCKASGYTFTNYYMYWVRQAPGQGLEWMGG
INPSNGGTNFNEKFKNRVTLTTDSSTTTAYMELKSLQFDDTAVYYCARRD

就这么简单。> 开头是描述行（defline），下面是序列， 换行只是排版、不带语义。它是 1985 年的格式，至今没有被取代， 因为它够用——这一点你应该很熟悉。

看出问题了吗？上面这条真实的专利序列，描述行只写了 「来自专利 US 11753463 的第 45 条序列」——完全没说这个抗体抓什么靶点。
这就是整个行业最大的瓶颈：序列供给巨大，但靶点标签要读专利全文才有。 一条没有靶点标签的抗体序列，对「从头设计抗体」这个任务来说是没有 label 的样本。 这条线索会在 S5 变成一个具体的商业结论。

U3.2IMGT / Kabat / Chothia：三套并存的 schema 版本

问题是什么：不同抗体的可变区长度不一样。 那「第 52 位氨基酸」在不同抗体之间就没法比较—— 就像两本页数不同的书没法按页码互相对照。

解法是什么：搞一套标准编号，让不同抗体的「同一个结构位置」拿到同一个编号。 长度不同的地方用插入字母（52A、52B）或留空位来对齐。

IMGT / Kabat / Chothia三套编号体系，历史原因并存至今
≈
三个 schema 版本同一份数据，字段边界划法不同

最常见的三套：来历和取向

体系提出年代依据什么划今天的位置
Kabat1970 年代起序列变异度：哪些位置在不同抗体间变化最大 最老，早期文献大量沿用
Chothia1987结构环的起止：真正在空间上凸出来的那一段 做结构建模时常用
IMGT1997统一的结构域编号，跨物种、跨受体类型通用 最系统，目前的主流
先纠正一个常见的简化说法：不止三套。 除了上面这三套，实际在用的还有 Martin（增强 Chothia）、AbM、Contact、AHo、North 等， ANARCI 这类工具支持的就有七八种。
「三套」是入门时够用的简化，但写进合同验收条款时不要这么写—— 要写「明确声明所使用的编号体系」，而不是「须提供三套编号」。

为什么这件事对你重要

因为不同编号会切出不一样的 CDR 边界。同一条真实序列 （AT8 抗体的重链），问「CDR 是什么」，得到的答案取决于你用哪套：

同一条抗体序列在三套编号体系下的 CDR 差异示例
编号体系切出的 CDRH1切出的 CDRH3
IMGTDYSITSGYYTRGSLV
KabatSGYYWNGSLV
ChothiaDYSITSGYGSLV　← 与 Kabat 相同
请特别注意最后一格

Kabat 和 Chothia 对 CDR-H3 的定义是完全相同的 （都是 H95–H102）。它们的差别体现在 CDR-H1 和 CDR-L1 上，不体现在 H3 上。

这条本身就是一次判断力训练：「三套编号会切出不同的 CDR」这句话是对的， 但不能推出「任意两套在任意一个 CDR 上都不同」。 把前者当成后者去写代码，你会给 H3 建一套根本不存在的转换逻辑。
（顺带一提：网上流传的一个「Chothia CDR-H3 = SL」的说法， 其实是把极少使用的 Consensus Chothia 定义错标成了 Chothia。这门课第一版也抄错过。）

下游后果具体是什么：假设你按 CDRH3 做序列级去重。 用 IMGT 切出 TRGSLV（6 个字符）、用 Kabat/Chothia 切出 GSLV（4 个字符）—— 更短的键会把本不相同的抗体误判成重复而合并掉。 一次编号体系选错，损失的是数据集的有效样本量，而且不会有任何报错。
判定要点

正经数据集必须明确声明用的是哪套编号， 最好多套并给。只给一套还不说是哪套， 那和给你一个日期字段但不说是 UTC 还是本地时间一样——数据无法安全使用。
这也是你能问出的第二个专业问题：「CDR 用哪套编号切的？和独立工具比对过吗？」

Antibody Numbering Schemes YouTube · NaturalAntibody · 5:56 · 全网几乎唯一专讲这个话题的视频，冷门但极对口

U3.3UniProt 登录号 = 主键；名字 = 会撞的别名

每个蛋白在 UniProt 里有一个全球唯一的 登录号（accession），比如人 PD-1 是 Q15116。

为什么必须用它：靶点的名字非常乱。PD-1 又叫 PDCD1、CD279、 programmed cell death protein 1——都是同一个东西。只有登录号唯一且稳定。

UniProt 登录号Q15116
≈
主键 / UUID唯一、稳定、跨系统可引用
蛋白名 / 别名 / CD 号PD-1、PDCD1、CD279…
≈
display name可读、会变、会撞
真实翻车案例（这是本课最重要的一个陷阱）：
最初把 CCR4 归一到了 NOCT（登录号 Q9UK39）这个基因上。 而真正的 CCR4（趋化因子受体 CC motif receptor 4，一个真实的药物靶点）是完全另一个基因。

同类的还有几个：4-1BB、CD166、OX40 ——全都是主流免疫肿瘤靶点， 全都因为名字解析走错了路由而被归到了错误的条目上。

而且从数据表面完全看不出来：字段齐全、格式正确、条数够、每条都有登录号。
→ Lab 4 会让你亲手把这个 bug 跑出来。
根因，以及为什么它比看上去更难防

直觉上的解释是「NOCT 的废弃旧名叫 CCR4」——但这个解释是错的，值得你注意。

去 HGNC 查 NOCT， 它记录的 previous symbol 是 CCRN4L，不是 CCR4。 「CCR4」出现在 UniProt 的 Q9UK39 里，作为一个 gene name synonym。

后果很具体：如果你的防御措施是「把 HGNC 里所有废弃符号拉黑」， 这个坑照样会踩——因为它根本不在那张表里。 两个权威库对「什么算这个基因的别名」本来就不完全一致， 而冲突恰好发生在它们不一致的地方。

修法

三条，按重要性排：
① 现用符号优先路由：先查现用基因符号，再查别名和旧名， 命中别名时降低置信度并标记待复核。
② 不要只用一个源的别名表——因为它们互相不一致。
③ 用另一个独立源复核归一化结果，两边不一致的一律人工看。
翻译成你的语言：外键解析不能用可能冲突的 alias 当第一路由， 而且别名表本身也需要交叉验证。

U3.4PDB：三维坐标数据

PDB 是全球蛋白质三维结构的公共库， 每个结构一个 4 位编号（如 5B8C）。文件里逐个原子记录 (x, y, z) 坐标。

一个抗体-抗原复合物结构里会有多条链，每条一个字母标识。 数据表里常见的 Hchain / Lchain / Antigen_chain 三列， 记录的就是「哪条链是重链、哪条是轻链、哪条是抗原」。

这里有一个几乎人人都会犯的错： 以为 PDB 里的链 ID 有语义——H 就是重链、L 就是轻链、A 就是抗原。

没有这个约定。链 ID 完全由结构的沉积者自己起名。

反例就是本课一直在用的 5B8C（PD-1 与 pembrolizumab 的复合物）： 它的轻链是 A/D/G/J，重链是 B/E/H/K，抗原是 C/F/I/L。 按「H=重链、L=轻链、A=抗原」这条规则去解析， 你会把轻链当成抗原，然后算出一份完全错误的表位。

所以 Hchain / Lchain / Antigen_chain 这三列是别人替你判定过的结果 （SAbDab 这类策展库会做这件事），不是从 PDB 文件里直接读出来的。 它们是加工过的字段，你有权追问它是怎么判定的。
这一条的通用版本

看到一个字段叫 Hchain， 不要假设它等于「PDB 里那条叫 H 的链」。 字段名的含义来自生成它的那个管线，不来自它长得像什么。
这也是为什么 Lab 5 那个例子里， 抗原链是 P ——硬编码 chain == "A" 会直接算错。

为什么结构数据最值钱

有了三维结构，「这个抗体抓这个抗原」就不是别人说的， 而是看得见的物理事实——两个分子在坐标里真的贴在一起。 所以这类记录被定为最高证据等级。
代价是稀少：结构测定昂贵，抗体-抗原复合物结构全球只有数千个量级。 这个天花板本身就是一件判定武器，见 S8 的红旗清单。

当堂自测

六道题，本节内容最多，题也最多。

S3 · 格式与标识符