AMBER 轨迹分析与作图（上）：从轨迹文件到第一张图-北京尧图网络

本文收录于专栏分子动力学模拟-Amber—— 专栏系统覆盖Amber 分子动力学模拟全流程点击订阅可跟踪后续更新。摘要本文系统梳理 Amber 分子动力学模拟轨迹的常用分析工具与完整流程涵盖 cpptraj/ptraj/VMD 的选型对比以及 RMSD、RMSF、回旋半径、氢键、距离/二面角、PCA 六类常见分析的 cpptraj 输入文件模板。文章还给出从数据导出到论文级作图的四种方式Matplotlib、xmgrace、VMD、JupyterNGLviewMDAnalysis并提供一个从对齐骨架到 RMSD/RMSF/Rg/关键残基距离出图的完整案例教程帮助读者跑完模拟后直接套用命令与脚本生成分析图。你跑完一条 MD 轨迹面对md.nc几万个帧不知道从哪下手RMSD、RMSF、Rg、氢键、PCA 各代表什么、cpptraj 命令怎么写、算完的 .dat 又怎么画成论文级图这篇上篇把常用分析工具选型cpptraj/ptraj/VMD、六类常见分析的 cpptraj 输入文件模板rmsd.in/rmsf.in/rg.in/hbond.in/distance.in/pca.in、以及一个从对齐骨架到 RMSD/RMSF/Rg/关键残基距离出图的完整案例教程一次给你。你跑完模拟后照着抄命令、换 mask 就能出自己的分析图参数级详解与 DSSP/聚类等进阶内容见下篇。相关教程与核心文献教程/文档与本文关系AMBER 官方教程总目录本文命令模板的官方源头含 analysis 系列教程AMBER Analysis Tutorial 1RMSD 分析上篇 RMSD 部分的官方对照实操AMBER Hubcpptraj 各类分析的社区教程库核心文献为什么值得先读CPPTRAJ: PTRAJ and CPPTRAJRoe Cheatham, JCTC 2013上篇所有命令所属工具的原始论文功能与性能权威描述ff19SBTian et al., JCTC 2019案例所用蛋白力场的出处写论文引用力场时用一、Amber 轨迹分析常用工具1.cpptraj推荐自 AmberTools 13Amber14 时代起 cpptraj 就是默认轨迹分析工具C 重写版比 ptraj 更快、功能更强支持脚本化、批处理、多线程可直接输出数据供绘图2.ptraj旧版已逐渐淘汰功能类似 cpptraj但速度慢、语法略不同3.VMD MMTK / NGLviewJupyter用于可视化轨迹非定量分析可配合 Python 脚本提取数据二、常见分析类型与 cpptraj 命令示例假设你已有拓扑文件system.prmtop轨迹文件md.ncNetCDF 格式或md.mdcrd1. RMSD均方根偏差# rmsd.in parm system.prmtop trajin md.nc rms first :1-100!H # 对残基1-100的重原子计算相对于第一帧的RMSD rmsd out rmsd.dat first run运行cpptraj -i rmsd.in输出rmsd.dat格式为帧号 RMSD(Å)2. RMSF均方根涨落# rmsf.in parm system.prmtop trajin md.nc rms first :1-100!H # 先对结构做对齐 atomicfluct out rmsf.dat :1-100!H byres run输出每残基的 RMSFÅ3. 回旋半径Radius of Gyration, Rg# rg.in parm system.prmtop trajin md.nc radgyr out rg.dat :1-100 run4. 氢键分析# hbond.in parm system.prmtop trajin md.nc hbond out hbonds.dat series run可输出氢键数量随时间变化或具体氢键列表5. 距离/二面角/角度# distance.in parm system.prmtop trajin md.nc distance d1 :10CA :20CA out dist_CA.dat run6. PCA主成分分析# pca.in parm system.prmtop trajin md.nc rms first :1-100!H matrix covar name mycovar :1-100!H run runanalysis diagmatrix mycovar out evecs.dat vecs 3 name pc projection modes pc beg 1 end 3 :1-100!H out pca.dat run后续可用projection投影到主成分空间三、作图方式cpptraj 本身不绘图需导出数据后用其他工具绘图。方式1Python Matplotlib推荐示例绘制 RMSDimport matplotlib.pyplot as plt import numpy as np data np.loadtxt(rmsd.dat, comments[#, ]) time data[:, 0] * 0.002 # 假设每帧间隔2 ps单位 ns rmsd data[:, 1] plt.figure(figsize(8, 5)) plt.plot(time, rmsd, colorblue) plt.xlabel(Time (ns)) plt.ylabel(RMSD (Å)) plt.title(Backbone RMSD over Time) plt.grid(True) plt.tight_layout() plt.savefig(rmsd.png, dpi300) plt.show()示例RMSF按残基data np.loadtxt(rmsf.dat, comments[#, ]) residues data[:, 0] rmsf data[:, 1] plt.bar(residues, rmsf, width1.0, colorlightcoral) plt.xlabel(Residue Number) plt.ylabel(RMSF (Å)) plt.title(Per-residue RMSF) plt.savefig(rmsf.png, dpi300)方式2xmgraceGrace适用于快速查看.dat文件在 Linux 下安装sudo apt install grace命令xmgrace rmsd.dat可手动调整样式、导出 EPS/PNG方式3VMD可视化简单分析打开 VMD → Loadsystem.prmtop和md.nc使用 Extensions → Analysis 中的工具如 RMSD Trajectory Tool可导出数据但不如 cpptraj 灵活方式4Jupyter Notebook NGLview MDAnalysis高级适合交互式分析但需额外安装库pip install nglview mdanalysis matplotlibimport MDAnalysis as mda import matplotlib.pyplot as plt from MDAnalysis.analysis import rms, rmsf u mda.Universe(system.prmtop, md.nc) R rms.RMSD(u, selectbackbone) R.run() plt.plot(R.results.rmsd[:, 1], R.results.rmsd[:, 2])四、完整案例教程蛋白质 MD 轨迹分析与绘图步骤1准备文件protein.prmtopmd.nc100 ns每 10 ps 保存一帧共 10,000 帧步骤2编写 cpptraj 脚本analysis.inparm protein.prmtop trajin md.nc 对齐骨架 rms first :1-150!H RMSD rmsd out rmsd.dat first :1-150!H RMSF atomicfluct out rmsf.dat :1-150!H byres Rg radgyr out rg.dat :1-150 关键残基距离如活性位点 distance d1 :45CA :120CA out dist_45_120.dat run步骤3运行分析cpptraj -i analysis.in analysis.log步骤4Python 绘图plot_all.pyimport numpy as np import matplotlib.pyplot as plt 设置全局字体 plt.rcParams.update({font.size: 12}) RMSD t, rmsd np.loadtxt(rmsd.dat, unpackTrue, comments[#,]) t_ns t * 0.01 # 假设每帧 10 ps plt.figure() plt.plot(t_ns, rmsd) plt.xlabel(Time (ns)); plt.ylabel(RMSD (Å)) plt.title(RMSD) plt.savefig(rmsd.png) RMSF res, rmsf np.loadtxt(rmsf.dat, unpackTrue, comments[#,]) plt.figure() plt.plot(res, rmsf, r-) plt.xlabel(Residue); plt.ylabel(RMSF (Å)) plt.title(RMSF) plt.savefig(rmsf.png) Rg t, rg np.loadtxt(rg.dat, unpackTrue, comments[#,]) plt.figure() plt.plot(t*0.01, rg) plt.xlabel(Time (ns)); plt.ylabel(Rg (Å)) plt.title(Radius of Gyration) plt.savefig(rg.png) Distance t, d np.loadtxt(dist_45_120.dat, unpackTrue, comments[#,]) plt.figure() plt.plot(t*0.01, d) plt.xlabel(Time (ns)); plt.ylabel(Distance (Å)) plt.title(Distance between Res 45 and 120 CA) plt.savefig(dist_45_120.png)运行python plot_all.py五、进阶建议轨迹预处理使用strip去除水/离子减小文件体积parm system.prmtop trajin md.nc strip :WAT,Na,Cl- trajout md_noWat.nc netcdf run多重复实验对多个轨迹分别分析取平均±标准差自由能景观结合 PCA 与二维直方图np.histogram2d自动化脚本用 Bash/Python 批量处理多个体系六、cpptraj 批处理与交互模式1.CPPTRAJ- Amber官方轨迹分析工具CPPTRAJ是AmberTools中处理坐标轨迹和数据文件的主要程序支持批量处理和交互式两种模式。启动方式bash# 批量模式推荐用于生产分析 cpptraj -p topology.prmtop -i analysis.in 交互模式适合调试和测试 cpptraj -p topology.prmtop cpptraj [命令]七、RMSD/RMSF 的批处理写法与美化图1. RMSD均方根偏差分析衡量结构相对于参考结构的偏离程度评估模拟稳定性。CPPTRAJ输入文件 (rmsd.in)bash# 加载拓扑和轨迹 parm protein.prmtop trajin production.nc 自动镜像处理周期性边界条件 autoimage 计算骨架原子RMSD以第一帧为参考 rmsd rmsd_backbone :1-300CA,C,N out rmsd_backbone.dat time 0.1 计算全原子RMSD以晶体结构为参考 reference crystal.pdb [crystal] rmsd rmsd_all :* reference [crystal] out rmsd_all.dat time 0.1 拟合并输出叠加后的轨迹可选 trajout fitted.nc netcdfPython作图 (Matplotlib)Pythonimport pandas as pd import matplotlib.pyplot as plt import numpy as np 读取CPPTRAJ输出 data pd.read_csv(rmsd_backbone.dat, delim_whitespaceTrue, comment#, names[Frame, Time, RMSD]) fig, ax plt.subplots(figsize(10, 6)) 绘制RMSD曲线 ax.plot(data[Time], data[RMSD], color#2E86AB, linewidth1.5, alpha0.8) 添加移动平均平滑曲线 window 50 ma data[RMSD].rolling(windowwindow).mean() ax.plot(data[Time], ma, color#A23B72, linewidth2.5, labelf{window}帧移动平均) 标注关键区域 ax.axhline(ydata[RMSD].mean(), colorgray, linestyle--, alpha0.5, labelf平均值: {data[RMSD].mean():.2f} Å) ax.fill_between(data[Time], data[RMSD].mean() - data[RMSD].std(), data[RMSD].mean() data[RMSD].std(), alpha0.2, colorgray) ax.set_xlabel(Time (ns), fontsize12) ax.set_ylabel(RMSD (Å), fontsize12) ax.set_title(Backbone RMSD vs Time, fontsize14, fontweightbold) ax.legend() ax.grid(True, alpha0.3) plt.tight_layout() plt.savefig(rmsd_analysis.png, dpi300, bbox_inchestight) plt.show()2. RMSF均方根涨落分析识别蛋白质柔性区域常用于B因子计算。CPPTRAJ输入文件 (rmsf.in)bashparm protein.prmtop trajin production.nc autoimage rms reference [average] :1-300CA,C,N 按残基计算RMSF需先计算平均结构 average crdset MyAverage run rms ref MyAverage :1-300CA,C,N atomicfluct out rmsf_byres.dat :1-300CA byres 或计算B因子与晶体学B因子比较 atomicfluct out bfactor.dat :1-300CA byres bfactorPython作图热力图柱状图Pythonimport matplotlib.pyplot as plt import seaborn as sns 读取RMSF数据 rmsf_data pd.read_csv(rmsf_byres.dat, delim_whitespaceTrue, comment#, names[Residue, RMSF]) fig, (ax1, ax2) plt.subplots(2, 1, figsize(12, 8), height_ratios[3, 1]) 上图RMSF曲线 colors plt.cm.RdYlBu_r(rmsf_data[RMSF] / rmsf_data[RMSF].max()) ax1.bar(rmsf_data[Residue], rmsf_data[RMSF], colorcolors, width0.8, edgecolornone) ax1.plot(rmsf_data[Residue], rmsf_data[RMSF], colorblack, linewidth1, alpha0.5) 标注高柔性区域如loop区 threshold rmsf_data[RMSF].quantile(0.9) high_flex rmsf_data[rmsf_data[RMSF] threshold] ax1.scatter(high_flex[Residue], high_flex[RMSF], colorred, s50, zorder5, labelf高柔性区域 (90%分位数)) ax1.set_ylabel(RMSF (Å), fontsize12) ax1.set_title(Per-Residue Root Mean Square Fluctuation, fontsize14, fontweightbold) ax1.legend() ax1.grid(True, alpha0.3, axisy) 下图二级结构示意图示例实际应用中可从DSSP分析导入 ss_data np.random.choice([0, 1, 2], sizelen(rmsf_data)) # 0coil, 1helix, 2sheet ss_colors {0: #FFFFFF, 1: #FF6B6B, 2: #4ECDC4} for i, ss in enumerate(ss_data): ax2.barh(0, 1, lefti, colorss_colors[ss], height0.5, edgecolorblack, linewidth0.5) ax2.set_xlim(0, len(rmsf_data)) ax2.set_ylim(-0.5, 0.5) ax2.set_xlabel(Residue Number, fontsize12) ax2.set_yticks([]) ax2.set_title(Secondary Structure (RedHelix, CyanSheet, WhiteCoil), fontsize10) plt.tight_layout() plt.savefig(rmsf_analysis.png, dpi300, bbox_inchestight)八、氢键网络与 PCA 进阶3. 氢键分析分析蛋白质内部或蛋白-配体间的氢键网络。CPPTRAJ输入文件 (hbond.in)bashparm complex.prmtop trajin production.nc autoimage 蛋白质内部氢键 hbond hb_protein :1-300 out hbond_protein.dat avgout hbond_avg_protein.dat series uuseries hbonds_uu.gnu 蛋白-配体氢键假设配体为残基301 hbond hb_ligand :1-300,301 out hbond_ligand.dat avgout hbond_avg_ligand.dat series uuseries hbonds_lig.gnu 溶剂桥接氢键 hbond hb_solvent :1-300 solventdonor :WAT solventacceptor :WATO out hbond_solvent.dat avgout hbond_avg_solvent.datPython作图氢键时间序列Python# 读取氢键序列数据 hb_data pd.read_csv(hbond_protein.dat, delim_whitespaceTrue, comment#) fig, (ax1, ax2) plt.subplots(2, 1, figsize(12, 8)) 上图氢键数量随时间变化 total_hb hb_data.iloc[:, 1:].sum(axis1) # 假设第一列是时间 ax1.plot(hb_data.iloc[:, 0], total_hb, color#2E86AB, linewidth1.5) ax1.set_ylabel(Number of H-bonds, fontsize12) ax1.set_title(Total Hydrogen Bonds Over Time, fontsize14) ax1.grid(True, alpha0.3) 下图特定氢键存在矩阵热力图选择出现频率最高的10个氢键 hb_freq hb_data.iloc[:, 1:].mean().sort_values(ascendingFalse).head(10) top_hb hb_data[hb_freq.index] im ax2.imshow(top_hb.T, aspectauto, cmapBlues, interpolationnearest) ax2.set_xlabel(Frame, fontsize12) ax2.set_ylabel(H-bond ID, fontsize12) ax2.set_title(Top 10 Most Frequent H-bonds Presence Matrix, fontsize14) plt.colorbar(im, axax2, labelPresent (1) / Absent (0)) plt.tight_layout() plt.savefig(hbond_analysis.png, dpi300)4. 主成分分析 (PCA)提取构象变化的主要模式。CPPTRAJ输入文件 (pca.in)bashparm protein.prmtop trajin production.nc autoimage rms reference :1-300CA,C,N 协方差矩阵计算 matrix covar name covmat :1-300CA run 对角化runanalysis 让它在解析阶段立即执行 runanalysis diagmatrix covmat out evecs.dat vecs 10 name pc 投影到PC空间modes 接数据集名不是文件名 projection proj out projections.dat modes pc beg 1 end 3 :1-300CA runPython作图PCA自由能景观Pythonfrom scipy.stats import gaussian_kde proj pd.read_csv(projections.dat, delim_whitespaceTrue, comment#, names[Frame, PC1, PC2, PC3]) fig, axes plt.subplots(1, 3, figsize(18, 5)) PC1 vs PC2 自由能图 xy np.vstack([proj[PC1], proj[PC2]]) kde gaussian_kde(xy) xmin, xmax proj[PC1].min(), proj[PC1].max() ymin, ymax proj[PC2].min(), proj[PC2].max() X, Y np.mgrid[xmin:xmax:100j, ymin:ymax:100j] positions np.vstack([X.ravel(), Y.ravel()]) Z np.reshape(kde(positions).T, X.shape) Z -np.log(Z 1e-10) # 转换为自由能 (kT) im1 axes[0].contourf(X, Y, Z, levels20, cmapviridis) axes[0].scatter(proj[PC1], proj[PC2], cwhite, s1, alpha0.3) axes[0].set_xlabel(PC1, fontsize12) axes[0].set_ylabel(PC2, fontsize12) axes[0].set_title(Free Energy Landscape (PC1 vs PC2), fontsize14) plt.colorbar(im1, axaxes[0], labelFree Energy (kT)) PC1时间序列 axes[1].plot(proj[Frame], proj[PC1], color#E63946, linewidth1) axes[1].set_xlabel(Frame, fontsize12) axes[1].set_ylabel(PC1, fontsize12) axes[1].set_title(PC1 Projection Over Time, fontsize14) axes[1].grid(True, alpha0.3) 特征值分布方差解释率 eigvals pd.read_csv(evecs.dat, skiprows1, nrows10, delim_whitespaceTrue, headerNone) axes[2].bar(range(1, 11), eigvals[0], color#457B9D) axes[2].set_xlabel(Principal Component, fontsize12) axes[2].set_ylabel(Eigenvalue, fontsize12) axes[2].set_title(Variance Explained by PCs, fontsize14) plt.tight_layout() plt.savefig(pca_analysis.png, dpi300)九、能量组分提取与多面板图5. 能量组分提取与作图提取能量使用process_mdout.perl或cpptrajbash# 使用Amber工具提取 process_mdout.perl production.out 或使用cpptraj cpptraj -p topology.prmtop EOF readdata production.out writedata energy.dat production.out[Etot] production.out[TEMP] production.out[PRESS] production.out[VOLUME] time 0.1 EOFPython多面板能量图Pythonenergy pd.read_csv(energy.dat, delim_whitespaceTrue, names[Time, Etot, Temp, Press, Volume]) fig, axes plt.subplots(2, 2, figsize(14, 10)) 总能量 axes[0,0].plot(energy[Time], energy[Etot]/1000, color#264653, linewidth1) axes[0,0].set_ylabel(Total Energy (10³ kcal/mol), fontsize11) axes[0,0].set_title(Total Energy, fontsize12, fontweightbold) axes[0,0].grid(True, alpha0.3) 温度 axes[0,1].plot(energy[Time], energy[Temp], color#E76F51, linewidth1) axes[0,1].axhline(y300, colorgray, linestyle--, labelTarget (300K)) axes[0,1].set_ylabel(Temperature (K), fontsize11) axes[0,1].set_title(System Temperature, fontsize12, fontweightbold) axes[0,1].legend() axes[0,1].grid(True, alpha0.3) 压力 axes[1,0].plot(energy[Time], energy[Press], color#2A9D8F, linewidth1, alpha0.7) 添加移动平均 press_ma energy[Press].rolling(window100).mean() axes[1,0].plot(energy[Time], press_ma, color#264653, linewidth2, label100-pt MA) axes[1,0].set_ylabel(Pressure (bar), fontsize11) axes[1,0].set_xlabel(Time (ps), fontsize11) axes[1,0].set_title(System Pressure, fontsize12, fontweightbold) axes[1,0].legend() axes[1,0].grid(True, alpha0.3) 密度从体积计算假设已知质量和盒子转换示例简单体积图 axes[1,1].plot(energy[Time], energy[Volume]/1000, color#F4A261, linewidth1) axes[1,1].set_ylabel(Volume (10³ Å³), fontsize11) axes[1,1].set_xlabel(Time (ps), fontsize11) axes[1,1].set_title(System Volume, fontsize12, fontweightbold) axes[1,1].grid(True, alpha0.3) plt.suptitle(Molecular Dynamics Equilibration Monitoring, fontsize16, fontweightbold, y1.02) plt.tight_layout() plt.savefig(energy_components.png, dpi300, bbox_inchestight)十、3D 可视化VMD 与 PyMOL6. VMD可视化脚本生成VMD可视化状态的Tcl脚本tcl# save_visualization.vmd # 加载结构 mol new protein.prmtop type parm7 mol addfile production.nc type netcdf first 0 last -1 step 10 waitfor all 显示设置 mol delrep 0 top mol representation NewCartoon 0.3 10.0 4.1 0 mol color ColorID 0 mol selection {protein} mol addrep top 按RMSF着色需先导入RMSF数据 mol representation NewCartoon 0.3 10.0 4.1 0 mol color Beta mol selection {protein} mol addrep top 设置颜色范围低RMSF蓝高RMSF红 mol scaleminmax top 1 0.5 3.0 配体显示如果有 mol representation Licorice 0.3 12.0 12.0 mol color Name mol selection {resname LIG} mol addrep top 保存图片 render TachyonInternal rmsf_colored.png命令行渲染bashvmd -e save_visualization.vmd -dispdev text7. PyMOL高级可视化PyMOL脚本 (visualize.pml)Python# 加载结构PyMOL 不认 prmtop先在 cpptraj 里 trajout 导出 PDB 再加载 load protein.pdb, complex load_traj production.nc, complex 设置样式 as cartoon color marine, complex 按B因子RMSF着色 spectrum b, blue_white_red, minimum0.5, maximum3.0 显示配体 show sticks, resn LIG color atomic, resn LIG 设置视角 set_view ( 0.5, 0.3, 0.8, -0.2, 0.9, -0.4, -0.8, 0.3, 0.5, 0.0, 0.0, -50.0) 保存高质量图片 set ray_trace_mode, 1 set ray_shadows, off bg_color white ray 2400, 2400 save rmsf_pymol.png, dpi300 制作动画可选 mset 1 x100 mplay十一、径向分布函数RDFCPPTRAJ输入bashparm system.prmtop trajin production.nc 水分子氧原子围绕蛋白质的RDF radial rdf_water.dat 0.1 10.0 :1-300 :WATO volume 离子围绕配体的RDF radial rdf_ion.dat 0.1 10.0 resname LIG :NaPython作图Pythonrdf pd.read_csv(rdf_water.dat, delim_whitespaceTrue, comment#, names[r, g(r)]) fig, ax plt.subplots(figsize(10, 6)) ax.plot(rdf[r], rdf[g(r)], color#1D3557, linewidth2) ax.axhline(y1, colorgray, linestyle--, alpha0.5, labelBulk density) 标注峰位 from scipy.signal import find_peaks peaks, _ find_peaks(rdf[g(r)], height1.5, distance10) ax.scatter(rdf[r].iloc[peaks], rdf[g(r)].iloc[peaks], colorred, s100, zorder5) ax.set_xlabel(r (Å), fontsize12) ax.set_ylabel(g(r), fontsize12) ax.set_title(Radial Distribution Function: Protein-Water, fontsize14) ax.legend() ax.grid(True, alpha0.3) plt.savefig(rdf_analysis.png, dpi300)十二、自动化分析流水线完整Python自动化脚本Python#!/usr/bin/env python3 Amber MD Trajectory Analysis Pipeline 自动生成标准分析图表 import subprocess import pandas as pd import matplotlib.pyplot as plt import seaborn as sns from pathlib import Path class AmberAnalyzer: def init(self, topology, trajectory, output_diranalysis): self.top topology self.traj trajectory self.outdir Path(output_dir) self.outdir.mkdir(exist_okTrue) def run_cpptraj(self, script_name, commands): 运行cpptraj并保存输入脚本 script_path self.outdir / f{script_name}.in with open(script_path, w) as f: f.write(fparm {self.top}\n) f.write(ftrajin {self.traj}\n) f.write(commands) result subprocess.run([cpptraj, -i, str(script_path)], capture_outputTrue, textTrue) return result def analyze_rmsd(self): RMSD分析 commands autoimage rmsd rmsd_protein :1-300CA,C,N out {outdir}/rmsd.dat time 0.1 .format(outdirself.outdir) self.run_cpptraj(rmsd_analysis, commands) self._plot_rmsd() def _plot_rmsd(self): 绘制RMSD图 data pd.read_csv(self.outdir/rmsd.dat, delim_whitespaceTrue, comment#, names[Frame, Time, RMSD]) plt.figure(figsize(10, 6)) plt.plot(data[Time], data[RMSD], color#2E86AB, linewidth1.5) plt.xlabel(Time (ns)) plt.ylabel(RMSD (Å)) plt.title(Protein Backbone RMSD) plt.grid(True, alpha0.3) plt.savefig(self.outdir/rmsd_plot.png, dpi300, bbox_inchestight) plt.close() 使用示例 analyzer AmberAnalyzer(protein.prmtop, production.nc) analyzer.analyze_rmsd()十三、工具选型总表分析类型推荐工具输出格式可视化库RMSD/RMSFCPPTRAJ.datMatplotlib/Seaborn氢键分析CPPTRAJ.dat,.gnuMatplotlib热图PCACPPTRAJ.datScipyMatplotlib能量分析process_mdout.perl.datPandasMatplotlib3D可视化VMD/PyMOL.png,.tga内置渲染器RDF/空间分布CPPTRAJ.datMatplotlib这套分析流程涵盖了Amber分子动力学模拟后处理的绝大多数需求建议根据具体研究问题选择合适的分析组合。对于大规模轨迹建议使用pytrajPython接口或并行化的CPPTRAJ以提高效率参考资料Amber 官方手册Amber24https://ambermd.org/doc12/Amber24.pdfcpptraj 教程Tutorial C1Matplotlib 官网https://matplotlib.orgMDAnalysis 用户指南Redirecting to https://userguide.mdanalysis.org/stable/index.htmlpytraj 文档pytraj: data analysis package for MD simulation data关键字AMBER cpptraj RMSD RMSF 氢键分析主成分分析径向分布函数轨迹作图系列导航专栏全集分子动力学模拟-Amber更多专栏蛋白 / 多肽分子模拟 / 动力学分子对接 / CADD / 工具其他开源蛋白结构推理预测分子模拟基础UCSF DOCK系列agent智能体系列开源蛋白生成方法实践分子动力学模拟-AmberrDock系列化学大模型介绍2025蛋白药物设计-原理与案例剖析分子动力学模拟-GromacsLeDock系列我胡师兄说药开源多肽设计模型和方法实践結合自由能CADD中的机器学习模型siRNA药物设计模型开源多肽性质预测高效计算基本配置小分子药物设计-原理与案例剖析ASO药物设计模型多肽药物设计-原理与案例剖析作用于DNA/RNA的药物设计实践开源小分子生成和设计实践开源药代动力学模拟软件

AMBER 轨迹分析与作图（上）：从轨迹文件到第一张图

相关推荐

Type Approval （认证）

WPF 常用功能（随时更新）

剪藏文章总混进广告导航？Defuddle 免费把网页正文提取成干净 Markdown

更多资讯

WSL下Cursor编辑器Python插件安装卡住的解决方案

MySQL外键约束详解与实战优化指南

Python旅游推荐系统开发：算法优化与工程实践

接口反爬防重放：时间戳、Nonce与HMAC签名实战

Transformer位置编码全解析：原理、实现与避坑指南

AI元人文与马克思主义在数字时代的对话

今日更新

GUI自动化测试中的ScreenLayout：从硬编码坐标到声明式画面地图

LLC谐振变换器12V25A 300W开关电源设计与调试全攻略

ESP32多应用Flash数据隔离：分区表与NVS namespace实战

本周精选

面向复杂光照与角度的宠物面部识别鲁棒性增强策略

基于DRV8818与STM32的双极步进电机驱动方案实战解析

DRV8818PWPR+PIC18F45K80双极步进电机控制方案实战

本月热门

面向复杂光照与角度的宠物面部识别鲁棒性增强策略

基于DRV8818与STM32的双极步进电机驱动方案实战解析

DRV8818PWPR+PIC18F45K80双极步进电机控制方案实战

读完文章，想聊聊您的网站？