基因组生物信息学
Introduction to Genomics and Bioinformatics
基因组生物信息学是在人类基因组计划完成之后出现的热点研究领域。本课程是一门创新的课程，通过理论学习与实际操作演示介绍基因组和生物信息学中前沿与常用的知识和工具，使得学生在理论与技能两方面得到培养。课程内容新颖，紧跟国际最新研究进展与热点，结合应用实例介绍实用的技能。课程开设目的是让选课学生了解基因组生物信息学的基本概念、掌握基本工具；认识基因组学与日常生活的密切关系，和基因组技术个体化对社会和人们生活方式的深远影响；同时培养兴趣，为该领域吸引跨学科人才。课程内容包括：基因组学与生物信息学简介，基因组基本理论，人类基因组计划的历史与未来，基因组测序方法与进展，基因组序列注释方法，转录组学简介，比较基因组与进化基因组学简介等。教学团队的几位教师都是这一领域的专家，其中赵国屏院士是微生物基因组学方面的专家，曾经在抗击SARS的研究中作出突出贡献；周雁教授主持与参与了多个大型基因组研究计划，包括人、水稻、血吸虫等，在基因组与生物信息学方面有着丰富的理论与实践经验。
赵国屏，教授，中科院院士复旦大学
gpzhao@https://www.doczj.com/doc/0011518669.html,
现任国家人类基因组南方研究中心执行主任，生物芯片上
海国家工程中心主任，复旦大学微生物学与微生物工程系
主任，中国微生物学会理事长。主要研究方向为微生物基
因组学和生物信息学，进化，代谢调节，合成生物学。
周雁，副教授复旦大学
zhouy@https://www.doczj.com/doc/0011518669.html,
复旦大学生命科学学院副教授，上海市生物信息学会理事。
主要研究方向为病源与宿主在基因组和表达组水平的相互
作用，及在此过程中相关基因家族及其功能的进化规律。教师风采
窦同海，博士复旦大学
tonghaidou@https://www.doczj.com/doc/0011518669.html,
主要研究方向为采用基因组生物信息学，比较基因组学方
法研究基因组进化、基因可变剪接调控。
学分：3学分学时：54学时
基础知识要求：选课学生具有一定的生物学与生物信息学基础，如我校本科《生物信息学》的知识。
上课时间：10月21日– 11月14日
选课网址：
https://www.doczj.com/doc/0011518669.html,/p/publish/show.html?queryType=set&searchName=paidIn fo.search&projectId=13708
日期星期节次上课内容授课教师
10.21 二5-8 绪论—关于生物学数据分析的思考赵国屏
10.23 五5-8 绪论--基因组学与生物信息学简介周雁
10.24 六1-4 基因组学基本理论窦同海
10.24 六5-8 人类基因组计划的历史与未来周雁
10.28 二5-8 生物信息学主要数据库资源介绍窦同海
10.31 五5-8 基因组注释方法介绍周雁
11.1 六1-4 基因组测序方法与进展窦同海
11.1 六5-8 转录组学简介及数据分析周雁
11.4 二5-8 比较基因组与进化基因组学简介周雁
11.7 五5-8 进化树分析实例介绍窦同海
11.8 六1-4 我们身边的微生物基因组任双喜
11.8 六5-8 答疑（主要数据库、基因组测序方法、转录组分析、
进化树分析部分）
窦同海
11.11 二5-8 答疑（绪论、基因组基本理论、人类基因组计划、基
因组注释、比较基因组与进化基因组部分）
周雁
11.14 五5-8 考试
课程设置
《基因组学与生物信息学》教案 授课专业：生物学大类各专业 课程名称：基因组学与生物信息学 主讲教师：夏庆友程道军赵萍徐汉福
课程说明 一、课程名称：基因组学与生物信息学 二、总课时数：36学时（理论27学时实验9学时） 三、先修课程：遗传学、分子生物学、基因工程 四、使用教材： 杨金水. 基因组学. 北京:高等教育出版社,2002. 张成岗. 贺福初, 生物信息学方法与实践. 北京:科学出版社，2002. 五、教学参考书： T.A.布朗著，袁建刚译著，基因组(2rd版)，北京：科学出版社,2006. 沈桂芳，丁仁瑞，走向后基因组时代的分子生物学，杭州：浙江教育出版社，2005. 罗静初译，生物信息学概论，北京：北京大学出版社，2002. 六、考核方式：考查 七、教案编写说明： 教案又称课时授课计划,是任课教师的教学实施方案。任课教师应遵循专业教学计划制订的培养目标，以教学大纲为依据，在熟悉教材、了解学生的基础上，结合教学实践经验，提前编写设计好每门课程每个章、节或主题的全部教学活动。教案可以按每堂课（指同一主题连续1~2节课）设计编写。教案编写说明如下： 1、编号：按施教的顺序标明序号。 2、教学课型表示所授课程的类型，请在相应课型栏内选择打“√”。 3、题目：标明章、节或主题。 4、教学内容：是授课的核心。将授课的内容按逻辑层次，有序设计编排，必要时标以“*”、“#”“？” 符号分别表示重点、难点或疑点。 5、教学方式既教学方法，如讲授、讨论、示教、指导等。教学手段指教科书、板书、多媒体、模型、 标本、挂图、音像等教学工具。 6、讨论、思考题和作业：提出若干问题以供讨论，或作为课后复习时思考，亦可要求学生作为作业 来完成，以供考核之用。 7、参考书目：列出参考书籍、有关资料。 8、日期的填写系指本堂课授课的时间。
Big Genomic Data in Bioinformatics Cloud Abstract The achievement of Human Genome project has led to the proliferation of genomic sequencing data. This along with the next generation sequencing has helped to reduce the cost of sequencing, which has further increased the demand of analysis of this large genomic data. This data set and its processing has aided medical researches. Thus, we require expertise to deal with biological big data. The concept of cloud computing and big data technologies such as the Apache Hadoop project, are hereby needed to store, handle and analyse this data. Because, these technologies provide distributed and parallelized data processing and are efficient to analyse even petabyte (PB) scale data sets. However, there are some demerits too which may include need of larger time to transfer data and lesser network bandwidth, majorly. 人类基因组计划的实现导致基因组测序数据的增殖。这与下一代测序一起有助于降低测序的成本，这进一步增加了对这种大基因组数据的分析的需求。该数据集及其处理有助于医学研究。 因此，我们需要专门知识来处理生物大数据。因此，需要云计算和大数据技术（例如Apache Hadoop项目）的概念来存储，处理和分析这些数据。因为，这些技术提供分布式和并行化的数据处理，并且能够有效地分析甚至PB级的数据集。然而，也有一些缺点，可能包括需要更大的时间来传输数据和更小的网络带宽，主要。 Introduction The introduction of next generation sequencing has given unrivalled levels of sequence data. So, the modern biology is incurring challenges in the field of data management and analysis. A single human's DNA comprises around 3 billion base pairs (bp) representing approximately 100 gigabytes (GB) of data. Bioinformatics is encountering difficulty in storage and analysis of such data. Moore's Law infers that computers double in speed and half in size every 18 months. And reports say that the biological data will accumulate at even faster pace [1]. Sequencing a human genome has decreased in cost from $1 million in 2007 to $1 thousand in 2012. With this falling cost of sequencing and after the completion of the Human Genome project in 2003, inundate of biological sequence data was generated. Sequencing and cataloguing genetic information has increased many folds (as can be observed from the GenBank database of NCBI). Various medical research institutes like the National Cancer Institute are continuously targeting on sequencing of a million genomes for the understanding of biological pathways and genomic variations to predict the cause of the disease. Given, the whole genome of a tumour and a matching normal tissue sample consumes 0.1 T B of compressed data, then one million genomes will require 0.1 million TB, i.e. 103 PB (petabyte) [2]. The explosion of Biology's data (the scale of the data exceeds a single machine) has made it more expensive to store, process and analyse compared to its generation. This has stimulated the use of cloud to avoid large capital infrastructure and maintenance costs. In fact, it needs deviation from the common structured data (row-column organisation) to a semi-structured or unstructured data. And there is a need to develop applications that execute in parallel on distributed data sets. With the effective use of big data in the healthcare sector, a
基因组生物信息学 Introduction to Genomics and Bioinformatics 基因组生物信息学是在人类基因组计划完成之后出现的热点研究领域。本课程是一门创新的课程，通过理论学习与实际操作演示介绍基因组和生物信息学中前沿与常用的知识和工具，使得学生在理论与技能两方面得到培养。课程内容新颖，紧跟国际最新研究进展与热点，结合应用实例介绍实用的技能。课程开设目的是让选课学生了解基因组生物信息学的基本概念、掌握基本工具；认识基因组学与日常生活的密切关系，和基因组技术个体化对社会和人们生活方式的深远影响；同时培养兴趣，为该领域吸引跨学科人才。课程内容包括：基因组学与生物信息学简介，基因组基本理论，人类基因组计划的历史与未来，基因组测序方法与进展，基因组序列注释方法，转录组学简介，比较基因组与进化基因组学简介等。教学团队的几位教师都是这一领域的专家，其中赵国屏院士是微生物基因组学方面的专家，曾经在抗击SARS的研究中作出突出贡献；周雁教授主持与参与了多个大型基因组研究计划，包括人、水稻、血吸虫等，在基因组与生物信息学方面有着丰富的理论与实践经验。 赵国屏，教授，中科院院士复旦大学 gpzhao@https://www.doczj.com/doc/0011518669.html, 现任国家人类基因组南方研究中心执行主任，生物芯片上 海国家工程中心主任，复旦大学微生物学与微生物工程系 主任，中国微生物学会理事长。主要研究方向为微生物基 因组学和生物信息学，进化，代谢调节，合成生物学。 周雁，副教授复旦大学 zhouy@https://www.doczj.com/doc/0011518669.html, 复旦大学生命科学学院副教授，上海市生物信息学会理事。 主要研究方向为病源与宿主在基因组和表达组水平的相互 作用，及在此过程中相关基因家族及其功能的进化规律。教师风采
基因组学与生物信息学课后作业2016/2/23 名词解释 1 基因组：基因组是指生物体内遗传信息的集合，是某个特定物种细胞内全部DNA分子的总和 2 基因组学：是一门新兴的学科，是在全基因组范围内研究基因的结构、功能、组成及进化的科学，包括多个分支学科 3 C值：指一个单倍体基因组中DNA的总和，一个特定的物种具有其特征性的C值 4 基因家族：来自于一个共同的祖先基因，由基因重复及其突变产生。序列相似，功能相近。 5 假基因：来源于功能基因，但以失去活性的DNA序列，有沉默的假基因，也有可转录的假基因 6 人类基因组计划：旨在为30多亿碱基对构成的人类基因组精确测序，发现所有人类基因并搞清其在染色体上的位置，破译人类全部遗传信息 问答题
简述真核生物染色体与原核生物染色体的差别。 答：真核生物基因组都由分散的长链线性DNA分子组成，每个DNA分子都与蛋白质结合组成染色体；原核生物基因组有2种独立结构的遗传物质，一种为拟核里的染色质，一种为质粒 另外，真核生物基因组含大量非编码序列（高度重复序列，多位于着丝粒、端粒）、断裂基因，而原核生物大部分基因都可以编码 名词解释 突变:基因组小区段范围内DNA分子发生的突然的、可遗传的变异现象。 重组:指基因组中大范围区段发生重新组合。 同源重组:指发生在非姐妹染色单体（sister chromatin) 之间或同一染色体上含有同源序列的DNA分子之间或分子之内的重新组合 转座:一段DNA片段或其拷贝从染色体的一个位置转移到另一位置，并在插入位点两侧产生一对短的正向重复序列 基因重复:含有基因的DNA片段发生重复，可能因同源重组作用出错而发生，或是因为反转录转座与整个染色体发生重复所导致 比较基因组学:在基因组水平上研究不同物种和品系之间在基因组结构与功能方面的亲缘关系及其内在联系的一门新兴交叉学科
基因组测序基础知识 ㈠De Novo测序也叫从头测序，是首次对一个物种的基因组进行测序，用生物信息学的分析方法对测序所得序列进行组装，从而获得该物种的基因组序列图谱。 目前国际上通用的基因组De Novo测序方法有三种： 1. 用Illumina Solexa GA IIx 测序仪直接测序； 2. 用Roche GS FLX Titanium直接完成全基因组测序； 3. 用ABI 3730 或Roche GS FLX Titanium测序，搭建骨架，再用Illumina Solexa GA IIx 进行深度测序，完成基因组拼接。 采用De Novo测序有助于研究者了解未知物种的个体全基因组序列、鉴定新基因组中全部的结构和功能元件，并且将这些信息在基因组水平上进行集成和展示、可以预测新的功能基因及进行比较基因组学研究，为后续的相关研究奠定基础。 实验流程： 公司服务内容 1.基本服务：DNA样品检测；测序文库构建；高通量测序；数据基本分析（Base calling，去接头， 去污染）；序列组装达到精细图标准 2.定制服务：基因组注释及功能注释；比较基因组及分子进化分析，数据库搭建；基因组信息展 示平台搭建 1.基因组De Novo测序对DNA样品有什么要求？
(1) 对于细菌真菌，样品来源一定要单一菌落无污染，否则会严重影响测序结果的质量。基因组完整无降解(23 kb以上)， OD值在1.8～2.0 之间；样品浓度大于30 ng/μl；每次样品制备需要10 μg样品，如果需要多次制备样品，则需要样品总量=制备样品次数*10 μg。 (2) 对于植物，样品来源要求是黑暗无菌条件下培养的黄化苗或组培样品，最好为纯合或单倍体。基因组完整无降解(23 kb以上)，OD值在1.8～2.0 之间；样品浓度大于30 ng/μl；样品总量不小于500 μg，详细要求参见项目合同附件。 (3) 对于动物，样品来源应选用肌肉，血等脂肪含量少的部位，同一个体取样，最好为纯合。基因组完整无降解(23 kb以上)，OD值在1.8～2.0 之间；样品浓度大于30 ng/μl；样品总量不小于500 μg，详细要求参见项目合同附件。 (4) 基因组De Novo组装完毕后需要构建BAC或Fosmid文库进行测序验证，用于BAC 或Fosmid文库构建的样品需要保证跟De Novo测序样本同一来源。 2. De Novo有几种测序方式 目前3种测序技术 Roche 454，Solexa和ABI SOLID均有单端测序和双端测序两种方式。在基因组De Novo测序过程中，Roche 454的单端测序读长可以达到400 bp，经常用于基因组骨架的组装，而Solexa和ABI SOLID双端测序可以用于组装scaffolds和填补gap。下面以solexa 为例，对单端测序(Single-read)和双端测序(Paired-end和Mate-pair)进行介绍。Single-read、Paired-end和Mate-pair主要区别在测序文库的构建方法上。 单端测序(Single-read)首先将DNA样本进行片段化处理形成200-500bp的片段，引物序列连接到DNA片段的一端，然后末端加上接头，将片段固定在flow cell上生成DNA簇，上机测序单端读取序列(图1)。 Paired-end方法是指在构建待测DNA文库时在两端的接头上都加上测序引物结合位点，在第一轮测序完成后，去除第一轮测序的模板链，用对读测序模块(Paired-End Module)引导互补链在原位置再生和扩增，以达到第二轮测序所用的模板量，进行第二轮互补链的合成测序(图2)。 图1 Single-read文库构建方法图2 Paired-end文库构建方法
一、名词解释(31个) 1.生物信息学:广义：应用信息科学的方法和技术，研究生物体系和生物过程中信 息的存贮、信息的内涵和信息的传递，研究和分析生物体细胞、组织、器官的生理、病理、药理过程中的各种生物信息，或者也可以说成是生命科学中的信息科学。狭义：应用信息科学的理论、方法和技术，管理、分析和利用生物分子数据。 2.二级数据库：对原始生物分子数据进行整理、分类的结果，是在一级数据库、实验 数据和理论分析的基础上针对特定的应用目标而建立的。 3.多序列比对：研究的是多个序列的共性。序列的多重比对可用来搜索基因组序列的 功能区域，也可用于研究一组蛋白质之间的进化关系。 4.系统发育分析：是研究物种进化和系统分类的一种方法，其常用一种类似树状分支 的图形来概括各种（类）生物之间的亲缘关系，这种树状分支的图形称为系统发育树。 5.直系同源：如果由于进化压力来维持特定模体的话，模体中的组成蛋白应该是进化 保守的并且在其他物种中具有直系同源性。 指的是不同物种之间的同源性，例如蛋白质的同源性，DNA序列的同源性。（来自百度） 6.旁系（并系）同源：是那些在一定物种中的来源于基因复制的蛋白，可能会进化出 新的与原来有关的功能。用来描述在同一物种内由于基因复制而分离的同源基因。 （来自百度） 7.FASTA序列格式：将一个DNA或者蛋白质序列表示为一个带有一些标记的核苷酸或 氨基酸字符串。 8.开放阅读框（ORF）：是结构基因的正常核苷酸序列，从起始密码子到终止密码子 的阅读框可编码完整的多肽链，其间不存在使翻译中断的终止密码子。（来自百度）9.结构域：大分子蛋白质的三级结构常可分割成一个或数个球状或纤维状的区域，折 叠得较为紧密，各行其功能，称为结构域。 10.空位罚分：序列比对分析时为了反映核酸或氨基酸的插入或缺失等而插入空位并进 行罚分，以控制空位插入的合理性。（来自百度） 11.表达序列标签：通过从cDNA文库中随机挑选的克隆进行测序所获得的部分cDNA的 3’或5’端序列。（来自文献） 12.Gene Ontology 协会： 13.HMM 隐马尔可夫模型：将核苷酸序列看成一个随机序列，DNA序列的编码部分与非 编码部分在核苷酸的选用频率上对应着不同的Markov模型。 14.一级数据库：数据库中的数据直接来源于实验获得的原始数据，只经过简单的归类 整理和注释 15.序列一致性：指同源DNA顺序的同一碱基位置的相同的碱基成员, 或者蛋白质的同 一氨基酸位置的相同的氨基酸成员, 可用百分比表示。 16.序列相似性：指同源蛋白质的氨基酸序列中一致性氨基酸和可取代氨基酸所占的比 例。 17.Blastn：是核酸序列到核酸库中的一种查询。库中存在的每条已知序列都将同所查 序列作一对一地核酸序列比对。（来自百度） 18.Blastp：是蛋白序列到蛋白库中的一种查询。库中存在的每条已知序列将逐一地同 每条所查序列作一对一的序列比对。（来自百度）
作者简介沈春修（１９７９－），男，湖南溆浦人，硕士，助教，从事水稻遗传 育种与抗病分子机制方面的研究。 收稿日期 ２００７!０４!０１ 基因的研究是指在许多基因同时存在的基础上对多个基因同时进行研究，分析各自与它们之间的结构与功能的相互关系。因而它至少涉及３个相关领域：结构基因组———主要关心ＤＮＡ碱基序列水平上的基因结构；比较基因组———寻找种内、种属间产生基因结构差异的分子基础，以期获取与目的性状相关的基因；功能基因组———着重研究基因与其表达产物及功能活性的调控关系。结构基因组是其他领域的基础，比较基因组为功能基因组研究提供等位基因，蛋白质组则是在蛋白质水平上分析基因表达的功能基因组研究的派生分枝。生物信息学是在前面三者研究的基础上，获取、整理、综合分析提取大量已有复杂生物数据的新学科，对相关学科的研究有很大的推动作用。 １生物信息学在结构基因组中的应用 随着化学分析方法的改进，ＤＮＡ测序水平的提高，科 研成本的降低，已开始对多种模式生物进行基因组全序列的测序。如拟南芥和水稻的全基因组测序，将来会有越来越多的重要作物基因组被全测序。因而，今后的工作重点将是基因组中信息的分析与鉴定，对植物抗性基因来说，是分析鉴定其组织结构及其相关调控序列的鉴定。结构基因组的研究对抗性基因的研究有许多指导意义。 在现在已知的许多种已克隆的抗性基因（不含Ｈｍ１和 Ｈｍ２）中，分析其序列结构，都含有或部分含有核苷酸结合 位点（ＮＢＳ），富含亮氨酸重复（ＬＲＲ），跨膜结构域（ＴＭ）以及丝氨酸－苏氨酸激酶（ＳＴＫ）保守序列。根据已知抗性基因都含有ＮＢＳ序列的特征，从测序结果中可预测某一生物中含有与抗性基因有关的基因数目有多少［１］。在拟南芥与水稻测序的过程中，发现许多与抗性有关的ＮＢＳ序列。在已测序的拟南芥６７Ｍｂ中（相当于大于５０％的拟南芥基因组序列），有１２０个可预见的基因产物与植物抗性基因的ＮＢＳ结构相似［２］。假设剩余的另外５０％未知基因也按这样的比例分布，那么拟南芥中将有２００个左右的基因与抗性有关。在这些与抗性有关的２００个基因中，它们要么是编码信号传导的组分，要么是编码抗微生物的蛋白，这些基因序列的总长度大约占拟南芥总基因数的１％。而在水稻中，通过对重叠的ＢＡＣ克隆末端序列分析（占全部水稻基因的５％）来看，大约有７５０￣１５００个基因具有编码ＮＢＳ的能力［３－５］。 从已知抗性基因的定位结果来看，ＮＢＳ序列在拟南芥基因组中倾向于成簇排列。测序结果也表明，植物中的抗性基因一般与抗性基因的多种同源共生序列在一起，共同组成 高度重复区域，这种区域统称为基因簇。Ｒｐｐ５基因簇包含 ８￣１０个同源序列，散布在９０ｋｂ的区域上，并且被蛋白激酶 的假基因与反向转座子等隔开。Ｃｆ!４／９基因簇由５个抗性基因同源序列组成，散布在３６ｋｂ的区域内，Ｃｆ!４／９的同源序列被Ｌｏｘ基因隔开，成为高度重复区域。Ｐｔｏ基因簇包含５个同源序列，分布在６０ｋｂ的区域内，这其中的Ｐｒｆ基因编码ＮＢＳ!ＬＲＲ，对Ｐｔｏ基因的功能是必需的。Ｄｍ３基因是目前已知的最大的抗性基因，至少由２４个抗性基因同源序列组成，横跨３．５Ｍｂ。因而，随着更多模式植物的全基因组测序的完成，人们可以从基因组测序信息中直接读出有用数据，分析寻找抗性基因的组织结构特征与分布规律。 ２生物信息学在比较基因组学中的应用 随着多种生物的全基因组测序完成，有越来越多的数 据可以直接利用。首先，通过比较多种属植物抗性基因的定位特点，发现抗性基因大多定位在较不稳定的区域，其区域的结构不很保守，如拟南芥的抗性基因ＲＰＭ１的同源序列在感病表型的植株上丢失［６］。进一步研究发现，抗性基因的位置要么是端粒区域，要么是接近着丝粒区域。例如，通过原位荧光杂交分析得知：莴苣的两抗性基因分别定位在端粒区域与接近着丝粒区域，高粱Ｒｐｇ１基因位于端粒区域，番茄的Ｍｉ基因位于异染色质的着丝粒边缘［７］。第２，通过测序分析，可以确定基因成簇的模式与范围，通过比较种属间亲缘关系，来预测某一功能相似的基因在其他物种中的位置。进而根据已克隆的抗性基因间的相似性，可以采用适当的引物进行ＰＣＲ扩增获得抗性基因的候选序列，而且这些候选序列的片段均可定位到已知的抗性基因的位置上［８］。从现在公开的数据中，比较多种ＮＢＳ基因的相似性，用ＰＣＲ获得了１３０个候选抗性基因，此数据将继续增长。第３，比较基因组的另一作用在于可以区分同源区域与同源共生区域。这对本身就位于同源共生区域的抗性基因家族可能困难，但是抗性基因相关序列的种间比较结果显示：同源区域比同源共生区域更加相似。这提示：物种为了赶上病原菌的变化步伐而采取快速进化来抵抗随时间而变化的病原群体。通过分析拟南芥的ＲＰｍ１基因侧翼序列也得到这样的结论。第４，比较基因组学也可对某特定等位基因的变化的分子基础进行研究［９］。至今，只有极少数通过同源重组，实现蛋白质结构域的域置换试验成功。这些结果显示ＮＢＳ!ＬＲＲ编码基因的ＬＲＲ区域是非常重要的，但它不是专一性的唯一决定簇。随着测序效率的提高，将建立抗性基因相关序列的数据库，这些序列信息可作为基因步行试验的模板，为克隆新的抗性基因提供极大的帮助。第５，比较基因组作图表明，染色体上的ＤＮＡ标记排列具有共线性［１０］。如小麦的基 生物信息学在基因组学中的应用 沈春修 （宜春学院，江西宜春３３６０００） 摘要随着计算机科学、物理学、数学等与生命科学的相互渗透和交叉，生物信息学愈来愈显示出其重要性，尤其是在抗病基因的研究中。笔者从结构基因组、比较基因组、功能基因组与生物信息学等方面论述了生物信息学在基因组学中的应用。关键词抗性基因；结构基因组；比较基因组；功能基因组；生物信息学 中图分类号Ｑ７８文献标识码Ａ文章编号０５１７－６６１１（２００７）２０－０６０５４－０２ 安徽农业科学，ＪｏｕｒｎａｌｏｆＡｎｈｕｉＡｇｒｉ．Ｓｃｉ．２００７，３５（２０）：６０５４－６０５５，６０５７责任编辑王淼责任校对王淼
人类基因组计划和生物信息学 徐新来 安道昌 王 芷3 李 青 付红波 (中国生物工程中心 北京100081)(3中国科技信息研究所 北京100038) 提要:介绍人类基因组计划和生物信息学,阐述了两者的关系,提出了在人类基因组计划中发展生物信息学的策略。 一、引 言 人类基因组计划(H um an Genom e P ro 2ject ,H GP )是美国在1990年提出实施的一项大科学计划,在世界各国引起了很大反响。计划的提出旨在对人类基因组3×109 个脱氧核苷酸对进行作图和测序,进而解读和破译生老病死以及语言、记忆和疾病发生的遗传信息。而生物信息学是集生物学、数学、信息学、计算机科学一体化的一门新的学科。早在H GP 提出时就预示到生物信息学的重要性,当时就成立了有42位著名专家组成的生物信息学任务组。随着人类基因组计划的进展,基因组的数据和信息大量,迅速地增加,信息的收集、储存、分发、分析的管理越来越显得紧迫和重要。利用数学模式和计算机处理数据的功能来处理和分析大量增加的人类基因组信息的结果,使人类基因组计划和生物信息学紧紧地结合起来了,而且随着两者的紧密结合和互相渗透,人类基因组计划的前进步伐会大大加快,从而提前完成计划,为人类造福。 二、从人类基因组计划看 生物信息学 美国在1990年率先提出H GP ,计划用15年时间,投入30亿美元,完成人类全部24条染色体的3×109脱氧核苷酸对(bp )的序列测定,主要任务包括作图(遗传图谱、物理图谱的建立)、测序和基因识别。其中还包括模式生物(如大肠杆菌、酵母、线虫、小鼠等)基因组的作图和测序,以及信息系统的建立。 遗传图谱、物理图谱的建立是测序的必要条件;遗传图谱是根据遗传连锁标志之间的重组频率来确定它们的距离,遗传图谱的建立为基因识别和完成基因定位创造了条件。物理图谱是以核苷酸的长度为单位绘制而成,详细描述染色体上界标间的距离,主要是编码蛋白质的外显子和排序DNA 克隆库组成,这些DNA 分子克隆库相互交错、重叠。人类基因组全部DNA 序列的测定是H GP 的核心部分;随着遗 传和物理图谱的完成和即将完成,测序就成为今后重中之重的工作。而大规模测序技术的改进及分析大片段DNA 序列的生物信息技术的进步,对完成人类基因组全部核苷酸顺序测定起着决定性作用。测序的完成依赖物理图谱上的排序的DNA 片段分子克隆,这些分子图谱通常是在较短的时间由一个研究组从单一分离群体中获得的,为了充分利用所有资料信息,要对其全部标记的同时进行分析,这种分析涉及十分庞杂和巨大的计算,手工无法完成。基因识别是H GP 的重要内容之一;目的是要识别全部人类的基因,即基因组在生命活动中发生转录表达的DNA 片段,并对其结构进行研究。目前常采用的有二种方法:一是从基因组顺序中识别那些转录表达的DNA 片段;二是从c D 2 NA 文库中挑取并克隆。两种方法都必须依靠生物信息学的帮助即信息系统的建立;前者需要对基因组进行分析,后者要对基因文库进行分析,甚至还要进行分类分型,建立二级库,才能有效地挑取到所需要的DNA 分子克隆。模式生物基因组在H GP 中占有重要的位置;模 — 06—高技术通讯 1998181
生物信息学主要内容和发展前景 学生：xxx （x学院xxxx班，学号xxxxxxxxxxx） 摘要：21世纪是生命科学的世纪，伴随着人类基因组计划的胜利完成，人类基因组以及其它模式生物基因组计划的全面实施，使分子生物数据以爆炸性速度增长。及时、充分、有效地利用网络上不断增长的生物信息数据库资源，已经成为生命科学和生物技术研究开发的必要手段，从而诞生了生物信息学。 关键字：生物信息学；产生；研究内容；展现状；前景 随着生物科学技术的迅猛发展，生物信息数据资源的增长呈现爆炸之势，同时计算机运算能力的提高和国际互联网络的发展使得对大规模数据的贮存、处理和传输成为可能，为了快捷方便地对已知生物学信息进行科学的组织、有效的管理和进一步分析利用，一门由生命科学和信息科学等多学科相结合特别是由分子生物学与计算机信息处理技术紧密结合而形成的交叉学科——生物信息学(Bioinformatics)应运而生,并大大推动了相关研究的开展,被誉为“解读生命天书的慧眼”。 一、生物信息学的产生 21世纪是生命科学的世纪，伴随着人类基因组计划的胜利完成，与此同时，诸如大肠杆菌、结核杆菌、啤酒酵母、线虫、果蝇、小鼠、拟南芥、水稻、玉米等等其它一些模式生物的基因组计划也都相继完成或正在顺利进行。人类基因组以及其它模式生物基因组计划的全面实施，使分子生物数据以爆炸性速度增长。在计算机科学领域，按照摩尔定律飞速前进的计算机硬件，以及逐步受到各国政府重视的信息高速公路计划的实施，为生物信息资源的研究和应用带来了福音。及时、充分、有效地利用网络上不断增长的生物信息数据库资源，已经成为生命科学和生物技术研究开发的必要手段，从而诞生了生物信息学。 二、生物信息学研究内容 （一）序列比对 比较两个或两个以上符号序列的相似性或不相似性。序列比对是生物信息学的基础。两个序列的比对现在已有较成熟的动态规划算法，以及在此基础上编写的比对软件包BALST和FASTA，可以免费下载使用。这些软件在数据库查询和搜索中有重要的应用。有时两个序列总体并不很相似，但某些局部片断相似性很高。Smith-Waterman算法是解决局部比对的好算法，缺点是速度较慢。两个以上序
1. DNA: 遗传物质(遗传信息的载体)à双螺旋结构,A, C, G, T四种基本字符的复杂文本 2. 基因（Gene）：具有遗传效应的DNA分子片段 3. 基因组(Genome)：包含细胞或生物体全套的遗传信息的全部遗传物质。人类包括细胞核基因组和线粒体基因组 OR 一个物种中所有基因的整体组成 4. 人类基因组：3.2×109 bp 5.HGP的最初目标通过国际合作，用15年时间(1990～2005)至少投入30亿美元，构建详细的人类基因组遗传图和物理图，确定人类DNA的全部核苷酸序列，定位约10万基因，并对其它生物进行类似研究。 6.HGP的终极目标 阐明人类基因组全部DNA序列； 识别基因； 建立储存这些信息的数据库； 开发数据分析工具； 研究HGP实施所带来的伦理、法律和社会问题。 7.遗传图谱（genetic map）又称连锁图谱(linkage map)，它是以具有遗传多态性（在一个遗传位点上具有一个以上的等位基因，在群体中的出现频率皆高于1%）的遗传标记为“路标”，以遗传学距离（在减数分裂事件中两个位点之间进行交换、重组的百分率，1%的重组率称为1cM）为图距的基因组图。 遗传图谱的建立为基因识别和完成基因定位创造了条件。 8. 遗传连锁图：通过计算连锁的遗传标志之间的重组频率，确定它们的相对距离，一般用厘摩（cM，即每次减数分裂的重组频率为1%）表示。 9. 物理图谱（physical map）是指有关构成基因组的全部基因的排列和间距的信息，它是通过对构成基因组的DNA分子进行测定而绘制的。绘制物理图谱的目的是把有关基因的遗传信息及其在每条染色体上的相对位置线性而系统地排列出来。 10. 转录图谱是在识别基因组所包含的蛋白质编码序列的基础上绘制的结合有关基因序列、位置及表达模式等信息的图谱。 11. 序列图谱:随着遗传图谱和物理图谱的完成，测序就成为重中之重的工作。 DNA序列分析技术是一个包括制备DNA片段化及碱基分析、DNA信息翻译的多阶段的过程。通过测序得到基因组的序列图谱 12. 大规模测序基本策略 逐个克隆法：对连续克隆系中排定的BAC克隆逐个进行亚克隆测序并进行组装（公共领域测序计划） 全基因组鸟枪法：在一定作图信息基础上，绕过大片段连续克隆系的构建而直接将基因组分解成小片段随机测序，利用超级计算机进行组装（美国Celera公司） 13. 基因识别（gene identification）是HGP的重要内容之一，其目的是识别全部人类的基因。 基因识别包括： 识别基因组编码区 识别基因结构 基因识别目前常采用的有二种方法： 从基因组序列中识别那些转录表达的DNA片段 从cDNA文库中挑取并克隆。 14. 基因组多态性（Polymorphism）:是指在一个生物群体中，同时和经常存在两种或多种不连续的变异型或基因型（genotype）或等位基因（allele），亦称遗传多态性（genetic
一、名词解释： 1.生物信息学：研究大量生物数据复杂关系的学科，其特征是多学科交叉，以互联网为媒介，数据库为载体。利用数学知识建立各种数学模型; 利用计算机为工具对实验所得大量生物学数据进行储存、检索、处理及分析，并以生物学知识对结果进行解释。 2.二级数据库：在一级数据库、实验数据和理论分析的基础上针对特定目标衍生而来，是对生物学知识和信息的进一步的整理。 序列格式：是将DNA或者蛋白质序列表示为一个带有一些标记的核苷酸或者氨基酸字符串，大于号（>）表示一个新文件的开始，其他无特殊要求。 序列格式：是GenBank 数据库的基本信息单位，是最为广泛的生物信息学序列格式之一。该文件格式按域划分为4个部分：第一部分包含整个记录的信息（描述符）；第二部分包含注释；第三部分是引文区，提供了这个记录的科学依据；第四部分是核苷酸序列本身，以“询序列（query sequence）：也称被检索序列，用来在数据库中检索并进行相似性比较的序列。P98 8.打分矩阵（scoring matrix）：在相似性检索中对序列两两比对的质量评估方法。包括基于理论（如考虑核酸和氨基酸之间的类似性）和实际进化距离（如PAM）两类方法。P29 9.空位（gap）：在序列比对时，由于序列长度不同，需要插入一个或几个位点以取得最佳比对结果，这样在其中一序列上产生中断现象，这些中断的位点称为空位。P29 10.空位罚分：空位罚分是为了补偿插入和缺失对序列相似性的影响，序列中的空位的引入不代表真正的进化事件，所以要对其进行罚分，空位罚分的多少直接影响对比的结果。P37值：衡量序列之间相似性是否显着的期望值。E值大小说明了可以找到与查询序列（query）相匹配的随机或无关序列的概率，E值越接近零，越不可能找到其他匹配序列，E值越小意味着序列的相似性偶然发生的机会越小，也即相似性越能反映真实的生物学意义。P95 12.低复杂度区域：BLAST搜索的过滤选项。指序列中包含的重复度高的区域，如poly（A）。 13.点矩阵（dot matrix）：构建一个二维矩阵，其X轴是一条序列，Y轴是另一个序列，然后在2个序列相同碱基的对应位置（x，y）加点，如果两条序列完全相同则会形成一条主对角线，如果两条序列相似则会出现一条或者几条直线；如果完全没有相似性则不能连成直线。 14.多序列比对：通过序列的相似性检索得到许多相似性序列，将这些序列做一个总体的比对，以观察它们在结构上的异同，来回答大量的生物学问题。 15.分子钟：认为分子进化速率是恒定的或者几乎恒定的假说，从而可以通过分子进化推断出物种起源的时间。 16.系统发育分析：通过一组相关的基因或者蛋白质的多序列比对或其他性状，可以研究推断不同物种或基因之间的进化关系。 17.进化树的二歧分叉结构：指在进化树上任何一个分支节点，一个父分支都只能被分成两个子分支。 系统发育图：用枝长表示进化时间的系统树称为系统发育图，是引入时间概念的支序图。 18.直系同源：指由于物种形成事件来自一个共同祖先的不同物种中的同源序列，具有相似或不同的功能。（书：在缺乏任何基因复制证据的情况下，具有共同祖先和相同功能的同源基因。） 19.旁系（并系）同源：指同一个物种中具有共同祖先，通过基因重复产生的一组基因，这些基因在功能上可能发生了改变。(书：由于基因重复事件产生的相似序列。) 20.外类群：是进化树中处于一组被分析物种之外的，具有相近亲缘关系的物种。 21.有根树：能够确定所有分析物种的共同祖先的进化树。 22.除权配对算法（UPGMA）：最初，每个序列归为一类，然后找到距离最近的两类将其归为一类，定义为一个节点，重复这个过程，直到所有的聚类被加入，最终产生树根。
浅谈生物信息学的发展和前景 摘要：生物信息学已成为整个生命科学发展的重要组成部分，成为生命科学研究的前沿。本文对生物信息学的产生背景及其研究现状等方面进行了综述，并展望生物信息学的发展前景。生物信息学的发展在国内、外基本上都处在起步阶段。因此，这是我国生物学赶超世界先进水平的一个百年一遇的极好机会。 关键字：生物信息学、产生背景、发展现状、前景 随着生物科学技术的迅猛发展，生物信息数据资源的增长呈现爆炸之势，同时计算机运算能力的提高和国际互联网络的发展使得对大规模数据的贮存、处理和传输成为可能，为了快捷方便地对已知生物学信息进行科学的组织、有效的管理和进一步分析利用，一门由生命科学和信息科学等多学科相结合特别是由分子生物学与计算机信息处理技术紧密结合而形成的交叉学科——生物信息学(Bioinformatics)应运而生,并大大推动了相关研究的开展, 被誉为“解读生命天书的慧眼”。 一、生物信息学产生的背景 生物信息学是80年代未随着人类基因组计划（Human genome project)的启动而兴起的一门新的交叉学科。它通过对生物学实验数据的获取、加工、存储、检索与分析，进而达到揭示数据所蕴含的生物学意义的目的。由于当前生物信息学发展的主要推动力来自分子生物学，生物信息学的研究主要集中于核苷酸和氨基酸序列的存储、分类、检索和分析等方面，所以目前生物信息学可以狭义地定义为：将计算机科学和数学应用于生物大分子信息的获取、加工、存储、分类、检索与分析，以达到理解这些生物大分子信息的生物学意义的交叉学科。事实上，它是一门理论概念与实践应用并重的学科。 生物信息学的产生发展仅有10年左右的时间---bioinformatics这一名词在1991年左右才在文献中出现，还只是出现在电子出版物的文本中。事实上，生物信息学的存在已有30多年，只不过最初常被称为基因组信息学。美国人类基因组计划中给基因组信息学的定义：它是一个学科领域，包含着基因组信息的获取、处理、存储、分配、分析和解释的所有方面。自1990年美国启动人类基因组计划以来，人与模式生物基因组的测序工作进展极为迅速。迄今已完成了约40多种生物的全基因组测序工作，人基因组约3x109碱基对的测序工作也接近完成。至2000年6月26日，被誉为生命“阿波罗计划”的人类基因组计划终于完成了工作草图，预示着完成人类基因组计划已经指日可待。截止目前为止，仅登录在美国GenBank 数据库中的DNA序列总量已超过70亿碱基对。此外，迄今为止，已有一万多种蛋白质的空间结构以不同的分辨率被测定。基于cDNA序列测序所建立起来的EST数据库其纪录已达数百万条。在这些数据基础上派生、整理出来的数据库已达500余个。这一切构成了一个生物学数据的海洋。这种科学数据的急速和海量积累，在人类的科学研究历史中是空前的。数据并不等于信息和知识，但却是信息和知识的源泉，关键在于如何从中挖掘它们。与正在以指数方式增长的生物学数据相比，人类相关知识的增长（粗略地用每年发表的生物、医学论文数来代表）却十分缓慢。一方面是巨量的数据；另一方面是我们在医学、药物、农业和环保等方面对新知识的渴求，这些新知识将帮助人们改善其生存环境和提高生活质量。这就构成了一个极大的矛盾。这个矛盾就催生了一门新兴的交叉科学，这就是生物信息学。二、生物信息学研究的发展现状 资金和实力非常重要，生物信息的研究投入短期不算大，但是结合成果，其投入相当的大。因为目前生物信息主要在于教学和和研究，商业领域的应用不算很广。如一套LIMS加上软件就要花上数千万。加上相关项目的研究开发，不是国内相关的机构所能承受的。所以需要得到政府的支持和帮助。以及有识之士的投入。否则我们又将远远落后国外。国内的制药行业将永不得翻身！基因的流失(国外一些国家打着给国内免费治疗，分析疾病的考旗帜，
一、真核基因组相关名词解释 基因家族（gene family ）：真核细胞中许多相关的基因常按功能成套组合，称为基因家族。同一家族中的成员有时紧密排列在一起，称为一个基因簇；有时分散在同一染色体不同的部位，甚至分散在不同的染色体上。 基因簇（gene cluster）：基因家族各成员聚集成簇。 假基因（pseudogene）：与功能基因序列相似，却没有功能。 超基因家族（gene superfamily ）：序列不同但功能相似的一组基因。 断裂基因：DNA分子中基因编码序列常被非编码的序列隔开，这类基因称为断裂基因。编码序列称为外显子（exon）；非编码序列称为内含子（intron）。 剪接：内含子从原初转录本中除去的加工过程称为剪接，包括内含子从原初转录本中删除以及外显子末端的共价连结。在成熟的RNA中出现的序列称为外显子。在原初转录本加工时被删除的插入序列称为内含子。 二、HGP相关名词解释 遗传图谱：又称连锁图，是指基因或DNA标志在染色体上的相对位置与遗传距离。遗传距离通常由基因或DNA片断在染色体交换过程中分离的频率厘摩（cM ）来表示。1厘摩表示每次减数分裂的重组频率为１％。厘摩值越高表明两点之间距离越远，厘摩值越低表示两点间距离越近。用于遗传图谱绘制的常用遗传标记为RFLP、STR、SNP。 RFLP：restriction fragment length polymorphism，限制性酶切片段长度多态性，DNA序列的变化引起限制性内切酶位点丢失或产生，从而导致酶切片段长度的变化。 SNP：single nucleotide polymorphism，单核苷酸的多态性，指单个核苷酸的变化而从产生的多态性。 物理图谱：指以已知核苷酸序列的DNA片段（如STS）为路标，以碱基对作为基本测量单位的两点之间的实际距离。通常由DNA的限制酶片段或克隆的DNA片段有序排列而成。 STS：sequence tagged site，序列标签位点，是指染色体定位明确，并且可用PCR扩增的单拷贝短DNA序列。 转录图谱：又称表达序列标签（Expressed Sequence tags，EST）是从已建好的cDNA库中随机取出一个克隆，从5'末端或3'末端对插入的cDNA片段进行一轮单向自动测序，所获得的约60～500bp的一段cDNA序列。1993年NCBI建立了一个专门的EST数据库dbEST来保存和收集所有的EST数据。ESTs已经被广泛的应用于基因预测、识别以及基因图谱的绘制。YAC：酵母人工染色体（yeast artificial chromosome ，YAC），利用酿酒酵母染色体的复制元件构建的载体，克隆能力为200-2000kb。YAC载体含有的着丝粒,端粒和复制起点三种成份可以满足YAC自主复制，染色体在子代细胞间分离及保持染色体稳定的需要。YAC以环状方式存在，具有大肠杆菌质粒的复制元件和选择标记，以便保存和增殖。 三、生物信息学相关名词解释 生物信息学（bioinformatics）：是一门交叉学科，它包含了生物信息的获取、处理、存储、分发、分析和解释等在内的所有方面，它综合运用数学、计算机科学和生物学的各种工具，来阐明和理解大量数据所包含的生物学意义。包括基因的染色体定位、序列的搜索、基因识别和科学文献的查询。 基因组学(genomics)：以各种生物的基因组为研究对象，采取大规模，高通量的手段获取数据，用于解析基因的结构，功能及其之间的关系。 结构基因组学（structural genomics）：基因组学的重组成部分，一门通过基因作图、核苷酸序列分析来完成确定基因组成和进行基因定位等任务的科学。 蛋白质组(proteome)：由一个基因组或一个细胞、一个组织表达的所有蛋白质。 蛋白质组学(proteomics)：以蛋白质为研究对象，在整体、动态、网络的水平上研究细胞内蛋白质的组成、结构及其活动规律的学科，其目的是阐明生物体全部蛋白质的表达模式及功能模式。 功能基因组学（functional genomics）：功能基因组学通常又称为后基因组学，是在利用结构基因组学丰富的信息资源的基础上，应用大量的实验分析方法并结合统计和计算机分析来研究基因的表达、调控与功能，基因间、基因与蛋白质之间和蛋白质与底物、蛋白质与蛋白质之间的相互作用以及生物的生长发育等规律的学科。 比较基因组学（comparative genomics）：比较不同物种的整个基因组，来揭示基因，基因家族的起源和功能及其在进化过程中复杂化和多样化的机制。 四、国际上四大生物信息中心： 美国生物工程信息中心（National Center of Biotechnology Information ）http：//www．ncbi．nlm．nih．gov 欧洲分子生物学研究所（EMBL）http：//www．ebi．ac．uk 日本DNA数据库（DNA Data Bank of Japan，DDBJ）http：//www．nig．ac．jp 基因组序列数据库（Genome Sequence Database，GSDB）http：//www．ncgr．org：80／gsdb