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
讨论题：
1 基因组进化的分子机制和意义？
1）突变的机制：DNA复制过程中的自发突变---碱基的错配、互变异构体错误参入、滑序复制；物理或化学诱变剂产生的突变---脱氨基试剂、嵌合剂、离子辐射、热诱变等
2）重组：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
位点专一性重组---2个dna分子之间有时只有很短的共同序列也能起始重组过程
双链断裂重组---两个单链在同一位置产生缺口，然后将这两个缺口转移到同源的
另一双链分子
染色体重排---染色体的非同源重组与交换
3）转座：dna转座---直接以dna区段作转座成分
逆转录转座---所有转录过程均以rna为媒介，通过逆转录酶将转座子rna拷贝为
cDNA后再整合到寄主基因组中
意义：生物进化的基本动力源于基因组的自发突变，突变为自然选择提供了素材，增加生物多样性；重组可以使基因不断洗牌，使有利的和有害的突变在不同组合中经受进化的选择，产生优良的后代；转座也可以产生新变异，有利于进化，通过对转座元件的改造，可以对基因进行研究
2 新基因产生的机制有哪些？
1）基因扩增（gene duplication）指通过扩增产生多余的拷贝，经过长期积累，扩增的基因获得与原有基因不同的新功能
基因扩增是新基因产生的重要来源之一，也是基因组进化的主要机制之一。
2）外显子洗牌（exon shuffling）指来自不同基因或结构域的外显子进行重排，产生具有新功能的基因
3）逆转座（retrotransposition）指逆转座子转录合成的RNA通过逆转录生成cDNA，插入到基因组形成新的逆转座子拷贝
4）可移动元件（mobile elements）指转座子和逆转座子，可以插入到原基因的外显子或内含子区域，产生新的基因
5）基因水平转移（gene lateral trasfer）指遗传物质DNA通过各种方式由一个物种转移到另一个物种基因组中
一名词解释
1 表观遗传学（Epigenetics）：是基于非DNA序列改变所致的基因表达水平变化，这种变化在有丝分裂和/或减数分裂中是可以遗传的。
2 DNA甲基化（DNA methylation）：在甲基转移酶的催化作用下，DNA的胞嘧啶碱基被选择性地添加甲基，形成5－甲基胞嘧啶，DNA甲基化常见于5'-CG-3'序列
3 基因组印记（Genomic imprinting）：是指基因根据亲代的不同而有不同的表达。印记基因的存在能导致细胞中两个等位基因的一个表达而另一个不表达
4 组蛋白修饰（histone modifications）：组蛋白在相关酶催化下发生的甲基化、乙酰化、磷酸化、腺苷酸化、泛素化、ADP核糖基化等化学修饰
5 染色质重建（Chromatin remodeling）：染色质构象的改变，不涉及DNA序列的改变，但使基因表达模式发生改变的表观遗传机制，这种改变可以传递给子细胞
6 表观基因组学(epigenomics)：表观基因组学就是要在整个基因组水平来研究表观遗传过程以及与这些过程密切相关的特定基因组区域的识别与鉴定
二讨论题
1 DNA甲基化与基因转录水平的关系
DNA甲基化可引起染色体结构、构象、染色体DNA稳定性及蛋白质与dna相互作用方式的改变，一般认为dna甲基化抑制基因表达。
Dna甲基化主要通过影响染色质的结构阻止转录因子与启动子或增强子的结合控制基因表达。染色质结构的改变使转录装置与RNA聚合酶脱离启动子，导致基因关闭。细胞进入下一发育阶段时，必须打开新的基因，关闭不再需要的基因，如果这些程序出错，将产生严重后果。
2 染色体重建的主要机制
染色质有两种状态，常染色质状态与异染色质状态。常染色质区，转录调控因子可以和DNA分子接触，促使基因表达。而异染色质处于收缩状态，转录调控因子无法与dna结合，基因保持沉默。染色体状态的改变称染色体重建，基因表达要求染色质处在伸展的状态。
简答题
1.人类基因组单倍体的大小是多少？人类基因组计划进行的时间，采取的策略是什么？
答：人类基因组单倍体dna总长约30亿bp，人类基因组计划进行的时间约13年（1990-2003；2000，2005）
采取的策略：1作图法---以BAC（细菌人工染色体）克隆重叠群为基础的测序
2 全基因组鸟枪法测序（随机测序）
2.简述全基因组鸟枪法测序与组装的流程
3真核生物编码基因的DNA的结构包含哪些主要元素？有何序列特征？
4.Gene Ontology的作用是什么？分为哪三类？
作用：不同的生物学数据库可能会使用不同的术语，这让信息查找变得十分复杂，GO（基因本体论）将基因产物在基因库中被赋上相应的GO term，将基因功能描述标准统一GO对基因或蛋白质可从三个层面进行注解
（1细胞组分（基因所在的细胞的位置）
（2 分子功能（基因产物在分子级别的主要活动）
（3生物过程（基因或蛋白质所在的生物过程）
5.目前基因功能注释的依据是什么？
（1）根据同源基因功能推测（同源序列间具有一致性和相似性，通过同源性比对，推测注
释基因的功能）
（2）根据基因结构特点注释（基序、功能域）
（3）根据协同进化注释基因功能（一些紧密连锁的基因，在进化上形成独立单位，可能有
相近的功能；形成同一功能网络的基因在进化中可能同时出现或丢失；分别带有同一功能域
集合中不同多肽的功能域的蛋白之间可能有相互作用）
另外，也需要人工注释和实验注释进行校正
名词解释：
De novo测序：即从头测序，物种或近源物种的基因序列未知，通过对不同长度DNA序
列的测序，然后用生物信息学方法进行拼接、组装、注释，得出该物种的完整的基因组序列
Contig：一群相互重叠的克隆或dna序列，内部连续无间隙。可能为草图序列或精确序列
Scaffold：一组已知排列顺序的contig序列，内部通常含间隙
测序coverage：随机测序获得的序列总长与单倍体基因组序列总长之比
同源性：指起源于同一祖先但序列已经发生变异的序列之间的关联性
相似性：指同源dna序列的同一碱基位置上相同的碱基成员，或者蛋白质中同一氨基酸位置相同的氨基酸成员的比例，可用百分比表示
一致性：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
生物信息学试题 1、构建分子系统树得主要方法有哪些？并简要说明构建分子进化树 得一般步骤。（20分） 答：（1）构建进化树得方法包括两种：一类就是序列类似性比较，主要就是基于氨基酸相对突变率矩阵（常用PAM250）计算不同序列差异性积分作为它们得差异性量度（序列进化树）；另一类在难以通过序列比较构建序列进化树得情况下，通过蛋白质结构比较包括刚体结构叠合与多结构特征比较等方法建立结构进化树 (2)序列比对——选取所需序列——软件绘制 具体如下： a测序获取序列或者在NCBI上搜索所需得目得序列 b在NCBI上做blast：比对相似度较高得基因，并以fast格式下载，整合在*txt文档中。 c比对序列，比对序列转化成*meg格式 d打开保存得*meg格式文件，构建系统进化树 2、氨基酸序列打分矩阵PAM与BLOSUM中序号有什么意义？它们各自 得规律就是什么？（10分） （1）PAM矩阵：基于进化得点突变模型，如果两种氨基酸替换频繁，说明自然界接受这种替换，那么这对氨基酸替换得分就高。一个PAM就就是一个进化得变异单位, 即1%得氨基酸改变。 BLOSUM矩阵：首先寻找氨基酸模式，即有意义得一段氨基酸片断，分别比较相同得氨基酸模式之间氨基酸得保守性（某种氨基酸对另一种氨基酸得取代数据），然后，以所有60％保守性得氨基酸模式之间得比较数据为根据，产生BLOSUM60；以所有80％保守性得氨基酸模式之间得比较数据为根据，产生BLOSUM80。
（2）PAM用于家族内成员相比，然后把所有家族中对某种氨基酸得比较结果加与在一起，产生“取代”数据（PAM-1 ）；PAM-1自乘n次，得PAM-n。 PAM-n中，n 越小，表示氨基酸变异得可能性越小；相似得序列之间比较应该选用n值小得矩阵，不太相似得序列之间比较应该选用n值大得矩阵。PAM-250用于约 20%相同序列之间得比较。 BLOSUM-n中，n越小，表示氨基酸相似得可能性越小；相似得序列之间比较应该选用 n 值大得矩阵，不太相似得序列之间比较应该选用n值小得矩阵。BLOSUM-62用来比较62％相似度得序列，BLOSUM-80用来比较80％左右得序列。 3、蛋白质三维结构预测得主要方法有哪些？试选择其中得一种方 法，说明蛋白质三维结构预测得一般步骤。（10分） （1） a同源建模（序列相似性低于30%得蛋白质难以得到理想得结构模型 b折叠识别(已知结模板得序列一致率小于25%) c从头预测得方法(无已知结构蛋白质模板)。 （2） 4、您所熟悉得生物信息学软件有哪些？请选择其中得至少一种软 件，结合自己得研究课题，谈谈您所选择软件得基本原理，使用
《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。
上海师范大学实验报告 实验二 一、实验原理 答：利用Blast全球联网数据库，对输入的序列进行生物信息学分析，给出与输入序列相关性最大的对应的基因信息，比较两者的同源性。 二、操作步骤 答：（1）先打开网址https://www.doczj.com/doc/29356170.html,/ （2）点击右边的Blast链接，打开Blast数据库，进入Blast界面 （3）在Basic Blast中选择nucleotide blast （4）在对话框中输入核苷酸序列，在choose search set下的Database选项中选择Others (nr etc.) （5）把网页拉到最下方，点击Blast按钮 （6）在Descriptions 栏下找到Max ident 百分率最高的序列名称 （7）再往下拉，找到Alignments项下第一个序列，可以找到输入序列相关信息 （8）点击Accession，即能找到更多输入序列的相关信息。 1. tttcactcca tagttactcc ccaggtga 1.1它属于哪类生物? 答：属于Hepatitis C virus （丙型肝炎病毒） 1.2它属于哪类基因？ 答：属于non-structural protein 5B gene 1.3它在该基因的什么位置？ 答：它在该基因的第749-776这个位置。 1.4它与你搜索到的序列的同源性（Identities）是多少？ 答：同源性100% 2．（1）ccacccactg aaactgcaca gacaaatttg tacataagag 1.1它属于哪类生物? 答：属于Influenza A virus (A/chicken/Iran261/01(H9N2)) hemagglutinin (HA) gene （A型流感病毒，A型伊朗型261鸡流感病毒，H9N2病毒，血细胞凝集素抗原基因为依据） 1.2它属于哪类基因？ 答：属于ssRNA negative-strand viruses Orthomyxoviridae （单链RNA，负义链病毒，正粘病毒科） 1.3它在该基因的什么位置？ 答：它在该基因的第1-40这个位置 1.4它与你搜索到的序列的同源性（Identities）是多少？
生物技术12-1 生物技术12-1 学号姓名性 别 签名学号姓名性别签名学号姓名性 别 签名 12114350101陈丽娜女大肠杆菌连接 酶 12114350104黄少敏女人的胰蛋白 酶 12114350105黄晓静女T4噬菌体 DNA聚合酶12114350106纪秀玲女人的肌红蛋白12114350107列泳婵女蛋白酶K序 列 12114350108石彩虹女小鼠P53基 因12114350110周海琪女拟南芥端粒酶 序列 12114350111曹杰濠男淀粉酶12114350113陈永成男G-谷氨酰转 肽酶12114350115方壮杰男乳酸脱氢酶12114350116冯健锋男肝癌铁蛋白12114350118黄静云男牛血清白蛋 白12114350119李树森男18S rDNA 12114350120李涛男ATP合成酶12114350121林秀尧男谷氨酸脱羧 酶12114350123刘国标男CDK4 12114350124罗皓炽男胃蛋白酶12114350125阮永刚男鲨烯合酶基 因12114350126石晓洲男肌动蛋白12114350129王佐正男肥胖基因相 关蛋白 12114350130吴文祯男柑橘果胶酯 酶12114350131吴永鹏男凝血酶原12114350132徐国相男维生素C合 成基因 12114350133叶业林男葡萄糖脱氢 酶
12114350134张维彬男大肠杆菌Β-半 乳糖苷酶 12114350135张伟龙男抗干旱基因12114350136郑晓坤男人血红蛋白 12114350142郑桂捷男磷酸酶的蛋白 质12114350138黄忠海男牛凝乳酶原 基因 12114350139徐少东男岩藻糖苷酶 12114350141王晓敏女木瓜蛋白酶 本班总人数：31 生物技术12-2 生物技术12-2 学号姓名性别签名学号姓名性别签名学号姓名性别签名12114350201黄雪梅女人的胰岛素12114350202李晨晨女热震惊蛋白/ 热击蛋白 1211435020 3 廖垭娣女乙肝病毒 CABYR- binding prot ein 12114350204冉梦梦女腺苷酸环化酶12114350205魏丹璇女DNA ase I 1211435020 6 吴彩凤女纤维素酶 12114350207武亦婷女18 rDNA 12114350208叶国玲女谷胱甘肽1211435020 9 叶锦玉女线粒体基因
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
生物信息学作业 1. Align the leghemoglobin protein from soy bean and myoglobin from human with global and local alignment software (ex. needle and water) respectively and interpret the results. ANSWER: (1)Use Needle to Align the two sequence： Aligned_sequences: 2 # 1: CAA38024.1 # 2: NP_001157488.1 # Matrix: EBLOSUM62 # Gap_penalty: 10.0 # Extend_penalty: 0.5 # Length: 203 # Identity: 43/203 (21.2%) # Similarity: 58/203 (28.6%) # Gaps: 90/203 (44.3%) # Score: 30.0 (2)Use Water to Align the two sequence： Aligned_sequences: 2 # 1: CAA38024.1 # 2: NP_001157488.1 # Matrix: EBLOSUM62 # Gap_penalty: 14 # Extend_penalty: 4 # Length: 32 # Identity: 11/32 (34.4%) # Similarity: 15/32 (46.9%) # Gaps: 0/32 ( 0.0%) # Score: 35 两种软件虽然使用同一罚分标准但得分不同。因为Needle程序实现标准pairwise全局比对，而Water则是局部比对。全局比对因为是比对全长序列，所以空位罚分多，得分较局部比对低。
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
《生物信息学》上机作业 题目：对人血红蛋白（HBA1）编码基因序列的生物信息分析
目录 引言 .............................................................................................................................................. - 1 -1 正文......................................................................................................................................... - 2 - 1.1 NCBI上对相关核苷酸序列的查找............................................................................ - 2 - 1.2 BLAST运行及其结果.................................................................................................. - 2 - 1.3 BLASTX运行及其结果................................................................................................ - 6 - 2 其他软件的运行及其结果..................................................................................................... - 8 - 2.1 Clustal W运行及其结果 ............................................................................................. - 9 - 2.2 MEGA4.0运行及其结果............................................................................................. - 10 -结论 ............................................................................................................................................ - 10 -
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）
CDK2基因和蛋白质序列的生物信息学分析 姓名： 学号： 专业： 1前言 细胞周期蛋白依赖激酶2(cyclin-dependent kinase 2,CDK2)，又名细胞分裂激酶2(cell division kinase 2)或p33蛋白激酶(p33 protein kinase)，其基因定位于人类基因组的12号染色体上的q13染色带上。CDK2基因全长6013bp，这部分中有7个外显子和6个内含子，7个外显子的长度依次为353bp、78bp、121bp、171bp、102bp、204bp、1264bp(可依次记为外显子1-7)。在翻译过程中，该基因转录成的mRNA的外显子1的前137bp和外显子7的后1159bp不进行翻译，属于调控序列。mRNA上只有中间的部分编码蛋白质。 CDK2基因可以转录为两种mRNA。其中，变体1长度为2325bp，编码298个氨基酸；变体2长度为2223bp，编码264个氨基酸。这两种蛋白质为CDK2的同型蛋白，功能相同，具有调控细胞分裂的功能，主要在G1期到S期和S期到G2期这两个阶段起作用。CDK2广泛分布在生物体的各种细胞的胞质溶胶和细胞核质中，但只在进行分裂的细胞中行使功能，这是因为CDK2只有与不同的细胞周期蛋白(cyclin)结合后才具有活性。CDK2可以与细胞周期蛋白A、B1、B3、E等结合后，参与细胞周期调控。由于CDK2在细胞内的数量变化有可能导致细胞周期异常而产生癌症，故CDK2基因可以被看作癌基因，其活性和表达量可以作为衡量癌症的指标。CDK2与周期蛋白E的复合体不仅能直接参与中心体复制的起始调控，还能与类Rb蛋白p107或转录因子E2F结合，促进细胞从G1期向S期转化或调控DNA复制有关的基因转录。而CDK2与周期蛋白A的复合体可以增强DNA复制因子RF-A的活性。 在CDK2分子中，被称为T环的氨基酸环阻断了活性部位，妨碍激酶履行它的酶功能，而且活性部位的氨基酸形成一种难于为蛋白质结合的形状。CDK2与周期蛋白结合时，周期蛋白将T环转出2nm以上，又将CDK2中的PSTAIRE螺旋部分转了, 并把活性部位氨基酸变成能与底物蛋白结合的正确构象。CDK2的活性不仅与周期蛋白有关，还与其上的Thr-15、Tyr-15、Thr-160三个位点是否磷酸化有关。一般情况下，与周期蛋白结合的CDK2的上述三个位点被Wee/Mik1和CAK激酶磷酸化，但此时复合体还没有活性，只有当Cdc25c将Thr-15、Tyr-15两个位点去磷酸化后，复合体才有活性。细胞中存在多种因子对CDK2进行修饰调节，此外还存在对其活性起负性调控的蛋白质，即CDK激酶抑制物，例如p21CIP/WAF1、p27KIP2等。 前面提到，CDK2基因转录的产物有两种。这两种mRNA的不同之处在于变体1由全部7个外显子组成，而变体2缺失外显子5，由剩余的6个外显子组成。这样翻译成的两种同型蛋白的长度就相差34个氨基酸。 2 材料和方法： 2.1序列数据来源 采用蛋白质名称对NCBI非冗余蛋白质数据库进行检索，CDK2蛋白的记录有1013个。而采用基因名称对NCBI非冗余核酸数据库进行检索，CDK2蛋白的记录有680个。 采用人(Homo sapiens)的CDK2蛋白序列进行BLAST搜索。 2.2序列分析方法
生物信息学作业题 绪论 1．什么是生物信息学？ 2．生物信息学有哪些主要研究领域？ 第一章生物信息学的分子生物学基础 1．DNA的双螺旋结构要点是什么？ 2．什么是基因组和蛋白质组？对它们的研究有何意义？ 第二章生物信息学的计算机基础 1．简述网络操作系统的类型。 第三章核酸序列分析 1．什么是全局比对？ 2．什么是局部比对？有哪些优点？ 第四章分子进化分析 1．分子进化分析具有哪些优点？ 2. 简述分子进化的中性学说。 第五章基因组分析 1. 什么是基因组学？其主要研究内容是什么？ 2．简述基因预测分析的一般步骤。 第六章蛋白质组分析 1. 蛋白质组学的概念和主要研究的大致方向是什么？ 2. 蛋白质组功能预测的程序是怎样的？ 第七章生物芯片数据分析 1. 什么是生物芯片? 2. 生物芯片有哪些方面的应用? 第八章核酸与蛋白质结构预测 1. RNA二级结构典型的预测方法有哪些？ 2. 基于统计学的预测蛋白质二级结构的方法有哪些？ 第九章生物信息学平台与工具软件 1. 请利用Clustal X软件对下列6条蛋白质序列进行多重比对（比对结果用BioEdit软件打开，用“截图”方式显示比对结果）。 >1 mqngkvkwfn sekgfgfiev eggedvfvhf saiqgegfkt leegqevtfe veqgnrgpqatnvnkk >2 mqgkvkwfnn ekgfgfieie gaddvfvhfs aiqgegykal eegqevsfdi tegnrgpqaanvvkl >3
mqngkvkwfn sekgfgfiev eggedvfvhf saiqgegfkt leegqevtfe veqgnrgpqatnvnkk >4 mqgkvkwfnn ekgfgfieie gaddvfvhfs aiqgegykal eegqevsfdi tegnrgpqaanvvkl >5 mqngkvkwfn sekgfgfiev eggedvfvhf saiqgegfkt leegqevtfe veqgnrgpqatnvnkk >6 mqgkvkwfnn ekgfgfieie gaddvfvhfs aiqgegykal eegqevsfdi tegnrgpqaanvvkl 2. 现有一ZmPti1b蛋白质序列，请用DNAMAN软件分析其二级结构，给出分析结果。 1 MSCFACCGDE DTQVPDTRAQ YPGHHPARAD AYRPSDQPPK GPQPVKMQPI AVPAIPVDEI 61 REVTKGFGDE ALIGEGSFGR VYLGVLRNGR SAAVKKLDSN KQPDQEFLAQ VSMVSRLKHE 121 NVVELLGYCA DGTLRVLAYE FATMGSLHDM LRGRKGVKGA QPGPVLSWSQ RVKIAVGAAK 181 GLEYLHEKAQ PHIIHRDIKS SNVLLFDDDV AKIADFDLSN QAPDMAARLH STRVLGTFGY 241 HAPEYAMTGQ LSSKSDVYSF GVVLLELLTG RKPVDHTLPR GQQSLVTWAT PRLSEDKVRQ 301 CVDSRLGGDY PPKAVAKFAA VAALCVQYEA DFRPNMSIVV KALQPLLNAH ARATNPGDHA 361 GS
生物信息学实验作业 试验一 一．找到编码拟南芥（arabidopsis）phyA（光敏色素A）基因的核酸序列编号, 并记录查找过程。 GI：224576211 步骤 1．进入NCBI主页 2．搜索arabidopsis phyA 3．Arabidopsis thaliana phytochrome A (PHYA) gene, partial cds 4．VERSION：GI：224576211 二．以phyA为检索词，在pubmed数据库中分别检索在题目和关键词字段中含有该检索词的文献，记录检索出的条目数目。 Results: 614 三．仔细阅读所查询核酸序列在NCBI和EMBL数据库中格式的解释，理解各字段的含义，并比较NCBI 与EMBL中序列格式的异同。
实验二 一．分析你感兴趣核酸序列的分子质量、碱基组成。 Composition 35 A; 25 C; 35 G; 15 T; 0 OTHER Percentage: 32% A; 23% C; 32% G; 14% T; 0%OTHER Molecular Weight (kDa): ssDNA: 34.26 dsDNA: 67.8 二．列出你所分析核酸序列（或部分序列）的互补序列、反向序列、反向互补序列、DNA双链序列和RNA 序列。 R S 1 ACTACTCGAG AAGCAGCGAC AGAGGCGTTA GCCCGCTCAG CAGACTGGCA GTTCTCTACC 61 GACAAAAAAG AGGTAGGAGG CACAGTAATG ATACAGGCGT AGCAGGAGGG C S 1 CCCTCCTGCT ACGCCTGTAT CATTACTGTG CCTCCTACCT CTTTTTTGTC GGTAGAGAAC 61 TGCCAGTCTG CTGAGCGGGC TAACGCCTCT GTCGCTGCTT CTCGAGTAGT R C S 1 TGATGAGCTC TTCGTCGCTG TCTCCGCAAT CGGGCGAGTC GTCTGACCGT CAAGAGATGG 61 CTGTTTTTTC TCCATCCTCC GTGTCATTAC TATGTCCGCA TCGTCCTCCC D DNA S 1 GGGAGGACGA TGCGGACATA GTAATGACAC GGAGGATGGA GAAAAAACAG CCATCTCTTG CCCTCCTGCT ACGCCTGTAT CATTACTGTG CCTCCTACCT CTTTTTTGTC GGTAGAGAAC 61 ACGGTCAGAC GACTCGCCCG ATTGCGGAGA CAGCGACGAA GAGCTCATCA TGCCAGTCTG CTGAGCGGGC TAACGCCTCT GTCGCTGCTT CTCGAGTAGT RNA S 1 GGGAGGACGA UGCGGACAUA GUAAUGACAC GGAGGAUGGA GAAAAAACAG CCAUCUCUUG 61 ACGGUCAGAC GACUCGCCCG AUUGCGGAGA CAGCGACGAA GAGCUCAUCA 三.列出核酸序列的限制性酶切位点分析结果（酶及识别位点）。 Restriction analysis on US Methylation: dam-No dcm-No Screened with 117 enzymes, 5 sites found Ecl136II 1 GAG/CTC 103 EcoICRI 1 GAG/CTC 103 SacI 1 GAGCT/C
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