生物信息学及其主要数学算法
吴春艳，王靖飞*
（中国农业科学院哈尔滨兽医研究所动物疫病诊断与流行病学中心，哈尔滨黑龙江 150001）
摘要简要介绍了生物信息学( Bioinformatics )及其发展历程，讨论了生物信息学与其它学科之间的联系，其研究的主要内容和数学方法。
关键词：生物信息学；数学算法
Bioinformatics and Its Mathematical Arithmetics
WU Chun-Yan, W ANG Jing-Fei＊, LI Jing, JI Zeng-Tao, YANG Yan-Tao
( Center for Diagnosis and Epidemiology of Animal Infectious Diseases, Harbin Veterinary Research Institute, CAAS, Harbin, Heilongjiang Province, 150001 )
Abstract The bioinformatics and its history were briefly introduced at the beginning of the paper. And then, we discussed the relationship between Bioinformatics and other subjects. Both the main research directions and mathematical arithmetics were also described in the later parts of the paper.
Key words Bioinformatics; mathematical arithmetics
1前言
生物信息学是一门多学科交叉科学，综合运用生物学、信息学、统计学、数学、物理学、化学、计算机及网络科学等为主要工具和手段，发展各种软件，对逐日大量增长的DNA序列、蛋白质的序列和结构进行收集、处理、存储、管理、分配、加工、分析和解释等，来阐明和理解大量数据，使之成为具有明确生物意义的生物信息。通过对生物信息的查询、检索、比较和分析，从中获取基因编码、基因调控、核酸和蛋白质结构功能及其相互关系等。生物信息学的发展经历了如下几次主要历程。
1954 年Crick 提出了遗传信息传递的规律，DNA 是合成RNA 的模板，RNA 又是合成蛋白质的模板，称之为中心法则(Central dogma)，这一中心法则对以后分子生
物学和生物信息学的发展都起到了极其重要的指导作用。
1956 年美国田纳西州盖特林堡召开的“生物学中的信息理论研讨会”，首次产生了生物信息学的概念。
1963 年Nirenberg 和Matthai通过实验研究，编码20 氨基酸的遗传密码得到了破译。
限制性内切酶的发现和重组DNA 的克隆（clone）奠定了基因工程的技术基础。
正是由于分子生物学的研究对生命科学的发展有巨大的推动作用，生物信息学的
出现也就成了一种必然。
20世纪80年代末随着人类基因组计划的启动而兴起一门新兴学科——基因组信息学，后改为生物信息学。1987 年林华安博士正是称这一领域为“生物信息学
（Bioinformatics）”。近年来，计算机和因特网的快速发展更是为生物信息的传递
提供了硬件基础和便利条件。（生物信息学的实质就是运用计算机科学及网络技术
来解决生物学问题。）
2001 年2 月，人类基因组工程测序的完成，使生物信息学走向一个高潮。
作者简介：吴春艳，女（1975-），满族，硕士，主要从事生物信息学研究。
*通讯作者Tel：（0451）85935090，E－mail：jingfei_wang@https://www.doczj.com/doc/603438702.html,。
2 生物信息学研究应具备条件
生物信息学研究应具备多方面的科学基础，需要数理统计、模式识别、动态规划、密码解读、语意解析、信令传递、神经网络、遗传算法及隐马氏模型等各种工具。生物信息学研究涉及到分子生物学、遗传学、细胞生物学、发育生物学、生物化学、生理学、免疫学、药物学、农业生物学、环境生物学等生命科学中的许多分支，同时必须有数学、物理学、化学、信息科学、计算机科学等多个学科的参与。因此，研究生物信息学应具备主要条件：首先，应具有一定的计算能力，包括掌握相应的软、硬件设备；要有各种数据库或能与国际、国内的数据库系统进行有效的交流；要有发达、稳定的互联网络系统；需要强有力的创新算法和软件，如果没有算法创新，生物信息学就无法获得持续的发展；最后，它要与实验科学，特别是与自动化的大规模高通量的生物学研究方法与技术建立广泛而紧密的联系。
3 生物信息学研究主要数据库
从80年代初开始，美国、欧洲及日本相继成立了国际性的生物信息数据中心，这三个数据库每天都要交换数据以保证能够全面覆盖每一个站点的数据。以西欧各国为主的欧洲分子生物学网络组织(European Molecular Biology Network, EMBNet)，是目前国际最大的分子生物信息研究、开发和服务机构，通过计算机网络使英、德、法、瑞士等国生物信息资源实现共享。国际上著名的公共数据库有Genebank、Swiss-prot、PIR、PDB等。
核酸序列数据库：
美国国家生物技术信息中心（Genbank），.https://www.doczj.com/doc/603438702.html,/
欧洲生物信息研究所（EMBL），https://www.doczj.com/doc/603438702.html,/embl.html
日本国家遗传学研究所（DDBJ），http://www.ddbj.nig.ac.jp/
蛋白质信息数据库：
PIR，https://www.doczj.com/doc/603438702.html,/
SWISS-PROT/TrEMBL，http://www.expasy.ch/sprot
生物大分子结构数据库：如PDB，https://www.doczj.com/doc/603438702.html,/pdb/
4 生物信息学主要研究内容
生物信息学在学科方面衍生的学科包括序列基因组学（Sequence genomics）、结构基因组学(Structural genomics)、功能基因组学(Functional genomics)、比较基因组学(Comparative genomics)、蛋白质学、药物基因组学、中药基因组学、肿瘤基因组学、分子流行病学和环境基因组学等。其中序列基因组学主要研究测序和核苷酸序列；结构基因组学研究遗传图谱、物理图谱和测序等；功能基因组学着重于研究以转录图为基础的基因组表达图谱；比较基因组学研究对不同进化阶段基因组的比较和不同种群和群体基因组的比较。蛋白质组学主要研究蛋白质组的研究技术与方法、双向凝胶电泳图谱及对不同条件下蛋白质组变化的比较分析等。具体说就是从核酸和蛋白质序列出发，分析序列中所表达的结构功能信息。
目前，生物信息学已经形成了多个研究方向[1-7]，主要有：
①序列比对(Sequence Alignment)
②蛋白质结构比对和预测
③基因识别、非编码区分析研究
④分子进化和比较基因组学
⑤序列重叠群（Contigs）装配
⑥遗传密码的起源
⑦基于结构的药物设计
⑧其他：如基因表达谱分析，代谢网络分析；基因芯片设计和蛋白质组学数据分析等，逐渐成为生物信息学中新兴的重要研究领域。
5 生物信息学研究中的数学方法
生物信息学研究的基因序列、转录序列和蛋白质序列等的分析问题都可以从数学方面描述成字母的排序问题，但它们所用的方法和研究的问题不同。如基因组序列，关键的问题是基因测序；蛋白质序列，关键问题是发现蛋白质分子上的功能性模体和使用这些模体来给新的基因序列进行有效的分类。改进的现有理论分析方法，如统计方法、隐含马尔科夫过程方法、非线性动力系统方法、特别是混浊和分维方法，神经网络方法，复杂性分析方法，密码学方法，多序列比较方法等。
与生物信息学相关的数学方法[8-13]：
⑴概率论与随机过程理论，如隐马尔科夫链模型（Hidden Markov Model, HMM），在生物信息学中有重要应用。概率统计是较早进入生命科学研究领域的学科之一，早在20世纪40~50 年代Fisher和Wright 就用它研究过数量遗传学。近年来兴起的隐马尔科夫链模型在生物信息学中有重要应用。HMM将完全随机的由A、T、C、G四个字母表示DNA的四种核苷酸组成的长序列构造出一个离散随机的过程，即马尔科夫链。此过程中每个字母的位置是随机的，单字母的“状态概率”和字母间的“转移概率”都平等，然后用实际的DNA 序列构造出相应的马尔科夫链，用此模型去验证另一个给定的DNA序列是否属于该物种[14]；该模型还可用于数据库的搜索、序列比较、建立蛋白质模型及发现新基因等研究。当同族蛋白质的HMM建立后，可以用此模型搜索PIR，SWISS-PROT数据库来发现同族的其它蛋白质。如果建立关于蛋白质基元（motif）或域的模型，则可以检验这种motif或域在数据库中的存在。
⑵运筹学，如动态规划（Dynamic Programming）是序列比对的基本工具。20世纪50年代初美国数学家R.E.Bellman等人在研究多阶段决策过程( Multistep decision process )的优化问题时，提出了著名的最优化原理( Principle of optimality )，把多阶段过程转化为一系列单阶段问题，逐个求解，创立了解决这类过程优化问题的新方法——动态规划。动态规划是运筹学的一个分支，是求解决策过程最优化的数学方法，在状态空间中，根据目标函数，通过递推，求出一条从状态起点到状态终点的最优路径（代价最小的路径），通过动态规划回溯法即可得到序列比对的最优结果。动态规划在生物信息学研究中用得最多的方面是DNA 序列或者蛋白质序列的两两对比排列。
⑶信息论，在分子进化、蛋白质结构预测、序列比对中有重要应用[15]，而人工神经网络方法(Artificial Neuralnetwork，ANN)则用途极为广泛[16]。随着人类基因组计划的实施和生物信息学研究的兴起，ANN模型已广泛地应用于核酸和蛋白质序列的分析。例如，在核酸序列研究中，ANN 模型在原核生物的转录终端的预测及对启动子、外显子和内含子的鉴别；用于确定DNA序列与其性质之间的映射关系的过程中，例如转录控制信号的分析和DNA曲率的分析等。在生物信息学研究中，应用得最多的ANN模型是多层前馈网络模型，这种模型使用最广泛的算法是BP算法，也叫BP神经网络。为了提高序列信息估算方法的准确度，许多人用神经网络与其他算法结合使用，推出新的算法，以求达到更高的精度。如1994年，A．A．Salamov 和V．Solovyev[17]利用改进的人工神经网络和最近相邻法，减少了计算的时间,在序列联配方面所得到的计算精度超过了当时计算精度最高的多层神经网络方法。1999年，将最近相邻法作了进一步改进，用一种可变的最近相邻法与神经网络结合，进行预测蛋白质的二级结构序列，预测精度得到进一步提高。
⑷ 其他：如统计学，包括多元统计学，是生物信息学的数学基础之一；最优化理论与算法，在蛋白质空间结构预测和分子对接研究中有重要应用；拓扑学，这里指几何拓扑，在DNA超螺旋研究中是
重要工具，在多肽链折叠研究中也有应用；函数论，如傅里叶变换和小波变换等都是生物信息学中的常规工具；计算数学，如常微分方程数值解法是分子动力学的基本工具；群论，在研究遗传密码和DNA序列的对称性方面有重要应用；组合数学，在分子进化和基因组序列研究中十分有用。
参考文献：
[1]唐玉荣.生物信息学中的序列比对算法[J].计算机工程与应用,2003,29:5-7
[2]任力锋,张波,刘辉.蛋白质序列信息的提取与蛋白质结构预测[J].北京生物医学工程, 2005 , 24(3):234-238
[3]张鹏帅,霍红卫.多序列比对问题的粒子群优化算法求解[J].计算工程与应用,2005,18:84-87
[4]赵剑华,王秀琴,刘芝华,等.功能基因组学的研究内容与方法[J].生物化学与生物物理进展,
2000,27(1):6-8
[5]曹阳.多序列比对程序及使用技巧. 生物学通报[J], 2005,40(1):11-12
[6]Steven E, Nitesh V C, Lawrence O H. Learning to predict in complex biological domains[J].
Ournal of System Simulation,2002,14(11):1464-1471
[7]Leaute J B.Impact of genomics and in silico related technologics in the drug discovery process
[J].Chinese Journal of Chemistry,2003,21:1241-1246
[8]朱伟,史定华,王翼飞.神经网络在蛋白质二级结构预测中的应用[J].自然杂志,2003,25 (3):
167-171
[9]韩明.生物信息学与数学[J].科学技术与工程,2002,2(6):14-17
[10]谢建明,孙啸,谢雪英,等.基因表达模式分析及软件系统[J]. 东南大学学报(自然科学
版),2003,33(2):201-204
[11]钱敏平,沈世镒.生物信息中的概率统计方法[J].数学进展,2004,33(6):669-684
[12]曹晓燕,徐安龙.生物信息学中的马尔可夫模型[J]. 中山大学学报论丛,2000,20(1):1-9
[13]谢惠民.生物信息学中的若干数学问题[J].中学数学月刊,2003,11,12,1-3
[14]韦芳萍,陈光旨,戚继.生物信息学与重复序列分析[J].广西农业生物科学,2002,21(1):
62-68
[15]张敏.生物序列比对算法研究现状与展望[J].大连大学学报,2004,25(4):75-82
[16]算法分析报告(1.2) https://www.doczj.com/doc/603438702.html,/arithmetic/wd1.htm
[17] Salamov AA, Solovyev VV. Prediction of protein secondary structure by combining
nearest-neighbor algorithms and multiple sequence alignments[J]. J Mol Biol.1995 Mar
17;247(1):11-5.
第一讲 生物信息学（Bioinformatics）是20世纪80年代末随着人类基因组计划的启动而兴起的一门新型交叉学科，它体现了生物学、计算机科学、数学、物理学等学科间的渗透与融合。 生物信息学通过对生物学实验数据的获取、加工、存储、检索与分析，达到揭示数据所蕴含的生物学意义从而解读生命活动规律的目的。 生物信息学不仅是一门学科，更是一种重要的研究开发平台与工具，是今后进行几乎所有生命科学研究的推手。 生物技术与生物信息学的区别及联系 生物信息学的发展历史 ?人类基因组计划（HGP） ?人类基因组计划由美国科学家于1985年提出，1990年启动。根据该计划，在2015年要把人体约4万个基因的密码全部揭开，同时绘制出人类基因的谱图，也就是说，要揭开组成人体4万个基因的30亿个碱基对的秘密。HGP与曼哈顿原子弹计划和阿波罗计划并称为三大科学计划，被誉为生命科学的登月计划。(百度百科) 随着基因组计划的不断发展，海量的生物学数据必须通过生物信息学的手段进行收集、分析和整理后，才能成为有用的信息和知识。换句话说，人类基因组计划为生物信息学提供了兴盛的契机。上文所说的基因、碱基对、遗传密码子等术语都是生物信息学需要着重研究的地方。 ：
】 第二讲回顾细胞结构 细胞是所有生命形式结构和功能的基本单位 细胞组成 细胞膜主要由脂类和蛋白质组成的环绕在细胞表面的双层膜结构 细胞质细胞膜与细胞核之间的区域：包含液体流质，夹杂物存储的营养、分泌物、天然色素和细胞器 细胞器细胞内完成特定功能的结构：线粒体、核糖体、高尔基体、溶酶体等 细胞核最大的细胞器 DNA的结构 碱基（腺嘌呤A、鸟嘌呤G、胞嘧啶C、胸腺嘧啶G） 。 核苷酸 核苷酸是构成DNA分子的重要模块。每个核苷酸分子由一分子称作脱氧核糖的戊 糖（五碳糖）、一分子磷酸和一分子碱基构成。每种核苷酸都有一个碱基对，也就 是A、T、C、G 基因是什么 基因是遗传物质的基本单位 基因就是核苷酸序列。 大部分的基因大约是1000-4000个核苷酸那么长。 基因通过控制蛋白质的合成，从微观和宏观上影响细胞、组织和器官的产生。 基因在染色体上。
生物信息学考试试卷 WEIHUA system office room 【WEIHUA 16H-WEIHUA WEIHUA8Q8-
一、名词解释(每小题4分,共20分) 1、生物信息学 广义：生命科学中的信息科学。生物体系和过程中信息的存贮、传递和表达；细胞、组织、器官的生理、病理、药理过程的中各种生物信息。 狭义：生物分子信息的获取、存贮、分析和利用。 2、人类基因组计划 人类基因组计划准备用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、物理图谱的建立及转录图谱的绘制)、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。作图和测序是基本的任务，在此基础上解读和破译生物体生老病死以及和疾病相关的遗传信息。 3、蛋白质的一级结构 蛋白质的一级结构是指多肽链中氨基酸的序列 4、基因 基因--有遗传效应的DNA片断,是控制生物性状的基本遗传单位。 5、中心法则 是指遗传信息从传递给，再从RNA传递给，即完成遗传信息的转录和翻译的过程。也可以从DNA传递给DNA，即完成DNA的复制过程。这是所有有细胞结构的生物所遵循的法则。 6 、DNA序列比较 序列比较的根本任务是：（1）发现序列之间的相似性；（2）辨别序列之间的差异 目的： 相似序列相似的结构，相似的功能 判别序列之间的同源性 推测序列之间的进化关系 7、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 8、基因识别 基因识别，是生物信息学的一个重要分支，使用生物学实验或计算机等手段识别DNA序列上的具有生物学特征的片段。基因识别的对象主要是蛋白质编码基因，也包括其他具有一定生物学功能的因子，如RNA基因和调控因子。 9、系统发生学 系统发生学(phylogenetics)——研究物种之间的进化关系。 10、基因芯片 基因芯片（gene chip），又称DNA微阵列（microarray），是由大量cDNA或寡核苷酸探针密集排列所形成的探针阵列，其工作的基本原理是通过杂交检测信息。
——古A．名词解释 1. 生物信息学：广义是指从事对基因组研究相关的生物信息的获取，加工，储存，分配，分析和解释。狭义是指综合应用信息科学，数学理论，方法和技术，管理、分析和利用生物分子数据的科学。 2. 基因芯片：将大量已知或未知序列的DNA片段点在固相载体上，通过物理吸附达到固定化（cDNA芯片），也可以在固相表面直接化学合成，得到寡聚核苷酸芯片。再将待研究的样品与芯片杂交，经过计算机扫描和数据处理，进行定性定量的分析。可以反映大量基因在不同组织或同一组织不同发育时期或不同生理条件下的表达调控情况。 3. NCBI：National Center for Biotechnology Information.是隶属于美国国立医学图书馆（NLM）的综合性数据库，提供生物信息学方面的研究和服务。 4. EMBL：European Molecular Biology Laboratory.EBI为其一部分，是综合性数据库，提供生物信息学方面的研究和服务。 5. 简并引物：PCR引物的某一碱基位置有多种可能的多种引物的混合体。 6. 序列比对：为确定两个或多个序列之间的相似性以至于同源性，而将它们按照一定的规律排列。
7. BLAST：Basic Local Alignment Search Tool.是通过比对(alignment)在数据库中寻找和查询序列(query)相似度很高的序列的工具。 8. ORF：Open Reading Frame.由起始密码子开始，到终止密码子结束可以翻译成蛋白质的核酸序列，一个未知的基因，理论上具有6个ORF。 9. 启动子：是RNA聚合酶识别、结合并开始转录所必须的一段DNA序列。原核生物启动子由上游调控元件和核心启动子组成，核心启动子包括-35区（Sextama box）TTGACA，-10区（Pribnow Box）TATAAT，以及+1区。真核生物启动子包括远上游序列和启动子基本元件构成，启动子基本元件包括启动子上游元件（GC岛，CAAT盒），核心启动子（TATA Box，+1区帽子位点）组成。 10. motif：模体，基序，是序列中局部的保守区域，或者是一组序列中共有的一小段序列模式。 11. 分子进化树：通过比较生物大分子序列的差异的数值重建的进化树。 12. 相似性：序列比对过程中用来描述检测序列和目标序列之间相似DNA碱基或氨基酸残基序列所占的比例。 13. 同源性：两个基因或蛋白质序列具有共同祖先的结论。
常用数据库 在DNA序列方面有GenBank、EMBL和等 在蛋白质一级结构方面有SWISS-PROT、PIR和MIPS等 在蛋白质和其它生物大分子的结构方面有PDB等 在蛋白质结构分类方面有SCOP和CATH等 生物信息学的主要研究内容 1、序列比对（Alignment） 基本问题是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，非常重要。两个序列的比对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BLAST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。 2、结构比对 基本问题是比较两个或两个以上蛋白质分子空间结构的相似性或不相似性。已有一些算法。 3、蛋白质结构预测，包括2级和3级结构预测，是最重要的课题之一 从方法上来看有演绎法和归纳法两种途径。前者主要是从一些基本原理或假设出发来预测和研究蛋白质的结构和折叠过程。分子力学和分子动力学属这一范畴。后者主要是从观察和总结已知结构的蛋白质结构规律出发来预测未知蛋白质的结构。同源模建（Homology）和指认（Threading）方法属于这一范畴。虽然经过30余年的努力，蛋白结构预测研究现状远远不能满足实际需要。 4、计算机辅助基因识别(仅指蛋白质编码基因)。最重要的课题之一 基本问题是给定基因组序列后，正确识别基因的范围和在基因组序列中的精确位置.这是最重要的课题之一，而且越来越重要。经过20余年的努力，提出了数十种算法，有十种左右重要的算法和相应软件上网提供免费服务。原核生物计算机辅助基因识别相对容易些，结果好一些。从具有较多内含子的真核生物基因组序列中正确识别出起始密码子、剪切位点和终止密码子，是个相当困难的问题，研究现状不能令人满意，仍有大量的工作要做。 5、非编码区分析和DNA语言研究，是最重要的课题之一 在人类基因组中，编码部分进展总序列的3~5%，其它通常称为“垃圾”DNA，其实一点也不是垃圾，只是我们暂时还不知道其重要的功能。分析非编码区DNA 序列需要大胆的想象和崭新的研究思路和方法。DNA序列作为一种遗传语言，不仅体现在编码序列之中，而且隐含在非编码序列之中。 6、分子进化和比较基因组学，是最重要的课题之一 早期的工作主要是利用不同物种中同一种基因序列的异同来研究生物的进化，构建进化树。既可以用DNA序列也可以用其编码的氨基酸序列来做，甚至于可通过相关蛋白质的结构比对来研究分子进化。以上研究已经积累了大量的工作。近年来由于较多模式生物基因组测序任务的完成，为从整个基因组的角度来研究分子进化提供了条件。 7、序列重叠群（Contigs）装配 一般来说，根据现行的测序技术，每次反应只能测出500或更多一些碱基对的序列，这就有一个把大量的较短的序列全体构成了重叠群（Contigs）。逐步把它们拼接起来形成序列更长的重叠群，直至得到完整序列的过程称为重叠群装配。拼接EST数据以发现全长新基因也有类似的问题。已经证明，这是一个NP-完备
UTR的含义是（B ） A.编码区 B. 非编码区 C. motif的含义是（D ）。 A.基序 B. 跨叠克隆群 C. algorithm 的含义是（B ）。 A.登录号 B. 算法 C. RGR^ （D ）。 A.在线人类孟德尔遗传数据 D.水稻基因组计划 下列Fasta格式正确的是（B） 低复杂度区域 D. 幵放阅读框 碱基对 D. 结构域 比对 D. 类推 B. 国家核酸数据库 C. 人类基因组计划 A. seql: agcggatccagacgctgcgtttgctggctttgatgaaaactctaactaaacactccctta B. >seq1 agcggatccagacgctgcgtttgctggctttgatgaaaactctaactaaacactccctta C. seq1:agcggatccagacgctgcgtttgctggctttgatgaaaactctaactaaacactccctta D. >seq1agcggatccagacgctgcgtttgctggctttgatgaaaactctaactaaacactccctta 如果我们试图做蛋白质亚细胞定位分析，应使用（D） A. NDB 数据库 B. PDB 数据库 C. GenBank 数据库 D. SWISS-PROT 数
据库 Bioinformatics 的含义是（A ）。 A. 生物信息学 B. 基因组学 C. 蛋白质组学 D. 表观遗传学 Gen Bank中分类码PLN表示是（D ）。 A.哺乳类序列 B. 细菌序列 C.噬菌体序列 D. 植物、真菌和藻类序列 ortholog 的含义是（A）0 A.直系同源 B.旁系同源 C.直接进化 D.间接进化 从cDNA文库中获得的短序列是（D ）o A. STS B. UTR C. CDS D. EST con tig的含义是（B ）o A.基序 B. 跨叠克隆群 C. 碱基对 D. 结构域 TAIR （AtDB）数据库是（C）o A.线虫基因组 B. 果蝇基因组 C. 拟南芥数据库 D. 大肠杆菌基因组ORF的含义是（D ）o A.调控区 B. 非编码区 C.低复杂度区域 D. 幵放阅读框
1、简介 生物信息学（Bioinformatics）是在生命科学的研究中，以计算机为工具对生物信息进行储存、检索和分析的科学。它是当今生命科学和自然科学的重大前沿领域之一，同时也将是21世纪自然科学的核心领域之一。其研究重点主要体现在基因组学（Genomics）和蛋白质组学（Proteomics）两方面，具体说就是从核酸和蛋白质序列出发，分析序列中表达的结构功能的生物信息。 具体而言，生物信息学作为一门新的学科领域，它是把基因组DNA序列信息分析作为源头，在获得蛋白质编码区的信息后进行蛋白质空间结构模拟和预测，然后依据特定蛋白质的功能进行必要的药物设计。基因组信息学，蛋白质空间结构模拟以及药物设计构成了生物信息学的3个重要组成部分。从生物信息学研究的具体内容上看，生物信息学应包括这3个主要部分：（1）新算法和统计学方法研究；（2）各类数据的分析和解释；（3）研制有效利用和管理数据新工具。 生物信息学是一门利用计算机技术研究生物系统之规律的学科。 目前的生物信息学基本上只是分子生物学与信息技术（尤其是因特网技术）的结合体。生物信息学的研究材料和结果就是各种各样的生物学数据，其研究工具是计算机，研究方法包括对生物学数据的搜索（收集和筛选）、处理（编辑、整理、管理和显示）及利用（计算、模拟）。 1990年代以来，伴随着各种基因组测序计划的展开和分子结构测定技术的突破和Internet的普及，数以百计的生物学数据库如雨后春笋般迅速出现和成长。对生物信息学工作者提出了严峻的挑战：数以亿计的ACGT序列中包涵着什么信息？基因组中的这些信息怎样控制有机体的发育？基因组本身又是怎样进化的？ 生物信息学的另一个挑战是从蛋白质的氨基酸序列预测蛋白质结构。这个难题已困扰理论生物学家达半个多世纪，如今找到问题答案要求正变得日益迫切。诺贝尔奖获得者W. Gilbert在1991年曾经指出：“传统生物学解决问题的方式是实验的。现在，基于全部基因都将知晓，并以电子可操作的方式驻留在数据库中，新的生物学研究模式的出发点应是理论的。一个科学家将从理论推测出发，然后再回到实验中去，追踪或验证这些理论假设”。 生物信息学的主要研究方向：基因组学- 蛋白质组学- 系统生物学- 比较基因组学，1989年在美国举办生物化学系统论与生物数学的计算机模型国际会议，生物信息学发展到了计算生物学、计算系统生物学的时代。 姑且不去引用生物信息学冗长的定义，以通俗的语言阐述其核心应用即是：随着包括人类基因组计划在内的生物基因组测序工程的里程碑式的进展，由此产生的包括生物体生老病死的生物数据以前所未有的速度递增，目前已达到每14个月翻一番的速度。同时随着互联网的普及，数以百计的生物学数据库如雨后春笋般迅速出现和成长。然而这些仅仅是原始生物信息的获取，是生物信息学产业发展的初组阶段，这一阶段的生物信息学企业大都以出售生物数据库为生。以人类基因组测序而闻名的塞莱拉公司即是这一阶段的成功代表。 原始的生物信息资源挖掘出来后，生命科学工作者面临着严峻的挑战：数以亿计的ACGT序列中包涵着什么信息？基因组中的这些信息怎样控制有机体的发育？基因组本身又是怎样进化的？生物信息学产业的高级阶段体现于此，人类从此进入了以生物信息学为中心的后基因组时代。结合生物信息学的新药创新工程即是这一阶段的典型应用。 2、发展简介 生物信息学是建立在分子生物学的基础上的，因此，要了解生物信息学，就必须先对分子生物学的发展有一个简单的了解。研究生物细胞的生物大分子的结构与功能很早就已经开始，1866年孟德尔从实验上提出了假设：基因是以生物成分存在，1871年Miescher从死的白细胞核中分离出脱氧核糖核酸（DNA），在Avery和McCarty于1944年证明了DNA是生命器官的遗传物质以前，人们仍然认为染色体蛋白质携带基因，而DNA是一个次要的角色。1944年Chargaff发现了著名的Chargaff规律，即DNA中鸟嘌呤的量与胞嘧定的量总是相等，腺嘌呤与胸腺嘧啶的量相等。与此同时，Wilkins与Franklin用X射线衍射技术测
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 息的存贮、信息的涵和信息的传递，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）
1、生物信息学(Bioinformatics)是研究生物信息的采集、处理、存储、传播，分析和解 释等各方面的学科，也是随着生命科学和计算机科学的迅猛发展，生命科学和计 算机科学相结合形成的一门新学科。它通过综合利用生物学，计算机科学和信息技 术而揭示大量而复杂的生物数据所赋有的生物学奥秘。 2、数据库（Database）是按照数据结构来组织、存储和管理数据的仓库，它产生于 距今六十多年前，随着信息技术和市场的发展，特别是二十世纪九十年代以后， 数据管理不再仅仅是存储和管理数据，而转变成用户所需要的各种数据管理的方 式。数据库有很多种类型，从最简单的存储有各种数据的表格到能够进行海量数 据存储的大型数据库系统都在各个方面得到了广泛的应用。 3、表达序列标签从一个随机选择的cDNA 克隆进行5’端和3’端单一次测序获得的短 的cDNA 部分序列，代表一个完整基因的一小部分，在数据库中其长度一般从20 到7000bp 不等，平均长度为360 ±120bp。EST 来源于一定环境下一个组织总 mRNA 所构建的cDNA 文库，因此EST也能说明该组织中各基因的表达水平。 4、开放阅读框是基因序列中的一段无终止序列打断的碱基序列，可编码相应的蛋白。 ORF识别包括检测六个阅读框架并决定哪一个包含以启动子和终止子为界限的 DNA序列而其内部不包含启动子或终止子，符合这些条件的序列有可能对应一个 真正的单一的基因产物。ORF的识别是证明一个新的DNA序列为特定的蛋白质编 码基因的部分或全部的先决条件。 5、蛋白质的一级结构在每种蛋白质中氨基酸按照一定的数目和组成进行排列，并进 一步折叠成特定的空间结构前者我们称为蛋白质的一级结构，也叫初级结构或基 本结构。蛋白质一级结构是理解蛋白质结构、作用机制以及与其同源蛋白质生理 功能的必要基础。 6、基因识别是生物信息学的一个重要分支，使用生物学实验或计算机等手段识别 DNA序列上的具有生物学特征的片段。基因识别的对象主要是蛋白质编码基因， 也包括其他具有一定生物学功能的因子，如RNA基因和调控因子。基因识别是基 因组研究的基础。
生物信息学中的机器学习方法 摘要：生物信息学是一门交叉学科，包含了生物信息的获取、管理、分析、解释和应用等方面，兴起于人类基因组计划。随着人类基因组计划的完成与深入，生物信息的研究工作由原来的计算生物学时代进入后基因组时代，后基因组时代中一个最重要的分支就是系统生物学。本文从信息科学的视角出发，详细论述了机器学习方法在计算生物学和系统生物学中的若干应用。 关键词：生物信息学；机器学习；序列比对；人类基因组；生物芯片 1.相关知识 1.1 生物信息学 生物信息学时生物学与计算机科学以及应用数学等学科相互交叉而形成的一门新兴学科。它综合运用生物学、计算机科学和数学等多方面知识与方法，来阐明和理解大量生物数据所包含的生物学意义，并应用于解决生命科学研究和生物技术相关产业中的各种问题。 生物信息学主要有三个组成部分：建立可以存放和管理大量生物信息学数据的数据库；研究开发可用于有效分析与挖掘生物学数据的方法、算法和软件工具；使用这些工具去分析和解释不同类型的生物学数据，包括DNA、RNA和蛋白质序列、蛋白质结构、基因表达以及生化途径等。 生物信息学这个术语从20世纪90年代开始使用，最初主要指的是DNA、RNA及蛋白质序列的数据管理和分析。自从20世纪60年代就有了序列分析的计算机工具，但是那时并未引起人们很大的关注，直到测序技术的发展使GenBank之类的数据库中存放的序列数量出现了迅猛的增长。现在该术语已扩展到几乎覆盖各种类型的生物学数据，如蛋白质结构、基因表达和蛋白质互作等。 目前的生物信息学研究，已从早期以数据库的建立和DNA序列分析为主的阶段，转移到后基因组学时代以比较基因组学（comparative genomics）、功能基因组学（functional genomics）和整合基因组学（integrative genomics）为中心的新阶段。生物信息学的研究领域也迅速扩大。生物信息学涉及生物学、计算机学、数学、统计学等多门学科，从事生物信息学研究的工作者或生物信息学家可以来自以上任何一个领域而侧重于生物信息学的不同方面。事实上，我们今天正需要具备各种背景知识、才能和研究思路的研究人员，集思广益
浅谈生物信息学在生物方面的应用 生物信息学（bioinformaLics）是以核酸和蛋白质等生物大分子数据库及其相关的图书、文献、资料为主要对象，以数学、信息学、计算机科学为主要手段，对浩如烟海的原始数据和原始资料进行存储、管理、注释、加工，使之成为具有明确生物意义的生物信息。并通过对生物信息的查询、搜索、比较、分析，从中获得基因的编码、凋控、遗传、突变等知识；研究核酸和蛋白质等生物大分子的结构、功能及其相互关系；研究它们在生物体内的物质代谢、能量转移、信息传导等生命活动中的作用机制。 从生物信息学研究的具体内容上看，生物信息学可以用于序列分类、相似性搜索、DNA 序列编码区识别、分子结构与功能预测、进化过程的构建等方面的计算工具已成为变态反应研究工作的重要组成部分。针对核酸序列的分析就是在核酸序列中寻找过敏原基因，找出基因的位置和功能位点的位置，以及标记已知的序列模式等过程。针对蛋白质序列的分析，可以预测出蛋白质的许多物理特性，包括等电点分子量、酶切特性、疏水性、电荷分布等以及蛋白质二级结构预测，三维结构预测等。 生物信息学中的主要方法有：序列比对，结构比对，蛋白质结构的预测，构造分子进化树，聚类等。基因芯片是基因表达谱数据的重要来源。目前生物信息学在基因芯片中的应用主要体现在三个方面。 1、确定芯片检测目标。利用生物信息学方法，查询生物分子信息数据库，取得相应的序列数据，通过序列比对，找出特征序列，作为芯片设计的参照序列。 2、芯片设计。主要包括两个方面，即探针的设计和探针在芯片上的布局，必须根据具体的芯片功能、芯片制备技术采用不同的设计方法。 3、实验数据管理与分析。对基因芯片杂交图像处理，给出实验结果，并运用生物信息学方法对实验进行可靠性分析，得到基因序列变异结果或基因表达分析结果。尽可能将实验结果及分析结果存放在数据库中，将基因芯片数据与公共数据库进行链接，利用数据挖掘方法，揭示各种数据之间的关系。 生物信息学在人类基因组计划中也具有重要的作用。 大规模测序是基因组研究的最基本任务，它的每一个环节都与信息分析紧密相关。目前，从测序仪的光密度采样与分析、碱基读出、载体标识与去除、拼接与组装、填补序列间隙，到重复序列标识、读框预测和基因标注的每一步都是紧密依赖基因组信息学的软件和数据库的。特别是拼接和填补序列间隙更需要把实验设计和信息分析时刻联系在一起．拼接与组装中的难点是处理重复序列，这在含有约30％重复序列的人类基因组中显得尤其突出。 人类基因组的工作草图即将完成，因此发现新基因就成了当务之急。使用基因组信息学的方法通过超大规模计算是发现新基因的重要手段，可以说大部分新基因是靠理论方法预测出来的。比如啤酒酵母完整基因组（约1300万bp）所包含6千多个基因，大约60％是通过信息分析得到的。 当人类基因找到之后，自然要解决的问题是：不同人种间基因有什么差别；正常人和病人基因又有什么差别。”这就是通常所说的SNPs（单核苷酸多态性）。构建SNPs及其相关数据库是基因组研究走向应用的重要步骤。1998年国际已开展了以EST为主发现新Spps 的研究。在我国开展中华民族SNPs研究也是至重要的。总之，生物信息学不仅将赋予人们各种基础研究的重要成果，也会带来巨大的经济效益和社会效益。在未来的几年中DNA 序列数据将以意想不到的速度增长，这更离不开利用生物信息学进行各类数据的分析和解释，研制有效利用和管理数据新工具。生物信息学在功能基因组学同样具有重要的应用目前应用最多的是同源序列比较、模式识别以及蛋白结构预测。所谓同源序列，是指从某一共同祖先经趋异进化而形成的不同序列。利用数据库搜索找出未知核酸或蛋白的同源序列，是序列分析的基础[lol。如利用BLASTn和BLASTx两种软件分别进行核苷酸和氨基
生物信息学中的序列比对算法 张永１，王瑞２ （１．南昌航空大学计算机学院，江西南昌３３００６３；２．江西大宇职业技术学院，江西南昌３３００３８） 摘要：生物信息学是以计算机为工具对生物信息进行储存、检索和分析的科学。序列比对是生物信息学中的一个基本问题，设计快速而有效的序列比对算法是生物信息学研究的一个重要内容，通过序列比较可以发现生物序列中的功能、结构和进化的信息，序列比较的基本操作是比对。本文介绍了序列比对算法的发展现状，描述了常用的各类序列比对算法，并分析了它们的优劣。 关键词：生物信息学；双序列比对；多序列比对 中图分类号：ＴＰ３０１文献标识码：Ａ文章编号：１００９－３０４４（２００８）０３－１０１８１－０４ ＳｅｑｕｅｎｃｅＡｌｉｇｎｍｅｎｔＡｌｇｏｒｉｔｈｍｓｉｎＢｉｏｉｎｆｏｒｍａｔｉｃｓ ＺＨＡＮＧＹｏｎｇ１，ＷＡＮＧＲｕｉ２ （１．ＳｃｈｏｏｌｏｆＣｏｍｐｕｔｉｎｇ，ＮａｎｃｈａｎｇＨａｎｇｋｏｎｇＵｎｉｖｅｒｓｉｔｙ，Ｎａｎｃｈａｎｇ３３００６３，Ｃｈｉｎａ；２．ＪｉａｎｇｘｉＤａｙｕＶｏｃａｔｉｏｎａｌＩｎｓｔｉｔｕｔｅ，Ｎａｎｃｈａｎｇ３３００３８，Ｃｈｉｎａ） Ａｂｓｔｒａｃｔ：Ｂｉｏｉｎｆｏｒｍａｔｉｃｓｉｓｔｈｅｓｕｂｊｅｃｔｏｆｕｓｉｎｇｃｏｍｐｕｔｅｒｔｏｓｔｏｒｅ，ｒｅｔｒｉｅｖｅａｎｄａｎａｌｙｚｅｂｉｏｌｏｇｉｃａｌｉｎｆｏｒｍａｔｉｏｎ．Ｓｅｑｕｅｎｃｅａｌｉｇｎｍｅｎｔｉｓａｂａ－ｓｉｃｐｒｏｂｌｅｍｉｎＢｉｏｉｎｆｏｒｍａｔｉｃｓ，ａｎｄｉｔｓｍａｉｎｒｅｓｅａｒｃｈｗｏｒｋｉｓｔｏｄｅｖｅｌｏｐｒａｐｉｄａｎｄｅｆｆｅｃｔｉｖｅｓｅｑｕｅｎｃｅａｌｉｇｎｍｅｎｔａｌｇｏｒｉｔｈｍｓ．Ｗｅｍａｙｄｉｓｃｏｖ－ｅｒｆｕｎｃｔｉｏｎａｌ，ｓｔｒｕｃｔｕｒａｌａｎｄｅｖｏｌｕｔｉｏｎａｒｙｉｎｆｏｒｍａｔｉｏｎｉｎｂｉｏｌｏｇｉｃａｌｓｅｑｕｅｎｃｅｓｂｙｓｅｑｕｅｎｃｅｃｏｍｐａｒｉｎｇ．Ｔｈｉｓｐａｐｅｒｉｎｔｒｏｄｕｃｅｓｔｈｅｄｅｖｅｌｏｐ－ｍｅｎｔａｃｔｕａｌｉｔｙｏｆｓｅｑｕｅｎｃｅａｌｉｇｎｍｅｎｔａｌｇｏｒｉｔｈｍｓ，ｄｅｓｃｒｉｂｅｓｖａｒｉｅｔｙｏｆｓｅｑｕｅｎｃｅａｌｉｇｎｍｅｎｔａｌｇｏｒｉｔｈｍａｎｄａｎａｌｙｓｅｓｔｈｅａｄｖａｎｔａｇｅｓａｎｄｄｉｓａｄ－ｖａｎｔａｇｅｓｏｆｔｈｅｍ． Ｋｅｙｗｏｒｄｓ：Ｂｉｏｉｎｆｏｒｍａｔｉｃｓ；ＰａｉｒｗｉｓｅＳｅｑｕｅｎｃｅＡｌｉｇｎｍｅｎｔ；ＭｕｌｔｉｐｌｅＳｅｑｕｅｎｃｅＡｌｉｇｎｍｅｎｔ １引言 生物信息学是８０年代末随着人类基因组计划的启动而兴起的一门新的交叉学科，最初常被称为基因组信息学。生物信息学是在生命科学的研究中，以计算机为工具对生物信息进行储存、检索和分析的科学。它是当今生命科学和自然科学的重大前沿领域之一，同时也将是２１世纪自然科学的核心领域之一。其研究重点主要体现在基因组学和蛋白组学两方面，具体说，是从核酸和蛋白质序列出发，分析序列中表达结构与功能的生物信息。 生物信息学的研究重点主要体现在基因组学和蛋白质学两方面，具体地说就是从核酸和蛋白质序列出发，分析序列中表达结构和功能的生物信息。生物信息学的基本任务是对各种生物分析序列进行分析，也就是研究新的计算机方法，从大量的序列信息中获取基因结构、功能和进化等知识。在从事分子生物学研究的几乎所有实验室中，对所获得的生物序列进行生物信息学分析已经成为下一步实验之前的一个标准操作。而在序列分析中，将未知序列同已知序列进行相似性比较是一种强有力的研究手段，从序列的片段测定，拼接，基因的表达分析，到ＲＮＡ和蛋白质的结构功能预测，物种亲缘树的构建都需要进行生物分子序列的相似性比较。例如，有关病毒癌基因与细胞癌基因关系的研究，免疫分子相互识别与作用机制的研究，就大量采用了这类比较分析方法。这种相似性比较分析方法就称为系列比对（ＳｅｑｕｅｎｃｅＡｌｉｇｎｍｅｎｔ）。目前，国际互联网上提供了众多的序列比对分析软件。然而，不同的分析软件会得到不同的结果，同时所使用的参数在很大程度上影响到分析的结果。有时常常会由于采用了不合适的参数而丢失了弱的但却具有统计学显著性意义的主要信息，导致随后的实验研究走弯路。因此，生物信息学中的序列比对算法的研究具有非常重要的理论与实践意义。 序列比对问题根据同时进行比对的序列数目分为双序列比对和多序列比对。双序列比对有比较成熟的动态规划算法，而多序列比对目前还没有快速而又十分有效的方法。一般来说，评价生物序列比对算法的标准有两个：一为算法的运算速度，二为获得最佳比对结果的敏感性或准确性。人们虽已提出众多的多序列比对算法，但由于问题自身的计算复杂性，它还尚未得到彻底解决，是 收稿日期：２００７－１１－２５ 基金资助：南昌航空大学校自选（ＥＣ２００７０６０８６） 作者简介：张永（１９７７－），男，硕士，辽宁铁岭人，南昌航空大学计算机学院讲师，研究方向：生物信息学、信息处理；王瑞（１９７７－），男，江西大宇职业技术学院外语系助教。
2014-2015学年生物信息学期末考试题 写在前面：这是我考试时候写的答案的大致内容，具体文字我已经不记得了，给大家一个参考，希望对大家复习有帮助。因为我也是扣了很多分，所以答案也有很多错的，大家不要尽信。祝大家考试顺利。 一、实验设计和基础分析 以下qPT-PCR实验方案有哪些错误？请标出错误，并说明原因和写出正确方案。 目的：比较肺癌细胞迁移前后的X基因转录水平表达量 方法：（1）用Trizol法提取细胞总RNA，并用跑胶、OD260/280等方法确认无降解。 （2）用poly-dT引物进行反转录 （3）设计基因特异性PCR引物，用qPCR仪测定X基因和GAPDH基因的Ct值。GAPDH作为内参。 （4）以2^-ΔΔCt方法计算X基因相对于GAPDH的相对含量 （5）比较迁移前后的相对表达量，做三个重复，用t-test进行统计检验，P<0.05为差异显著 1.错误：不能用GAPDH基因作为定量标准；原因：癌症迁移前后GAPDH基因的表达量已经改变了，做定量标准不准确；方案：采用外参（如：其他物种的基因） 2.错误：不能用t-test进行统计检验；原因：t-test进行统计检验的前提是数据呈正态分布，基因表达量不一定呈正太分布；方案：将数据取log10，对数化。 上述两个是我考试时候写的答案，后来经提醒：还发现了一个错误：不能用poly-dT引物进行反转录；原因：。。。。。。；方案：用Oligodt进行逆转录。 二、双序列比对的生物学意义解释 两种细菌的同源蛋白质endonuclease III，长度都为200氨基酸左右，其功能相同，蛋白质序列使用BLAST 可以比对上，同源性高达57%，但其编码DNA序列用BLAST却无法比对上，为了尽可能提高亲缘关系较远的序列的比对效率，比对已经使用BLAST网站上Somewhat similar sequence选项，默认参数（见下图）：
一、名词解释 1. 生物信息学： 1）生物信息学包含了生物信息的获取、处理、分析、和解释等在内的一门交叉学科； 2）它综合运用了数学、计算机学和生物学的各种工具来进行研究； 3）目的在于阐明大量生物学数据所包含的生物学意义。 2. BLAST（Basic Local Alignment Search Tool） 直译：基本局部排比搜索工具 意译：基于局部序列排比的常用数据库搜索工具 含义：蛋白质和核酸序列数据库搜索软件系统及相关数据库 3. PSI-BLAST：是一种迭代的搜索方法，可以提高BLAST和FASTA的相似序列发现率。 4. 一致序列：这些序列是指把多序列联配的信息压缩至单条序列，主要的缺点是除了在特 定位置最常见的残基之外，它们不能表示任何概率信息。 5. HMM 隐马尔可夫模型：一种统计模型，它考虑有关匹配、错配和间隔的所有可能的组合 来生成一组序列排列。（课件定义）是蛋白质结构域家族序列的一种严格的统计模型，包括序列的匹配，插入和缺失状态，并根据每种状态的概率分布和状态间的相互转换来生成蛋白质序列。 6. 信息位点：由位点产生的突变数目把其中的一课树与其他树区分开的位点。 7. 非信息位点：对于最大简约法来说没有意义的点。 8. 标度树：分支长度与相邻节点对的差异程度成正比的树。 9. 非标度树：只表示亲缘关系无差异程度信息。 10. 有根树：单一的节点能指派为共同的祖先，从祖先节点只有唯一的路径历经进化到达其 他任何节点。 11. 无根树：只表明节点间的关系，无进化发生方向的信息，通过引入外群或外部参考物种， 可以在无根树中指派根节点。 12. 注释：指从原始序列数据中获得有用的生物学信息。这主要是指在基因组DNA中寻找基 因和其他功能元件（结构注释），并给出这些序列的功能（功能注释）。 13. 聚类分析：一种通过将相似的数据划分到特定的组中以简化大规模数据集的方法。 14. 无监督分析法：这种方法没有内建的分类标准，组的数目和类型只决定于所使用的算法 和数据本身的分析方法。 15. 有监督分析法：这种方法引入某些形式的分类系统，从而将表达模式分配到一个或多个 预定义的类目中。 16. 微阵列芯片：将探针有规律地排列固定于载体上，与标记荧光分子的样品进行杂交，通 过扫描仪扫描对荧光信号的强度进行检测，从而迅速得出所要的信息。 17. 虚拟消化：是基于已知蛋白序列和切断酶的特异性的情况下进行的理论酶切（课件定 义）。是在已知蛋白质序列和蛋白外切酶之类切断试剂的已知特异性的基础上，由计算机进行的一种理论上的蛋白裂解反应。 18. 质谱(MS)是一种准确测定真空中离子的分子质量/电荷比(m/z)的方法，从而使分子质量 的准确确定成为可能。 19. 分子途径是指一组连续起作用以达到共同目标的蛋白质。 20. 虚拟细胞：一种建模手段，把细胞定义为许多结构，分子，反应和物质流的集合体。 21. 先导化合物：是指具有一定药理活性的、可通过结构改造来优化其药理特性而可能导致 药物发现的特殊化合物。就是利用计算机在含有大量化合物三维结构的数据库中，搜索能与生物大分子靶点匹配的化合物，或者搜索能与结合药效团相符的化合物，又称原型物，简称先导物，是通过各种途径或方法得到的具有生物活性的化学结构
中科院生物信息学期末考试复习题 陈润生老师部分： 1.什么是生物信息学，如何理解其含义？为什么在大规模测序研究中，生物信息学至关重要？ 答：生物信息学有三个方面的含义： 1)生物信息学是一个学科领域，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，是基因组研究不可分割的部分。 2)生物信息学是把基因组DNA序列信息分析作为源头，破译隐藏在DNA序列中的遗传语 言，特别是非编码区的实质；同时在发现了新基因信息之后进行蛋白质空间结构模拟和预测；其本质是识别基因信号。 3)生物信息学的研究目标是揭示“基因组信息结构的复杂性及遗传语言的根本规律”。它 是当今自然科学和技术科学领域中“基因组、“信息结构”和“复杂性”这三个重大科学问题的有机结合。 2.如何利用数据库信息发现新基因，其算法本质是什么？ 答：利用数据库资源发现新基因，根据数据源不同，可分2种不同的查找方式： 1)从大规模基因组测序得到的数据出发，经过基因识别发现新基因： （利用统计，神经网络，分维，复杂度，密码学，HMM，多序列比对等方法识别特殊序列，预测新ORF。但因为基因组中编码区少，所以关键是“数据识别”问题。）利用大规模拼接好的基因组，使用不同数据方法，进行标识查找，并将找到的可能的新基因同数据库中已有的基因对比，从而确定是否为新基因。可分为：①基于信号，如剪切位点、序列中的启动子与终止子等。②基于组分，即基因家族、特殊序列间比较，Complexity analysis，Neural Network 2)利用EST数据库发现新基因和新SNPs： （归属于同一基因的EST片断一定有overlapping，通过alignment可组装成一完整的基因，但EST片断太小，不存在数据来源，主要是拼接问题） 数据来源于大量的序列小片段，EST较短，故关键在正确拼接。方法有基因组序列比对、拼接、组装法等。经常采用SiClone策略。其主要步骤有：构建数据库；将序列纯化格式标准化；从种子库中取序列和大库序列比对；延长种子序列，至不能再延长；放入contig库①构建若干数据库：总的纯化的EST数据库，种子数据库，载体数据库，杂质、引物数据库，蛋白数据库，cDNA数据库； ②用所用种子数据库和杂质、引物数据库及载体数据库比对，去除杂质； ③用种子和纯化的EST数据库比对 ④用经过一次比对得到的长的片段和蛋白数据库、cDNA数据库比较，判断是否为已有序列，再利用该大片段与纯化的EST数据库比对，重复以上步骤，直到序列不能再延伸； ⑤判断是否为全长cDNA序列。 （利用EST数据库：原理：当测序获得一条EST序列时，它来自哪一个基因的哪个区域是未知的（随机的），所以属于同一个基因的不同EST序列之间常有交叠的区域。根据这种“交叠”现象，就能找出属于同一个基因的所有EST序列，进而将它们拼接成和完整基因相对应的全长cDNA序列。而到目前为止，公共EST数据库(dbEST)中已经收集到约800万条的人的EST序列。估计这些序列已覆盖了人类全部基因的95%以上，平均起来每个基因有10倍以上的覆盖率。）
生物信息学期末考试复习 1.生物学中的7个数学故事 (1) 孟德尔遗传定律（分离和自由组合定律）运用了组、合原理中的加法原理和乘法原理。 (2) Hardy-Weinberg遗传平衡定律通过构造数学关系式来证明。 (3)基因在染色体上的线性排列采用概率分布优化距离的计算距离，使其更接近真实情况。 (4)关联分析通过假设检验看两个特征的关联有无统计显著性。 (5) 序列比对设计合适的算法可以有效降低计算复杂度。 (6)基因组学和其他的组学组学时代产生的大量数据需要依赖数据库技术来寻找生物分子之间的关联。 (7)微阵列芯片大规模芯片数据需要数据挖掘：聚类、关联、预测建模、异常检测。 2. DNA、protein、RNA序列比对及其算法 序列比对：为确定两个或多个序列之间的相似性以至于同源性，而将它们按照一定的规律排列。常用的方法有：点阵法，动态规划算法，k-tup 算法等。 （1）dotplot算法：通过点阵作图的方法表示，能很直观地氨基酸序列或核苷酸序列上的插入、删除、重复和反相重复。 算法步骤：将两条序列的碱基（或残基）分别沿x轴和y轴排列，依次比较两条序列的每个碱基（或残基），如果两个碱基（或残基）相同则在矩阵中填充点，这样就形成一个点矩阵。在点矩阵中，将对角线上的点连接起来，这些直线所对应的矩形区域就是这两条序列的相似性片段。 算法特点：该算法相似性片段实际上是相同的片段；而且不能提供相似性片段在统计学意义上的相似性。 （2）动态规划算法：分为全局动态规划算法和局部动态规划算法。保证了指定打分模型的情况下，两条序列能获得尽可能的最高分 算法步骤：①初始化序列矩阵；②将序列输入矩阵，计算分数并绘制箭头；③用箭头回溯找到最优得分路径；④连接最优路径，产生序列比对。 动态规划算法优缺点： 优点：对于一个给定的计分函数集合，能找到最优的比对 缺点：时间复杂度为O(n 2)，运行慢，计算所需的内存与序列长度的平方成正比，因此不适用于非常长序列的比对。 序列比对的定义，存在哪几种算法，打分矩阵是什么意思 序列比对：为确定两个或多个序列之间的相似性以至于同源性，而将它们按照一定的规律排列; 算法种类：动态规划算法、Smith-Waterman Alterations算法、FASTA - Hi Level Algorithm 算法、BLAST – Heuristic算法； 打分矩阵：通过点矩阵对序列比对进行积分，根据不同物质情况可分为DNA序列打分矩阵：等价矩阵、转换-颠换矩阵、blast矩阵；蛋白质打分矩阵：等价矩阵、遗传密码矩阵、疏水性矩阵、PAM矩阵、BLOSUM矩阵。 1.动态规划算法，给个表格可以把数字填出：