生物信息学复习题
二、问答题
1）生物信息学的发展经历了哪几个阶段Bioinformatics has gone through What are the stages 答：生物信息学的发展经历了3个阶段。
第一个阶段是前基因组时代。这一阶段主要是以各种算法法则的建立、生物数据库的建立以及DNA和蛋白质序列分析为主要工作；
第二阶段是基因组时代。这一阶段以各种基因组计划测序、网络数据库系统的建立和基因寻找为主要工作。
第三阶段是后基因组时代。这一阶段的主要工作是进行大规模基因组分析、蛋白质组分析以及其他各种基因组学研究。
2）生物信息学步入后基因组时代后，其发展方向有哪几个方面。Bioinformatics into the post-genomic era, its development direction which aspects
答：生物信息学步入后基因组时代后，其发展方向主要有：
①各种生物基因组测序及新基因的发现；②单核苷酸多态性（SNP）分析；③基因组非编码
区信息结构与分析；④比较基因组学和生物进化研究；⑤蛋白质结构和功能的研究。
3）美国国家生物技术信息中心（NCBI）的主要工作是什么？请列举3个以上Entrez系统可以检索的数据库。（NCBI维护的数据库）NCBI的主要工作是在分子水平上应用数学和计算机科学的方法研究基础生物，医学问题。为科学界开发，维护和分享一系列的生物信息数据库；开发和促进生物信息学数据库，数据的储存，交换以及生物学命名规则的标准化。维护的主要数据库包括
答：PubMed、核酸序列数据库GenBank、PROW、三维蛋白质结构分子模型数据库MMDB。
4）序列的相似性与同源性有什么区别与联系？Sequence similarity and homology What is the difference with the contact?
答：相似性是指序列之间相关的一种量度，两序列的的相似性可以基于序列的一致性的百分比；而同源性是指序列所代表的物种具有共同的祖先，强调进化上的亲缘关系。P147
5）BLAST套件的blastn、blastp、blastx、tblastn和tblastx子工具的用途什么？
答：blastn是将给定的核酸序列与核酸数据库中的序列进行比较；Blastp是使用蛋白质序列与蛋白质数据库中的序列进行比较，可以寻找较远的关系；Blastx将给定的核酸序列按照六种阅读框架将其翻译成蛋白质与蛋白质数据库中的序列进行比对，对分析新序列和EST很有用；Tblastn将给定的氨基酸序列与核酸数据库中的序列（双链）按不同的阅读框进行比对，对于寻找数据库中序列没有标注的新编码区很有用；Tblastx只在特殊情况下使用，它将DNA被检索的序列和核酸序列数据库中的序列按不同的阅读框全部翻译成蛋白质序列，然后进行蛋白质序列比对。P97
6）简述BLAST搜索的算法思想。BLAST search algorithm outlined ideas.
答：BLAST是一种局部最优比对搜索算法，将所查询的序列打断成许多小序列片段，然后小序列逐步与数据库中的序列进行比对，这些小片段被叫做字”word”；当一定长度的的字（W）与检索序列的比对达到一个指定的最低分（T）后，初始比对就结束了；一个序列的匹配度由各部分匹配分数的总和决定，获得高分的序列叫做高分匹配片段（HSP），程序将最好的HSP双向扩展进行比对，直到序列结束或者不再具有生物学显著性，最后所得到的序列是那些在整体上具有最高分的序列，即，最高分匹配片段（MSP），这样，BLAST既保持了整体的运算速度，也维持了比对的精度。P95 7）什么是物种的标记序列？What is a species marker sequences?
答：指物种特有的一段核苷酸序列。可以通过相似性查询，得到某一序列在数据库中的某一物种中反复出现，且在其他物种中没有的明显相似的序列。
8）什么是多序列全局比对的累进算法？（三个步骤）What is more progressive sequence global alignment algorithm? (Three steps)
答：第一，所有的序列之间逐一比对（双重比对）；第二，生成一个系统树图，将序列按相似性大致分组；第三，使用系统树图作为引导，产生出最终的多序列比对结果。P52
9）简述构建进化树的步骤，每一步列举1-2种使用的软件或统计学方法。Phylogenetic tree was constructed outlined steps, each step listed 1-2 kinds of software or statistical methods.
答：（1）多序列比对：Clustal W
（2）校对比对结果：BIOEDIT
（3）建树：MEGA
（4）评估系统发育信号和进化树的牢固度：自举法（Bootstrap）P114
10）简述除权配对法（UPGMA）的算法思想。Descriptions ex pairing method (UPGMA) algorithm for thought.
答：通过两两比对聚类的方法进行，在开始时，每个序列分为一类，分别作为一个树枝的生长点，然后将最近的两序列合并，从而定义出一个节点，将这个过程不断的重复，直到所有的序列都被加入，最后得到一棵进化树。P119
11）简述邻接法（NJ）构树的算法思想。Description adjacency (NJ) method configuration tree algorithm ideas.
答：邻接法的思想不仅仅计算最小两两比对距离，还对整个树的长度进行最小化，从而对树的拓扑结构进行限制。这种算法由一棵星状树开始，所有的物种都从一个中心节点出发，然后通过计算最小分支长度的和相继寻找到近邻的两个序列，每一轮过程中考虑所有可能的序列对，把能使树的整个分支长度最小的序列对一组，从而产生新的距离矩阵，直到寻找所有的近邻序列。P117
12）简述最大简约法（MP）的算法思想。P68Descriptions maximum parsimony (MP) algorithm ideas 答：是一种基于离散特征的进化树算法。生物演化应该遵循简约性原则，所需变异次数最少（演化步数最少）的演化树可能为最符合自然情况的系统树。在具体的操作中，分为非加权最大简约分析（或称为同等加权）和加权最大简约分析，后者是根据性状本身的演化规律（比如DNA不同位点进化速率不同）而对其进行不同的加权处理。P120
13）简述最大似然法（ML）的算法思想。P69Descriptions maximum likelihood (ML) algorithm ideas 答：是一种基于离散特征的进化树算法。该法首先选择一个合适的进化模型，然后对所有可能的进化树进行评估，通过对每个进化位点的替代分配一个概率，最后找出概率最大的进化树。P122 14）UPGMA构树法不精确的原因是什么？P69UPGMA method papyrifera What is the cause inaccurate 答：由个于UPGMA假设在进化过程中所有核苷酸/氨基酸都有相同的变异率，也就是存在着一个分子钟；这种算法当所构建的进化树的序列进化速率明显不一致时，得到的进化树相对来说不准确的。P119,倒数第2段，前4行。
15) 在MEGA2软件中，提供了哪些碱基替换距离模型，试列举其中3种，解释其含义。In MEGA2 software, which provides a base substitutions distance model, in which three kinds cite to explain their meaning.
答：碱基替换模型包括，No.of differences 、p-distance、Jukes-Cantor distance、T ajima-Nei distance、Kimur 2-parameter distance、Tamura 3-parameter distance、Tamura-Nei distance
p-distance：表示有差异的核苷酸位点在序列中所占比例，将有差异的核苷酸位点数除已经比对的总位点数就可以得到
Jukes-Cantor：模型假设A T C G 的替换速率是一致的，然后给出两个序列核苷酸替换数的最大似然估计
Kimura 2-parameter：模型考虑到了转换很颠换队多重击中的影响，但假设整个序列中4钟核苷酸的频率是相同哈德在不同位点上的碱基替换频率是相同的
16）列举5项DNA序列分析的内容及代表性分析工具。Enumerate five DNA sequence analysis of the content and representativeness analysis tools.
答：（1）寻找重复元件：RepeatMasker
（2）同源性检索确定是否存在已知基因：BLASTn
（3）从头开始方法预测基因：Genscan
（4）分析各种调控序列：TRES/DRAGON PROMOTOR FINDER
(5) CpG岛：CpGPlot P130，表格
代表性工具：ORF Finder、BLASTn、tBLASTx、BLASTx、Gene Wise
17）如何用BLAST发现新基因？How to discover new genes using BLAST?
答：从一个一直蛋白质序列开始，通过tBLASTn工具搜索一个DNA数据库，可以找到相应的匹配，如与DNA编码的已知蛋白质的匹配或者与DNA编码的相关蛋白质的匹配。然后通过BLASTx或BLASTp在蛋白质数据库中搜索DNA或蛋白质序列来“确定”一个新基因。
18）试述SCOP蛋白质分类方案Shishu SCOP protein classification scheme
答：SCOP将PDB数据库中的蛋白质按传统分类方法分成α型、β型、α/β型、α+β型，并将多结构域蛋白、膜蛋白和细胞表面蛋白、N蛋白单独分类，一共分成7种类型，并在此基础上，按折叠类型、超家族、家族三个层次逐级分类。对于具有不同种属来源的同源蛋白家族，SCOP数据库按照种属名称将它们分成若干子类，一直到蛋白质分子的亚基。
19）试述SWISS-PROT中的数据来源。Shishu SWISS-PROT data source.
答：（1）从核酸数据库经过翻译推导而来；
（2）从蛋白质数据库PIR挑选出合适的数据；
（3）从科学文献中摘录；
（4）研究人员直接提交的蛋白质序列数据。
20）TrEMBL哪两个部分？TrEMBL Which two parts?
答：
（1）SP-TrEMBL(SWISS-PROT TrEMBL)
包含最终将要集成到SWISS-PROT的数据，所有的SP-TrEMBL序列都已被赋予SWISS-PROT的登录号。
（2）REM-TrEMBL(REMaining TrEMBL)
包括所有不准备放入SWISS-PROT的数据，因此这部分数据都没有登录号。
21）试述PSI-BLAST 搜索的5个步骤。Shishu PSI-BLAST search of five steps.
答：
[1]选择待查序列（query）和蛋白质数据库；
[2] PSI-BLAST 构建一个多序列比对，然后创建一个序列表谱（profile）又称特定位置打分矩阵（PSSM）；
[3] PSSM被用作query搜索数据库
[4] PSI-BLAST 估计统计学意义(E values)
[5] 重复[3] 和[4] , 直到没有新的序列发现。
22）列举5种常用的系统发育分析软件PHYLIP、PAUP、MEGA、PAML、TreeView。Enumerate five kinds of commonly used phylogenetic analysis software PHYLIP, PAUP, MEGA, PAML, TreeView.
三. 操作与计算题
1.如何获取访问号为U49845的genbank文件？解释如下genbank文件的LOCUS行提供的信息：
LOCUS SCU49845 5028 bp DNA linear PLN 21-JUN-1999
答：（1）访问NCBI的Entrez检索系统，（2）选择核酸数据库，（3）输入U49845序列访问号开始检索。
第一项是LOCUS名称，前三个字母代表物种名
第二项是序列长度
第三项是序列分子类型
第四项是分子为线性的
第五项是GenBank分类码
第六项是最后修订日期P13
2.利用Entrez检索系统对核酸数据搜索，输入如下信息，将获得什么结果：
AF114696:AF114714[ACCN]。P35
答：获得序列访问号AF114696到AF114714之间的连续编号的序列。
3.相比使用BLAST套件搜索数据库，BLAST2工具在结果呈现上有什么优点？
答：BLAST2序列分析工具，它能进行两条序列的精确比对，同时给出两序列的图形化比对结果和文本形式的联配结果。
4.MEGA2如何将其它多序列比对格式文件转化为MEGE格式的多序列比对文件？
答：（1）选择菜单file，（2）选择Text File Editor and Format Coverter 工具，（3）调入需要转换的序列和相应的格式，（4）获得转换后的MEGA格式的文件并保存。
5.什么简约信息位点Pi?
答：指基于DNA或蛋白质序列，应用最大简约法构建系统发育树时，如果某个位点的状态存在两种或两种以上，每种状态出现两次或两次以上，这样的位点称简约信息位点。
6. 以下软件的主要用途是什么？The main purpose of the following software is what? RepeatMasker, CpGPlot, Splice View, Genscan, ORF finder, neural network promoter prediction.
答：RepeatMasker：是对重复序列进行分析的软件
GpGPlot：用来查找一条DNA序列中CpG岛，使用Gardine-Garden和Frommer描述的方法
Splice View：是对一段序列进行剪接位点的分析即其中的受体和供体位点
Genscan：是一种从头分析工具
ORF finder：是用来分析序列ORF的工具
neural networkpromoter prediction：神经网络启动子预测是另外一种分析启动子的方法
7.为下面的序列比对确定比对得分：匹配得分= +1，失配得分= 0，空位得分= -1。7 In order to determine the following sequence alignment alignment score: matching score = +1, mismatch score = 0, vacancy score = -1
TGTACGGCTATA
TC - -CGCCT -TA
答：
最后得分1+0+（-1）+（-1）+1+1+0+1+1+（-1）+1+1=4
8. 用UPGMA重建系统发生树，距离矩阵如下：Phylogenetic trees were reconstructed using UPGMA,
答：用Newick格式表示的树图：（（（AC）B）（DE））。
分析过程：
（1）两条序列间的最小距离是d DE,所以物种D和E聚到一组，如下图。
D E
DE
(2) 计算新的距离矩阵，其中复合物种（DE）替换D和E，如下表。其他物种与新物种组之间的距离由它们与组中两个物种（D和E）之间距离的平均值决定,如，
）
第二次聚类在A和C之间，组成AC类。如下图，
D E A C
(AC)(DE)
(3) 将A和C合并，计算新的矩阵，如下表，最后一次聚类（（AC）B）将物种B的分支点放在（AC）
9.画出4个物种的3棵不同的无根树.这4个物种在某位置上的核苷酸分别是T,T,C 和C,为每个内部
节点推断的祖先序列, 标出最可能的候选核苷酸. 3棵可能的无根树中有几棵是一样简约的(因为他
们有最小替换数)?有几棵树的替换树是2?，有大于2个替换的树吗?Draw four species three different
unrooted tree. These four species of the nucleotide at a certain position are T, T, C, and C, for each internal
node in the ancestral sequence deduced, marked most likely candidate nucleotides 3 possible unrooted tree
is the same as in the simple trees (because they have a minimum number of replacements)? replacement of
a few trees tree 2?, there are more than two trees replace it?
答： D (C)
C(C)
D (C)B (T)D (C)A (T)
2棵一样简约，替换树为2；2棵；没有。
10.试述蛋白质三维结构预测的三类方法 Describe the three types of protein structure prediction
methods
（1）同源建模，对于一个未知结构的蛋白质，找到一个已知结构的同源蛋白质，以该蛋白质的结构
为模板，为未知结构的蛋白质建立结构模型，序列相似性低于30%的蛋白质难以得到理想的结构模
型；（2）在已知结模板的序列一致率小于25%时，使用折叠识别方法进行预测；（3）在找不到已知
结构的蛋白质模板时使用从头预测的方法。
P178-181
11. 简述BLAST 中E 值和P 值的意义？ Brief BLAST E-value and P values in the meaning?
答：E 期望值(E-value)这个数值表示你仅仅因为随机性造成获得这一比对结果的可能次数。这一数
值越接近零，发生这一事件的可能性越小。从搜索的角度看，E 值越小，比对结果越显著。默认值
为10，表示比对结果中将有10个匹配序列是由随机产生，如果比对的统计显著性值(E 值)小于该值
(10)，则该比对结果将被检出，换句话说，比较低的E 值将使搜索的匹配要求更严格，结果报告中
D E A C
((AC)B)(DE) B
随机产生的匹配序列减少。
p值表示比对结果得到的分数值的可信度。一般说来，p值越接近于零，则比对结果的可信度越大；相反，p值越大，则比对结果来自随机匹配的可能性越大。
12. 举例说明蛋白质序列、结构和功能的关系。Example protein sequence, structure and function relationships.
答：蛋白质的一级结构即氨基酸序列决定其高级结构和功能。通过比较同源蛋白质的氨基酸序列的差异可以研究不同物种亲缘关系和进化。亲缘关系越远，同源蛋白质氨基酸序列差异就越大。基因突变引起某个功能蛋白的某一个或几个氨基酸残基发生了遗传性替代，从而导致整个分子的三维结构发生改变，功能部分或全部丧失。一级结构的部分切除与部分蛋白质的激活具有密切关系。蛋白质多种多样的生物功能是以其化学组成和极其复杂的结构为基础的，不仅需要一定的空间构象，蛋白质的空间构象取决于其一级结构和周围环境。蛋白质的生物学功能是蛋白质分子天然构象所具有的的属性或所表现的性质。
例如：胰岛素。首先合成前胰岛素原，前胰岛素原含信号肽，在内质网中，信号肽被信号肽酶切除成为胰岛素原；随即在高尔基体切除A、B链之间的一段氨基酸（称为C肽），形成胰岛素。
不同种属的胰岛素有24氨基酸残基的位置始终不变：A、B链上6个Cys不变，其余18个氨基酸多数为非极性侧链，对高级结构起稳定作用。6个Cys的位置始终不变，说明不同种属的胰岛分子中A、B链之间有共同的连接方式，三对二硫键对维持高级结构起着稳定作用。
请阐述生物信息学研究的主要内容。The main contents of bioinformatics research.
生物信息学作为一门新的交叉学科，其研究范畴是以基因组DNA序列的信息分析作为出发点，分析基因组结构，寻找或发现新基因，分析基因调控信息，并在此基础上研究基因的功能，研究基因的产物即蛋白质，模拟和预测蛋白质的空间结构，分析蛋白质的性质，其结果将为基于靶分子结构的药物分子设计和蛋白质分子改性设计提供依据。当前，生物信息学已在理论生物学领域占有了核心的地位。生物信息学主要有以下几个方面的研究内容。
（1）生物分子数据的收集与管理；
（2）数据库搜索及序列比较；
（3）基因组序列分析；
（4）基因表达数据的分析和处理；
（5）蛋白质结构预测。
从生物分子数据的收集和管理到数据库搜索，从基因组序列和基因表达数据分析到蛋白质结构与功能的研究形成生物信息学研究的主线，进一步的工作还包括药物分子设计和蛋白质设计。
简述分子生物学中的“中心法则”。A brief description of the "Central Dogma" in molecular biology.
DNA是遗传物质，是携带遗传信息的载体。信息从基因的核苷酸序列中被提取出，用来指导蛋白质合成的过程对地球上的所有生物都是相同的，分子生物学家称之为中心法则(central dogma)。“中心法则”的核心：DNA分子中的遗传信息转录（transcription）到RNA分子中（即RNA聚合酶以DNA为模板合成RNA），再由RNA翻译（translation）生成体内各种蛋白质，行使特定的生物功能。
国际上有哪几个著名的核酸序列数据库？The three well-known international nucleotide sequence database.
核酸序列是了解生物体结构、功能、发育和进化的出发点。国际上权威的核酸序列数据库有三个，分别是美国生物技术信息中心（NCBI）的GenBank (https://www.doczj.com/doc/813587062.html,/Web/Genbank/index.html)，欧洲分子生物学实验室的EMBL-Bank（简称EMBL，https://www.doczj.com/doc/813587062.html,/embl/index.html)，日本遗传研究所的DDBJ (http://www.ddbj.nig.ac.jp/）。三个组织相互合作，各数据库中的数据基本一致，仅在数据格式上有所差别，对于特定的查询，三个数据库的响应结果一样。这三个数据库是综合性的DNA和RNA序列数据库，其数据来源于众多的研究机构和核酸测序小组，来源于科学文献。用户可以通过各种方式将核酸序列数据提交给这三个数据库系统。数据库中的每条记录代表一个单独、连续、附有注释的DNA或RNA片段。
简述Alignment基本原理。The basic principles of Alignment.
两条序列的比对（alignment）是指这两条序列中各个字符的一种一一对应关系，或字符对比排列。序列的比对是一种关于序列相似性的定性描述，它反映在什么部位两条序列相似，在什么部位两条序列存在差别。最优比对揭示两条序列的最大相似程度，指出序列之间的根本差异。
对两条序列进行编辑操作，通过字符匹配和替换，或者插入和删除字符，使得两条序列达到一样的长度，并使两条序列中相同的字符尽可能地一一对应。设两条序列分别是s和t，在s或t中插入空位符号，使s和t达到一样的长度。在进行序列比对时，可根据实际情况选用代价函数或得分函数。两条序列s和t的比对的得分（或代价）等于将s转化为t所用的所有编辑操作的得分（或代价）总和，s和t的最优比对是所有可能的比对中得分最高（或代价最小）的一个比对，s和t的真实距离应该是在得分函数p值（或代价函数w值）最优时的距离。
请简要介绍基因组序列分析步骤。The steps of genome sequence analysis.
基因组序列分析步骤一般如下：
（1）发现重复元素。这是重要的一步，因为重复元素会给DNA序列分析带来许多问题。所以，一般先寻找并屏蔽重复的和低复杂性的序列，然后寻找基因以及与其相关的调控区域。
（2）数据库搜索。通过数据库搜索，发现相似序列或者同源序列，根据相似序列具有相似结构及相似功能的原理，通过类比，得到关于待分析序列的初步信息，指导进一步的详细序列分析。
（3）分析功能位点。其主要目的是识别DNA序列上存在的序列信号，具体地说，就是特殊的片段。这些片段与基因及调控信息有关，如转录剪切位点、启动子、起始密码子等。对于基因识别问题来说，信号识别有助于确定基因所在的区域。
（4）序列组成统计分析。蛋白质编码区域与非编码区域在DNA序列组成上具有明显不同的统计特征，编码序列具有三联周期性，编码区域多联核苷酸出现频率与非编码区域不同。因而，可以通过统计分析预测基因的编码区域，预测一段DNA序列成为编码区域的可能性，寻找可能的基因外显子。
（5）综合分析。综合数据库搜索、功能位点分析、序列组成分析等的阶段性结果，检查这些结果的相容性，经过整理，最终得到一致性的分析结果。
请简要介绍基因识别及主要原理。The gene recognition and main methods.
由于DNA测序技术的迅速发展，我们已经得到一些完整的基因组序列，有效地解决基因识别问题显得越来越迫切。基因识别中的一个关键问题是预测编码区域。所谓编码区域预测，一般是指预测DNA序列中编码蛋白质的部分，即基因的外显子部分。而基因识别的最终目标是预测完整的基因结构，正确地识别出一个基因的所有外显子及其边界。
识别DNA序列中蛋白质编码区域的方法主要有两类。一类是基于特征信号的识别。真核基因外显子（编码区域）具有一些特别的序列信号，如内部的外显子被剪切接受体位点和给体位点所界定，5’-端的外显子一定是在核心启动子（例如TATA盒）的下游，而3’-端的外显子的下游包含多聚Ａ信号和终止编码。根据这些序列特征信号确定外显子的边界，从而达到识别编码区域的目的。然而没有一个算法在预测基因时仅仅检测这些信号，因为这些信号的强度太弱，它们缺乏统计的显著性。另一类是基于统计度量的方法，对编码区进行统计特性分析。通过统计而获得的经验说明，DNA中密码子的使用频率不是平均分布的，某些密码子会以较高的频率使用，而另一些则较少使用。这样就使得编码区的序列呈现出可察觉的统计特异性，即“密码子偏好性”。利用这一特性对未知序列进行统计学分析可以发现编码区的粗略位置。
基因识别方法又可以分成两大类，即从头算方法（或基于统计的方法）和基于同源序列比较的方法。从头算方法根据蛋白质编码基因的一般性质和特征进行识别，通过统计值区分外显子、内含子及基因间区域。基于同源的方法利用数据库中现有与基因有关的信息（如EST序列、蛋白质序列），通过同源比较，帮助发现新基因。最理想的方法是综合两大类方法的优点，开发混合算法。
请阐述基因组测序技术及其发展。The genome sequencing technologies and their development.
DNA测序（DNA sequencing）是指分析特定DNA片段的碱基序列，也就是腺嘌呤（A）、胸腺嘧啶（T）、胞嘧啶（C）與鳥嘌呤的（G）排列方式。
一、传统的DNA测序技术——Sanger测序法
Sanger双脱氧链终止法是Sanger于1975年发明的。测序过程需要先做一个聚合酶连锁反应（PCR）。PCR过程中，DNA分子可能随机的被加入到正在合成中的DNA片段里。由于双脱氧核糖
核酸多脱了一个氧原子，一旦它被加入到DNA链上，这个DNA链就不能继续增加长度。最终的结果是获得所有可能获得的、不同长度的DNA片段。目前最普遍最先进的方法，是将双脱氧核糖核酸进行不同荧光标记。将PCR反应获得的总DNA通过毛细管电泳分离，跑到最末端的DNA就可以在激光的作用下发出荧光。由于ddA TP, ddGTP, ddCTP, ddTTP（4种双脱氧核糖核酸）荧光标记不同，计算机可以自动根据颜色判断该位置上碱基究竟是A，T，G，C中的哪一个。Sanger DNA测序技术经过了30年的不断发展与完善，现在已经可以对长达1,000bp的DNA片段进行测序了，而且对每一个碱基的读取准确率高达99.999%。
二、第二代测序技术：高速发展的高通量测序技术
第二代测序技术主要是基于焦磷酸测序法。焦磷酸测序技术是由4种酶催化的同一反应体系中的酶级联化学发光反应，在每一轮测序反应中，只加入一种dNTP，若该dNTP与模板配对，聚合酶就可以将其掺入到引物链中并释放出等摩尔数的焦磷酸基团（PPi）。PPi可最终转化为可见光信号，并转化为一个峰值。每个峰值的高度与反应中掺入的核苷酸数目成正比。
三、第三代测序技术则是基于纳米孔的单分子读取技术
这种方法读取数据更快、有望大大降低测序成本，改变个人医疗的前景。第三代测序技术的基本原理是在纳米孔中配置纳米电极，用电测方法测量一个DNA的核酸碱基排列。
阐述利用生物分子数据进行系统发生分析基本原理. The basic principle of phylogenetic analysis using biological molecular data.
在现代分子进化研究中，根据现有生物基因或物种多样性来重建生物的进化史是一个非常重要的问题。一个可靠的系统发生的推断，将揭示出有关生物进化过程的顺序，有助于我们了解生物进化的历史和进化机制。根据核酸和蛋白质的序列信息，可以推断物种之间的系统发生关系。其基本原理非常简单，从一条序列转变为另一条序列所需要的变换越多，那么，这两条序列的相关性就越小，从共同祖先分歧的时间就越早，进化距离就越大；相反，两个序列越相似，那么它们之间的进化距离就可能越小。为了便于分析，一般假设序列变化的速率相对恒定。
请阐述分子系统发生分析过程。The procedures of molecular phylogenetic analysis.
分子系统发生分析主要分成三个步骤：（1）分子序列或特征数据的分析；（2）系统发生树的构造；（3）结果的检验。其中，第一步的作用是通过分析，产生距离或特征数据，为建立系统发生树提供依据。系统发生树的构建方法很多种。根据所处理数据的类型，可以将系统发生树的构建方法大体上分为两大类。一类是基于距离的构建方法，利用所有物种或分类单元间的进化距离，依据一定的原则及算法构建系统发生树。另一类方法是基于离散特征的构建方法，利用的是具有离散特征状态的数据，如DNA序列中的特定位点的核苷酸。建树时，着重分析分类单位或序列间每个特征（如核苷酸位点）的进化关系等。通过某种算法构造好一棵系统发生树之后，需要对树的合理性和可靠性进行分析。对于若干条序列，如果利用多种不同的分析方法进行系统发生分析，并且得到相似的进化关系，那么分析结果具有较高的可信度。
简述蛋白质二级结构预测最近邻方法的基本思想和算法的执行过程。
The basic idea and implementation of the nearest neighbor algorithm for protein secondary structure prediction.
最邻近方法（Nearest Neighboring methods）在预测二级结构方面包括两个过程，一是学习过程，二是预测过程。在学习阶段，用一个滑动窗口扫描已知结构的训练序列，通过窗口扫描形成大量的短片段（称为训练片段），记录这些片段中心氨基酸残基的二级结构。在预测阶段，利用同样大小的窗口扫描给定的序列U，将在每一个窗口位置下的序列片段U’与上述训练片段相比较，找出50个最相似的训练片段。假设这些相似片段中心残基各种二级结构的出现频率分别为f a、f b和f c，用它们预测片段U’中心残基的二级结构，可以取频率最高的构象态作为U’中心残基的二级结构，或者直接以f a、f b和f c反映U’中心残基各种构象态可能的分布。
请阐述用于蛋白质二级结构预测的Chou-Fasman方法。The Chou-Fasman method for protein secondary structure prediction.
Chou-Fasman方法是一种基于单个氨基酸残基统计的经验参数方法，由Chou和Fasman在20世纪70年代提出来。通过统计分析，获得每个残基出现于特定二级结构构象的倾向性因子，进而利用这些倾向性因子预测蛋白质的二级结构。
每种氨基酸残基出现在各种二级结构中倾向或者频率是不同的，因此，可以根据每种氨基酸残基形成二级结构的倾向性或者统计规律进行二级结构预测。在统计得出氨基酸残基倾向性因子的基础上，Chou和Fasman提出了二级结构的经验规则，其基本思想是在序列中寻找规则二级结构的成核位点和终止位点。在具体预测二级结构的过程中，首先扫描待预测的氨基酸序列，利用一组规则发现可能成为特定二级结构成核区域的短序列片段，然后对于成核区域进行扩展，不断扩大成核区域，直到二级结构类型可能发生变化为止，最后得到的就是一段具有特定二级结构的连续区域。
请简要介绍用于蛋白质空间结构预测的同源建模方法。The homology modeling method for protein spatial structure prediction.
同源模型化方法是蛋白质三维结构预测的主要方法。对蛋白质数据库PDB分析可以得到这样的结论：任何一对蛋白质，如果两者的序列等同部分超过30%，则它们具有相似的三维结构，即两个蛋白质的基本折叠相同，只是在非螺旋和非折叠片层区域的一些细节部分有所不同。同源模型化方法的主要思想是：对于一个未知结构的蛋白质，首先通过序列同源分析找到一个已知结构的同源蛋白质，然后，以该蛋白质的结构为模板，为未知结构的蛋白质建立结构模型。利用同源模型化方法建立结构模型的过程包括下述6个步骤：（1）搜索结构模型的模板；2）序列比对；（3）建立骨架；（4）构建目标蛋白质的侧链；（5）构建目标蛋白质的环区；（6）优化模型。
简答题
1)生物信息学数据库的组成包括哪些部分？数据库有哪些类型？Bioinformatics database consists
of what parts? What type of database?
答：生物信息学数据库的组成包括一级数据库和二级数据库。数据库的类型包括核算和蛋白质一级结构序列数据库、基因组数据库、生物大分子三维空间结构数据库、以上述3类数据库和文献资料为基础构建的二次数据库。
2)简要介绍GenBank中的DNA序列格式。Brief introduction of DNA sequences in GenBank format.
答：GenBank中的DNA序列格式可以分成三个部分，第一部分为描述符，从第一行LOCUS行到ORIGIN行，包含了关于整个记录的信息；第二部分为特性表，从FEATURES行开始，包含了注释这一纪录的特性，是条目的核心，中间使用一批关键字；第三部分是核苷酸序列的本身。
3)简要介绍FASTA序列格式
答：在生物信息学中，FASTA格式（又称为Pearson格式），是一种基于文本用于表示核苷酸序列或氨基酸序列的格式。在这种格式中碱基对或氨基酸用单个字母来编码，且允许在序列前添加序列名及注释。
4)生物信息学的基本方法有哪些？What are the basic methods of bioinformatics?
答：1. 建立生物数据库：核苷酸顺序数据库(GENBANK)、Protein Data Bank(PDB)、氨基酸顺序数据库(SWISS-PRO)、酵母基因组数据库(YEASTS)、美国种质保藏中心(ATCC)、美国专利局数据库(USPO)等；
2. 数据库检索：如Blast等；
3. 序列分析：序列对位排列、同源比较、进化分析等；
4. 统计模型：如隐马尔可夫模型(hidden Markov model, HMM)――基因识别、药物设计；
最大似然模型(maximun likelihood model, ML)、最大简约法(Maximun Parsimony, MP)――分子进化分析等；
5. 算法：如自动序列拼接、外显子预测和同源比较、遗传算法、人工神经网络(artificial neural
network)等。
5)生物信息学的目标和任务？Bioinformatics objectives and tasks?
答：收集和管理生物分子数据；数据分析和挖掘；开发分析工具和实用软件：生物分子序列比较工具、基因识别工具、生物分子结构预测工具、基因表达数据分析工具。
6)生物信息学主要研究内容。Bioinformatics main content.
答：（1）生物分子数据的收集与管理；（2）数据库搜索及序列比较；（3）基因组序列分析；（4）基因表达数据的分析与处理；（5）蛋白质结构预测。
7)为什么要构建生物分子数据库。Why build a database of biological molecules.
答：（1）生物分子数据高速增长（2）分子生物学及相关领域研究人员迅速获得最新实验数据。
8)预测基因的一般步骤是什么？t he general steps predicted genes what?
1.在DNA序列中索索重复序列
2.对序列做同源性检索
3.构建基因模型
4.揭示潜在基因的启动子信号与转录因子结合位点
5.PolyA位点的预测
6.装配外显子和翻译编码区
7.分析弱相似性序列，通过实验和蛋白质二级结构及功能模体来验证预测结果的真实性。9)生物信息学所用的方法和技术。Bioinformatics methods and techniques used.
答（1）数学统计方法；（2）动态规划方法；（3）机器学习与模式识别技术；（4）数据库技术及数据挖掘；（5）人工神经网络技术；（6）专家系统；（7）分子模型化技术；（8）量子力学和分子力学计算；（9）生物分子的计算机模拟；（10）因特网（Internet）技术。
10)国际上权威的核酸序列数据库有那些？The international authority of the nucleic acid sequence
databases are those?
答：（1）欧洲分子生物学实验室的EMBL 。（2）美国生物技术信息中心的GenBank。（3）日本遗传研究所的DDBJ。
11)生物信息学在基因芯片中的应用有哪些？Bioinformatics applications in gene chip What?
答：（1）确定芯片检测目标。（2）芯片设计。（3）实验数据管理与分析。
12)生物信息学分析的数据对象主要有哪几种？这些数据之间存在着什么关系？Bioinformatics
analysis of the data object, which has several major? These data relationship exists between what?
答：其研究重点主要落实在核酸和蛋白质两个方面，包括它们的序列、结构和功能。生物信息学以基因组DNA序列信息分析作为出发点，破译遗传语言，认识遗传信息的组织规律，辨别隐藏在DNA序列中的基因，掌握基因调控信息，对蛋白质空间结构进行模拟和预测，依据蛋白质结构和功能的关系进行药物分子设计。
13)基因芯片对于生物分子信息检测的作用和意义？Microarray for detection of biomolecules role and
significance of the information?
答：在生命科学领域中，基因芯片为分子生物学、生物医学等研究提供了强有力的手段。利用基因芯片技术，可研究生命体系中不同部位、不同生长发育阶段的基因表达，比较不同个体或物种之间的基因表达，比较正常和疾病状态下基因及其表达的差异。基因芯片技术也有助于研究不同层次的多基因协同作用的生命过程，发现新的基因功能，研究生物体在进化、发育、遗传过程中的规律。
14)在基因组序列分析方面，科学家关注哪些信息？Sequence analysis of the genome, scientists
concerned about what information?
答：就人类基因组而言，编码区域在人类基因组所占的比例不超过3%。其余97%是非编码序列。
对于非编码序列，人们了解得比较少，尚不清楚其含义或功能。然而，非编码区域对于生命活动具有重要的意义。这部分序列主要包括内含子、简单重复序列、移动元件（mobile element）及其遗留物、伪基因（pseudo gene）等。
15)为什么要进行序列片段组装？在进行序列片段组装时会遇到哪些问题？
答：大规模基因组测序得到待测序列的一系列序列片段，这些序列片段覆盖待测序列，序列片段之间也存在着相互覆盖或者重叠。遇到的问题：碱基标识错误；不知道片段的方向；存在重复区域；缺少覆盖。
16)序列分析的任务和目的分别是什么？Why the sequence fragment assembly? During the sequence
fragments assembled what problems will be encountered?
答：任务：（1）发现序列之间的相似性；（2）辨别序列之间的差异。
目的：（1）相似序列：相似的结构，相似的功能（2）判别序列之间的同源性（3）推测序列之间的进化关系
17)PCR引物设计有哪些原则？What primer design principles?
1. 引物应用核酸系列保守区内设计并具有特异性。
2.产物不能形成二级结构。
3. 引物长度一般在15~30碱基之间。
4. G+C含量在40%~60%之间。
5. 碱基要随机分布。
6. 引物自身不能有连续4个碱基的互补。
7. 引物之间不能有连续4个碱基的互补。
8. 引物5′端可以修饰。
9. 引物3′端不可修饰。
10. 引物3′端要避开密码子的第3位。
18)生物分子数据类型有哪些？What types of bio-molecular data?答案：DNA序列数据、蛋白质序列
数据、生物分子结构数据、生物分子功能数据、
19)基因识别：Gene identification:答案：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。简答题
1)生物信息学研究意义？Bioinformatics research significance?
答：（1）认识生物本质。了解生物分子信息的组织和结构，破译基因组信息，阐明生物信息之间的关系。
（2）改变生物学的研究方式。改变传统研究方式，引进现代信息学方法
（3）在医学上的重要意义。为疾病的诊断和治疗提供依据，为设计新药提供依据
2)DNA双螺旋结构模型的意义DNA double helix model of meaning
答：（1) 为合理解释遗传物质的各种功能、解释生物的遗传和变异、揭示自然界色彩纷纭的生命现象奠定了理论基础；
（2) 揭示了生命世界多样性和生命本质的一致性的辨正统一；
（3) 现代生命科学的里程碑。
3)什么是序列比对？及其基本分类？What is the sequence alignment? Its basic classification?
答：序列比对(Sequence Alignment)是通过在序列中搜索一系列单个性状或性状模式来比较2个（双序列比对）或更多（多重序列比对）序列的方法。
序列比对的分类：A、双序列比对：两条序列的比对。B、多序列比对：三条或以上序列的比对
1、序列比对（alignment）是如何实现的？Sequence alignment (alignment) is how to achieve?
通过插入间隔（gap）的方法使不同长度的序列对齐（长度一致）;优化的序列排列应使间隔的数目达到最小，同时使相似性区域的长度达到最大
2、序列分析可以用来做什么？Sequence analysis can be used to do what?
核酸：序列相似性，调控位点，转录起始、转录终止位点，翻译起始、密码子，终止位点，外显子，内含子（可变剪切位点），酶切位点，RNAi；
蛋白质：序列相似性，结构域，亚细胞定位，表达谱（也可以是核酸分析内容）
对于编码序列的分析：遗传密码---20种氨基酸及密码偏好、转录起始终止；5’-URT和3’-UTR；酶切位点；亚细胞定位分析；二级结构和结构域分析，以及根据结构域和蛋白家族预测蛋白的功能；表达谱分析
对于表达调控信息的分析：基因在染色体上的定位；翻译起始位点、剪切位点转录调控元件（原核、真核）；甲基化修饰位点（CpG island）、miRNA基因---表观遗传学
5、分子生物学数据库有哪些类型？各有何特点？What types of molecular biology databases? What are the characteristics?
基因组数据库：基因组测序
核酸序列数据库：核酸序列测定
一次数据库：蛋白质序列数据库：蛋白质序列测定。生物大分子(蛋白质)三维结构数据库：X-衍射和核磁共振
特点：数量少，容量大，更新快
二次数据库：上述四类数据库和文献资料为基础构建
特点：数量多，容量小，更新慢
6、简述NCBI Entrez系统的功能。Function of the system
高级检索系统；查找核酸、蛋白、文献、结构、基因组序列、大分子三维结构、突变数据、探针序列、单核苷酸多态性等数据。
7、简述NCBI BLAST的功能和种类。Function and types
序列相似性比对工具；
对核酸：普通blastn，对高度相似序列megablast；
对蛋白质：普通blastp，对保守域rpsblast；
对人工翻译序列：核酸翻译序列对蛋白质序列blastx，蛋白质对翻译序列tblastn，核酸翻译序列对翻译序列tblast
其它：基因组blast，基因表达序列搜索GEO blast，序列两两比对……
1、什么是生物信息学？生物信息学有哪些主要应用领域？What is bioinformatics? Bioinformatics What are the main application areas?
生物分子信息的获取、存贮、分析和利用；以数学为基础，应用计算机技术，研究生物学数据的科学。
生物分子数据的收集与管理；数据库搜索及序列比较；基因组序列分析；基因表达数据的分析与处理；蛋白质结构预测。
2、生物信息学在医药领域有什么应用？Bioinformatics applications in the medical field what?
辅助诊断（遗传病，HLA分型）；研究药物作用机制，辅助新药物开发和制造。
3、人类基因组计划中主要使用的那些生物信息学手段？它们对人类基因组计划发挥了哪些重大作用？Human Genome Project, mainly those used bioinformatics tools? Their impact on the human genome project has played a major role in what?
单一测序结果判读；contig和chromosome拼接；识别基因区及其调控区；寻找基因相互作用的时空关系；
4、试述蛋白质二级结构预测的主要策略和方法。Shishu Protein two structure prediction the main strategy and methods.
策略：目标：判断每一段中心的残基是否处于a螺旋、b折叠、b转角（或其它状态）之一的二级结构态，即三态。
a、理论分析法（从头计算法）：通过理论计算（分子力学、分子动力学等）进行结构预测。优点：不需要经验数据，由一级结构推测高级结构
缺点：天然和未折叠蛋白间能级差很小 (kcal/mol)；蛋白质可能的构想空间庞大，针对蛋白质折叠的计算量巨大；计算模型中力场参数不准确。
b、统计方法：对已知结构的蛋白质进行统计分析，建立序列到结构的映射模型，进而根据映射模型对未知结构的蛋白质直接从氨基酸预测结构。经验性方法：根据一定序列形成一定结构的倾向进行结构预测。通过对已知结构的蛋白质进行统计分析，发现各种氨基酸形成不同二级结构的倾向，从而形成一系列关于二级结构预测的规律。
结构规律提取方法：从蛋白质结构数据库中提取关于蛋白质结构形成的一般性规律，指导建立未知结构的蛋白质模型。同源模型化方法：通过同源序列分析或模式匹配，预测蛋白质的空间结构或结构单元。
方法：1、Chou-Fasman方法；（基于单个氨基酸残基统计的经验参数方法，由Chou 和Fasman在20世纪70年代提出来。通过统计分析，获得每个残基出现于特定二级结构构象的倾向性因子，进而利用这些倾向性因子预测蛋白质的二级结构。）2、GOR方法；（是一种基于信息论和贝叶斯统计学的方法GOR将蛋白质序列当作一连串的信息值来处理；GOR方法不仅考虑被预测位置本身氨基酸残基种类的影响，而且考虑相邻残基种类对该位置构象的影响） 3、基于氨基酸疏水性的方法；
4、最邻近方法；
5、人工神经网络方法；
6、综合方法：
7、利用进化信息预测蛋白质的二级结构。
①HMM用来序列分析、产生概形HMM，分析序列组成和模式并通过预测开放阅读框（Open Reading Frame ,ORF）来定位基因及预测蛋白质结构。
原理：先产生一个序列家族模型，并先验信息初始化，然后用一组序列（序列条数≥20）来训
练HMM模型。训练过程来定位基因及预测蛋白质结构。
优点：植根于概率论，无论序列的顺序信息，无需插入缺失和罚分，可以用到很多先验信息。
缺点：需要至少20条序列，有时需要更多才能了解进化历史。
三、简述生物类的数据库类别分为有哪两种及其定义Brief bio class database What are the two categories into their definitions
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（投稿文章首先要将核苷酸序列或蛋白质序列提交到相应的数据库中）
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。
四、简述KEGG的PATHWAYS数据库中包括的哪6种数据库？Descriptions of PATHW AYS KEGG database which includes six kinds of databases?
GENES/SSDB/KO databases/COMPOUND/GLYCAN/REACTION
五、系统发育树的构建步骤是什么？Phylogenetic tree was constructed What are the steps?
①多序列比对（自动比对、手工比对）②建立取代模型（建树的方法）③建立进化树④进化树的评估
六、简述构建系统发育树中UPGMA方法（非加权组平均法）的步骤Descriptions phylogenetic tree UPGMA method (unweighted group average method) Steps
dAB表示物种A和B之间的距离（可以是失配核苷酸数目和总位点数目的比值）。以此类推dAC，dCD。
（2）将假设的两个距离最近的物种合成一个复合物种组（这里假设距离矩阵中的最小值为dAB）（3）第一次聚类后更新距离矩阵，计算组（AB）和物种C和D间距离d（AB）C=1/2（dAB+dBC），d（AB）D=1/2（dAD+dBD）
（4）将新的距离矩阵中的距离最小的两个物种再次合成一个复合物种组。
（5）重复（3）（4）步骤，直到所有物种均聚为一类。
七、简述人工神经网络预测蛋白质二级结构的基本步骤。Descriptions of artificial neural network to predict protein secondary structure of the basic steps.
（1）输入数据（来自PDB）（2）产生一个神经网络（一个计算程序）（3）用已知的蛋白质二级结构来训练这个模型（4）由训练好的模型来给出未知蛋白的一个可能的结构（5）最后从生物角度来检验预测的一系列氨基酸是否合理
八、简述在蛋白质三级结构预测中同源建模法的步骤。Outlined in the prediction of protein tertiary structure homology modeling method steps.
（1）搜索与目标蛋白序列相似的模板蛋白（2）目标序列与模板序列比对（3）建立骨架（将模板结构叠加起来，找结构保守区域）（4）构建目标蛋白质的侧链（5）构建目标蛋白质的环区（从已知的环区构象中选出一最优的构象）
（6）优化模型（找出结构中异常的构象）
6、G值是指DNA双链形成所需的自由能，该值反映了双链结构内部碱基对的相对稳定性。应当选用3’端G值较低（绝对值不超过9），而在5’端和中间G值相对较高的引物。引物的3’端的G 值过高，容易在错配位点形成双链结构并引发DNA聚合反应。
7、引物二聚体及发夹结构的能值过高（超过4.5kcal/mol）易导致产生引物二聚体带，并且降
低引物有效浓度而使PCR反应不能正常进行。
8、对引物的修饰一般是在5’端增加酶切位点，应根据下一步实验中要插入PCR产物的载体的相应序列而确定。
十一、假设你得到一段未知基因的DNA序列，从你学习到的生物信息学分析方法和软件，设计一个分析流程来分析该未知基因的功能和家族类别（包括系统发育树构建）Suppose you get an unknown DNA sequence, you learn from bioinformatics analysis methods and software, design an analytical process to analyze the function of unknown genes and familial categories (including phylogenetic tree construction)
1、得到未知基因的DNA序列，用Blast做序列比对，找出与其基因相似的核苷酸序列和蛋白质序列。
2、接着，用搜索出来的较相似的序列用ClustW进行多序列比对，得到该序列的保守情况和突变情况。
3、最后用距离法构建系统发育树。
十二、假设你得到一段未知蛋白的氨基酸序列，从你学习到的生物信息学分析方法和软件，设计一个分析流程来分析该未知蛋白的功能和家族类别以及其结构预测。Suppose you get an unknown amino acid sequence, you learn from bioinformatics analysis methods and software, design an analytical process to analyze the unknown protein functions and family category as well as its structure prediction.
1、用该序列进行BLASTP搜索。
2、再对其进行蛋白质结构域、功能域的搜索，可以用Znterproscan、Pfam，并对其进行结构分析。
3、再用ClustW进行多序列比对。
4、用人工神经网络的方法对其结构进行结构预测。
BLAST 的五个子程序：（1）Blastp，用蛋白质查询蛋白质序列，可以找到具有远源进化，关系的匹配序列，方法是用待搜索蛋白序列与蛋白数据库比较。（2）Blastn，用核苷酸查询核苷酸序列，适合寻找分值较高的匹配，不适合远源关系，待搜索核酸序列与核酸数据库比较（3）Blastx，用蛋白质查询已翻译核苷酸序列，适合新DNA 序列和EST序列的分析，将待搜索核酸序列按6 个读框翻译成蛋白质序列，然后与数据库中的蛋白质比较。（4）Tblastn，用已翻译核苷酸查询蛋白质，适合寻找数据库中尚未标注的编码区，将数据库中核酸序列按 6 个读框翻译成蛋白序列，然后与待搜索蛋白序列对比。（ 5 ）Tblastx，用已翻译核苷酸查询已翻译核苷酸序列。适合分析EST 序列，无论是待搜索核，酸序列还是数据库中核酸序列，都按6 个读框翻译成蛋白序列。
PSI-Blast 的原理：是一种将双序列比对和多序列比对结合在一起的数据库搜索方法。其主要思想是通过多次迭代找出最佳结果。每次迭代都发现一些中间序列，用于在接下去的迭代中寻找查询序列的更多疏远相关序列（拓展了序列进化关系的覆盖面积）具体做法是。具体做法是最初对查询序列进行BLAST 搜索。接着把这次查找得到的每一击中项（高于选择的 E 值的选项）作为BLAST 搜索第二次迭代的查询序列。第二次迭代应该找到比最初查询序列更多的进化关系，重复（迭代）这个过程直到找不到有意义的相似序列为止。
1、基于核酸和蛋白质序列如何研究生物进化？
2、主要步骤是什么？
3、当前的主要困难是什么？Nucleic acid and protein sequences based on how the study of biological evolution? 2, the main steps are what? 3, the current major difficulties are?
参考答案：1、构建系统进化树。2、主要步骤如下：A、序列相似性比较。就是将待研究序列与DNA 或蛋白质序列库进行比较，用于确定该序列的生物属性，也就是找出与此序列相似的已知序列是什么。完成这一工作只需要使用两两序列比较算法。常用的程序包有BLAST、FASTA 等；B、序列同源性分析。是将待研究序列加入到一组与之同源，但来自不同物种的序列中进行多序列同时比较，以确定该序列与其它序列间的同源性大小。这是理论分析方法中最关键的一步。完成这一工
作必须使用多序列比较算法。常用的程序包有CLUSTAL 等；C、构建系统进化树。根据序列同源性分析的结果，重建反映物种间进化关系的进化树。为完成这一工作已发展了多种软件包，象PYLIP、MEGA 等；D、稳定性检验。为了检验构建好的进化树的可靠性，需要进行统计可靠性检验，通常构建过程要随机地进行成百上千次，只有以大概率（70％以上）出现的分支点才是可靠的。通用的方法使用Bootstrap 算法，相应的软件已包括在构建系统进化树所用的软件包当中。3、当前的主要困难是发现了基因的横向迁移（LGT）现象。即进化程度不同的物种间存在着遗传信息基因的传递，如果拿迁移的基因做进化分析就会出错。克服LGT 的方法：一是在所有序列中筛选出有垂直进化关系的序列数据集，如COG 数据库；二是用完整的基因组和蛋白质组比较。
什么叫SNP？为什么SNP 研究如此重要？举2-3 个SNP 相关的website。
参考答案：1、SNP 本意是单核苷酸多态性，泛指基因组上一个碱基的取代，现在有所扩展，也包括一些更广泛的变化，例如2-3 个碱基的变化也叫SNP。2、SNP 是联系基因型和表现型之间关系的桥梁，是基因组领域理论成果和基础研究走向应用的关键步骤。3、SNP 相关的一些网站：1、SNP Consortium's database(https://www.doczj.com/doc/813587062.html,/index.html) 2、NCBI SNP database 将这些数据进行整理，去掉冗余，使每个SNP 都是唯一的。此时的SNP 被称为reference SNP 或refSNP。（(https://www.doczj.com/doc/813587062.html,/SNP/overview.html) 3、The Human Genic Bi-Allelic Sequences Database(HGBASE) 这一数据库收录了人基因组中所有已知的序列变化，包括：SNPs、序列的插入和缺失(Indels)、简单重复序列等。（http://hgbase.cgr.ki.se/）4、Human Gene Mutation Database The （HGMD）(https://www.doczj.com/doc/813587062.html,/) 5、Protein Mutant The Database(PMD)，它不是核酸突变数据库，而是蛋白突变数据库。库中收录了蛋白质特定位点的氨基酸突变信息，以及这些突变对蛋白质结构功能的影响。（http://pmd.ddbj.nig.ac.jp/）6 、The Allele Frequency Database(ALFRED) ：它是人类群体等位基因频率数据库，
有哪些数据库可以发现新基因，其本质是什么？What databases can discover new gene, its essence is what?
参考答案：大部分新基因是靠理论方法预测出来的。a)、利用NCBI 中EST( Expression Sequence Tag) 数据库(dbEST) 发现新基因和新SNPs。国际上现已出现了几个基于EST 的基因索引如UniGene, Merck-Gene, GenExpress-index . 其本质是:以一个序列片段为线索, 通过它和整个数据库的比较, 还原出全序列原貌。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。b)、从基因组DNA 序列中预测新ORF。基于信号或基于组成。
三.问答题
1. FASTA序列格式
第一行以“>”开头但并没有指明是蛋白质还是核酸序列。后跟代码，接着是注释（在同一行），通常注释要以“|”符号相隔，第一行没有长度限制。值得注意的是FASTA文件允许以小写字母表示氨基酸。文件扩展名为“.fasta”。
（NBIR/PIR序列格式
第一行以“>”开头，后面紧跟两字母编码（P1代表蛋白质序列，N1代表核酸），再接一个分号，分号后紧跟序列标识号。后面是说明行，该行可长可短，没有长度限制。接下来是序列本身，以“*”号终止。文件的扩展名为“.pir”或“.seq”。
GDE序列格式
与FASTA的格式基本相同，但行首为“%”，文件扩展名为“.gde”。）
2. BLAST的五个子程序
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；
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。
4. PSI-Blast的原理：
PSI-BLAST是一种将双序列比对和多序列比对结合在一起的数据库搜索方法。其主要思想是通过多次迭代找出最佳结果。每次迭代都发现一些中间序列，用于在接下去的迭代中寻找查询序列的更多疏远相关序列（拓展了序列进化关系的覆盖面积）。
具体做法是最初对查询序列进行BLAST搜索，接着把查找得到的每一击中项作为BLAST搜索第二次迭代的查询序列，重复这个过程直到找不到有意义的相似序列为止。
（以下为研究生课件部分）
PSI-BLAST的基本思路在于根据最初的搜索结果，依照预先定义的相似性阈值将序列分成不同的组，构建一个位点特异性的序列谱，并通过多次迭代不断改进这一序列谱以提高搜索的灵敏度。
利用第一次搜索结果构建位置特异性分数矩阵，并用于第二次的搜索，第二次搜索结果用于第三次搜索，依此类推，直到找出最佳搜索结果。此外，BLAST不仅可用于检测序列对数据库的搜索，还可用于两个序列之间的比对。
5. 多序列联配的意义：5 Multiple Sequence Alignment meanings:
1）分析多个序列的一致序列；2）用于进化分析，是用系统发育方法构建进化树的初始步骤；3）寻找个体间单核苷酸多态性；4）通过序列比对发现直亲同源与旁系同源基因；5）寻找同源基因（相似的序列往往具有同源性）；6）寻找蛋白家族识别多个序列的保守区域；7）相似的蛋白序列往往具有相似的结构与功能；8）辅助预测新序列的二级或三级结构；9）可以直观地看到基因的哪些区域对突变敏感；10）PCR引物设计。
6. 系统发育学的研究方法：Phylogenetic research methods:
1）表现型分类法：将表型相像的物种归类在一起，所有特征都要被考虑到；
2）遗传分类法：具有共有起源的物种归类在一起，也就是说，这些字符并没有出现在离它们较
远的祖先序列；
3）进化分类法：该方法综合了表现型分类法和遗传分类法的原理，进化方法被普遍认为是最好的系统发育分析方法，因为该方法承认并采用目前的进化理论；
7. 系统发育树的构建方法：Phylogenetic tree construction methods:
1）距离矩阵法：首先通过各个物种之间的比较，根据一定的假设（进化距离模型）推到得出分类群之间的进化距离，构建一个进化距离矩阵，其次基于这个矩阵中的进化距离关系构建进化树；
2）最大简约法：该法依据在任何位置将一条序列转变成另一条序列所需要突变的最少数量对序列进行比较和聚类；
3）最大似然法：该模型可将一个给定替代发生在序列中任何位置的概率融合进算法，该方法计算序列中每个位置的一个给定序列变化的可能性，最可靠的树为总的可能性最大的那棵。10. 分子途径和网络的特点：Molecular pathways and network characteristics:
1)分子途径和网络的结构随意性大。图可以很简单，也可以非常复杂。它们可能包含了多个分
支，盘绕的连接和回路。
2)它们通常也显示出节点间关系的方向，例如表示出代谢通路或信号传导的方向。调控途径和
网络的图也应该说明相互作用是正的还是负的。正的相互作用(促进或者活化作用)常常用箭头表示，而负的交互效应(抑制或者失活作用)常常用T型棒表示。
11. 先导化合物的来源有四种来源：There are four sources of lead compounds Source:
1）通过偶然性观察发现的先导化合物（这个方法最著名的例子就是亚历山大.弗莱明发现的青霉素，今天所用的许多抗生素皆由其发展出来）
2）也可以通过替代疗法的药物开发中发现的药物副作用来识别先导化合物（例如，镇定剂氯化物丙嫀是在试验中发现用在抗组胺剂时被发现的）
3）先导化合物也可以来自传统医药学（如奎宁化合物就来自金鸡纳的树皮）
4）先导化合物也可以来自天然的底物或是配体（比如说，肾上腺素作为舒喘宁的类似物用来治疗哮喘）
12.简述DNA计算机的基本原理：Outlined the basic principles of DNA computer:
13.1)以编码生命信息的遗传物质—DNA序列，作为信息编码的载体，利用DNA分子的双螺旋结构和碱基互补配对的性质，将所要处理的问题映射为特定的DNA分子；
2)在生物酶的作用下，通过可控的生化反应生成问题的解空间；最后利用各种现代分子生物技
术如聚合酶链反应RCR、超声波降解、亲和层析、分子纯化、电泳、磁珠分离等手段破获运算结果。
DNA计算机优点：低能耗、存储容量高、运算速度快，可真正实现并行工作。
13. 简述DNA计算实现方式中，表面方式与试管方式相比具有哪些优点？Description of DNA computing implementations, compared to the surface and in vitro methods What are the benefits?
试管方式：就是在一个或多个试管的溶液里进行生化反应；
表面方式：是将对应的解空间的DNA分子固定在一块固体上，其次进行各种生化反应，或是在表面逐步形成解空间，然后根据具体问题对所有可能的解进行筛选，最后得到运算
结果。
(1)操作简单，易于实现自动化操作；
(2)减少人为操作过程中造成的DNA分子的丢失及其它操作失误；
生物信息学复习题 名词解释 1. Homology (同源):来源于共同祖先的序列相似的序列及同源序列。序列相似序列并不一定是同源序列。 （直系同源）：指由于物种形成的特殊事件来自一个共同祖先的不同物种中的同源序列，它们具有相似的功能。 （旁系（并系）同源）：指同一个物种中具有共同祖先，通过基因复制产生的一组基因，这些基因在功能上的可能发生了改变。基因复制事件是促进新基因进化的重要推动力。 (异同源)：通过横向转移，来源于共生或病毒侵染而产生的相似的序列，为异同源。 Score：The sum of the number of identical matches and conservative (high scoring) substitutions in a sequence alignment divided by the total number of aligned sequence characters. Gap总是不计入总数中。 6.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。 7. E值：得分大于等于某个分值S的不同的比对的数目在随机的数据库搜索中发生的可能性。衡量序列之间相似性是否显著的期望值。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，E值越接近零，越不可能找到其他匹配序列。 值：得分为所要求的分值比对或更好的比对随机发生的概率。它是将观测得到的比对得分S，与同样长度和组成的随机序列作为查询序列进行数据库搜索进行比较得到的HSP（高分片段对）得分的期望分布联系起来计算的。通常使用低于来定义统计的显著性。P=1-e-E 9.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,是序列相似性分析的基础，其不同的选择将会出现不同的分析结果。 10．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。 ：美国国家生物技术信息学中心，属于美国国立医学图书馆的一部分，具有BLAST, Entrez ,GenBank等工具，还具有PubMed文献数据库。另外还具有Genome, dbEST, dbGSS , dbSTS, MMDB, OMIM, UniGene, Taxonomy, RefSeq, etc. 序列格式：是将DNA或者蛋白质序列表示为一个带有大于号（>）开始的核苷酸或者氨基酸序列的新文件，其中大于号后可以跟上序列的相关信息，其他无特殊要求。 13genbank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，主要包含生物功能或数据库信息；第三部分是feature，对序列的注释；第四部分是序列本身，以“统发生树（Phylogenetic tree ）是研究生物进化和系统发育过程中的一种用树状分支图来概括各种生物之间亲缘关系，是一种亲缘分支分类方法。在树中，每个节点代表其各分支的最近共同祖先，而节点间的线段长度对应演化距离（如估计的演化时间）。是用来研究物种进化与多样性的基础，是相近物种相关生物学数据的来源。17.基因树与物种树：物种树反映一组物种进化历程的系统树，其中每一个内部节点就代表一个物种形成的过程，而基因树则是代表来源于不同物种的单个同源基因的差异构建的系统树，而其内部的一个节点则代表一个祖先基因分化为两个新的独特的基因序列的事件。基因
■一、选择题: 1.以下哪一个是mRNA条目序列号： A. J01536■. NM_15392 C. NP_52280 D. AAB134506 2.确定某个基因在哪些组织中表达的最直接获取相关信息方式是：■. Unigene B. Entrez C. LocusLink D. PCR 3.一个基因可能对应两个Unigene簇吗？■可能 B. 不可能 4.下面哪种数据库源于mRNA信息：■dbEST B. PDB C. OMIM D. HTGS 5.下面哪个数据库面向人类疾病构建： A. EST B. PDB ■. OMIM D. HTGS 6.Refseq和GenBank有什么区别： A. Refseq包括了全世界各个实验室和测序项目提交的DNA序列B. GenBank提供的是非冗余序列 ■. Refseq源于GenBank，提供非冗余序列信息D. GenBank源于Refseq 7.如果你需要查询文献信息，下列哪个数据库是你最佳选择： A. OMIM B. Entrez ■PubMed D. PROSITE 8.比较从Entrez和ExPASy中提取有关蛋白质序列信息的方法，下列哪种说法正确：A. 因为GenBank的数据比EMBL更多，Entrez给出的搜索结果将更多B. 搜索结果很可能 一样，因为GenBank和EMBL的序列数据实际一样■搜索结果应该相当，但是ExPASy中的SwissProt记录的输出格式不同 9.天冬酰胺、色氨酸和酪氨酸的单字母代码分别对应于：■N/W/Y B. Q/W/Y C. F/W/Y D. Q/N/W 10.直系同源定义为：■不同物种中具有共同祖先的同源序列B. 具有较小的氨基酸一致性但是有较大的结构相似性的同源序列 C. 同一物种中由基因复制产生的同源序列 D. 同一物种中具有相似的并且通常是冗余的功能的同源序列 11.下列那个氨基酸最不容易突变： A. 丙氨酸B. 谷氨酰胺 C. 甲硫氨酸■半胱氨酸 12.PAM250矩阵定义的进化距离为两同源序列在给定的时间有多少百分比的氨基酸发生改变： A. 1% B. 20%■. 80% D. 250% 13.下列哪个句子最好的描述了两个序列全局比对和局部比对的不同：A. 全局比对通常用于比对DNA序列，而局部比对通常用于比对蛋白质序列B. 全局比对允许间隙，而局 部比对不允许C. 全局比对寻找全局最大化，而局部比对寻找局部最大化■全局比对比对整体序列，而局部比对寻找最佳匹配子序列 14.假设你有两条远源相关蛋白质序列。为了比较它们，最好使用下列哪个BLOSUM和PAM矩阵：■BLOSUM45和PAM250 B. BLOSUM45和PAM 1 C. BLOSUM80和PAM250 D. BLOSUM10和PAM1 15.与PAM打分矩阵比较，BLOSUM打分矩阵的最大区别是：A. 最好用于比对相关性高的蛋白B. 它是基于近相关蛋白的全局多序列比对 ■它是基于远相关蛋白的局部多序列比对D. 它结合了全局比对和局部比对 16.如果有一段DNA序列，它可能编码多少种蛋白质序列： A. 1 B. 2 C. 3 ■. 6 17.要在数据库查询一段与某DNA序列编码蛋白质最相似的序列，应选择： A. blastn B. blastp C. tblastn D. tblastp■blastx 18.为什么ClustalW（一个采用了Feng-Doolittle渐进比对算法的程序）不报告E值：A. ClustalW报告E值■使用了全局比对 C. 使用了局部比对 D. 因为是多序列比对 19.Feng-Doolittle方法提出“一旦是空隙，永远是空隙”规则的依据是：A. 保证空隙不会引物序列加入而填充B. 假定进化早期分歧的序列有较高优先级别■假定最近序列空隙应 该保留 D. 假定最远序列空隙应该保留 20.根据分子钟假说：A. 所有蛋白质都保持一个相同的恒定进化速率 B. 所有蛋白质的进化速率都与化石记录相符合C. 对于每一个给定的蛋白质，分子进化的速率是逐 渐减慢的，就如同不准时的钟■对于每一个给定的蛋白质，其分子进化的速率在所有的进化分支上大致是恒定 21.系统发生树的两个特征是： A. 进化分支和进化节点■树的拓扑结构和分支长度C. 进化分支和树根D. 序列比对和引导检测方法 22.下列哪一个是基于字母特征的系统发生分析的算法：A. 邻位连接法（NJ法）B. Kimura算法■最大似然法（ML）D. 非加权平均法（UPGMA） 23.基于字母特征和基于距离的系统发生分析的算法的基本差异是：■基于字母特征的算法没有定义分支序列的中间数据矩阵 B. 基于字母特征的算法可应用于DNA或者蛋白质序列，而基于距离仅能用于DNA C. 基于字母特征的算法无法运用简约算法 D. 基于字母特征的算法的进化分支与进化时间无关 24.一个操作分类单元（OTU）可指：A. 多序列比对■蛋白质序列C. 进化分支D. 进化节点 25.构建进化树最直接的错误来源是：■多序列比对错误B. 采样的算法差异C. 假设进化分支是单一起源D. 尝试推测基因的进化关系 26.第一个被完整测定的基因组序列是：A. 啤酒酵母的3号染色体B. 流感病毒■ФX174 D. 人类基因组 27.普通的真核生物线粒体基因组编码大约多少个蛋白质：■10 B. 100 C. 1000 D. 10000 28.根据基因组序列预测蛋白质编码基因的算法的最大问题是：A. 软件太难使用■. 假阳性率太高，许多不是外显子的序列部分被错误指定C. 假阳性率太高，许 多不是外显子功能未知 D. 假阴性率太高，丢失太多外显子位点 29.HIV病毒亚型的系统演化研究可以：A. 证实HIV病毒是由牛病毒演化而来■. 用于指导开发针对保守蛋白的疫苗C. 证实哪些人类组织最容易遭受病毒侵染 30.一个典型的细菌基因组大小约为多少bp：A. 20000■. 200000 C. 2000000 D. 20000000
生物信息学复习题及答 案陶士珩 Document serial number【UU89WT-UU98YT-UU8CB-UUUT-UUT108】
生物信息学复习题 一、名词解释 生物信息学, 二级数据库, FASTA序列格式, genbank序列格式, Entrez，BLAST，查询序列（query），打分矩阵（scoring matrix），空位（gap），空位罚分，E值, 低复杂度区域，点矩阵（dot matrix），多序列比对，分子钟，系统发育（phylogeny），进化树的二歧分叉结构，直系同源，旁系同源，外类群，有根树，除权配对算法（UPGMA），邻接法构树，最大简约法构树，最大似然法构树，一致树（consensus tree），bootstrap，开放阅读框（ORF），密码子偏性（codon bias），基因预测的从头分析法，结构域（domain），超家族，模体（motif），序列表谱（profile），PAM矩阵，BLOSUM，PSI-BLAST，RefSeq，PDB数据库，GenPept，折叠子，TrEMBL，MMDB，SCOP，PROSITE，Gene Ontology Consortium，表谱（profile）。 二、问答题 1）生物信息学与计算生物学有什么区别与联系 2）试述生物信息学研究的基本方法。 3）试述生物学与生物信息学的相互关系。 4）美国国家生物技术信息中心（NCBI）的主要工作是什么请列举3个以上NCBI维护的数据库。 5）序列的相似性与同源性有什么区别与联系 6）BLAST套件的blastn、blastp、blastx、tblastn和tblastx子工具的用途什么 7）简述BLAST搜索的算法。
生物信息学题库
■一、选择题: 1.以下哪一个是mRNA条目序列号： A. J01536■. NM_15392 C. NP_52280 D. AAB134506 2.确定某个基因在哪些组织中表达的最直接获取相关信息方式是：■. Unigene B. Entrez C. LocusLink D. PCR 3.一个基因可能对应两个Unigene簇吗？■可能 B. 不可能 4.下面哪种数据库源于mRNA信息：■ dbEST B. PDB C. OMIM D. HTGS 5.下面哪个数据库面向人类疾病构建： A. EST B. PDB ■. OMIM D. HTGS 6.Refseq和GenBank有什么区别： A. Refseq包括了全世界各个实验室和测序项目提交的DNA序列B. GenBank提供的是非冗余序列 ■. Refseq源于GenBank，提供非冗余序列信息D. GenBank源于Refseq 7.如果你需要查询文献信息，下列哪个数据库是你最佳选择： A. OMIM B. Entrez ■ PubMed D. PROSITE 8.比较从Entrez和ExPASy中提取有关蛋白质序列信息的方法，下列哪种说法正确：A. 因为GenBank的数据比EMBL更多，Entrez给出的搜索结果将更多B. 搜索结果很可 能一样，因为GenBank和EMBL的序列数据实际一样■搜索结果应该相当，但是ExPASy中的SwissProt记录的输出格式不同 9.天冬酰胺、色氨酸和酪氨酸的单字母代码分别对应于：■ N/W/Y B. Q/W/Y C. F/W/Y D. Q/N/W 10.直系同源定义为：■不同物种中具有共同祖先的同源序列B. 具有较小的氨基酸一致性但是有较大的结构相似性的同源序列 C. 同一物种中由基因复制产生的同源序列 D. 同一物种中具有相似的并且通常是冗余的功能的同源序列 11.下列那个氨基酸最不容易突变： A. 丙氨酸 B. 谷氨酰胺 C. 甲硫氨酸■半胱氨酸 12.PAM250矩阵定义的进化距离为两同源序列在给定的时间有多少百分比的氨基酸发生改变： A. 1% B. 20%■. 80% D. 250% 13.下列哪个句子最好的描述了两个序列全局比对和局部比对的不同：A. 全局比对通常用于比对DNA序列，而局部比对通常用于比对蛋白质序列B. 全局比对允许间隙，而 局部比对不允许C. 全局比对寻找全局最大化，而局部比对寻找局部最大化■全局比对比对整体序列，而局部比对寻找最佳匹配子序列 14.假设你有两条远源相关蛋白质序列。为了比较它们，最好使用下列哪个BLOSUM和PAM矩阵：■ BLOSUM45和PAM250 B. BLOSUM45和PAM 1 C. BLOSUM80和PAM250 D. BLOSUM10和PAM1 15.与PAM打分矩阵比较，BLOSUM打分矩阵的最大区别是：A. 最好用于比对相关性高的蛋白B. 它是基于近相关蛋白的全局多序列比对 ■它是基于远相关蛋白的局部多序列比对D. 它结合了全局比对和局部比对 16.如果有一段DNA序列，它可能编码多少种蛋白质序列： A. 1 B. 2 C. 3 ■. 6 17.要在数据库查询一段与某DNA序列编码蛋白质最相似的序列，应选择： A. blastn B. blastp C. tblastn D. tblastp■ blastx 18.为什么ClustalW（一个采用了Feng-Doolittle渐进比对算法的程序）不报告E值：A. ClustalW报告E值■使用了全局比对 C. 使用 了局部比对 D. 因为是多序列比对 19.Feng-Doolittle方法提出“一旦是空隙，永远是空隙”规则的依据是：A. 保证空隙不会引物序列加入而填充B. 假定进化早期分歧的序列有较高优先级别■假定最近序列空 隙应该保留 D. 假定最远序列空隙应该保留 20.根据分子钟假说： A. 所有蛋白质都保持一个相同的恒定进化速率 B. 所有蛋白质的进化速率都与化石记录相符合C. 对于每一个给定的蛋白质，分子进化的速率是逐渐 减慢的，就如同不准时的钟■对于每一个给定的蛋白质，其分子进化的速率在所有的进化分支上大致是恒定 21.系统发生树的两个特征是： A. 进化分支和进化节点■树的拓扑结构和分支长度C. 进化分支和树根D. 序列比对和引导检测方法 22.下列哪一个是基于字母特征的系统发生分析的算法： A. 邻位连接法（NJ法）B. Kimura算法■最大似然法（ML）D. 非加权平均法（UPGMA） 23.基于字母特征和基于距离的系统发生分析的算法的基本差异是：■基于字母特征的算法没有定义分支序列的中间数据矩阵 B. 基于字母特征的算法可应用于DNA或者蛋白质序列，而基于距离仅能用于DNA C. 基于字母特征的算法无法运用简约算法 D. 基于字母特征的算法的进化分支与进化时间无关 24.一个操作分类单元（OTU）可指：A. 多序列比对■蛋白质序列C. 进化分支D. 进化节点 25.构建进化树最直接的错误来源是：■多序列比对错误B. 采样的算法差异C. 假设进化分支是单一起源D. 尝试推测基因的进化关系 26.第一个被完整测定的基因组序列是： A. 啤酒酵母的3号染色体B. 流感病毒■ФX174 D. 人类基因组 27.普通的真核生物线粒体基因组编码大约多少个蛋白质：■ 10 B. 100 C. 1000 D. 10000 28.根据基因组序列预测蛋白质编码基因的算法的最大问题是： A. 软件太难使用■. 假阳性率太高，许多不是外显子的序列部分被错误指定C. 假阳性 率太高，许多不是外显子功能未知 D. 假阴性率太高，丢失太多外显子位点 29.HIV病毒亚型的系统演化研究可以： A. 证实HIV病毒是由牛病毒演化而来■. 用于指导开发针对保守蛋白的疫苗C. 证实哪些人类组织最容易遭受病毒侵染 30.一个典型的细菌基因组大小约为多少bp： A. 20000■. 200000 C. 2000000 D. 20000000
生物信息学课后习题及答案 （由10级生技一、二班课代表整理） 一、绪论 1.你认为，什么是生物信息学？ 采用信息科学技术，借助数学、生物学的理论、方法，对各种生物信息（包括核酸、蛋 白质等）的收集、加工、储存、分析、解释的一门学科。2.你认为生物信息学有什么用？对你的生活、研究有影响吗？（1）主要用于： 在基因组分析方面：生物序列相似性比较及其数据库搜索、基因预测、基因组进化和分 子进化、蛋白质结构预测等 在医药方面：新药物设计、基因芯片疾病快速诊断、流行病学研究：SARS 、人类基因组计划、基因组计划：基因芯片。 （2）指导研究和实验方案，减少操作性实验的量；验证实验结果；为实验结果提供更多的支持数据等材料。 3.人类基因组计划与生物信息学有什么关系？ 人类基因组计划的实施，促进了测序技术的迅猛发展，从而使实验数据和可利用信息急剧增加，信息的管理和分析成为基因组计划的一项重要的工作 。而这些数据信息的管理、分析、解释和使用促使了生物信息学的产生和迅速发展。 4简述人类基因组研究计划的历程。 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，并对其他生物进行类似研究。 1990，人类基因组计划正式启动。 1996，完成人类基因组计划的遗传作图，启动模式生物基因组计划。 1998完成人类基因组计划的物理作图，开始人类基因组的大规模测序。Celera 公司加入，与公共领域竞争启动水稻基因组计划。 1999，第五届国际公共领域人类基因组测序会议，加快测序速度。 2000，Celera 公司宣布完成果蝇基因组测序，国际公共领域宣布完成第一个植物基因组——拟南芥全基因组的测序工作。 2001，人类基因组“中国卷”的绘制工作宣告完成。 2003，中、美、日、德、法、英等6国科学家宣布人类基因组序列图绘制成功，人类基因组计划的.目标全部实现。2004，人类基因组完成图公布。 2.我国自主知识产权的主要基因组测序计划有哪些？水稻（2002），家鸡（2004），家蚕（2007），家猪（2012），大熊猫（2010） 2．第一章 、管路敷设技术通过管线不仅可以解决吊顶层配置不规范高中资料试卷问题，而且可保障各类管路习题到位。在管路敷设过程中，要加强看护关于管路高中资料试卷连接管口处理高中资料试卷弯扁度固定盒位置保护层防腐跨接地线弯曲半径标高等，要求技术交底。管线敷设技术包含线槽、管架等多项方式，为解决高中语文电气课件中管壁薄、接口不严等问题，合理利用管线敷设技术。线缆敷设原则：在分线盒处，当不同电压回路交叉时，应采用金属隔板进行隔开处理；同一线槽内，强电回路须同时切断习题电源，线缆敷设完毕，要进行检查和检测处理。、电气课件中调试对全部高中资料试卷电气设备，在安装过程中以及安装结束后进行 高中资料试卷调整试验；通电检查所有设备高中资料试卷相互作用与相互关系，根据生产工艺高中资料试卷要求，对电气设备进行空载与带负荷下高中资料试卷调控试验；对设备进行调整使其在正常工况下与过度工作下都可以正常工作；对于继电保护进行整核对定值，审核与校对图纸，编写复杂设备与装置高中资料试卷调试方案，编写重要设备高中资料试卷试验方案以及系统启动方案；对整套启动过程中高中资料试卷电气设备进行调试工作并且进行过关运行高中资料试卷技术指导。对于调试过程中高中资料试卷技术问题，作为调试人员，需要在事前掌握图纸资料、设备制造厂家出具高中资料试卷试验报告与相关技术资料，并且了解现场设备高中资料试卷布置情况与有关高中资料试卷电气系统接线等情况，然后根据规范与规程规定，制定设备调试高中资料试卷方案。 、电气设备调试高中资料试卷技术电力保护装置调试技术，电力保护高中资料试卷配置技术是指机组在进行继电保护高中资料试卷总体配置时，需要在最大限度内来确保机组高中资料试卷安全，并且尽可能地缩小故障高中资料试卷破坏范围，或者对某些异常高中资料试卷工况进行自动处理，尤其要避免错误高中资料试卷保护装置动作，并且拒绝动作，来避免不必要高中资料试卷突然停机。因此，电力高中资料试卷保护装置调试技术，要求电力保护装置做到准确灵活。对于差动保护装置高中资料试卷调试技术是指发电机一变压器组在发生内部故障时，需要进行外部电源高中资料试卷切除从而采用高中资料试卷主要保护装置。
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。 3.FASTA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。 4.genbank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“//”结尾。 5.Entrez检索系统：是NCBI开发的核心检索系统，集成了NCBI的各种数据库，具有链接的数据库多，使用方便，能够进行交叉索引等特点。 6.BLAST：基本局部比对搜索工具，用于相似性搜索的工具，对需要进行检索的序列与数据库中的每个序列做相似性比较。P94 7.查询序列（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 11.E值：衡量序列之间相似性是否显著的期望值。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
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
——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。
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。）
生物信息学复习题 一、名词解释 生物信息学, 二级数据库, FASTA序列格式, genbank序列格式, Entrez，BLAST，查询序列（query），打分矩阵（scoring matrix），空位（gap），空位罚分，E值, 低复杂度区域，点矩阵（dot matrix），多序列比对，分子钟，系统发育（phylogeny），进化树的二歧分叉结构，直系同源，旁系同源，外类群，有根树，除权配对算法（UPGMA），邻接法构树，最大简约法构树，最大似然法构树，一致树（consensus tree），bootstrap，开放阅读框（ORF），密码子偏性（codon bias），基因预测的从头分析法，结构域（domain），超家族，模体（motif），序列表谱（profile），PAM矩阵，BLOSUM，PSI-BLAST，RefSeq，PDB数据库，GenPept，折叠子，TrEMBL，MMDB，SCOP，PROSITE，Gene Ontology Consortium，表谱（profile）。 二、问答题 1）生物信息学与计算生物学有什么区别与联系 2）试述生物信息学研究的基本方法。 3）试述生物学与生物信息学的相互关系。 4）美国国家生物技术信息中心（NCBI）的主要工作是什么请列举3个以上NCBI 维护的数据库。 ￥ 5）序列的相似性与同源性有什么区别与联系 6）BLAST套件的blastn、blastp、blastx、tblastn和tblastx子工具的用途什么 7）简述BLAST搜索的算法。 8）什么是物种的标记序列 9）什么是多序列比对过程的三个步骤 10）简述构建进化树的步骤。 11）简述除权配对法（UPGMA）的算法思想。 12）简述邻接法（NJ）的算法思想。 13）简述最大简约法（MP）的算法思想。 14）简述最大似然法（ML）的算法思想。 ? 15）UPGMA构树法不精确的原因是什么 16）在MEGA2软件中，提供了多种碱基替换距离模型，试列举其中2种，解释其含义。 17）试述DNA序列分析的流程及代表性分析工具。 18）如何用BLAST发现新基因 19）试述SCOP蛋白质分类方案。 20）试述SWISS-PROT中的数据来源。 21）TrEMBL哪两个部分 22）试述PSI-BLAST 搜索的5个步骤。[ 3） 三、操作与计算题 1）如何获取访问号为U49845的genbank文件解释如下genbank文件的LOCUS行提供的信息： LOCUS SCU49845 5028 bp DNA linear PLN 21-JUN-1999
华中农业大学研究生课程考试试卷（B） 考试科目名称：生物信息学考试时间：2011年6月15日备注：所有答案均要写在答题纸上，否则，一律无效。 提示：（1）2小时答题时间；（2）课堂开卷，独立完成；（3）答题简明扼要 1．请查询序列AK101913（GenBank注册号）的相关信息并回答下列问题：（1）若用限制性内切酶PstΙ消化这条序列，可以得到几个片段？（4分） （2）该序列编码的蛋白质有多少个氨基酸？哪种氨基酸所占比例最高？等电点是多少？是否糖蛋白质？如果是糖蛋白，请给出具体类型及糖基化位点。（10分）（3）请分析该序列编码蛋白的保守结构域，根据你的分析，该蛋白可能具有什么样的生物学功能？（6分） 2．任选一种基因结构分析工具，预测序列J04982（GenBank注册号）的基因结构及其编码产物的理化性质。请注明分析工具的名称，以及是否采用某一物种的数据作为参照。 （1）根据你所选用的分析方法，这条序列编码多少个基因？分别包含有多少个exon？预测基因（如有多个基因请注明是第几个基因）是否有转录起点和PolyA加尾信号？ 分析结果是否与GenBank提供的注释信息相符合？（10分） （2）预测的第一个基因编码的蛋白质是否包含有信号肽（注明切割位点）和跨膜区域（注明跨膜区）？预测该蛋白的亚细胞定位。（10分） 注：3a、3b任选一题 3a．RZ220是水稻分子标记遗传连锁图上的一个分子标记，请回答下列有关问题：（1）这个分子标记/位点被定位于水稻的第几号染色体？在你检索的网站（请注明网址）多少水稻的遗传连锁图使用了该分子标记？请列出分子标记遗传连锁图的名称及 其类型（Map Type）（10分） （2）RZ220属于什么类型的分子标记？指出一个与该标记连锁或附近的QTL（注明其编号），并说明该QTL控制什么性状，列出定位该QTL的研究的相关文献。（10分） 3b．BM6506是羊分子标记遗传连锁图上的一个分子标记或位点，请回答下列有关问题：（请注明分析方法名称） （1）这个分子标记/位点被定位于羊的第几号染色体？（4分） （2）在SM1分子标记遗传连锁图上与这个分子标记/位点紧密连锁（两侧）的分子标记/位点的名称是什么？这个分子标记/位点在SM1分子标记遗传连锁图上的遗传位置 是多少？（8分） （3）列出一篇与该标记相关的文献及其在PubMed中的PMID号。（8分） 4．分析六条蛋白质序列（BAF63641、ABO31104、ACO11338、ABH07379、AAF65254、AAB38498）的同源性并回答下列问题（请注明分析方法名称）： （1）哪两条序列的进化关系最近，一致性（Identity）是多少？相似度（Similarity/Positive）是多少？（10分）
生物信息学题目整理： 陈润生： 一、什么是生物信息学？你怎么理解它的含义？ Genome informatics is a scientific discipline that encompasses all aspects of genome information acquisition, processing, storage, distribution, analysis, and interpretation. 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。 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。 对生物信息学理解的实例：怎样从新测得的DNA序列中找到编码区？非编码区与编码区的差别是什么？非编码区有什么具体功能？RNAi现象对于细胞来说有着很重要的意义，包括基因表达的调控等等，那么都有哪些具体机制可以诱导正常细胞产生RNAi现象？SARS病毒的比较基因组研究；治疗SARS的RNAi设计；SARS蛋白的结构预测和模拟。 怎么理解： 生物信息学是把基因组DNA序列信息分析作为源头，找到基因组序列中代表蛋白质和RNA 基因的编码区；同时，阐明基因组中大量存在的非编码区的信息实质，破译隐藏在DNA序列中的遗传语言规律；在此基础上，归纳、整理与基因组遗传信息释放及其调控相关的转录谱和蛋白谱数据，从而认识代谢、发育、分化、进化的规律。 其还利用基因组中编码区信息进行蛋白空间结构模拟和蛋白功能预测，并将此类信息与生物体和生命过程的生理生化信息结合，阐明其分子机理，最终进行蛋白、核酸分子设计、药物设计、个体化医疗保健设计。 二、发现新基因的两种方法是什么？算法的本质是？ 大部分新基因是靠理论方法预测出来的。 1、利用NCBI中EST( Expression Sequence Tag) 数据库(dbEST) 发现新基因和新SNPs。 国际上现已出现了几个基于EST的基因索引如UniGene, Merck-Gene, GenExpress-index 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 主要步骤：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。 2、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比对，从而确定是否为新基因。
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）