东大生物信息学开卷宝典

算法：是对解决问题的方法的一种精确描述。

聚类分析：就是将数据分成若干簇(cluster)，簇内最大程度相似，簇间最大程度相异。

某一状态的出现概率仅取决于其前驱的k个状态，k阶马尔可夫模型

数据结构：被计算机加工的数据彼此间存在着某些逻辑上的联系，这些联系需要在对数据进行存储和加工时反映出来。

程序：是对所要解决问题的各个对象和处理规则的描述，或者说是数据结构和算法的描述。

序列的比对：是一种关于序列相似性的定性描述:在什么区域相似，在什么区域存在差别。最优比对：揭示两条序列的最大相似程度。（又叫序列联配，其意义在于从核酸、氨基酸的层次分析序列的相似性，推测其结构功能及进化上的联系，是基因识别、分子进化、生命起源研究的基础。）

相似性 （similarity）：是可以量化的参数，是一种直接的数量关系，是量的判断，可多可少，如百分之几。

同源性(homology)：是指从一些数据库中推断出序列在进化上曾具有共同的祖先的结论，属于质的判断。

直系同源(orthology)：

(1)在进化上起源于一个始祖基因并垂直传递(vertical descent)的同源基因；

(2)分布于两种或两种以上物种的基因组；

(3)功能高度保守乃至于近乎相同，甚至于其在近缘物种可以相互替换；

(4)结构相似；

(5)组织特异性与亚细胞分布相似。

旁系同源(paralogy)

同一基因组(或同系物种的基因组)中，由于始祖基因的加倍而横向(horizontal)产生的几个同源基因。

马尔可夫特性(无后效性)：若已知现在的状态，将来与过去无关。即根据当前的状态即可完全确定将来的状态。

马尔可夫链: 具有马尔可夫特性的离散状态随机过程。

顺式调控元件：位于起始点上游(基因5‘端)控制转录的DNA序列, 靠近它所调控的编码序列 ; 其结构是模块化的,即DNA序列能被分成各个单元。

反式调控元件：远离所调控的编码序列,通常位于不同的染色体上。

单基因回路：蛋白质与DNA启动子和增强子的相互作用。

启动子：识别DNA分子上的起始信号. 启动子能调控基因转录,分为: 转录因子，抑制因子。

蛋白质活性位点(active site)/结合位点(binding site)：指蛋白质在具有生理活性时，与其他物质相结合并起重要作用的区域。

基因表达（gene expression):基因通过转录和翻译，产生蛋白质产物和直接转录RNA参与生物功能的过程。

基因调控：涉及基因的启动关闭、活性的增加或减弱，发生在转录阶段、转录后加工阶段和翻译阶段。

负调控（ Negative control ）：阻遏蛋白（repressor protein）结合在受控基因上时不表达，不结合时就表达的形式。

正调控（ Positive control ）：基因表达的活化物（ activators ）结合在受控基因上时，激活基因表达，不结合时就不表达的形式。

一次数据库：记录实验的结果和一些初步的解释。

二次数据库：对一次数据库的数据进行分析和提炼加工后形成的、便于使用的数据库。

空位罚分(gap penalty):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。

1. 生物信息学：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；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；目的在于阐明大量生物学数据所包含的生物学意义。

2. BLAST 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：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. ESI电喷雾离子化：一种适合大分子如蛋白质离子化没有明显降解的质谱技术。样品溶解后从高电压控制下的细针中喷出，形成的带电荷微小液滴从一个小孔直接进入质谱仪的真空室中，在其钟被一股惰性气体干燥形成气态离子，这些气态离子从分析仪向探测器加速（飞行）。

15. 机制辅助的激光解析/离子化（MAIDI）：这一技术通过质谱产生离子，这适合于没有降解的大蛋白质的分析。基本原理是将分析物分散在机制分子中并形成晶体，当用激光照射晶体时，基质分子吸收激光能量，样品解吸附，基质-样品之间发生电荷转移使样品电子分离。

16. 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。基本原理：将分析物分散在基质分子中并形成晶体，当用激光照射晶体时，基质分子吸收激光能量，样品解吸附，基质—样品之间发生电荷转移使样品分子电离。

17. 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。

18. 虚拟消化：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。

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

22. 权重矩阵（序列轮廓）：是一种描绘蛋白质结构域家族相序列的方法。它们表示完全结构域序列，多序列联配中每个位点的氨基酸都有分值，并且特定位置插入或缺失的可能性均有一定的衡量方法。（课件定义）基础上针对特定的应用目标而建立的数据库。 23. 系统发育学（phylogenetic）：确定生物体间进化关系的科学分支。

24. 系统生物学（systems biology）：是研究一个生物系统中所有组分成分（基因、mRNA、蛋白质等）的构成以及在特定条件下这些组分间的相互关系，并分析生物系统在一定时间内的动力学过程

25. 蛋白质组（proteome）：是指一个基因组、一种生物或一个细胞/组织的基因组所表达的全套蛋白质。

26. 进化树：物种的进化被表现成为一系列的分叉，并符合分类理论，这些树就叫做进化树。

27. DBGET/LinkDB：由日本的化学研究所和人类基因组中心所开发的在线数据检索工具。也见Entrez，SRS。

28. 肽指纹图谱：蛋白质注释的一种方法，用质谱技术确定肽分子量（由蛋白酶消化产生）并用来搜索蛋白质数据库找到与“虚拟消化”蛋白质相匹配项。

29. E值：对某个已识别出的相似度值S，E值是分值大于等于S的期望频率，改值可以被理解为期望随机得到等于S或大于S值的分值数目。

30. 相似度表和距离表：使显示物种间一套选定字符的相关性的表格，采用匹配的百分比（相似度表）或者差异的百分比（距离表）来表示。

31. 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。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。

32. 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；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；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。

33. 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，即非原始的实验数据，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。

1. 常用的三种序列格式：NBRF/PIR,FASTA和GDE

2. 三个核算序列数据库：GenBank，EMBL和DDBJ

3. 蛋白质序列数据库：SWISS-PROT和TrEMBL

4. 提供蛋白质功能注释信息的数据库：KEGG（京都基因和基因组百科全书）和PIR（蛋白质信息资源） 5. 目前由NCBI维护的大型文献资源是PubMed

6. 数据库常用的数据检索工具：Entrez，SRS，DBGET

7. 常用的序列搜索方法：FASTA和BLAST

8. 高分值局部联配的BLAST术语是HSPs（高分值片段对），E（期望值）

9. 多序列联配的常用软件：Clustal 10. 蛋白质结构域家族的数据库有：Pfam，SMART

11. 系统发育学的研究方法有：表现型分类法，遗传分类法和进化分类法

12. 系统发育树的构建方法： 距离矩阵法，最大简约法和最大似然法

13. 常用系统发育分析软件：PHYLIP

14. 检测系统发育树可靠性的技术：bootstrapping和Jack-knifing

16. 查找简单基因的程序：NCBI ORF finder

17. 测试基因预测程序正确预测基因的能力的项目是GASP（基因预测评估项目）

18. 二级结构的三种状态：α螺旋，β折叠和β转角