生物信息学复习资料.doc
生物信息学复习资料
第一讲生物信息学绪论
1、生物信息学诞生于计算机初创时期，1956年在美国田纳西州的Gatlinburg召开了首次“生物学中的信息理论讨论会”
２、20世纪80年代末“林华安”博士创造了”bioinformatics”一词
３、数据库的构建：1979年美国Genbank数据库；1982年欧洲分子生物实验室EMBL核酸序列数据库；1984年日本国家级核酸序列数据库DDBJ
4、专业机构：1988年美国成立了“生物技术信息中心”（NCBI）；欧洲生物信息学研究所（EBI）于1993年构建．
5、生物信息学产生的背景
（１）、传统生物学和现代生物学都是一门实验学科，生物学的发展需要数学模型的介入（２）、海量生物学数据信息的产生（2002年8月，Genbank中的序列量已达18197000,而碱基对数达22617000000,且以每秒220对的速度增加），数据的分析处理成为生物学发展的“瓶颈”
（３）、新的生物学研究模式的出发点应是理论：从理论出发，再回到实验中追踪或验证这些理论假设
6、生物信息学定义
（广义）：应用信息科学的方法和技术，研究生物体系和生命过程中信息的存贮、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。一般提到的“生物信息学”是就指这个狭义的概念，更准确地说，应该是分子生物信息学（Molecular Bioinformatics）
7、生物信息学研究的主要对象——两种信息载体：DNA分子和蛋白质分子
(1)遗传信息的载体——DNA
遗传信息的载体主要是DNA，控制生物体性状的基因是一系列DNA片段，生物体生长发育的本质就是遗传信息的传递和表达
(2)蛋白质的结构决定其功能
蛋白质功能取决于蛋白质的空间结构，蛋白质结构决定于蛋白质的序列（这是目前基本共认的假设），蛋白质结构的信息隐含在蛋白质序列之中。
8、生物分子数据类型：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、
9、第一步遗传密码和第二部遗传密码
第一部遗传密码已被破译，但对密码的转录过程还不清楚，对大多数DNA非编码区域的功能还知之甚少，对于第二部密码，目前则只能用统计学的方法进行分析。无论是第一部遗传密码，还是第二部遗传密码，都隐藏在大量的生物分子数据之中。
10、分子生物学的三大核心数据库
（1）GenBank核酸序列数据库
（2）SWISS-PROT蛋白质序列数据库
（3）PDB生物大分子结构数据库
11、生物信息学的目标和任务：揭示生物分子数据的内涵是生物信息学的长远目标
（1）收集和管理生物分子数据
（2）数据分析和挖掘
（3）开发分析工具和实用软件
12、生物信息学主要研究内容
1)破译遗传语言、识别基因
2)预测蛋白质结构和功能
3)认识生物界信息存贮和传递的本质
4)研究药物作用机制和开发新药
13、目前生物信息学主要研究内容
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与处理
5)蛋白质结构预测
14、在二级结构预测方面主要方法有：
立体化学方法、图论方法、统计方法、最邻近决策方法、基于规则的专家系统方法、分子动力学方法、人工神经网络方法
15、生物信息学研究意义
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
16、生物信息学的应用
?生物信息的经济价值与生物信息学市场
?基因组分析
?基因芯片
?药物开发
?其他领域
17、生物信息学基本研究方法
?建立数据库
?数据库检索
?序列分析
?统计模型
?算法
第二讲 生物学知识简介(Part 1)
1、现代生物学的里程碑——DNA 双螺旋结构的发现 DNA ：遗传物质
Mendel 的经典遗传学实验及其经典遗传学规律（1865年） Morgan 学派的基因学说（1915年）
Griffith 的肺炎双球菌转化实验（1928年） Avery 的实验以及Hershey 、Chase 的噬菌体标记实验：DNA 是遗传信息的载体（1944～1951年）
2、DNA 双螺旋结构模型的意义
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、生物分类体系
界（kingdom ） 动物界(Animalia )
门（phylum ） 脊索动物门(Chordata ) 脊椎动物亚门(Vertebtata )
纲（class ） 哺乳动物纲(Mammalia ) 真兽亚纲(Eutheria ) 目（order ） 灵长目(Primates ) 类人猿亚目(Anthropoidea ) 科（family ） 人科(Hominidae ) 属（genus ） 人属(Homo ) 种（species ） 人种(sapiens ) 超-（super-）；亚-（sub-）
4、三主干六界说：三主干是真细菌、古细菌和真核生物，六界是真细菌、古细菌、原生生物、 真菌、植物、动物
5、四大“模式生物”：酵母、线虫、果蝇、小鼠
6、
氨基酸标准符号
符号符号酪氨酸Y(Tyr)赖氨酸K(Lys)谷氨酸/谷氨酰胺
Z
亮氨酸L(Leu)甲硫氨酸
M(Met)
色氨酸W(Trp)异亮氨酸I(Ile)缬氨酸V(Val)组氨酸H(His)硒代半胱氨酸
U 甘氨酸G(Gly)苏氨酸T(Thr)本丙氨酸F(Phe)丝氨酸S(Ser)谷氨酸E(Glu)精氨酸R(Arg)天冬氨酸D(Asp)谷氨酰胺Q(Gln)半胱氨酸C(Cys)脯氨酸P(Pro)天冬氨酸/天冬酰胺
B 天冬酰胺N(Asn)丙氨酸
A(Ala)意义
意义
7、蛋白质的空间结构 ：二级结构(secondary structure)氢键形成α-螺旋(α -helix) 链间形成β-折叠(β-sheet)
8、生物信息数据库中的核苷酸代码
代码核苷酸
代码核苷酸
N
A 或C 或G 或T （U ）V 非T
S G 或C
H 非G M A 或C D 非C R A 或G B 非A W A 或T （U ）T T （胸腺嘧啶）K G 或T （U ）G G （鸟嘌呤）Y C 或T （U ）C C （胞嘧啶）U U （尿嘧啶）A A （腺嘌呤）
第三讲 生物信息学方法介绍（生物信息学中的数学基础）
1、概率：概率是随机事件发生的可能性大小的数量表示，是定义于事件域?上取值于[0, 1]的函数。
2、条件概率（Conditional probability ）： 设A 、B 为试验E 的两个事件，且P(B) > 0，称
()()
)(B P AB P B A P =
为在事件B 发生的条件下，事件A 发生的条件概率。
3、关于条件概率
（1）条件概率P(A|B)的实质：
减小样本空间，定义在样本子空间的概率
Ω ∨ ΩB
P(A) ∨ PB(A)即P(A|B)
（2）条件概率也是概率，满足概率公理化定义的三个性质。（证明略） 4、生物序列研究的两类问题 （1）判别问题
Does the sequence belong to a particular family? （2）信息结构的识别
Assuming the sequence does come from some family, what can we say about its internal structure? 5、例子：人类基因组中与启动子相关的CpG 岛信号
在人类基因组的许多基因的转录起始区域，二核苷酸“CG”出现的频率往往要高于基因组其它的区域，因此，“CG”的高含量区（通常长达数百～数千碱基）可能意味着转录启动子的存在，这种“CG”高含量区被称为CpG 岛（CpG islands ）。对CpG 岛的识别，有助于转录起始信号的识别。
6、例题：已知48条人类DNA 序列（全长60kb ），每条都含有确认的CpG 岛位置、长度注释信息。据此构造训练集：
正方训练集（Positive ）CpG 岛区的DNA 序列
CpG 岛区之外的DNA 序列
负方训练集（Negative ）
分别从positive 训练集和negative 训练集中统计出双核苷酸st 的频率，再计算概率转移矩阵：
∑
'
+'
++
=
t t s st
st
c
c
a
∑'-
'
--=t t s st
st
c c a
+st
a -st
a t T t G t C t A +0.182
0.384
0.3550.079
s T
0.1250.3750.3390.161s G 0.1880.2740.3680.170s C 0.1200.4260.2740.180s A t T t G t C t A －0.292
0.2920.2390.177s T 0.2080.2980.2460.248s G 0.3020.0780.2980.322s C 0.2100.2850.2050.300s A 对于任一段DNA 序列片段，计算下列分值：
∑∑==-+---=
=
-+=L
i x x L
i x x
x x
i
i i
i i i a a x P x P x S 1
1
111log
)
model |()
model |(log )(β
s A t T t G t C t A -0.679
0.3930.573
-1.169
s T
-0.7300.3310.461-0.624s G -0.6851.8120.302-0.913s C -0.8030.5800.419-0.740β
作长度L 的归一处理：
∑
=-=
L
i x x i
i L
x S 1
11
)(β
图的左边是非CpG 岛，右边是CpG 岛。
据此，可以对某一DNA 片段构造判别规则，判定是否CpG 岛。
第四讲 生物信息学中的计算机技术
1、Unix 的组成
1) 内核（Kernel ）一个提供硬件抽象层、磁盘及文件系统控制、多任务等功能的系统
软件，是计算机的主要控制程序
2) Shell Unix 的一部分，用来解释用户的命令并传递给内核处理
3) 文件系统（File System ） 存储在计算机中的信息 ， 以目录形式组织 4) 组件（Utilities ） Unix 命令 2、UNIX 目录结构
用于安装是文件系统的根目录，是整个文件系统的主要C 语言的头文件
/usr/include
用户的可执行命令/usr/bin 用户相关目录/usr 与硬件设备相关的文件，多数为设备文件/dev CD-ROM 、软驱、ZIP 驱动器或JAZ 驱动器等可移动媒介
/mnt 系统存放所有用户私有目录的地方
/home 存放最常用的基本用户程序/bin 目录,以及超级用户的主目录/
3、Unix 常用命令 （1）、Pwd 显示当前工作路径
y 用法：pwd y 例子：
% pwd
/home/browns02
（2）Ls 列出当前目录下的文件列表
用法：ls -[options] pathname 例子：
% ls assembin4.fasta Misc test2.txt
使用l 参数可以列出更多详细的信息
% ls –l total 1768 drwxr-x--- 2 browns02 users 8192 Aug 28 18:26 Opioid 4、什么是Perl?
Perl 是Practical Extraction and Report Language 的简写，译为实用摘录和报告语言，Perl 由Larry Wall 设计的，他曾说过这样一句话：“Perl 可能不好看或者不好闻，但是它能完成任务”；Perl 具有高级语言（如C ）的强大能力和灵活性 ，许多特性源于C 语言；计算机语言的执行分为解释执行(Perl 、ASP 、PHP )和编译执行(C/C ＋＋ )。JA V A 是解释和编译型的语言。 对于Perl,你要做的只是写出程序并告诉Perl 来运行而已 5、Perl 程序细节
（1）Perl 程序通常的开始行为如下:
#!/usr/bin/perl
这一行告诉计算机这是个perl程序，并且在哪里执行；带有# 开关的行都是注释，运行时不被Perl解释器执行；Perl语句的每一行以“ ;”结尾
6、常量：
字符串
“Hello world\n”
‘Hello world\n’
第五讲构建生物学数据库
1、数据的定义
数据是人们用于记录事物情况的物理符号。为了描述客观事物而用到的数字、字符以及所有能输入到计算机中并能被计算机处理的符号都可以看作数据
两种基本形式的数据（1）数值型数据、字符型数据（2）图形、图像、声音等多媒体数据
2、信息的定义
信息是数据中所包含的意义。通俗地讲，信息是经过加工处理并对人类社会实践和生产活动产生决策影响的数据
3、信息与数据的区别
信息为经过处理的数据；信息不随表示它的数据形式而改变,而数据则具有任意性，用不同的数据形式可以表示同样的信息
4、数据库
（1）数据库定义：数据库（Database，DB）是长期存储在计算机内、有组织的、可共享的、统一管理的相关数据的集合
（2）DB的特点
A、数据按一定的数据模型组织、描述和储存
B、可为各种用户共享
C、冗余度较小
D、数据独立性较高
E、易扩展
5、数据库管理系统
（1）定义：数据库管理系统（Database Management System，DBMS）DBMS是位于用户与操作系统（OS）之间的一层数据管理软件，它为用户或应用程序提供访问DB的方法，包括DB的建立、查询、更新及各种数据控制
（2）用途：能够科学地组织和存储数据、高效地获取和维护数据
（3）依据数据模型，可分为：层次型、网状型、关系型、面向对象型
6、数据库系统
（1）定义：数据库系统（Database System，DBS）是实现有组织地、动态地存储大量关联数据、方便多用户访问的计算机硬件、软件和数据资源组成的系统，即它是采用数据库技术的计算机系统
（2）组成：计算机硬件、数据库、数据库管理系统、应用软件、数据库管理员
第六讲 序列比对
1、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
2、序列比对分类
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
3、序列比对两种类型
（1）全局序列比对
● 定义：在全局范围内对两条序列进行比对打分的方法 ● 适合于非常相似且长度近似相等的序列
（2）局部序列比对
● 定义：一种寻找匹配子序列的序列比对方法 ● 适合于一些片段相似而另一些片段相异的序列
4、转换和颠换
C
T
A
G
嘧啶
嘌呤
α
α
β
β
β
β
α表示转换(transition)，β表示颠换(transversions)；转换比颠换更容易发生 5、PAM( Percent Accepted Mutation)矩阵
? 氨基酸记分系统需要替换的模式来提高灵敏度以检测弱的相似性 ? 氨基酸容易被其它生化、物理特性相似的氨基酸替换
? PAM 矩阵给出了进化过程中同源蛋白质从一个氨基酸变到另一个氨基酸的似然率
(Likelihood)
? PAM1(1个PAM 单位）被定义为每100个残基出现一个被接受的点突变(氨基酸的置
换不引起蛋白质功能上的显著变化） ? PAMn 是PAM1自乘n 次
? PAM250、PAM120、PAM80和PAM60矩阵可用于相似性分别为20%、40%、50%
和60%的序列比对
6、BLOSUM 矩阵 (Blocks Substitution Matrix)
◆ 模块替换矩阵BLOSUM 以序列片段为基础,它是 基于蛋白质模块(Block)数据库
而建立起来的
◆ 在模块比对的每一列中，分别计算两两氨基酸的替换情况,替换越普遍，其分值越高。
来自所有模块的数值被用来计算BLOSUM 矩阵
◆ 矩阵后面的数字表示构建此矩阵所用的序列的相似程度，如BLOSUM62表示由相
似度为62%的序列构建
7、空位罚分(Gap Penalties)
（1）空位为了获得两个序列最佳比对，必须使用空位和空位罚分
（2）空位罚分分为：空位开放罚分(Gap opening penalty)和空位扩展罚分(Gap extension
penalty)
（3）最优的序列比对通常具有以下两下特征：
?尽可能多的匹配
?尽可能少的空位
（4）插入任意多的空位会产生较高的分数，但找到的并不一定是真正相似序列
8、空位罚分公式：Wx=g+r(x-1)
Wx 为总空位记分，g为空位开放罚分，r为空位扩展罚分，x为空位长度
9、双序列比对方法
?点阵序列比较(Dot Matrix Sequence Comparison)
?动态规划算法(Dynamic Programming Algorithm)
?词或K串方法(Word or K-tuple Methods)
?贝叶斯统计方法(Bayesian Statistical Methods)
10、动态规划算法(Dynamic Programming Algorithm)是一种计算方法，它的主要思路是把一个问题分成若干个小问题来解决
?在序列比对尤其是双序列比对中非常重要，因为其提供了序列间最优的对位排列?在生物学中应用的两种动态规划算法：Needleman-Wunsch算法（全局比对）和Smith-Waterman算法（局部比对）
11、Needleman-Wunsch算法
Seq1: M P R C L C Q R J N C B A
Seq2: P B R C K C R N J C J A
STEP1:
采用如左图所示的矩阵，在相匹配的地方填写匹配得分（左图中匹配得分为1，错配(Mismatch)和空位罚分均为0）
STEP2:
利用动态规划的迭代公式进行计算各个位置的得分情况，计算的迭代公式为：
F(i,j)=max{
F(i-1,j-1)+s(xi,yj),
max{F(i-k, j-1)–W(k)+s(xi,yj)},
max{F(i-1,j-l) –W(l)+s(xi,yj)}
}
简言之，就是求出阴影部分所能达到的最大值填入当前位置，并记下到达这一位置的路径。STEP3:
当完成所有矩阵单元的分值计算后，接下来就是从高分值单元开始找出最大分值路径，也就是找出最佳匹配。这个过程被称为回溯(backtracking)。
由于在计算过程中到达每一个矩阵单元的最优路径都被储存在回溯矩阵中，所以就可以方便地找出最优路径（左图的红色数字表示最优路径）。最终的比对结果为：
M P –R C L C Q R –J N C B A
–P B R C K C –R N J – C J A
12、多序列比对方法
（1）全局序列比对
动态规划算法(Dynamic Programming Algorithm)、分而治之方法(Divide and
Conquer Methods)、SP方法(Sum of Pairs Methods) 、累进方法(Progressive
Methods)、迭代方法(Iterative Methods)、遗传算法(Genetic Algorithms) （2）局部序列比对
概形分析(Profile Analysis)、区块分析(Block Analysis)
（3）统计学方法(Statistical Methods）
13、多序列比对总体思路
第七讲生物信息学的检索
1、Entrez
（1）查询和搜索系统
（2）集成NCBI各种数据库中的信息：核酸序列、蛋白质序列、生物大分子结构、基因组数据、生物分类数据库、孟德尔人类遗传学数据（OMIM）、Pubmed
2、Entrez基本查询功能主题词（Subject）搜索
?短语（phrase）搜索
?文献作者（Authous）搜索
?序列独特识别信息（Unique Identifiers）搜索
?序列分子量搜索
?区域搜索
?通配符搜索
3、Entrez查询策略
?快速查询
?定制查询
?交叉引用的信息查询
?批处理查询（Batch Entrez）
4、SRS
SRS（Sequence Retrieval System）是EMBL研制的一个基于WEB的查询系统,是目前生物信息界应用最为广泛的数据库系统。
SRS在中国的镜像站点建立在北京大学生物信息中心。
第八讲数据库搜索
1、最流行的序列数据库快速搜索程序是BLAST 、FastA
2、BLAST与FASTA算法比较
?FASTA（fast alignment）
（1）选定字长参数－ktup，寻找连续配对小片段
（2）利用相似矩阵对每个配对区域记分
（3）将相似区域连接起来，获得最佳序列比对
?BLAST (Basic Local Alignment Search Tool)基本的局部比对搜索工具
?BLAST的计算过程分为三个阶段：
（1）用统计理论选出相似性高的区域，收集一系列高得分的串，形成高得分单词表（2）搜索种子
（3）扩展种子
3、比对分数的统计学评价：
期望值（Expectation value，简称E值）
分数
Bit：命中指数
4、BLAST是一个序列数据库搜索程序家族，其中有许多特定用途的程序
生物信息学作业
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
生物信息学期末考试重点
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修订稿
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。
生物信息学作业1实验2
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.sodocs.net/doc/3915464647.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？
最新生物信息学名词解释(个人整理)
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基因。）
最新生物信息学考试复习
——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。
生物信息学课程作业
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。
生物信息学名词解释
1.计算生物信息学（Computational Bioinformatics）是生命科学与计算机科学、数理科学、化学等领域相互交叉而形成的一门新兴学科，以生物数据作为研究对象，研究理论模型和计算方法，开发分析工具，进而达到揭示这些数据蕴含的生物学意义的目的。 2.油包水PCR (Emulsion PCR) : 1) DNA片段和捕获磁珠混合; 2) 矿物油和水相的剧烈震荡产生油包水环境; 3) DNA片段在油包水环境中扩增;4) 破油并富集有效扩增磁珠。 3.双碱基编码技术：在测序过程中对每个碱基判读两遍，从而减少原始数据错误，提供内在的校对功能。代表测序方法：solid 测序。 4.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,适于对已知的短序列的测序分析,其可重复性和精确性能与SangerDNA测序法相媲美,而速度却大大的提高。焦磷酸测序技术不需要凝胶电泳,也不需要对DNA样品进行任何特殊形式的标记和染色,具备同时对大量样品进行测序分析的能力。在单核苷酸多态性、病原微生物快速鉴定、病因学和法医鉴定研究等方面有着越来越广泛的应用。例如：454测序仪 ：用蛋白质序列查找核苷酸序列。 :STS是序列标记位点（sequence-tagged site）的缩写，是指染色体上位置已定的、核苷酸序列已知的、且在基因组中只有一份拷贝的DNA短片断，一般长200bp －500bp。它可用PCR方法加以验证。将不同的STS依照它们在染色体上的位置依次排列构建的图为STS图。在基因组作图和测序研究时，当各个实验室发表其DNA测序数据或构建成的物理图时，可用STS来加以鉴定和验证，并确定这些测序的DNA片段在染色体上的位置；还有利于汇集分析各实验室发表的数据和资料，保证作图和测序的准确性。 :表达序列标签技术（EST，Expressed Sequence Tags）EST技术直接起源于人类基因组计划。 ：生物信息学数据库。UniGene试图通过计算机程序对GeneBank中的序列数据进行适当处理，剔除冗余部分，将同一基因的序列，包括EST序列片段搜集到一起，以便研究基因的转录图谱。UniGene除了包括人的基因外，也包括小鼠、大鼠等其它模式生物的基因。 :开放阅读框（ORF，open reading frame )是基因序列的一部分，包含一段可以编码蛋白的碱基序列，不能被终止子打断。编码一个蛋白质的外显子连接成为一个连续的ORF。 10.分子钟检验：只有分子钟的，没听过分子钟检验。一种关于分子进化的假说，认为两个物种的同源基因之间的差异程度与它们的共同祖先的存在时间(即两者的分歧时间)有一定的数量关系
《生物信息学》上机作业
《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 -
生物信息学期末考试重点
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。
生物信息学数据库或软件
一、搜索生物信息学数据库或者软件 数据库是生物信息学的主要内容，各种数据库几乎覆盖了生命科学的各个领域。 核酸序列数据库有GenBank，EMBL，DDB等，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 ，欧洲分子生物学实验室的EMBL-Bank（简称EMBL），日本遗传研究所的DDBJ 蛋白质序列数据库有SWISS-PROT，PIR，OWL，NRL3D，TrEMBL等， 蛋白质片段数据库有PROSITE，BLOCKS，PRINTS等， 三维结构数据库有PDB，NDB，BioMagResBank，CCSD等， 与蛋白质结构有关的数据库还有SCOP，CATH，FSSP，3D-ALI，DSSP等， 与基因组有关的数据库还有ESTdb，OMIM，GDB，GSDB等， 文献数据库有Medline，Uncover等。 另外一些公司还开发了商业数据库,如MDL等。
生物信息学数据库覆盖面广，分布分散且格式不统一, 因此一些生物计算中心将多个数据库整合在一起提供综合服务，如EBI的SRS(Sequence Retrieval System)包含了核酸序列库、蛋白质序列库，三维结构库等30多个数据库及CLUSTALW、PROSITESEARCH等强有力的搜索工具，用户可以进行多个数据库的多种查询。 二、搜索生物信息学软件 生物信息学软件的主要功能有： 分析和处理实验数据和公共数据，加快研究进度，缩短科研时间； 提示、指导、替代实验操作，利用对实验数据的分析所得的结论设计下一阶段的实验；寻找、预测新基因及预测其结构、功能； 蛋白高级结构预测。 如：核酸序列分析软件BioEdit、DNAClub等；序列相似性搜索BLAST；多重系列比对软件Clustalx；系统进化树的构建软件Phylip、MEGA等；PCR 引物设计软件Primer premier6.0、oligo6.0等；蛋白质二级、三级结构预测及三维分子浏览工具等等。 NCBI的网址是：https://www.sodocs.net/doc/3915464647.html,。 Entrez的网址是：https://www.sodocs.net/doc/3915464647.html,/entrez/。 BankIt的网址是：https://www.sodocs.net/doc/3915464647.html,/BankIt。 Sequin的相关网址是：https://www.sodocs.net/doc/3915464647.html,/Sequin/。 数据库网址是：https://www.sodocs.net/doc/3915464647.html,/embl/。
生物信息学作业
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
生物信息学试题复习参考(张弓)
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）：
生物信息学基本知识
1.DNA:遗传物质(遗传信息的载体) 双螺旋结构,A,C,G,T四种基本字符的复杂文本 2.基因（Gene）：具有遗传效应的DNA分子片段 3.基因组(Genome)：包含细胞或生物体全套的遗传信息的全部遗传物质。人类包括细胞核基因组和线粒体基因组 OR一个物种中所有基因的整体组成 4.人类基因组：3.0×109bp模式生物 5.HGP的最初目标通过国际合作，用15年时间(1990～2005)至少投入30亿美元，构建详细的人类基因组遗传图和物理图，确定人类DNA的全部核苷酸序列，定位约10万基因，并对其它生物进行类似研究。 6.HGP的终极目标 阐明人类基因组全部DNA序列； 识别基因； 建立储存这些信息的数据库； 开发数据分析工具； 研究HGP实施所带来的伦理、法律和社会问题。 7.遗传图谱（genetic map）又称连锁图谱(linkage map)，它是以具有遗传多态性（在一个遗传位点上具有一个以上的等位基因，在群体中的出现频率皆高于1%）的遗传标记为“路标”，以遗传学距离（在减数分裂事件中两个位点之间进行交换、重组的百分率，1%的重组率称为1cM）为图距的基因组图。 遗传图谱的建立为基因识别和完成基因定位创造了条件。 8.遗传连锁图：通过计算连锁的遗传标志之间的重组频率，确定它们的相对距离，一般用厘摩（cM，即每次减数分裂的重组频率为1%）表示。 9.物理图谱（physical map）是指有关构成基因组的全部基因的排列和间距的信息，它是通过对构成基因组的DNA分子进行测定而绘制的。绘制物理图谱的目的是把有关基因的遗传信息及其在每条染色体上的相对位置线性而系统地排列出来。 10.转录图谱是在识别基因组所包含的蛋白质编码序列的基础上绘制的结合有关基因序列、位置及表达模式等信息的图谱。 11.序列图谱:随着遗传图谱和物理图谱的完成，测序就成为重中之重的工作。 DNA序列分析技术是一个包括制备DNA片段化及碱基分析、DNA信息翻译的多阶段的过程。通过测序得到基因组的序列图谱 12.大规模测序基本策略 逐个克隆法：对连续克隆系中排定的BAC克隆逐个进行亚克隆测序并进行组装（公共领域测序计划） 全基因组鸟枪法：在一定作图信息基础上，绕过大片段连续克隆系的构建而直接将基因组分解成小片段随机测序，利用超级计算机进行组装（美国Celera公司） 13.基因识别（gene identification）是HGP的重要内容之一，其目的是识别全部人类的基因。 基因识别包括： 识别基因组编码区 识别基因结构 基因识别目前常采用的有二种方法： 从基因组序列中识别那些转录表达的DNA片段 从cDNA文库中挑取并克隆。 14.基因组多态性（Polymorphism）:是指在一个生物群体中，同时和经常存在两种或多种不连续的变异型或基因型（genotype）或等位基因（allele），亦称遗传多态性（genetic
中国科学院大学生物信息学期末考试资料,陈润生老师
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：
生物信息学作业题
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
生物信息学考试试卷
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DNA传递给RNA，再从RNA传递给蛋白质，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。