生物信息学复习题及答案(陶士珩)剖析

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。

2.Orthologs（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。

3.Paralogs（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。

4.Xenologs (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。

5.Identity 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。

8.P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0.05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。

11.NCBI：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.

12.FASTA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“//”结尾。

14.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，可以使用关键词如基因名字、物种名字及生物学功能检索等。

15.BLOSUM矩阵：模块替代矩阵。矩阵中的每个位点的分值来自蛋白比对的局部块中的替代频率的观察。每个矩阵适合特定的进化距离。例如，在BLOSUM62矩阵中，比对的分值来自不超过62%一致率的一组序

16.系统发生树（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。基因复制事件可能发生在物种形成之前或之后，造成基因树与物种树拓扑结构存在差异的（来自两个物种的两个基因的分化可能发生在物种形成事件之前）。

18. 有根树：包含一唯一的节点，将其作为树中所有物种的共同祖先，并且这一节点到其他节点的路径也是唯一的，最常用的确定树根的方法就是利用分子钟理论。在相同序列数条件下，有根树的可能的形式要多于无根树，这就有根树出错的概率明显高于无根树；无根树：找不到代表祖先树根的唯一节点的系统树。无根树只能确定之间的亲缘关系的远近，在相同序列数条件下，可能的构树形式相对有根树要少，并且无根树是没有方向的，其中线段的两个演化方向都有可能。

19.分子钟：认为在进化过程中物种间分子进化速率是恒定的或者几乎不变的假说，即蛋白序列间的氨基酸替换数正比于序列间的分歧世代数。意义：利用蛋白质序列的恒定的进化速率，可以推算不同物种序列发生分化的时间，从而将一些不同物种的系统发生关系确定下来以及推断出物种起源的时间。缺陷：不同生物体的分子进化速率差别是很大的，如病毒的一些序列；不同基因的分子钟一般不同；只能用于长期进化历程中仍保持其生物学功能的那些基因，那些进化丢失功能或基因复制后改变功能的不能适用；进化速率是可变的，某些基因在自我扩增后进化速率大大提高；

20.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。

21.邻接法（neighbor-joining method）：其首先确定距离最近的分类单元对。然后使系统树的总距离达到最小，不断循环将相邻分类单元秉承一个新的分类单元，最终建立相应的系统发育树。其是一种不仅仅计算两两比对距离，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，能够克服UPGMA算法要求进化速率保持恒定的缺陷。

需要理解的地方：window size dotplot

1.序列的相似性与同源性有什么区别与联系？

答：（1）相似性是指序列之间相关的一种统计学的量度，两序列的的相似性可以基于序列的一致性和相似度的百分比，也可以用相应的分数来衡量这种相似；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，不能用相应的数字去量化这种关系，我们只能说序列具有高的一致性的百分比的可能是同源的。

（2）相似的不一定是同源的，同源的则表现出一定的相似性。因为在进化中来源于不同的基因或序列由于不同的独立突变而趋同的并不罕见。相反同源序列由于来源于共通过祖先则表现出一定的相似性。

2. why the reliability of protein alignment is higher than that of DNA?

(1)核酸序列有四种碱基构成，当用两条核酸序列比对时出现随机匹配的概率是25%，而蛋