5-微阵列

生物信息讲义
基因表达
基因通过表达控制着特定的蛋白质组成（如血红 蛋白）。所有的体细胞都含有同样的基因，但在 细胞逐步分化后，往往有些基因表达，有些不表 达，或仅在胚胎期或病理情况下表达。
生物信息讲义
基本知识
基因表达 基因表达数据 基因表达数据分析
基本信息分析 调控信息分析
生物信息讲义
基因表达数据
生物信息讲义
4、数据库技术及数据挖掘 、
数据库技术 数据仓库 虚拟数据库技术（ 虚拟数据库技术（Virtual Database，简称 VDB） ， ） 数据挖掘（ 数据挖掘（data mining） ） 又称作数据库中的知识发现 (Knowledge Discovery in Database)，它是从数据库或数据仓库中发现并提取隐 ， 藏在其中的信息的一种新技术，它能自动分析数据， 藏在其中的信息的一种新技术，它能自动分析数据， 对它们进行归纳性推理和联想， 对它们进行归纳性推理和联想，寻找数据间内在的某 些关联，从中发掘出潜在的、 些关联，从中发掘出潜在的、对信息预测和决策行为 起着十分重要作用的模式 数据挖掘过程一般分为4个基本步骤 数据选择、 个基本步骤： 数据挖掘过程一般分为 个基本步骤：数据选择、数据 转换、 转换、数据挖掘和结果分析
三个碱基编码一个密码子，一个密码子对应一种氨基 酸。20种氨基酸是构成蛋白质的基本单位。
生物信息讲义
基因白质合成的全过程。 基因表达的最终产物是蛋白。人之所以能生长发育、健 康生活，正是靠多少万个基因在表达它各自的蛋白。人 没有血红蛋白，就不能生存，所以，血红蛋白的基因( 珠蛋白基因)先天出了毛病，就成为遗传病。现在知道 ，恶性肿瘤、高血压、糖尿病以至老年痴呆都是基因发 生了故障，但是，有多少个基因以及是那一种基因出了 故障还不清楚。
生物信息讲义
1、数学统计方法 、
生物活动常常以大量、重复的形式出现， 生物活动常常以大量、重复的形式出现，既受到内在因 素的制约，又受到外界环境的随机干扰。 素的制约，又受到外界环境的随机干扰。因此概率论和 数学统计是现代生物学研究中一种常用的分析方法 数据统计、因素分析、 数据统计、因素分析、多元回归分析是生物学研究必备 的工具 隐马尔科夫模型（ 隐马尔科夫模型（Hidden Markov Models）在序列分析 ） 方面有着重要的应用。与隐马尔科夫模型相关的技术是 方面有着重要的应用。 马尔科夫链（ 马尔科夫链（Markov Chain） ）
基因表达数据
应用 • 比较正常不同组织细胞中基因的表达模式 • 研究正常组织与病理组织基因表达差异 只在肾脏中表达的 基因就不大可能与 精神分裂症有关。 • 研究药物处理细胞后基因表达变化 一些药物的靶点是 在整个身体中分布 • …
广泛的蛋白质，这 类药物的副作用往 往比较大。
生物信息讲义
基本知识
生物信息讲义
领域专家
用 户
AI专家
使 用 界 面 知识库 推理机
知识获取
解释机构
知识库
数据库
专家系统的基本结构
生物信息讲义
7、分子模型化技术 、
分子模型化（ 分子模型化（Molecular modeling）是利用计算机模拟分 ） 子结构、 子结构、研究分子之间相互作用的一种技术 分子模型化是进行分子设计的基础。分子图形学（ 分子模型化是进行分子设计的基础。分子图形学（ Molecular Graphics）是进行分子模型化的一项重要技术 ） 正是由于分子图形学和其它计算化学方法（ ，正是由于分子图形学和其它计算化学方法（如分子力 分子动力学）的相互结合， 学、分子动力学）的相互结合，才使得分子模型化方法 取得成功
。
模式识别 模式识别是机器学习的一个主要任务。 模式识别是机器学习的一个主要任务。模式是对感 兴趣客体定量的或者结构的描述， 兴趣客体定量的或者结构的描述，而模式识别就是 利用计算机对客体进行鉴别， 利用计算机对客体进行鉴别，将相同或者相似的客 体归入同种类别中 模式识别主要有两种方法:
• 根据对象的统计特征进行识别， 根据对象的统计特征进行识别， • 根据对象的结构特征进行识别
美国加州Affymetrix公司 oligonucleotide microarray Standford cDNA
生物信息讲义
基因表达数据
基因芯片
生物信息讲义
生物信息讲义
基因表达数据
基因芯片的原理:杂交原理(Hybridization Hybridization) Hybridization
生物信息讲义
2、动态规划方法 、
动态规划（ 动态规划（Dynamic Programming）是一种解 ） 决多阶段决策过程的最优化方法或复杂空间的 优化搜索方法 动态规划解决问题的基本过程是： 动态规划解决问题的基本过程是：将一个问题 的全局解分解为局部解， 的全局解分解为局部解，逆序递推求出局部最 优解，随着执行过程的推进， 局部” 优解，随着执行过程的推进，“局部”逐渐接 全局” 近“全局”，最终获得全局最优解
生物信息讲义
生物信息讲义
8、量子力学和分子力学计算 、
量子力学主要研究原子、分子、凝聚态物质、 量子力学主要研究原子、分子、凝聚态物质、以及原子 核和基本粒子的结构、性质的基础理论， 核和基本粒子的结构、性质的基础理论，在化学等有关 学科中得到了广泛的应用 分子力学（ 分子力学（Molecular Mechanics）方法是一种非量子力 ） 学的计算分子结构、能量与性质的方法， 学的计算分子结构、能量与性质的方法，该方法应用经 验势能函数，即经验力场方法模拟分子的结构， 验势能函数，即经验力场方法模拟分子的结构，计算分 子的性质 在进行分子结构分析、构象优化、 在进行分子结构分析、构象优化、分子间相互作用研究 及分子模拟时需要应用量子力学或分子力学
基因表达数据：通过对基因表达的实验研究，得 到的相关数。 示例： 酵母菌中部分基因的表达矩阵
生物信息讲义
基因表达数据
酵母菌中部分基因的表达矩阵
生物信息讲义
基因表达数据
目前流行的获取基因表达数据的方法生物芯片 生物芯片（Biochips） 包括DNA芯片(有时也被 称为基因芯片、或微阵列(Microarray))、组织芯片 、蛋白质芯片和细胞芯片 。
基因表达 基因表达数据 基因表达数据分析
基本信息分析 调控信息分析
生物信息讲义
基因表达数据分析−基本信息
常用的方法与技术
1、数学统计方法 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 数据库技术及数据挖掘(详细介绍) 4、数据库技术及数据挖掘(详细介绍) 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） 10、因特网（Internet）技术
A B C D
mRNA -> labeled cDNA
C’ A’ D’ B’
The DNAs attached to the support are defined as probes, while the labeled DNAs are defined as targets.
Co-hybridize
生物信息讲义
如正常组织与肿瘤 组织，不同发育阶 段组织，或用药之 前与用药之后组织 等，其中一种称为 实验样本 experimental 光强度(Cy5和Cy3)，其比值 的探针序列进行杂 samples，另外一 (Cy5/Cy3)称为该基因在实验样 种称为参考样本 交 最终获得基因表达矩阵(以 本中的表达水平。可以对上述比 reference sample 字母G=[gij]mxn表示，其中m 值进行以2为底的对数变换即以 表示基因个数，n表示实验 Log2(Cy5/Cy3)表示该基因的表 样本个数。这就是所谓的基 达水平。 因表达谱，是进一步进行生 物信息学处理的基础，其数 据质量直接影响后续的分析 结果。
Targets
生物信息讲义
From Southern et al (1999)
生物信息讲义
基因表达数据
通过DNA芯片获取基因表达数据 • 首先选取来自不同状态的样本 • 染色、杂交 • 洗脱 实验样本和参考样 • 扫描、分析 本RNA分别用不同 的红、绿荧光染料 去染色，并将它们 • 获得结果 获得微阵列上每个点的红、绿荧 混合，与微阵列上
生物信息讲义
5、人工神经网络技术 、
人工神经网络（ 简称ANN）是 人工神经网络（Artificial Neural Network, 简称 ） 通过模拟神经元的特性以及脑的大规模并行结构、 通过模拟神经元的特性以及脑的大规模并行结构、信息 的分布式和并行处理等机制建立的一种数学模型 在生物信息学中，使用得最多的是反向传播神经网络 反向传播神经网络（ 在生物信息学中，使用得最多的是反向传播神经网络（ Back Propagation Neural Network，简称 网）。 网 ，简称BP网）。BP网 被认为是稳定性和鲁棒性较强的人工神经网络之一， 被认为是稳定性和鲁棒性较强的人工神经网络之一，而 且属于有监督学习的网络模型。标准的BP网由三层神经 且属于有监督学习的网络模型。标准的 网由三层神经 元组成：输入层、 元组成：输入层、隐藏层和输出层
A simple gene array 基因表达数据D E A B C
1 2 3 4 5
A2=“Protein kinase A” D2=“Glutamate receptor NMDAR” E1= “Actin cDNA”
……………
生物信息讲义
A magnification view of a robot printing
生物信息讲义
3、机器学习与模式识别技术 、
机器学习 机器学习是模拟人类的学习过程，以计算机为工具 机器学习是模拟人类的学习过程， 获取知识、 获取知识、积累经验