中科院生物信息学期末考试复习题

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。

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。同时在发现了新基因信息之后，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中的生理生化信息结合，阐明其分子机制，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。

2.如何利用数据库信息发现新基因，基本原理

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。）

3.用蛋白或核酸序列数据库研究生物演化的主要步骤是什么当前的困难是什么，如何克服（核酸或氨基酸序列进行进化研究要进行哪些计算步骤当前遇到什么问题怎样解决）

答：计算步骤，构建系统进化树，其主要步骤如下：

1)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；

2)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；

3)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，如PYLIP、MEGA等；

4)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。

【

(1.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。常用的序列包有BBLAST、FASTA等；

(2. 序列同源性分析：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，以确定该序列与其他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；

(3.构建系统进化树：根据序列同源性分析的结果，重建反应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，如PYLIP、MEGA等

(4.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。】

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（可能的解决途径）：

1)纵向思路：选择垂直进化而来的序列进行研究，即去除横向迁移的数据库，如COG

数据库；