中国科技大学课件系列：《生物信息学导论》

中国科技大学课件系列《生物信息学导论》欢迎各位同学选修中国科技大学《生物信息学导论》课程本课程旨在帮助学生理解生物信息学的基本概念、研究方法和应用领域，使学生掌握处理和分析生物数据的能力课程由经验丰富的教师团队授课，将结合理论讲解与实践操作，从基础知识到前沿应用，全面介绍这一快速发展的交叉学科学习过程中，我们将探索生物数据的特点、常用分析工具及其在现代生命科学研究中的重要作用课程学习须知教材与参考资料成绩评定方式本课程使用《生物信息学基础》课程总评成绩由平时作业（第二版）作为主要教材，由（）、课堂参与30%高等教育出版社出版同时推（）、期中测验（）10%20%荐《生物信息学算法导论》作和期末项目（）组成40%为辅助阅读材料，帮助更深入平时作业需按时提交，期末项理解算法原理目将进行小组展示学习建议建议同学们配置适合的计算机环境，提前安装、等编程工具Python R课前预习相关内容，课后及时复习并完成编程实践，有问题可通过在线平台与老师及同学交流什么是生物信息学定义研究内容发展历史生物信息学是一门将计算机科学、统计主要研究内容包括序列比对、基因识别、生物信息学兴起于世纪年代，随2070学、数学和工程学应用于解释生物数据基因组组装、蛋白质结构预测、进化分着测序技术的发展而迅速发展DNA的交叉学科它致力于利用数学和计算析、系统生物学等随着生物技术的发年第一个完整基因组（噬菌体1977机方法对生物大数据进行获取、存储、展，研究领域不断扩展，已成为现代生）测序完成；年人类基因φX1742003组织、分析和可视化命科学不可或缺的一部分组计划完成，标志着生物信息学进入大数据时代生物信息学的跨学科特征生物学计算机科学提供研究对象和生物学问题，包括分子提供数据处理与分析工具，包括算法设生物学、遗传学、基因组学等相关知识，计、软件开发、数据库技术等，使大规是生物信息学的根基模生物数据的处理成为可能人工智能数学与统计学近年来，机器学习和深度学习技术在蛋提供理论框架与模型，包括概率统计、白质结构预测、基因表达调控等领域取线性代数、图论等，为生物数据分析提得突破性进展，成为新的研究热点供理论支持主要研究领域与分支基因组学蛋白质组学研究生物体全部遗传物质的序列、结构与功能，包括基因组测序、组装、研究生物体内全部蛋白质的结构与功能，包括蛋白质结构预测、功能注注释和比较分析等代表性项目有人类基因组计划、千人基因组计划等释、蛋白质相互作用网络分析等等工具在该领域取得AlphaFold AI重大突破转录组学系统生物学研究特定条件下生物体内所有的类型、数量和功能，包括基因表从整体角度研究生物系统各组分间的相互作用及其动态变化，包括代谢RNA达谱分析、差异表达基因分析等是该领域的主要研究方法网络、信号转导通路等分析整合多组学数据是该领域研究的重点RNA-Seq生物信息学常用数据库简介GenBank PDBUniProt由美国国家生物技术信息中心蛋白质数据库（统一蛋白质资源库，提供高质Protein（）维护的核酸序列数），收集蛋白质量的蛋白质序列和功能信息NCBI DataBank据库，收集了世界范围内的和核酸的三维结构数据通过包括（手工注释数SwissProt序列数据目前包含超射线晶体学、核磁共振等实据）和（自动注释数DNA XTrEMBL过亿条序列记录，是生物学验方法获取的结构被存储为标据）两部分，是蛋白质研究的2家获取序列信息的重要资源准格式，便于研究人员分析蛋首选数据库白质结构与功能KEGG京都基因与基因组百科全书，整合了基因组、化学和系统功能信息，提供代谢通路、信号转导等信息，用于理解生物系统的高级功能和实用性生物信息学主要软件工具系列BLAST ClustalBioconductor基本局部比对搜索工具，用于在数据库中用于进行多序列比对的软件，包括基于语言的开源软件项目，提供用于分R搜索与查询序列相似的序列可以进行核、和析基因组数据的工具包含超过个ClustalW ClustalXClustal Omega2000酸对核酸、蛋白质对蛋白质、核酸翻译产等版本可以比对多条或蛋白质序列，包，用于处理各种组学数据，如基因表达DNA物对蛋白质等多种比对类型，是序列分析用于进化分析、保守区域识别等，研究人分析、序列分析、注释等，是生物信息学最常用的工具之一员常用它研究序列间的进化关系研究的强大平台计算生物学与生物信息学计算原理侧重计算生物学更强调从生物问题建立数学模型、发展计算方法，更偏重算法设计与理论研究，通常需要更多的数学和物理学基础知识交叉领域两者存在大量重叠，共同致力于利用计算方法解决生物学问题许多研究同时具有计算生物学和生物信息学的特征，难以严格区分数据应用侧重生物信息学更关注生物大数据的管理、分析和解释，通常更注重工具开发与应用，侧重于处理实际生物数据并从中提取有用信息生物信息学在现代生命科学中的作用基础研究解析生物体基因组结构、基因功能和调控网络，为理解生命过程提供分子水平的证据临床应用推动精准医疗发展，通过基因检测和数据分析为疾病诊断、治疗和预防提供依据产业应用在农业育种、药物研发、环境监测等领域发挥重要作用，创造显著经济价值分子生物学基础回顾蛋白质由氨基酸组成，执行生物体内大多数功能1RNA遗传信息的转录产物，参与蛋白质合成过程DNA3储存遗传信息的核酸分子，由核苷酸组成是生物体的遗传物质，由腺嘌呤（）、胸腺嘧啶（）、胞嘧啶（）和鸟嘌呤（）四种核苷酸组成双螺旋结构是的DNA AT CG RNA DNA转录产物，在蛋白质合成中起关键作用，类型包括、和等mRNA tRNArRNA蛋白质是由种氨基酸按特定顺序连接而成的多肽链，通过折叠形成特定空间结构，执行生物体内的大多数功能遗传信息流动遵循中心20法则转录为，翻译为蛋白质，偶尔还可反转录为DNA RNA RNA RNADNA基因组与基因概念基因组基因基因组是指生物体所有遗传物质的总称，基因是具有遗传效应的片段，通常DNA包含编码和非编码区域人类基因组约由外显子、内含子、启动子和终止子等亿个碱基对，分布在对染色体上部分组成人类基因数量约万个，远少30232基因组大小与生物复杂度并不完全相关，于预期，表明生物复杂性可能更多来自这种现象称为值悖论于基因表达的调控C基因组中除了编码蛋白质的区域外，还基因突变可引起遗传疾病，常见类型包包含调控序列、重复序列、转座子等多括点突变（）、插入缺失SNP/染色体是细胞内携带遗传信息的线状结种功能元件，这些元件在基因表达调控（）、重复和倒位等基因多态性InDel构，由和蛋白质组成在染色体上，中起重要作用是种群中常见的基因变异形式，为生物DNA以核小体为单位与组蛋白结合形成多样性和进化提供了基础DNA染色质基因是染色体上的特定区域，含有编码蛋白质或的遗传信息RNA转录与翻译机制转录起始聚合酶与启动子结合，双链部分解开，准备合成RNADNA RNA链延伸聚合酶沿模板链移动，按互补配对原则合成，方向为RNARNA5→3转录后加工原始转录物进行帽子化、加尾和剪接，内含子被去除53翻译过程成熟被核糖体识别，根据密码子序列将氨基酸连接成多肽链mRNA蛋白质的结构与功能一级结构二级结构蛋白质中氨基酸的线性排列顺序，由肽多肽链局部区域形成的规则结构，主要键连接形成多肽链，决定了蛋白质的基包括螺旋和折叠，由氢键稳定，是蛋αβ本性质和后续折叠方式白质折叠的基本单元四级结构三级结构多个多肽链（亚基）相互作用形成的复整个多肽链在三维空间的折叠构象，由合体，如血红蛋白由四个亚基组成，能疏水作用、离子键等非共价键维持，决协同完成复杂功能定蛋白质的功能特性分子进化与系统发育分子进化研究生物大分子（如、和蛋白质）在进化过程中的变化规律序列突变是分子进化的基础，突变可以是中性DNA RNADNA的、有害的或有利的，自然选择作用于这些变异，推动物种适应环境变化分子钟假说认为特定分子的进化速率相对恒定，可用于估算物种分化时间系统发育树是表示物种间进化关系的图形模型，基于序列相似性构建常用的系统发育树构建方法包括、邻接法、最大似然法和贝叶斯法等UPGMA高通量测序技术概述1第一代测序以法为代表，通过聚合酶合成过程中掺入特定标记的Sanger DNA双脱氧核苷酸，实现序列测定优点是读长较长，准确率高，DNA但通量低、成本高，不适合大规模测序第二代测序以、和等平台为代表，采用边合成边测序策Illumina454SOLiD略，大幅提高通量特点是通量高、成本低，但读长较短（约），需要复杂的生物信息学分析进行拼接150-300bp第三代测序以和为代表，能够直接测序单分子PacBio OxfordNanopore，读长可达数千至数万碱基优势是读长超长，可检测DNA DNA修饰，但错误率较高，需要配合二代测序或进行多次测序提高准确性生物信息学中的数据类型数据类型主要内容典型大小应用领域序列数据、、人类基因组约基因预测、同源DNA RNA蛋白质序列比较3GB结构数据蛋白质、单个文件药物设计、功能RNA PDB三维结构约预测1-10MB表达数据基因表达量、蛋单个差异表达分析、RNA-Seq白丰度样本约共表达网络5-20GB变异数据、等文件约群体遗传学、疾SNP InDelVCF遗传变异几病关联100MB-GB互作数据蛋白蛋白、蛋网络文件约系统生物学、调-MB白互作级别控网络-DNA生物序列的存储与编码格式FASTA最常用的序列格式，以开头的行为序列描述信息，随后的行为序列数据适用于、和蛋白质序列，简洁明了，广泛用于各种生物信息学软件序列可以分多行DNARNA书写，但描述行必须只有一行格式FASTQ主要用于存储测序数据，除序列信息外还包含质量值每条记录有四行以开头的序列标识，序列本身，以开头的分隔符（可附加信息），以及与序列等长的质量值@+质量值通常以字符编码ASCII格式GenBank使用的标准格式，包含丰富的注释信息结构分为头部（、等字段）、特征表（）和序列部分特征表以表格形式列出序列上的基因、NCBI LOCUSDEFINITION FEATURES调控区域等信息，提供详细的功能注释数据清洗与预处理25-30%10x原始数据错误率分析效率提升未经处理的高通量测序数据可能含有高达良好的数据预处理可提高后续分析速度达的错误或低质量区域倍，同时大幅提升结果可靠性25-30%1090%问题解决率约的分析失败可通过适当的数据清洗90%和质控流程避免数据清洗是生物信息学分析的第一道关键步骤常见的预处理操作包括质量控制（去除低质量）、接头去除、去除污染序列、去重复和错误校正等流行的数据预处理工具reads包括（质量评估）、和（序列修剪）、（去污FastQC TrimmomaticCutadapt BBMap染）等常见序列分析算法介绍动态规划算法将复杂问题分解为重叠子问题，避免重复计算，提高效率在序列比对（如、Smith-Waterman算法）中广泛应用，可保证找到最优解，但计算复杂度较高，通常为Needleman-Wunsch On²贪心算法每一步选择当前最优解，不考虑全局在多序列比对（如渐进比对法）和序列组装中常用优点是速度快，但可能陷入局部最优而非全局最优解典型应用如的种子扩展策略BLAST概率模型基于数据的概率分布建模，如隐马尔可夫模型用于基因预测和蛋白质结构域识别这类算法HMM能处理噪音和不确定性，但需要大量训练数据和计算资源，代表软件如HMMER机器学习算法通过从大量数据中学习模式进行预测在基因表达分析、蛋白质功能预测等领域表现出色包括传统机器学习（如、随机森林）和深度学习方法，后者在蛋白质结构预测领域取得突破SVM序列比对基本原理全局比对（局部比对（Global Local））Alignment Alignment尝试将两个序列从头到尾完全寻找序列中相似度最高的片段，比对，适用于长度相近且相似适用于含有保守区域的序列度高的序列算法是Needleman-Smith-Waterman算法是典型的全局比经典局部比对算法，Wunsch BLAST对算法，常用于同源基因或蛋基于此原理开发在基因组数白质的比较比对考虑每个位据库搜索和结构域识别中应用置的匹配、错配和空位罚分广泛半全局比对（）Semi-global Alignment也称为端空比对，在一个序列的末端允许引入空位而不计算罚分常用于短序列与长序列比对，如测序读段与参考基因组比对和BWA等软件采用此原理进行短读比对Bowtie2算法详解BLAST种子筛选将查询序列分割成短词（通常为个氨基酸或个核苷酸），在数据311库中搜索完全匹配的种子区域无空隙扩展从种子区域向两侧延伸，直到累积分数开始下降，保留超过阈值的高分段匹配区域HSP空隙扩展使用动态规划算法对进行进一步扩展，允许引入空位，获得最终局HSP部比对结果统计评估计算值和比对分数，评估比对结果的统计显著性，筛选真E E-value正的同源序列算法Smith-Waterman算法原理特点与应用是经典的局部序列比对算法，基于动态规划优点是保证找到最优局部比对解，对于寻找保守区域和结构域非Smith-Waterman原理，能找到两个序列间最佳局部相似区域算法通过构建打分常有效主要用于蛋白质序列比对、结构域识别和同源性检测，矩阵，记录每个可能的比对位置的最优得分特别适合比对含有高变异区的序列在矩阵填充过程中，每个单元格的值基于左侧、上方和左上角三缺点是计算复杂度高，对长序列比对计算量大为克服On²个方向的得分计算，分别对应插入、删除和匹配错配三种情况此问题，开发了各种改进算法和并行实现版本可视为/BLAST负分会被设为，确保只关注正得分区域，这是局部比对的关键的启发式近似，通过牺牲部分精度换取速度0Smith-Waterman特点提升算法Needleman-Wunsch多序列比对与工具Clustal多序列比对原理ClustalW ClustalOmega多序列比对最经典的多序列比对工具之一，采用渐进的最新版本，专为大规模序列比对Multiple SequenceClustal是将三个或更多序列式比对策略首先计算所有序列对的距离设计采用隐马尔可夫模型和序列聚类技Alignment,MSA同时比对的技术，目的是找出序列间的共矩阵，构建指导树，然后按照树的拓扑结术，能处理数千条序列显著改进了算法同特征和进化关系一般采用渐进式策略，构顺序添加序列界面友好，支持多种输效率和准确性，特别适合对大量同源序列先两两比对，再逐步添加序列，最终生成出格式，适合小规模序列分析进行比对，是进化分析和保守区域研究的完整比对重要工具序列聚类及进化树构建序列相似性计算通过序列比对计算序列间的相似性距离矩阵，常用度量有序列一致性百分比、/距离、双参数模型等Jukes-Cantor Kimura树构建方法选择距离法（、邻接法）基于距离矩阵直接构建；字符法（最大简约法、UPGMA最大似然法）考虑每个位点信息；贝叶斯法结合先验知识估计后验概率树可靠性评估通过自展法、置换检验等统计方法评估树拓扑结构的可靠性，通Bootstrap常自展值的分支被认为较可靠70%树可视化与解读使用、等工具可视化，分析物种间进化关系、基因家族扩张、FigTree iTOL水平基因转移等进化事件（）简介Hidden MarkovModel HMM模型组成由隐藏状态、观测序列、初始概率、转移概率和发射概率组成HMM三个基本问题评估问题（前向后向算法）、解码问题（算法）、学习问题（算法）-Viterbi Baum-Welch生物信息学应用基因预测、蛋白质结构域识别、序列模式识别和多序列比对等隐马尔可夫模型是一种统计模型，描述一个含有隐含未知参数的马尔可夫过程在生物序列分析中，我们通常将观察到的序列（如HMM、蛋白质序列）视为观测序列，而其背后的生物学状态（如编码区、非编码区、结构域）视为隐藏状态DNA基于的工具如广泛应用于蛋白质家族分析通过已知同源序列构建概率模型，可以搜索数据库找到远缘同源序列，灵敏度远高HMM HMMER于传统的同样，和等基因预测软件也使用识别基因的编码区和调控区域BLAST GeneMarkGlimmer HMM基因预测常用方法从头预测（）基于同源性的方法整合方法ab initio仅基于序列特征进行预测，不依赖已知利用序列之间的进化保守性进行预测结合多种证据的预测方法，通常融合从基因的信息这类方法主要识别序列中通过将未知序列与已注释基因组进行比头预测、同源比对、转录组数据等多种的模式特征，如启动子、终止子、剪接对，寻找同源序列，从而推断基因位置信息源这类方法能综合各种证据，生位点、翻译起始位点等信号通常使用和结构这种方法在高度保守区域效果成更准确的基因模型，是当前基因注释隐马尔可夫模型、神经网络等统计学习好，但对快速进化的基因预测能力有限的主流方法方法训练模型代表工具有、和MAKER BRAKER代表性软件包括（适用于脊代表软件有、和等这些整合平台能自动化执GENSCAN BLASTGeneWise EUGENE椎动物）、（支持多种物种，等可将核苷酸序行多种预测算法，整合结果并解决冲突，AUGUSTUS ExonerateBLASTX可定制训练）和（适合原核列翻译后与蛋白质数据库比对，有助于生成最终的基因注释在新基因组项目GeneMark生物和部分真核生物）这类方法优势发现具有蛋白质编码潜能的区域随着中，这类方法已成为标准流程是适用范围广，但准确率较依赖训练数比较基因组学的发展，多物种比对也成据质量为有力的预测手段蛋白结构预测算法人工智能方法利用深度学习预测蛋白质结构，如和AlphaFold RoseTTAFold物理化学方法基于分子力场和能量最小化原理，如和Rosetta AMBER同源建模基于已知结构的同源蛋白模板构建，如和SWISS-MODEL MODELLER蛋白质结构预测是生物信息学中最具挑战性的问题之一，目标是从氨基酸序列预测蛋白质的三维结构同源建模是传统的主要方法，要求序列与模板有以上的一致性，适用于有同源蛋白的情况30%当没有合适的同源模板时，从头（）预测方法变得重要，它基于物理化学原理和统计规律预测结构近年来，深度学习方法取得突破性进展，ab initio（年推出）能达到接近实验结构的精度，在评测中表现卓越，缩小了序列结构鸿沟AlphaFold22020CASP14-生物大数据处理与分析分布式计算云计算平台加速GPU框架可处、等利用图形处理器并行计算Hadoop/Spark AWSGoogle Cloud理级生物数据，将计算提供生物信息学专用环境，能力，加速序列比对和分PB任务分布在多台服务器上按需付费降低基础设施成子动力学模拟加速GPU并行执行例如，本平台在云环境版较版快数十Galaxy BLASTCPU可在集群上中支持可重复的工作流，倍，而基于的分子动CloudBLAST GPU并行运行成千上万的序列使研究人员无需编程即可力学模拟软件可AMBER比对任务，将处理时间从进行复杂分析使模拟速度提升25-100天级缩短到小时级倍工作流管理、Nextflow Snakemake等工作流管理系统自动化分析流程，提高可重复性这些工具支持断点续传、容器化环境，确保复杂分析流程的可靠执行和结果可重复序列数据库检索流程在生物信息学研究中，有效检索序列数据库是至关重要的技能主要数据库包括（、）、、和NCBI GenBankRefSeq EnsemblUniProt等基本检索流程包括确定检索目标（基因名、蛋白质名、功能描述等）；选择合适的数据库（核酸、蛋白质、基因组等不同类PDB型）；构建查询语句（使用布尔运算符、、组合关键词）；过滤结果（按物种、序列长度、发表日期等）AND ORNOT高级检索技巧包括使用通配符（代表多个字符，代表单个字符）；引号精确匹配短语；字段限定（在特定字段中检索，如限*[ORGN]定物种）；批量检索（上传列表）；程序化访问（使用、等工具进行自动化检索）检索后，可将结果保存ID BioPythonEntrez Direct为、等格式供后续分析FASTA GenBank序列分析案例DNA序列获取与质控从下载目标基因序列，或通过测序获取使用检查NCBI PCRFastQC序列质量，用去除低质量区域和接头Trimmomatic序列比对与同源性分析使用在数据库中搜索相似序列，评估进化保守性采用BLAST进行多序列比对，识别保守区域和变异位点MUSCLE功能元件预测使用预测开放阅读框，预测基因，发ORFfinder AUGUSTUSMEME现基序结合注释理解基因功能GO分子进化分析利用构建系统发育树，评估进化关系计算比值检测选MEGA dN/dS择压力，确定序列功能重要性分析流程RNA-Seq差异表达分析序列比对与定量使用、或对不同条件数据预处理DESeq2edgeR limma将清洗后的比对到参考基因组或转录组，间的基因表达进行统计分析，识别差异表达reads使用FastQC评估原始数据质量，常用工具包括HISAT

2、STAR等比对后，基因DEGs结合GO、KEGG等功能富集去除低质量序列和接头对使用或进行基分析，揭示生物学意义Trimmomatic featureCountsHTSeq-count于数据，还需处理污染，保因表达量计数，或用、进行RNA-Seq rRNASalmon Kallisto证数据质量经过质控的高质量数据是可靠无比对定量分析的基础蛋白质序列分析分析任务常用工具应用场景蛋白质基本特性预测计算分子量、等电点、稳ProtParam,EMBOSS定性二级结构预测识别螺旋、折叠等结构PSIPRED,JPredαβ元件结构域识别发现功能单元和保守区域HMMER,InterProScan信号肽预测预测蛋白质亚细胞定位SignalP,TargetP跨膜区预测膜蛋白结构与功能研究TMHMM,Phobius磷酸化位点预测翻译后修饰研究NetPhos,GPS蛋白质序列分析是理解蛋白质功能的重要手段通过序列比对和模式识别，可以预测蛋白质的结构、功能区域和进化关系特定序列模式（）和结构域（）通常与特定功Motif Domain能相关联，可以帮助推断未知蛋白质的功能突变和多态性检测测序与数据生成序列比对使用二代或三代测序技术对个体基因组使用、等工具将测序BWA Bowtie21测序，通常需要覆盖度确保准比对到参考基因组，生成20-30x reads确检测突变文件SAM/BAM变异过滤与注释变异检测基于质量值、覆盖度等参数过滤原始变使用、、等GATK FreeBayesSamtools异，使用、等工具进行工具识别、和结构变异，输ANNOVAR VEPSNP InDel功能注释出格式结果VCF基因功能注释案例注释方法数据库应用GO KOG/COG基因本体论（，）（真核生物直系同源组）和Gene OntologyGO KOGCOG是描述基因产物功能的标准化词汇体系（原核生物直系同源组）数据库是基于分为三个领域分子功能（，基进化关系的功能分类系统它们将基因GO MF因产物的分子活性）、生物过程（，分为信息存储与加工、细胞过程与信号BP基因产物参与的生物学过程）和细胞组传导、代谢等大类，每类下设若干功能分（，基因产物定位的细胞位置）子类CC功能注释后，通常需要进行统计分析和注释通常通过将查询KOG/COG BLAST可视化图中展示了某基因组在三个常用的注释工具包括、序列比对到数据库，然后根据最佳匹配GOGO Blast2GO领域的注释分布情况，横坐标为不同的和，它们通过序结果推断功能这种基于直系同源性的InterProScan Argot2条目，纵坐标为对应的基因数量通列相似性搜索、结构域预测等方法推断注释方法能有效利用进化信息，适合新GO过这种分析，可以了解基因组的整体功未知基因的注释在实际应用中，通测序物种的基因组功能初步注释，为后GO能偏好，发现特有的功能富集现象常结合多种工具的结果，提高注释的准续精细注释奠定基础确性和覆盖率基因组组装与注释数据清洗与质控使用评估质量，去除低质量序列和接头，对长读长数FastQC Trimmomatic据可使用进行优化Filtlong序列组装短读长组装通常使用或；长读长组装可用或SPAdes SOAPdenovo2Canu；混合组装策略通常结合短读长和长读长数据，如使用Flye MaSuRCA组装优化使用或进行组装校正，评估基因组完整性，可通过Pilon RaconBUSCO Hi-C等技术提升组装至染色体水平基因组注释使用标记重复序列，等工具预测基因，最后通过RepeatMasker AUGUSTUS整合工具如进行全面注释MAKER系统发育树构建实践距离法最大似然法假设进化速率恒定，构建方法简单但假设条件严格邻接法计算基于特定进化模型计算观察到的序列数据出现概率，寻找使此概率最大的树UPGMA NJ量小，不要求时钟假设，通过最小化树长来推断系统发育关系，适合大数据集工具如和，允许复杂的替代模型，能更准确反映分子进化过RAxML IQ-TREE的快速分析主要缺点是过分简化进化模型，可能丢失序列具体位点信息程缺点是计算密集，大数据集分析耗时长贝叶斯法实践建议通过马尔可夫链蒙特卡洛方法估计树拓扑和参数的后验概率多重策略是推荐做法先用距离法快速获得初步结果，再用或贝叶斯法精确MCMC ML和是主要工具，能整合先验知识，提供参数不确定性估计适分析自展检验或后验概率用于评估树的可靠性注意模型选择对MrBayes BEASTBootstrap合复杂问题，如分化时间估计，但同样计算量大，参数设置复杂结果的影响，可使用等工具选择最佳模型ModelTest结构生物信息学概述蛋白质结构数据来源结构表示与格式蛋白质结构主要通过射线晶体学、格式是最常用的蛋白质结构X PDB核磁共振和冷冻电镜文件格式，记录原子的三维坐标NMR等实验方法获取蛋和连接信息格式是更新Cryo-EM mmCIF白质数据库是最主要的结的标准，支持更复杂的结构信息PDB构数据仓库，目前收录超过万结构可通过卡通图、球棍模型、18个结构数据库提供表面模型等方式可视化，、AlphaFold PyMOL了计算预测的人类蛋白质组和模等是常用的可视化工具Chimera式生物的结构模型，极大扩展了可用结构信息结构比对与分类结构比对工具如、可识别三维结构相似性，即使序列相似性低DALI TM-align也能发现结构同源关系和是主要的蛋白质结构分类数据库，基SCOP CATH于结构和进化关系对蛋白质进行分层分类结构比对可帮助发现功能相似性和进化关系结构预测软件原理蛋白质结构预测软件主要基于两类原理物理势能方法和机器学习方法物理势能方法基于分子力场，计算蛋白质各种构象的能量，寻找全局能量最低的构象常用力场包括、和等，它们通过数学公式描述原子间相互作用，包括键合相互作用（键长、键CHARMM AMBERGROMOS角、二面角）和非键合相互作用（静电力、范德华力）软件采用算法搜索构象空间，是这类方法的代表Rosetta MonteCarlo近年来，基于机器学习特别是深度学习的结构预测方法取得突破性进展整合了序列比对信息和深度残差网络，能精确预测蛋白质AlphaFold2内部残基间距离和三维结构它的核心创新包括注意力机制处理序列相关性、迭代细化提高准确度、端到端训练优化整体性能这些方法AI极大提高了无模板情况下的结构预测准确性，在比赛中达到接近实验精度的水平CASP14分子对接与药物设计结合位点识别分子对接算法药物筛选流程结合位点识别是分子对接的第一步，主要分子对接算法主要分为刚性对接和柔性对基于结构的药物设计通常包括虚拟筛选、基于几何特征和物理化学特性几何方法接刚性对接如几何匹配法速度快但准确先导化合物优化和预测虚拟筛ADMET如、等通过搜索蛋白质表性有限；柔性对接如遗传算法、模拟退火选从化合物库中筛选可能的活性分子；分SURFNET PASS面的凹槽和口袋；能量方法如计等考虑分子构象变化，更准确但计算量大子动力学模拟评估结合稳定性；量化计算SiteMap算探针分子与蛋白质间的相互作用能；机、、等是常用对接优化先导化合物；预测评估药物AutoDock GOLDGlide ADMET器学习方法如结合多种特征预测软件，输出结合自由能和推荐构象性质这种计算方法大大加速了药物发现DeepSite结合位点过程蛋白质蛋白质相互作用分析-蛋白质网络与系统生物学网络结构分析蛋白质相互作用网络通常呈现无标度特性，少数蛋白质（称为枢纽蛋白）有大量连接，多数蛋白质连接较少这种拓扑结构使网络对随机攻击具有鲁棒性，但对靶向枢纽蛋白的攻击敏感社区检测算法如、能识别网络中的功能模块，代表可能的蛋白质复合物或信号通路MCODE MCL系统整合系统生物学旨在整合多层次数据，构建细胞功能的全局视图通过整合基因组、转录组、蛋白质组和代谢组数据，可以建立从基因型到表型的因果关系链贝叶斯网络、微分方程组等数学模型能描述生物系统的动态行为，预测扰动效应这种整体方法对理解复杂疾病和设计有效治疗策略尤为重要疾病网络疾病相关蛋白质网络分析可揭示疾病的分子机制通过比较健康和疾病状态下的网络差异，识别关键调控节点和失调通路网络药理学利用这些信息设计多靶点药物，提高治疗效果如癌症研究中，通过分析肿瘤特异性网络，发现驱动突变和潜在治疗靶点，为精准医疗提供理论基础单细胞组学数据分析单细胞测序原理利用微流控技术或流式细胞分选将单个细胞分离，随后进行细胞裂解、核酸扩增和文库构建、等平台能并行分析数千10x GenomicsDrop-seq至数万个细胞数据预处理质控筛选低质量细胞，标准化消除技术差异，特征选择筛选高变基因常用工具包括、等Seurat Scanpy降维与聚类、、等方法降维可视化，图聚类或等算法识PCA t-SNE UMAPK-means别细胞亚群不同方法有各自优势和适用场景轨迹分析、等工具构建细胞分化或发育轨迹，推断细胞状态转换Monocle Slingshot路径和调控因子时间序列分析揭示动态变化过程多组学整合分析方法分层分析先独立分析各组学数据，再整合结果，保留每层数据特征网络整合构建多层次网络，分析层间交互，识别关键调控节点矩阵融合将多组学数据转换为统一矩阵，联合分析捕获协同变化多组学整合已成为系统生物学研究的重要方向典型的整合方法包括早期整合（将原始数据直接合并分析）、中期整合（各组学数据先转换为中间表示再整合）和晚期整合（各组学独立分析后整合结果）现代整合工具如、、等能有效处理异质性数据，识别组学间的协同变化模式MOFA+NMF WGCNA在癌症研究中，多组学整合已成为标准做法，项目通过整合基因组、转录组、蛋白质组等数据，深入揭示了癌症分子亚型和驱动事件类似地，人TCGA类微生物组项目通过整合宏基因组、宏转录组和代谢组数据，解析了肠道微生物与宿主健康的复杂关系多组学整合面临的主要挑战包括数据标准化、批次效应消除和高维数据可视化等人类基因组计划及其影响年13项目周期从年启动到年完成，历时年的国际合作项目1990200313亿30碱基对测定了人类基因组约亿个碱基对的序列30亿27美元投入总投资约亿美元，带动了基因测序技术革命2720000人类基因数发现人类基因数约万，远少于最初预期的万210人类基因组计划是生物学史上最大规模的国际合作项目之一，彻底改变了生命科学研究方式项目完成后创建了多个重要数据库和资源，如基HGP UCSC因组浏览器、和项目等，为研究人员提供了丰富的基因组数据和分析工具Ensembl ENCODEHGP的科学影响极其深远，它催生了功能基因组学、比较基因组学和个人基因组学等新领域；推动了高通量测序技术的飞速发展，测序成本从最初的每个�因组亿美元降至现在的不到美元；为精准医疗奠定了基础，促进了遗传疾病诊断、药物靶点发现和个体化治疗方案的发展101000肿瘤生物信息学肿瘤基因组学免疫治疗靶点筛选肿瘤基因组测序旨在识别癌症相关的遗传变异，肿瘤免疫治疗是近年来癌症治疗的重大突破，生包括驱动突变、拷贝数变异和结构变异等常规物信息学在靶点筛选中发挥关键作用通过分析分析流程包括变异检测（使用、肿瘤新抗原（基于突变预测的肿瘤特异性肽段），MuTect2等工具）、注释（、）可设计个性化肿瘤疫苗软件如、Varscan ANNOVARVEP pVAC-Seq和驱动基因预测（、）能预测突变肽与分子的结合能力MutSigCV dNdScvNetMHC MHC大型项目如、已完成上万例肿瘤样本此外，通过分析肿瘤微环境中免疫细胞组成TCGA ICGC的基因组测序，建立了癌症分子分类系统和突变（、）和免疫检查点表达，可CIBERSORT xCell图谱数据库这些数据为理解癌症分子机制和开预测免疫治疗响应肿瘤突变负荷和微卫TMB发靶向治疗提供了基础星不稳定性也是重要的免疫治疗生物标志MSI物，可通过生物信息学方法准确计算图中展示了典型的肿瘤基因组学分析流程，从样本收集、测序到数据分析和临床应用先进的可视化工具如可展示多基因多样本的突OncoPrint变全景，帮助研究人员识别突变模式和共现关系这种整合分析方法已成功应用于靶向药物的开发和患者分层，推动精准肿瘤学的发展人工智能生物信息学的应用前景+药物研发加速从靶点发现到临床前评估的全过程AI基因组解析2深度学习提高变异检测和功能注释准确性结构预测3等工具从根本上改变结构生物学研究AlphaFold人工智能尤其是深度学习正在彻底改变生物信息学研究方式在蛋白质结构预测领域，实现了历史性突破，将无模板情况下的预测准确AlphaFold2率提高到接近实验精度的水平，为数百万蛋白质提供了可靠结构模型类似地，和等工具也展现了在结构预测中的强大能RoseTTAFold ESMFoldAI力在药物发现领域，模型如、能预测小分子与蛋白质的结合亲和力，加速药物筛选生成模型如、、扩散模型可AI DeepPurposeAtomNet VAEGAN设计具有特定性质的新分子，实现从头药物设计许多大型资源如、提供训练数据，而开源工具如、、ChEMBL PubChemTensorFlow PyTorch简化了模型开发未来，随着多模态模型和自监督学习的发展，在生物信息学中的应用将更加广泛和深入DeepChem AIAI国内外前沿研究案例近年来，生物信息学领域涌现出大量前沿研究成果国际上，的和的彻底改变了蛋白质结构预测DeepMind AlphaFold2Meta ESMFold领域；项目正在构建人体所有细胞类型的详细图谱；和项目全面解析人类基因组Human CellAtlas ENCODERoadmap Epigenomics的功能元件；分析已鉴定上万个与疾病相关的基因变异GWAS国内研究也取得了显著进展中国科技大学在蛋白质结构域识别、二级结构预测和多组学数据整合等方向有突出成果；中科院计算所RNA开发的多个基因组分析工具被国际广泛采用；参与完成多个重要物种的基因组测序和注释；北京大学在肿瘤基因组和表观基因组学研BGI究中处于国际前沿这些研究不仅提升了国内生物信息学的整体实力，也为解决重大生物医学问题提供了新思路本课程复习与思考题基础概念题解释生物信息学的定义及其与计算生物学的区别；比较全局比对与局部比对的适用场景；描述在生物序列分析中的应用原理；解释基因组组装的图方法；比HMM deBruijn较不同的系统发育树构建方法这些题目旨在测试对核心概念的理解应用实践题使用在中搜索特定序列的同源基因；设计数据分析流程；利用多序列比对构建系统发育树并分析特定基因家族的进化；通过结构比对分析两个蛋BLAST GenBankRNA-Seq白质的功能关系；设计整合多组学数据分析某种复杂疾病的方案这类题目测试实际应用能力开放性思考题讨论人工智能如何改变未来生物信息学研究；分析大数据时代生物信息学面临的挑战与机遇；探讨生物信息学在精准医疗中的潜在贡献；评估开源与商业软件在生物信息学研究中的角色；思考如何平衡生物信息学分析的速度和准确性这些问题鼓励创新思考展望未来生物信息学的机遇与挑战数据整合智能化分析多组学数据的无缝整合将成为核心挑战，需要开技术将持续深化应用，从数据解读到假设生成，AI发适应异质数据特性的新算法和标准化方法实现生物发现的半自动化或全自动化人才培养精准医学培养兼具生物学背景和计算技能的复合型人才，个体化基因组分析与临床决策支持系统的结合，将是应对学科发展的关键将推动疾病预防、诊断和治疗的精准化生物信息学正经历从描述性分析向预测性应用的转变随着单细胞技术、空间组学和实时测序的发展，生物数据将越来越精细和复杂这需要更先进的算法和计算平台来处理甚至级别的数据量子计算、边缘计算等新兴技术有望解决传统计算瓶颈TB PB在应用领域，生物信息学将深入影响合成生物学、再生医学和生物治疗等新兴领域基因编辑技术如结合计算预测，可实现更精准的基因组工程；数CRISPR字健康与可穿戴设备产生的生理数据，结合基因组信息可实现全方位健康监测同时，生物信息学也面临数据隐私、伦理规范和可持续发展等挑战，需要科学界、产业界和政府的共同努力。