生物信息学复习小结(中科大)

第二章：序列的采集和存储

2. 序列数据的存储

核酸序列数据库

国际三大核酸序列数据库：

GenBank, EBML, DDBJ

dbEST: Expressed Sequences Tags数据库

UniGene等

RefSeq: The Reference Sequence Database

蛋白质序列数据库

UniProt

Swiss-prot&TrEMBL, PIR

基因组数据库: Ensembl

第三章序列比对I

序列间比对的对应关系：匹配、替代、缺失、插入

双序列比对算法：

Dot matrix（点阵法）

动态规划算法

Needleman-Wunsch算法

Sij = max of Si-1,j-1 + σ(xi , yj )

Si-1,j -d ( 从左到右)

Si,j-1 -d ( 从上到下)

Smith-Waterman 算法

Sij = max of 0

Si-1,j-1 + σ(xi , yj )

Si-1,j -d ( 从左到右)

Si,j-1 -d ( 从上到下)

FASTA和BLAST算法

PSI-BLAST（位点特异性迭代BLAST）：

1. 使用普通的blast算法进行搜索；

2. 将搜索得到的序列，包括输入的序列放在一起，构建位点特异性的矩阵(Position Specific Matrix);

3. 利用上面得到的矩阵谱(profile) ，再次在数据库中进行搜索；

4. 重复2 ，3 步，直到不再有新的序列出现；

PHI-BLAST : 模式发现迭代BLAST

第三章序列比对Ⅱ

打分矩阵及其含义

1，计分方法

2，PAM系列矩阵

3，BLOSUM 系列矩阵

多序列比对：方法改进

1.渐进方法：代表：ClustalW/X, T-Coffee

（1）ClustalW/X：计算过程

1. 将所有序列两两比对，计算距离矩阵；

2. 构建邻接进化树(neighbor-joining tree)/指导树(guide tree) ；

3. 将距离最近的两条序列用动态规划的算法进行比对；

4. “渐进”的加上其他的序列。

(2) T- Coffee

采用Clustal程序计算两两序列之间的全局最优比对结果；

采用LALIGN 程序计算两两序列之间的局部最优比对的结果；

设计加权系统，综合考虑以上两类结果的因素，构建指导库；

最后，采用渐进式比对算法，得到最终的结果。

2. 迭代方法：代表: PRRP, DIALIGN

3. 部分有向图算法：(POA)

4. 全局多序列比对的隐马尔科夫模型profile HMM

5. 整合算法：MUSCLE

性能比较

ProbCons：目前综合性能最好；

T-Coffee：序列相似性高时最准确；

DIALIGN: 序列相似性低时最准确；

POA：性能接近T-Coffee和DIALIGN，速度最快；

ClustalW/X: 最经典、被广泛接受的工具；

MUSCLE: 目前最流行的多序列比对工具；

第四章分子进化与系统发育分析

Ortholog ( 直系同源物)：两个基因通过物种形成的事件而产生，或源于不同物种的最近的共同祖先的两个基因，或者两个物种中的同一基因，一般具有相同的功能。

Paralog (旁系同源物)：两个基因在同一物种中，通过至少一次基因复制事件产生。常常具有不同功能。

相似性(Similarity)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比例；

同源性(Homology)两个基因或蛋白质序列具有共同祖先的结论；

RSCU 相对同义密码子使用度CAI ：密码子适应指数（该值越小表示偏性越强）

P –distance：两条蛋白质序列之间的氨基酸差异数为nd,序列的氨基酸数目均为n，则P 距

离：

泊松距离：d=-ln(1-p)

分子系统发育分析：

建树方法：

A. 最大简约法

B. 距离法

C. 最大似然性法

D. 贝叶斯（Bayesian）推断

系统发育树：三种类型分支图进化树时间度量树

系统发育树重建的基本方法：

1. 最大简约法(maximum parsimony, MP) 适用序列有很高相似性时

2. 距离法(distance) 适用序列有较高相似性时

3. 最大似然法(maximum likelihood, ML) 可用于任何相关序列集合

系统发育分析软件：PHYLIPMEGAPAUP

第五章：生物序列的数据库信息检索

序列家族分类及功能数据库：

蛋白质序列分类数据库-Pfam

蛋白质序列功能位点数据库PROSITE

Gene Ontology （GO）

相互作用的蛋白质数据库DIP

转录调控区数据库TRRD

33 ，检索系统

NCBI：Entrez

EBI ：SRS

ExPASy

E - Value

Expect value：在一个特定大小的数据库中碰巧搜索到打分值约为Score 的不同序列

的个数。 E 值随Score 增加，呈指数减少

第六章：序列模式识别

常用的检验指标：. 敏感性特异性选择性

PSSM2种

Gibbs Sampler算法：

1. 从每条序列上随机的抽取一段序列，序列长度固定

2. 构建PSSM/权重矩阵

3. 随机挑选一条序列

4. 用构建好的PSSM 对该序列上所有可能的motif进行打分( 窗口滑动，每次1个氨基酸或者碱基

5. 根据似然性的计算，得到似然值最大的模体，即新的motif

6. .更新PSSM 矩阵

7. 反复迭代计算，直到似然性结果与PSSM不再发生变化

贝叶斯公式：

马尔可夫及隐马尔可夫模型

利用TMpred分析蛋白质的跨膜区

生物统计与概率分析基础

泊松分布与二项分布的近似：

超几何分布

右尾（至少有）

第七章基因组分析

基因预测：a. 序列相似性比较：与数据库中已知的序列（如EST ，cDNA，蛋白质序列）一致或相似 预测新基因

b. 从头开始( ab initio ) 的预测：依据基因的组成特征和信号特征预测基因结构。

基因预测常见方法：

序列相似性比较方法

CpG岛识别法

长ORF识别法

密码子偏好预测法

隐马尔可夫模型方法

基因预测常用软件：GenScan，GenomeScan，FGENESH，AAT，GRAIL

比较基因组学：基于基因组图谱和测序技术基础上,对已知的基因和基因组结构进行比较以了解基因的功能、表达机制和物种进化的学科。

多态性：

（1）单核苷酸的多态性

（2）短的串联重复序列

（3）基因拷贝数多态性

+ 限制性片段长度多态性

功能预测

(1) 一级序列的比较：相似的序列具有相似的功能

(2) 保守的功能结构域：保守的功能

(3) 三级结构的比较：相似的结构具有相似的功能

第八章：RNA生物信息学

1. RNA结构与功能关系

2. miRNA及其靶基因预测

miRNA靶基因预测方法

miRNA靶基因预测遵循的基本原则

miRanda

TargetScan

机器学习方法

miRNA数据资源TarBase数据库miRBase（microRNA靶基因数据库）miRGen数据库microRNA 靶基因数据库-miRNAMap

3. RNA二级结构预测

RNA二级结构的预测方法

序列比对分析

从头预测分析

从打分函数的不同上划分：

1. 最大碱基配对数算法

2. 最小自由能算法

…（不能预测假结）

从求解方法上划分：

1. 点阵法

2. 动态规划法

第九章：蛋白质结构分析及预测

维系蛋白质结构的作用力（略）

蛋白质二级结构预测：

Chou-Fasman: Empirical

1. 规则一：对于给定一个>6aa的片段，Pα均值> 1.03 ，并且Pα的均值> Pβ的均值，则判定为α-Helix

2. 规则二：对于给定一个>6aa的片段，Pβ的均值> 1.05 ，并且Pβ的均值> P

α的均值，则判定为β-sheet

Bit pattern method

GOR:基于信息论和贝叶斯统计学

蛋白质二级结构数据库：DSSP，HSSP

蛋白质结构的数据库：wwPDB (PDB, PDBe(MSD), PDBj, BMRB); MMDB,

PDB概要数据库：PDBsum；

蛋白质结构分类数据库：SCOP, CATH,DALI/FSSP

蛋白质结构比对：

Distance- matrix- based Methods ：DALI，CE ，FATCAT

蛋白质结构信息检索及可视化

①知某蛋白质序列在结构数据库中检索序列相似的蛋白。

②已知某蛋白质3D结构在数据库中检索结构相似的蛋白

蛋白质结构可视化软件：PyMOL

蛋白质三级结构的预测途径：同源建模，从头预测，折叠识别