生物信息学基本知识
1. DNA: 遗传物质(遗传信息的载体)à双螺旋结构,A, C, G, T四种基本字符的复杂文本
2. 基因（Gene）：具有遗传效应的DNA分子片段
3. 基因组(Genome)：包含细胞或生物体全套的遗传信息的全部遗传物质。人类包括细胞核基因组和线粒体基因组
OR 一个物种中所有基因的整体组成
4. 人类基因组：3.2×109 bp
5.HGP的最初目标通过国际合作，用15年时间(1990～2005)至少投入30亿美元，构建详细的人类基因组遗传图和物理图，确定人类DNA的全部核苷酸序列，定位约10万基因，并对其它生物进行类似研究。
6.HGP的终极目标
阐明人类基因组全部DNA序列；
识别基因；
建立储存这些信息的数据库；
开发数据分析工具；
研究HGP实施所带来的伦理、法律和社会问题。
7.遗传图谱（genetic map）又称连锁图谱(linkage map)，它是以具有遗传多态性（在一个遗传位点上具有一个以上的等位基因，在群体中的出现频率皆高于1%）的遗传标记为“路标”，以遗传学距离（在减数分裂事件中两个位点之间进行交换、重组的百分率，1%的重组率称为1cM）为图距的基因组图。
遗传图谱的建立为基因识别和完成基因定位创造了条件。
8. 遗传连锁图：通过计算连锁的遗传标志之间的重组频率，确定它们的相对距离，一般用厘摩（cM，即每次减数分裂的重组频率为1%）表示。
9. 物理图谱（physical map）是指有关构成基因组的全部基因的排列和间距的信息，它是通过对构成基因组的DNA分子进行测定而绘制的。绘制物理图谱的目的是把有关基因的遗传信息及其在每条染色体上的相对位置线性而系统地排列出来。
10. 转录图谱是在识别基因组所包含的蛋白质编码序列的基础上绘制的结合有关基因序列、位置及表达模式等信息的图谱。
11. 序列图谱:随着遗传图谱和物理图谱的完成，测序就成为重中之重的工作。
DNA序列分析技术是一个包括制备DNA片段化及碱基分析、DNA信息翻译的多阶段的过程。通过测序得到基因组的序列图谱
12. 大规模测序基本策略
逐个克隆法：对连续克隆系中排定的BAC克隆逐个进行亚克隆测序并进行组装（公共领域测序计划）
全基因组鸟枪法：在一定作图信息基础上，绕过大片段连续克隆系的构建而直接将基因组分解成小片段随机测序，利用超级计算机进行组装（美国Celera公司）
13. 基因识别（gene identification）是HGP的重要内容之一，其目的是识别全部人类的基因。
基因识别包括：
识别基因组编码区
识别基因结构
基因识别目前常采用的有二种方法：
从基因组序列中识别那些转录表达的DNA片段
从cDNA文库中挑取并克隆。
14. 基因组多态性（Polymorphism）:是指在一个生物群体中，同时和经常存在两种或多种不连续的变异型或基因型（genotype）或等位基因（allele），亦称遗传多态性（genetic
polymorphism）或基因多态性。
15. 功能基因组学:HGP完成后，我们将进入“后基因组学”(post-genomics)时代, 基因组学研究重心已开始从揭示生命的所有遗传信息转移到在分子整体水平对功能的研究上,即功能基因组学（functional genomics）
功能基因组的任务是
?进行基因组功能注释（Genome annotation）
?认识基因与疾病的关系
?掌握基因的产物及其在生命活动中的作用
16. 生物信息学：组织处理生物数据，并从数据中提取生物学新知识的学问。
(生物学+计算机+信息科学)
17. 生物信息学的基本概念:
广义：是指生命科学与数学、计算机学和信息科学等交汇融合所形成的一门交叉科学。该学科综合运用数学、计算机科学和生物学的各种工具对生物信息进行获取、处理、存储、分类、分析和解释，以期阐明和理解大量数据所包含的生物学意义（掌握复杂生命现象的形成模式与演化规律）
狭义：应用信息技术储存和分析基因组测序所产生的分子序列及其相关数据，也称为分子生物信息学。（molecular bioinformatics), 核心课题是从大量的序列信息中获取基因结构、功能和进化等知识。
18. 数据库（Database）：统一管理的相关数据的集合
数据库管理系统（database management system, DBMS): 对DB进行管理的系统软件，提供DB的建立、查询、更新以及各种数据控制功能
数据库技术：研究数据库的结构、存储、设计、管理和应用的一门软件学科
数据库系统（database system, DBS): 采用数据库技术的计算机系统
数据模型(data model): 数据库结构和语义的一种抽象。由数据库结构、数据操作系统和完整性约束三部分组成
19. 序列数据库
是生物信息数据库中最基本的数据库，包括核酸序列数据库和蛋白质序列数据库两类。
序列数据库以核苷酸碱基顺序或氨基酸残基顺序为基本内容，其序列数据来自核酸和蛋白质序列测定，并附有注释信息。
注释信息包括两部分，一部分由计算机程序经过序列分析而生成，另一部分则依靠生物学家通过查阅文献资料而获得。
20. GenBank : NIH管理一个遗传序列数据库( genetic sequence database)，序列来源公开发表所有DNA序列. 也是国际DNA序列收集中心与DDBJ、EMBL进行每天的数据交换。
收集全世界已发表的和自行投送的核苷酸序列以及相关文献资料。为大规模的核苷酸序列数据库建立档案，以利长期保存，为国际分子生物学及相关研究提供良好的技术与知识平台
21. 启动子: 真核生物中，启动子是指所有对基因转录起始有重要作用的序列
真核生物的三种RNA聚合酶分别识别不同的启动子序列
22. Kozak序列：该序列是在起始密码子之前与核糖体作用的位点。在高等原核生物中其一致序列为GCCACC（ATG），而在酵母中为AAAAA（ATG）。它们可以用来检测CDS的起始。23. CpG岛也称HTF岛:是一些富含GC的小区域。CpG岛定义为Y值大于0.6并且GC含量大于50%的序列区域。通常CpG岛出现在管家基因或者频繁表达的基因的启动子周围，在这些部位，CpG岛具有抵抗序列甲基化作用。
CpG岛经常出现在脊椎动物基因的5’区域，其中，50%的人类基因的转录起始位点前存
高通量测序生物信息学分析(内部极品资料,初学者必看)
基因组测序基础知识 ㈠De Novo测序也叫从头测序，是首次对一个物种的基因组进行测序，用生物信息学的分析方法对测序所得序列进行组装，从而获得该物种的基因组序列图谱。 目前国际上通用的基因组De Novo测序方法有三种： 1. 用Illumina Solexa GA IIx 测序仪直接测序； 2. 用Roche GS FLX Titanium直接完成全基因组测序； 3. 用ABI 3730 或Roche GS FLX Titanium测序，搭建骨架，再用Illumina Solexa GA IIx 进行深度测序，完成基因组拼接。 采用De Novo测序有助于研究者了解未知物种的个体全基因组序列、鉴定新基因组中全部的结构和功能元件，并且将这些信息在基因组水平上进行集成和展示、可以预测新的功能基因及进行比较基因组学研究，为后续的相关研究奠定基础。 实验流程： 公司服务内容 1.基本服务：DNA样品检测；测序文库构建；高通量测序；数据基本分析（Base calling，去接头， 去污染）；序列组装达到精细图标准 2.定制服务：基因组注释及功能注释；比较基因组及分子进化分析，数据库搭建；基因组信息展 示平台搭建 1.基因组De Novo测序对DNA样品有什么要求？
(1) 对于细菌真菌，样品来源一定要单一菌落无污染，否则会严重影响测序结果的质量。基因组完整无降解(23 kb以上)， OD值在1.8～2.0 之间；样品浓度大于30 ng/μl；每次样品制备需要10 μg样品，如果需要多次制备样品，则需要样品总量=制备样品次数*10 μg。 (2) 对于植物，样品来源要求是黑暗无菌条件下培养的黄化苗或组培样品，最好为纯合或单倍体。基因组完整无降解(23 kb以上)，OD值在1.8～2.0 之间；样品浓度大于30 ng/μl；样品总量不小于500 μg，详细要求参见项目合同附件。 (3) 对于动物，样品来源应选用肌肉，血等脂肪含量少的部位，同一个体取样，最好为纯合。基因组完整无降解(23 kb以上)，OD值在1.8～2.0 之间；样品浓度大于30 ng/μl；样品总量不小于500 μg，详细要求参见项目合同附件。 (4) 基因组De Novo组装完毕后需要构建BAC或Fosmid文库进行测序验证，用于BAC 或Fosmid文库构建的样品需要保证跟De Novo测序样本同一来源。 2. De Novo有几种测序方式 目前3种测序技术 Roche 454，Solexa和ABI SOLID均有单端测序和双端测序两种方式。在基因组De Novo测序过程中，Roche 454的单端测序读长可以达到400 bp，经常用于基因组骨架的组装，而Solexa和ABI SOLID双端测序可以用于组装scaffolds和填补gap。下面以solexa 为例，对单端测序(Single-read)和双端测序(Paired-end和Mate-pair)进行介绍。Single-read、Paired-end和Mate-pair主要区别在测序文库的构建方法上。 单端测序(Single-read)首先将DNA样本进行片段化处理形成200-500bp的片段，引物序列连接到DNA片段的一端，然后末端加上接头，将片段固定在flow cell上生成DNA簇，上机测序单端读取序列(图1)。 Paired-end方法是指在构建待测DNA文库时在两端的接头上都加上测序引物结合位点，在第一轮测序完成后，去除第一轮测序的模板链，用对读测序模块(Paired-End Module)引导互补链在原位置再生和扩增，以达到第二轮测序所用的模板量，进行第二轮互补链的合成测序(图2)。 图1 Single-read文库构建方法图2 Paired-end文库构建方法
2019年北京林业大学计算生物学与生物信息学(0710Z2)研究方向、考试科目、参考书目、考研经验、复习指导
2019年北京林业大学生科院计算生物学与生物信息学（0710Z2）研究方向、考试科目、参考书目、考研经验、复习指导 一．研究方向 01系统生物学 二．初试考试科目 ①101思想政治理论 ②201英语一 ③714生物化学与分子生物学 ④847遗传学 三．复试笔试科目 专业综合考试（包括分子生物学，遗传学） 四．参考书目 1.初试参考书目 714生物化学与分子生物学： 【1】《生物化学》王镜岩高等教育出版社； 【2】《生物化学》沈同等高等教育出版社 【3】《分子生物学》瞿礼嘉高等教育出版社 847遗传学：
【1】《普通遗传学》杨业华高等教育出版社； 【2】《林木遗传学基础》朱之悌中国林业出版社 2.复试参考书目 分子生物学与遗传学相关的基本概念、基础理论、研究方法与技术；系统生物学相关前沿领域发展概 五、北林生物化学与分子生物学复习备考建议 1、零基础复习阶段（6月前) 本阶段根据考研科目，选择适当的参考教材，有目的地把教材过一遍，全面熟悉教材，适当扩展知识面，熟悉专业课各科的经典教材。这个期间非常痛苦，要尽量避免钻牛角尖，遇到实在不容易理解的内容，先跳过去，要把握全局。系统掌握本专业理论知识。对各门课程有个系统性的了解，弄清每本书的章节分布情况，内在逻辑结构，重点章节所在等，但不要求记住，最终基本达到北林本科水平。 2、基础复习阶段（6－8月) 本阶段要求考生熟读教材，攻克重难点，全面掌握每本教材的知识点，结合真题找出重点内容进行总结，并有相配套的专业课知识点笔记,进行深入复习，加强知识点的前后联系，建立整体框架结构，分清重难点，对重难点基本掌握。同时多练习相关参考书目课后习题、习题册，提高自己快速解答能力，熟悉历年真题，弄清考试形式、题型设置和难易程度等内容。要求吃透参考书内容，做到准确定位，事无巨细地对涉及到的各类知识点进行地毯式的复习，夯实基础，训练思维，掌握一些基本概念和基本模型。 3、强化提高阶段（9月－11月）
生物信息学考试试卷修订稿
生物信息学考试试卷 WEIHUA system office room 【WEIHUA 16H-WEIHUA WEIHUA8Q8-
一、名词解释(每小题4分,共20分) 1、生物信息学 广义：生命科学中的信息科学。生物体系和过程中信息的存贮、传递和表达；细胞、组织、器官的生理、病理、药理过程的中各种生物信息。 狭义：生物分子信息的获取、存贮、分析和利用。 2、人类基因组计划 人类基因组计划准备用15年时间，投入30亿美元，完成人类全部24条染色体的3×109脱氧核苷酸对(bp)的序列测定，主要任务包括作图(遗传图谱、物理图谱的建立及转录图谱的绘制)、测序和基因识别。其中还包括模式生物(如大肠杆菌、酵母、线虫、小鼠等)基因组的作图和测序，以及信息系统的建立。作图和测序是基本的任务，在此基础上解读和破译生物体生老病死以及和疾病相关的遗传信息。 3、蛋白质的一级结构 蛋白质的一级结构是指多肽链中氨基酸的序列 4、基因 基因--有遗传效应的DNA片断,是控制生物性状的基本遗传单位。 5、中心法则 是指遗传信息从传递给，再从RNA传递给，即完成遗传信息的转录和翻译的过程。也可以从DNA传递给DNA，即完成DNA的复制过程。这是所有有细胞结构的生物所遵循的法则。 6 、DNA序列比较 序列比较的根本任务是：（1）发现序列之间的相似性；（2）辨别序列之间的差异 目的： 相似序列相似的结构，相似的功能 判别序列之间的同源性 推测序列之间的进化关系 7、一级数据库 数据库中的数据直接来源于实验获得的原始数据，只经过简单的归类整理和注释 8、基因识别 基因识别，是生物信息学的一个重要分支，使用生物学实验或计算机等手段识别DNA序列上的具有生物学特征的片段。基因识别的对象主要是蛋白质编码基因，也包括其他具有一定生物学功能的因子，如RNA基因和调控因子。 9、系统发生学 系统发生学(phylogenetics)——研究物种之间的进化关系。 10、基因芯片 基因芯片（gene chip），又称DNA微阵列（microarray），是由大量cDNA或寡核苷酸探针密集排列所形成的探针阵列，其工作的基本原理是通过杂交检测信息。
生物信息学分析实践
水稻瘤矮病毒(RGDV)外层衣壳蛋白 P8的同源模建 高芳銮(Raindy) 同源模建(homology modeling) ，也叫比较模建(Compatative modeling)，其前提是一个或多个同源蛋白质的结构已知，当两个蛋白质的序列同源性高于35%，一般情况下认为它们的三维结构基本相同；序列同源性低于30%的蛋白质难以得到理想的结构模型。同源模建是目前最为成功且实用的蛋白质结构预测方法， SWISS-MODEL 是由SwissProt 提供的目前最著名的蛋白质三级结构预测服务器，创建于1993年，面向全世界的生物化学与分子生物学研究工作者提供免费的自动模建服务。SWISS-MODEL 服务器提供的同源模建有两种工作模式：首选模式(First Approach mode)和 项目模式(Project mode)。 本实例以RGDV P8蛋白为研究对象采用首选模式进行同源模建。 图1 SWISS-MODEL 的主界面 操作流程如下： 1.选择模式 单击左侧的“MENU ”菜单下方的“First Approach mode ”，右侧窗口自动SWISS-MODEL 工作窗口，在相应文本框中分别输入的E-mail 、项目标题、待模建的蛋白质序列，SWISS-MODEL 支持以FASTA 格式直接输入或提交UniProt 的登录号，如图2所示。 《生物信息学分析实践》样 稿
图2 SWISS-MODEL 的序列提交页面 2.参数设置 当前版本只有一个选项可设置，如果用户需要使用指定的模板，可在“Use a specific template ”后的输入框填入ExPDB 晶体图像数据库中的模板代码，其格式为“PDBCODE+ChainID ”，如“1uf2P ”。本例不使用指定模板，默认留空。完毕，点击“Submit Modeling Request ”提交模建请求，服务器返回提交成功的提示，如图3所示： 图3 成功提交 SWISS-MODEL WORKSPACEW 页面会自动刷新，直至模建完成，如图4所示，同时模建结果也会发送到指定的邮箱。 3结果解读 点击下图右上方的“Print/Save this page as ”后的图标，可以将整个结果以PDF 文档格式保存到本地计算机中。模建结果给出了五个部分的信息：模建详情(Model Details)、比对信息(Alignment)、模建评价 (Anolea/Gromos/Verify3D)、模建日志(Modelling log)、模板选择日志(Template Selection Log)。 《生物信息学分析实践》样稿
2020-2021年中国科学院大学(中科院)运筹学与控制论考研招生情况、分数线、参考书目及备考经验
一、中国科学院数学与系统科学研究院简介 中国科学院数学与系统科学研究院由中科院数学研究所、应用数学研究所、系统科学研究所及计算数学与科学工程计算研究所四个研究所整合而成，此外还拥有科学与工程计算国家重点实验室、中科院管理决策与信息系统重点实验室、中科院系统控制重点实验室、中科院数学机械化重点实验室、华罗庚数学重点实验室、随机复杂结构与数据科学重点实验室，以及中科院晨兴数学中心和中科院预测科学研究中心等。2010年11月成立国家数学与交叉科学中心，旨在从国家层面搭建一个数学与其它学科交叉合作的高水平研究平台。数学与系统科学研究院拥有完整的学科布局，研究领域涵盖了数学与系统科学的主要研究方向。共有16个硕士点和13个博士点（二级学科），分布在经济学、数学、系统科学、统计学、计算机科学与技术、管理科学与工程六个一级学科中，可以在此范围内招收和培养硕士与博士研究生。在2006年全国学科评估中，我院数学学科的整体评估得分为本学科的最高分数。数学与系统科学研究院硕士招生类别为硕士研究生、硕博连读生和专业学位硕士研究生。2019年共计划招收122名。 二、中国科学院大学运筹学与控制论专业招生情况、考试科目
三、中国科学院大学运筹学与控制论专业分数线
2018年硕士研究生招生复试分数线 2017年硕士研究生招生复试分数线 四、中国科学院大学运筹学与控制论专业考研参考书目 616数学分析 现行（公开发行）综合性大学（师范大学）数学系用数学分析教程。 801高等代数 [1] 北京大学编《高等代数》，高等教育出版社，1978年3月第1版，2003年7月第3版，2003年9月第2次印刷. [2] 复旦大学蒋尔雄等编《线性代数》，人民教育出版社，1988. [3] 张禾瑞，郝鈵新，《高等代数》，高等教育出版社， 1997. 五、中国科学院大学运筹学与控制论专业复试原则 在中国科学院数学与系统科学研究院招生工作小组领导下，按研究所成立招收硕士研究生复试小组，设组长1人、秘书1人。 复试总成绩按百分制计算，其中专业知识成绩占60％，英语听力及口语测试成绩占20％，综合素质成绩占20%。 在面试环节，每位考生有5分钟自述，考查内容主要包括专业知识、外语（口语）水平和综合素质等。 1、专业知识面试重点考查考生对专业基础知识掌握的深度和广度，对知识灵活运用的程度以及考生的实验技能和实际动手能力等，了解考生从事科研工作的潜力和创新能力。 2、外语面试主要考查考生的听、说能力及语言运用能力。 3、思想品德的面试包括考生的政治态度、思想品德、工作学习态度、团队合作精神、科研道德、遵纪守法以及心理素质等内容。 4、体检主要了解考生的身体健康状况，也包括体能、体质和心理素质等。
计算机在生物信息学中的应用_王帆
2012年第35期生物信息学是利用计算机为工具，用数学及信息科学的理论和方法研究生命现象，对生物信息进行收集、加工、存储、检索和分析的科学。生物信息学的核心是基因组信息学，基因组学是研究生物基因组和如何利用基因的一门学问，该学科提供基因组信息以及相关数据系统，试图解决生物、医学和工业领域的重大问题。对于基因组学研究所产生的大量数据必须借助于先进的计算机技术收集和分析处理这些生物学信息，因此计算机科学为生物信息学的研究和应用提供了非常好的支撑。 1.序列比对 序列比对其意义是从核酸、氨基酸的层次来比较两个或两个以上符号序列的相似性或不相似性，进而推测其结构功能及进化上的联系。研究序列相似性的目的是通过相似的序列得到相似的结构或功能，也可以通过序列的相似性判别序列之间的同源性，推测序列之间的进化关系。序列比对是生物信息学的基础，非常重要。 序列比对中最基础的是双序列比对，双序列比较又分为全局序列比较和局部序列比较，这两种比较均可用动态程序设计方法有效解决。在实际应用中，某些在生物学上有重要意义的相似性不是仅仅分析单条序列，只能通过将多个序列对比排列起来才能识别。比如当面对许多不同生物但蛋白质功能相似时，我们可能想知道序列的哪些部分是相似的，哪些部分是不同的，进而分析蛋白质的结构和功能。为获得这些信息，我们需要对这些序列进行多序列比对。多重序列比对算法有动态规划算法、星形比对算法、树形比对算法、遗传算法、模拟退火算法、隐马尔可夫模型等，这些算法都可以通过计算机得以解决。 2.数据库搜索 随着人类基因组计划的实施，实验数据急剧增加，数据的标准化和检验成为信息处理的第一步工作，并在此基础上建立数据库，存储和管理基因组信息。这就需要借助计算机存储大量的生物学实验数据，通过对这些数据按一定功能分类整理，形成了数以百计的生物信息数据库，并要求有高效的程序对这些数据库进行查询，以此来满足生物学工作者的需要。数据库包括一级数据库和二级数据库，一级数据库直接来源于实验获得的原始数据，只经过简单的归类整理和注释；二级数据库是对基本数据进行分析、提炼加工后提取的有用信息。 分子生物学的三大核心数据库是GenBank 核酸序列数据库，SWISS-PROT 蛋白质序列数据库和PDB 生物大分子结构数据库，这三大数据库为全世界分子生物学和医学研究人员了解生物分子信息的组织和结构，破译基因组信息提供了必要的支撑。但是用传统的手工分析方法来处理数据显然已经无法跟上新时代的步伐，对于大量的实验结果必须利用计算机进行自动分析，以此来寻找数据之间存在的密切关系，并且用来解决实际中的问题。 3.基因组序列分析 基因组学研究的首要目标是获得人的整套遗传密码，要得到人的全部遗传密码就要把人的基因组打碎，测完每个小的序列后再把它们重新拼接起来。所以目前生物信息学的大量工作是针对基因组DNA 序列的，建立快速而又准确的DNA 序列分析方法对研究基因的结构和功能有非常重要的意义。对于基因组序列，人们比较关心的是从序 列中找到基因及其表达调控信息，比如对于未知基因，我们就可以通过把它与已知的基因序列进行比较，从而了解该基因相关的生理功能或者提供疾病发病机理的信息，从而为研发新药或对疾病的治疗提供一定的依据，使我们更全面地了解基因的结构，认识基因的功能。因此，如何让计算机有效地管理和运行海量的数据也是一个重要问题。 4.蛋白质结构预测 蛋白质是组成生物体的基本物质，几乎一切生命活动都要通过蛋白质的结构与功能体现出来，因此分析处理蛋白质数据也是相当重要的，蛋白质的生物功能由蛋白质的结构所决定，因此根据蛋白质序列预测蛋白质结构是很重要的问题，这就需要分析大量的数据，从中找出蛋白质序列和结构之间存在的关系与规律。 蛋白质结构预测分为二级结构预测和空间结构预测，在二级结构预测方面主要有以下几种不同的方法：①基于统计信息；②基于物理化学性质；③基于序列模式；④基于多层神经网络；⑤基于图论；⑥基于多元统计；⑦基于机器学习的专家规则；⑧最邻近算法。目前大多数二级结构预测的算法都是由序列比对算法BLAST 、FASTA 、CLUSTALW 产生的经过比对的序列进行二级结构预测。虽然二级结构的预测方法其准确率已经可以达到80%以上，但二级结构预测的准确性还有待提高。 在实际进行蛋白质二级结构预测时，往往会把结构实验结果、序列比对结果、蛋白质结构预测结果，还有各种预测方法结合起来，比较常用的是同时使用多个软件进行预测，把各个软件预测结果分析后得出比较接近实际的蛋白质二级结构。将序列比对与二级结构预测相结合也是一种常见的综合分析方法。 蛋白质二级结构指蛋白质多肽链本身的折叠和盘绕的方式。二级结构主要有α-螺旋、β-折叠、β-转角等几种形式，它们是构成蛋白质高级结构的基本要素，常见的二级结构有α-螺旋和β-折叠。三级结构是在二级结构的基础上进一步盘绕，折叠形成的。研究蛋白质空间结构的目标是为了了解蛋白质与三维结构的关系，预测蛋白质的二级结构预测只是预测蛋白质三维形状的第一步，蛋白质折叠问题是非常复杂的，这就导致了蛋白质的空间结构预测的复杂性。蛋白质三维结构预测方法有：同源模型化方法、线索化方法和从头预测的方法但是无论用哪一种方法，结果都是预测，采用不同的算法，可能产生不同的结果，因此还需要研究新的理论计算方法来预测蛋白质的三维结构。 图4.1蛋白质结构（下转第100页） 计算机在生物信息学中的应用 王帆刘帅 （长春工程学院计算机基础教学中心吉林 长春 130012） 【摘要】生物信息学是一门新兴的、正在迅速发展的交叉学科，它不仅对认识生物体的起源与进化研究有重要意义，而且还可以为人类诊断疾病及物种的改良提供一定的理论依据。生物研究过程中产生的海量数据又需要具有数据处理和分析能力的大容量、高性能的超级计算机的支持，因此计算机技术在生物信息学的研究中显得尤为重要，本文就简单介绍了计算机在生物信息学研究中的哪些方面起到了不可忽略的作用。 【关键词】生物信息学；计算机科学；基因组学 作者简介：王帆(1980—)，男，长春人，毕业于长春理工大学，本科学历，信息与计算科学专业。 刘帅(1979—)，女，长春人，东北师范大学硕士研究生，主要研究方向为计算机软件与理论 。 ◇高教论述◇
新版苏州大学生物学考研经验考研参考书考研真题
考研这个念头，我也不知道为什么，会如此的难以抑制，可能真的和大多数情况一样，我并没有过脑子，只是内心的声音告诉我：我想这样做。 得知录取的消息后，真是万分感概，太多的话想要诉说。 但是这里我主要想要给大家介绍一下我的备考经验，考研这一路走来，收集考研信息着实不易，希望我的文字能给师弟师妹们一个小指引，不要走太多无用的路。其实在刚考完之后就想写一篇经验贴，不过由于种种事情就给耽搁下来了，一直到今天才有时间把自己考研的历程写下来。 先介绍一下我自己，我是一个比较执着的人，不过有时候又有一些懒散，人嘛总是复杂的，对于考研的想法我其实从刚刚大一的时候就已经有了，在刚刚进入大三的时候就开始着手复习了，不过初期也只是了解一下具体的考研流程以及收集一些考研的资料，反正说到底就是没有特别着急，就我个人的感受来说考研备考并不需要特别长的时间，因为如果时间太长的话容易产生疲惫和心理上的变化反而不好。 下面会是我的一些具体经验介绍和干货整理，篇幅总体会比较长，只因，考研实在是一项大工程，真不是一两句话可描述完的。 所以希望大家耐心看完，并且会有所帮助。 文章结尾处附上我自己备考阶段整理的学习资料，大家可以自取。 苏州大学生物学的初试科目为: (101)思想政治理论 (201)英语一 (631)生物化学（F）
(857)细胞生物学（F） 参考书目为： 1.王镜岩等.《生物化学》.高等教育出版社第三版,200 2. 2.《细胞生物学》翟中和高等教育出版社 先说一下我的英语单词复习策略 1、单词 背单词很重要，一定要背单词，而且要反复背！！！你只要每天背1-2个小时，不要去纠结记住记不住的问题，你要做的就是不断的背，时间久了自然就记住了。 考察英语单词的题目表面上看难度不大，但5500个考研单词，量算是非常多了。我们可以将其区分为三类：高频核心词、基础词和生僻词，分别从各自的特点掌握。 （1）高频核心词 单词书可以用《木糖英语单词闪电版》，真题用书是《木糖英语真题手译》里面的单词都是从历年考研英语中根据考试频率来编写的。 核心，顾名思义重中之重。对于这类词汇，一方面我们可以用分类记忆法，另一方面我们可以用比较记忆法。 分类记忆法，这种方法指的是把同类词汇收集在一起同时记忆。将同类词汇放在一起记忆，当遇到其中一个词时，头脑中出现的就是一组词，效率提高的同时，也增强了我们写作用词的准确度和自由度。例如：damp，wet，dank，moist，humid都含“潮湿的”意思。damp指“轻度潮湿,使人感觉不舒服的”。wet指“含水分或其他液体的”、“湿的”。moist指“微湿的”、“湿润的”,
生物信息学现状与展望
研究生课程考试卷 学号、姓名： j20112001 苗天锦 年级、专业：2011生物化学与分子生物学 培养层次：硕士 课程名称：生物信息学 授课学时学分： 32学时 2学分 考试成绩： 授课或主讲教师签字：
生物信息学现状与展望 摘要：生物信息学是一门新兴学科，起步于20世纪90年代，至今已进入"后基因组时代"，本文对生物信息学的产生背景及其研究现状等方面进行了综述，并展望生物信息学的发展前景。生物信息学的发展在国内、外基本上都处在起步阶段。 关键词：生物信息学；生物信息学背景；发展前景 一、生物信息学概述 1.生物信息学发展历史 随着生物科学技术的迅猛发展，生物信息数据资源的增长呈现爆炸之势，同时计算机运算能力的提高和国际互联网络的发展使得对大规模数据的贮存、处理和传输成为可能，为了快捷方便地对已知生物学信息进行科学的组织、有效的管理和进一步分析利用，一门由生命科学和信息科学等多学科相结合特别是由分子生物学与计算机信息处理技术紧密结合而形成的交叉学科——生物信息学(Bioinformatics)应运而生,并大大推动了相关研究的开展, 被誉为“解读生命天书的慧眼”【1】。 研究生物细胞的生物大分子的结构与功能很早就已经开始，1866年孟德尔从实验上提出了假设：基因是以生物成分存在。1944年Chargaff发现了著名的Chargaff规律，即DNA中鸟嘌呤的量与胞嘧定的量总是相等，腺嘌呤与胸腺嘧啶的量相等。与此同时，Wilkins与Franklin用X射线衍射技术测定了DNA纤维的结构。1953年James Watson 和FrancisCrick在Nature杂志上推测出DNA 的三维结构（双螺旋）。Kornberg于1956年从大肠杆菌（E.coli）中分离出DNA 聚合酶I（DNA polymerase I），能使4种dNTP连接成DNA。Meselson与Stahl （1958）用实验方法证明了DNA复制是一种半保留复制。Crick于1954年提出了遗传信息传递的规律，DNA是合成RNA的模板，RNA又是合成蛋白质的模板，称之为中心法则（Central dogma），这一中心法则对以后分子生物学和生物信息学的发展都起到了极其重要的指导作用。经过Nirenberg和Matthai（1963）的努力研究，编码20氨基酸的遗传密码得到了破译。限制性内切酶的发现和重组DNA的克隆（clone）奠定了基因工程的技术基础【2】。自1990年美国启动人类基因组计划以来，人与模式生物基因组的测序工作进展极为迅速。迄今已完成了约40多种生物的全基因组测序工作，人基因组约3x109碱基对的测序工作也接近完成。至2000年6月26日，被誉为生命“阿波罗计划”的人类基因组计划终于完成了工作草图，预示着完成人类基因组计划已经指日可待。生物信息学已成为整个生命科学发展的重要组成部分，成为生命科学研究的前沿。 2.生物信息学研究方向 2.1 序列比对
浅谈生物信息学在生物方面的应用
浅谈生物信息学在生物方面的应用 生物信息学（bioinformaLics）是以核酸和蛋白质等生物大分子数据库及其相关的图书、文献、资料为主要对象，以数学、信息学、计算机科学为主要手段，对浩如烟海的原始数据和原始资料进行存储、管理、注释、加工，使之成为具有明确生物意义的生物信息。并通过对生物信息的查询、搜索、比较、分析，从中获得基因的编码、凋控、遗传、突变等知识；研究核酸和蛋白质等生物大分子的结构、功能及其相互关系；研究它们在生物体内的物质代谢、能量转移、信息传导等生命活动中的作用机制。 从生物信息学研究的具体内容上看，生物信息学可以用于序列分类、相似性搜索、DNA 序列编码区识别、分子结构与功能预测、进化过程的构建等方面的计算工具已成为变态反应研究工作的重要组成部分。针对核酸序列的分析就是在核酸序列中寻找过敏原基因，找出基因的位置和功能位点的位置，以及标记已知的序列模式等过程。针对蛋白质序列的分析，可以预测出蛋白质的许多物理特性，包括等电点分子量、酶切特性、疏水性、电荷分布等以及蛋白质二级结构预测，三维结构预测等。 生物信息学中的主要方法有：序列比对，结构比对，蛋白质结构的预测，构造分子进化树，聚类等。基因芯片是基因表达谱数据的重要来源。目前生物信息学在基因芯片中的应用主要体现在三个方面。 1、确定芯片检测目标。利用生物信息学方法，查询生物分子信息数据库，取得相应的序列数据，通过序列比对，找出特征序列，作为芯片设计的参照序列。 2、芯片设计。主要包括两个方面，即探针的设计和探针在芯片上的布局，必须根据具体的芯片功能、芯片制备技术采用不同的设计方法。 3、实验数据管理与分析。对基因芯片杂交图像处理，给出实验结果，并运用生物信息学方法对实验进行可靠性分析，得到基因序列变异结果或基因表达分析结果。尽可能将实验结果及分析结果存放在数据库中，将基因芯片数据与公共数据库进行链接，利用数据挖掘方法，揭示各种数据之间的关系。 生物信息学在人类基因组计划中也具有重要的作用。 大规模测序是基因组研究的最基本任务，它的每一个环节都与信息分析紧密相关。目前，从测序仪的光密度采样与分析、碱基读出、载体标识与去除、拼接与组装、填补序列间隙，到重复序列标识、读框预测和基因标注的每一步都是紧密依赖基因组信息学的软件和数据库的。特别是拼接和填补序列间隙更需要把实验设计和信息分析时刻联系在一起．拼接与组装中的难点是处理重复序列，这在含有约30％重复序列的人类基因组中显得尤其突出。 人类基因组的工作草图即将完成，因此发现新基因就成了当务之急。使用基因组信息学的方法通过超大规模计算是发现新基因的重要手段，可以说大部分新基因是靠理论方法预测出来的。比如啤酒酵母完整基因组（约1300万bp）所包含6千多个基因，大约60％是通过信息分析得到的。 当人类基因找到之后，自然要解决的问题是：不同人种间基因有什么差别；正常人和病人基因又有什么差别。”这就是通常所说的SNPs（单核苷酸多态性）。构建SNPs及其相关数据库是基因组研究走向应用的重要步骤。1998年国际已开展了以EST为主发现新Spps 的研究。在我国开展中华民族SNPs研究也是至重要的。总之，生物信息学不仅将赋予人们各种基础研究的重要成果，也会带来巨大的经济效益和社会效益。在未来的几年中DNA 序列数据将以意想不到的速度增长，这更离不开利用生物信息学进行各类数据的分析和解释，研制有效利用和管理数据新工具。生物信息学在功能基因组学同样具有重要的应用目前应用最多的是同源序列比较、模式识别以及蛋白结构预测。所谓同源序列，是指从某一共同祖先经趋异进化而形成的不同序列。利用数据库搜索找出未知核酸或蛋白的同源序列，是序列分析的基础[lol。如利用BLASTn和BLASTx两种软件分别进行核苷酸和氨基
蛋白质组学生物信息学分析介绍
生物信息学分析FAQ CHAPTER ONE ABOUT GENE ONTOLOGY ANNOTATION (3) 什么是GO？ (3) GO和KEGG注释之前，为什么要先进行序列比对（BLAST）？ (3) GO注释的意义？ (3) GO和GOslim的区别 (4) 为什么有些蛋白没有GO注释信息？ (4) 为什么GO Level 2的统计饼图里蛋白数目和差异蛋白总数不一致？ (4) 什么是差异蛋白的功能富集分析&WHY？ (4) GO注释结果文件解析 (5) Sheet TopBlastHits (5) Sheet protein2GO/protein2GOslim (5) Sheet BP/MF/CC (6) Sheet Level2_BP/Level2_MF/Level2_CC (6) CHAPTER TWO ABOUT KEGG PATHWAY ANNOTATION (7) WHY KEGG pathway annotation? (7) KEGG通路注释的方法&流程？ (7) KEGG通路注释的意义？ (7) 为什么有些蛋白没有KEGG通路注释信息？ (8) 什么是差异蛋白的通路富集分析&WHY？ (8) KEGG注释结果文件解析 (8) Sheet query2map (8) Sheet map2query (9) Sheet TopMapStat (9) CHAPTER THREE ABOUT FEATURE SELECTION & CLUSTERING (10) WHY Feature Selection? (10)
聚类分析（Clustering） (10) 聚类结果文件解析 (10) CHAPTER FOUR ABOUT PROTEIN-PROTEIN INTERACTION NETWORK (12) 蛋白质相互作用网络分析的意义 (12) 蛋白质相互作用 VS生物学通路？ (12) 蛋白质相互作用网络分析结果文件解析 (12)
生物信息学论文
生物信息学论文 论文题目 PBL教学法在生物信息学课程教学中的应用与实践 指导老师：谷峻 学生姓名：吕晓莹 学号： 20112501092 院系：生命科学学院 专业：生物科学 撰写时间：2014年4月
摘要：PBL Problem-Based Leaming)，即基于问题学习，是由美国神经病学教授Barrows首创并于1969年在加拿大的麦克马斯特大学医学院试行的一种新的教学方法。PBL 的基本特点是以教师为引导，以学生为中心，通过解决问题来学习，与传统的以学科为基础，以教师为中心的教学方法相比有很大的不同。本论文通过对照PBL 教学理念和生物信息学课程理论，来探究PBL 教学法在生物信息学课程教学中应用与实践，为提高生物信息学课程教学质量提供一种可行方法。 关键词：PBL 教学法，生物信息学，应用与实践 1 前言 生物信息学是20世纪90年代由多种学科知识相互渗透、融合而兴起的一门用数理和信息科学的观点、理论以及方法去研究生命现象、组织和分析呈现指数增长的生物医学数据的一门学科，具有开放性、发展性、交叉性、综合性、应用性等特点。鉴于此，尽管国内的生物信息学科学研究开展得如火如荼，但由于受到师资、教材、授课对象、教学条件、教学法等因素限制，开设该课程的高校尚未真正形成一套成熟的、科学的教学体系。 目前, 国内的生物信息学教学基本沿用以“教师讲授为主”的传统教学模式。以课堂为中心、以理论教学为主, 进行“满堂灌”式教育, “照本宣读”的方式也比较常见。缺乏与生物信息学交叉前沿性特点相适应的型教学模式。同时，实验教学比较单一, 常以验证性为目的, 有些甚至成为了“文献检索”课程, 缺乏和专相适应的综合性、设计性实验。现代教学改革与实践证明，在教学过程中必须要突出“学生是教学活动的主体”，既要注意张扬学生“个性”，更要强化学生团队合作意识及创新、创业能力培养，以保证人才培养质量。在这种情况下，传统的教学模式已与当前社会快速发展的局面格格不入，迫切需要变革。因此，为激发学生的学习积极性和教学参与热情，探索先进的教学法以革新生物信息学的教学内容及考核方式等显得尤为重要。其中，以PBL 为例的教学法在生物信息学课程教学应用与实践中取得了良好的课程教学效果。 2 PBL 教学法的优势 2.1 PBL 教学顺应时代的发展 当今社会是信息时代, 生物学不断发展, 知识不断更新, 老师要讲的内容越来越多, 学生要读的书越来越厚, 授课内容与课时不相适应的矛盾非常突出, 且教学双方负担过重, 教学效果难以保证, 这种填鸭式的传统教学越来越无法适应信息社会的要求, 这就要求学生在接受人类已有的科学知识基础上, 着重培养创造能力, 学会自己寻找知识和创造知识的本领。而PBL 教学模式能明显减少说教式教学和学习负担, 既能加强学生独立学习，又能减轻教师的教学负担，顺应了时代的发展。 2.2 有利于培养学生主动学习的能力和形成双向交流 传统的教学模式是以学科为基础, 教师课堂讲解为主, 教学内容进度和方法均由老师决定，其 对象是学生整体, 容易忽视单一个体的学习兴趣、能力及个性特征, 学生始终处于被动地接受知识的地位, 不利于主动学习能力的培养。而PBL 教学法打破传统的界限, 采取以“学生为中心、问题为核心”的教育方式。在教师的整体把握和指导下, 学生充分运用现代化科技手段如教材、图书馆、录像、模型、文献检索系统、电脑学习软件、网络以及多媒体等多种形式进行自学。课堂上,PBL模式强调学生主动参与学习, 从而大大提高学习效果和长期记忆的形成。从教学的角度来看, 指导老师长期与同一小组学生
生物信息学基本知识
1.DNA:遗传物质(遗传信息的载体) 双螺旋结构,A,C,G,T四种基本字符的复杂文本 2.基因（Gene）：具有遗传效应的DNA分子片段 3.基因组(Genome)：包含细胞或生物体全套的遗传信息的全部遗传物质。人类包括细胞核基因组和线粒体基因组 OR一个物种中所有基因的整体组成 4.人类基因组：3.0×109bp模式生物 5.HGP的最初目标通过国际合作，用15年时间(1990～2005)至少投入30亿美元，构建详细的人类基因组遗传图和物理图，确定人类DNA的全部核苷酸序列，定位约10万基因，并对其它生物进行类似研究。 6.HGP的终极目标 阐明人类基因组全部DNA序列； 识别基因； 建立储存这些信息的数据库； 开发数据分析工具； 研究HGP实施所带来的伦理、法律和社会问题。 7.遗传图谱（genetic map）又称连锁图谱(linkage map)，它是以具有遗传多态性（在一个遗传位点上具有一个以上的等位基因，在群体中的出现频率皆高于1%）的遗传标记为“路标”，以遗传学距离（在减数分裂事件中两个位点之间进行交换、重组的百分率，1%的重组率称为1cM）为图距的基因组图。 遗传图谱的建立为基因识别和完成基因定位创造了条件。 8.遗传连锁图：通过计算连锁的遗传标志之间的重组频率，确定它们的相对距离，一般用厘摩（cM，即每次减数分裂的重组频率为1%）表示。 9.物理图谱（physical map）是指有关构成基因组的全部基因的排列和间距的信息，它是通过对构成基因组的DNA分子进行测定而绘制的。绘制物理图谱的目的是把有关基因的遗传信息及其在每条染色体上的相对位置线性而系统地排列出来。 10.转录图谱是在识别基因组所包含的蛋白质编码序列的基础上绘制的结合有关基因序列、位置及表达模式等信息的图谱。 11.序列图谱:随着遗传图谱和物理图谱的完成，测序就成为重中之重的工作。 DNA序列分析技术是一个包括制备DNA片段化及碱基分析、DNA信息翻译的多阶段的过程。通过测序得到基因组的序列图谱 12.大规模测序基本策略 逐个克隆法：对连续克隆系中排定的BAC克隆逐个进行亚克隆测序并进行组装（公共领域测序计划） 全基因组鸟枪法：在一定作图信息基础上，绕过大片段连续克隆系的构建而直接将基因组分解成小片段随机测序，利用超级计算机进行组装（美国Celera公司） 13.基因识别（gene identification）是HGP的重要内容之一，其目的是识别全部人类的基因。 基因识别包括： 识别基因组编码区 识别基因结构 基因识别目前常采用的有二种方法： 从基因组序列中识别那些转录表达的DNA片段 从cDNA文库中挑取并克隆。 14.基因组多态性（Polymorphism）:是指在一个生物群体中，同时和经常存在两种或多种不连续的变异型或基因型（genotype）或等位基因（allele），亦称遗传多态性（genetic
生物信息学分析
生物信息学分析 生物信息学难吗？ 经常有人向我问这个问题，这有什么疑问吗？如果不难学，根本就不用问我这个问题。也无需投入那么多时间精力就能掌握，更无需花费三四千元参加线下的培训班，也不会月薪过万。所以，答案很肯定，道理很简单：生物信息比较难学。 为什么难学？ 我总结里几点原因。首先，这是一个交叉学科，要求你既要有生物学的基础，又要有很强的计算机操作技能。这个就有点困难了。因为只是一个生物学就包括多个门类，有很多东西需要去学习，还需要学习计算机知识。很多人一门内容还没学明白，现在还得在加一门，这就属于祸不单行，雪上加霜，屋漏偏逢连夜雨。因此，这种既懂生物学，又懂计算机的复合型人才就比较短缺。而且，生物信息本质上属于数据挖掘，除了生物，计算机，到后面还需要极强的统计学知识才能做好数据分析，所以，还得加上统计学，也就是生物信息学=生物学+计算机科学+统计学三门学科的知识，这也就是为什么生物信息学比较难学。 第二个原因，生物信息本身就包括很多内容，比如DNA的分析，RNA的分析，甲基化的分析，蛋白质的分析等方面，每一
门类又完全不同，从物种方面来分，动物，植物，微生物，医学等有差别很大，很难有一劳永逸，放之四海而皆准的分析方法。 第三个原因就是生物信息是一门快速发展的学习，会出现很多新的测序方法，比如sanger测序，illumina，BGIseq，PacBio，IonTorrent，Nanopore等，每一个平台技术原理完全不同，因此数据特点也完全不同，这就需要针对每一个平台的数据做专门的学习，而且每个平台又在不断的推陈出现，可能今天你刚开发好的方法，产品升级了，都得推倒重来。还有很多新的技术，例如现在比较火的单细胞测序，Hi-C测序，Bionano测序等等内容，以后还出现更多新技术新方法，足够让你活到老，学到老。当然，你先要能活到老，吾生也有涯，而知也无涯。以有涯随无涯，殆已！ 高风险才有高收益 当然啦，虽然你已经看到学习生物信息肯定是不容易了，门槛很高，但是呢，门槛高也有很多好处，就是挡住了一部分人，当你学会了，迈过门槛，你的身价就提高了。如果人人都很容易掌握了，那么也就不值钱了。所以，生物信息，前途是光明的，道路是曲折的。
生物信息学的主要研究内容
常用数据库 在DNA序列方面有GenBank、EMBL和等 在蛋白质一级结构方面有SWISS-PROT、PIR和MIPS等 在蛋白质和其它生物大分子的结构方面有PDB等 在蛋白质结构分类方面有SCOP和CATH等 生物信息学的主要研究内容 1、序列比对（Alignment） 基本问题是比较两个或两个以上符号序列的相似性或不相似性。序列比对是生物信息学的基础，非常重要。两个序列的比对有较成熟的动态规划算法，以及在此基础上编写的比对软件包BLAST和FASTA，可以免费下载使用。这些软件在数据库查询和搜索中有重要的应用。 2、结构比对 基本问题是比较两个或两个以上蛋白质分子空间结构的相似性或不相似性。已有一些算法。 3、蛋白质结构预测，包括2级和3级结构预测，是最重要的课题之一 从方法上来看有演绎法和归纳法两种途径。前者主要是从一些基本原理或假设出发来预测和研究蛋白质的结构和折叠过程。分子力学和分子动力学属这一范畴。后者主要是从观察和总结已知结构的蛋白质结构规律出发来预测未知蛋白质的结构。同源模建（Homology）和指认（Threading）方法属于这一范畴。虽然经过30余年的努力，蛋白结构预测研究现状远远不能满足实际需要。 4、计算机辅助基因识别(仅指蛋白质编码基因)。最重要的课题之一 基本问题是给定基因组序列后，正确识别基因的范围和在基因组序列中的精确位置.这是最重要的课题之一，而且越来越重要。经过20余年的努力，提出了数十种算法，有十种左右重要的算法和相应软件上网提供免费服务。原核生物计算机辅助基因识别相对容易些，结果好一些。从具有较多内含子的真核生物基因组序列中正确识别出起始密码子、剪切位点和终止密码子，是个相当困难的问题，研究现状不能令人满意，仍有大量的工作要做。 5、非编码区分析和DNA语言研究，是最重要的课题之一 在人类基因组中，编码部分进展总序列的3~5%，其它通常称为“垃圾”DNA，其实一点也不是垃圾，只是我们暂时还不知道其重要的功能。分析非编码区DNA 序列需要大胆的想象和崭新的研究思路和方法。DNA序列作为一种遗传语言，不仅体现在编码序列之中，而且隐含在非编码序列之中。 6、分子进化和比较基因组学，是最重要的课题之一 早期的工作主要是利用不同物种中同一种基因序列的异同来研究生物的进化，构建进化树。既可以用DNA序列也可以用其编码的氨基酸序列来做，甚至于可通过相关蛋白质的结构比对来研究分子进化。以上研究已经积累了大量的工作。近年来由于较多模式生物基因组测序任务的完成，为从整个基因组的角度来研究分子进化提供了条件。 7、序列重叠群（Contigs）装配 一般来说，根据现行的测序技术，每次反应只能测出500或更多一些碱基对的序列，这就有一个把大量的较短的序列全体构成了重叠群（Contigs）。逐步把它们拼接起来形成序列更长的重叠群，直至得到完整序列的过程称为重叠群装配。拼接EST数据以发现全长新基因也有类似的问题。已经证明，这是一个NP-完备
生物信息学 第二章 GenBank序列数据库
第二章GenBank序列数据库 简介 一级蛋白质和核酸数据库在分子生物学界是如此的司空见惯，以致于我们很少会去考虑这些普遍存在的工具是如何建立的。但是如果我们能够了解这些序列是如何汇集到一起的，这将有助于我们加深对生物学的理解，并且能够更加充分地发掘这些记录中蕴藏的信息。 GenBank是美国国立卫生研究院维护的基因序列数据库，汇集并注释了所有公开的核酸以及蛋白质序列。每个记录代表了一个单独的、连续的、带有注释的DNA或RNA片段。这些文件按类别分为几组：有些按照系统发生学划分，另外一些则按照生成这些序列数据的技术方法划分。目前GenBank中所有的记录均来自于最初作者向DNA序列数据库的直接提交。这些作者将序列数据作为论文的一部分来发表，或将数据直接公开。GenBank由位于马里兰州Bethesda的美国国立卫生研究院下属国立生物技术信息中心建立，与日本DNA数据库（DDBJ）以及欧洲生物信息研究院的欧洲分子生物学实验室核苷酸数据库（EMBL）一起，都是国际核苷酸序列数据库合作的成员。所有这三个中心都可 以独立地接受数据提交，而三个中心之间则逐日交换信息，并制作相同的充分详细的数据库向公众开放（虽然格式上有细微的差别，并且所使用的信息系统也略有不同）。 这一章描述GenBank数据库是如何构成的，它如何与蛋白质数据库相衔接，以及如何解释其中的数据成分。关于序列数据库，前人已经作了大量的工作，具体可参见（Schuler et al., 1996; Bairoch and Apweiller, 1997; Benson et al., 1997; George et al., 1997; Stoesser et al., 1997; Tateno et al., 1997）。所有这些论 文都指出了数据库快速增长的趋势，并对如何利用这些生物学资源提出了建议。出于科学研究的考虑，以及由于历史的原因，序列数据被分别存放在核苷酸和蛋白质数据库中。核苷酸序列是查询核苷酸数据库以及蛋白质数据库时的主要出发点，并且目前有一种趋势，将核苷酸数据库介入到蛋白质数据库的管理之中（正如我们下面将要看到的那样）。这并不奇怪，因为数据库维护者与数据提交者之