当前位置：文档库 › 生物信息学第七章：序列比对和数据库搜索

生物信息学第七章：序列比对和数据库搜索

第七章：序列比对和数据库搜索

Gregory D.Schuler

National Center for Biotechnology Information

National Library of Medicine. National Institutes of Health

Bethesda. Maryland

引言

在生物学的研究中,有一个常用的方法,就是通过比较分析获取有用的信息和知识。达尔文正是研究比较了galapagos finches同其它一些物种的形态学特征，

从而提出了自然选择学说。今天，我们对基因和蛋白质序列进行比较，从本质上来讲是同达尔文一样，进行同样的分析，只不过更加精细，更加详尽。在这个意义上，我们从核酸以及氨基酸的层次去分析序列的相同点和不同点，以期能够推测它们的结构、功能以及进化上的联系。最常用的比较方法是序列比对，它为两个或更多个序列的残基之间的相互关系提供了一个非常明确的图谱。在这一章，我们只讨论一下双重比对，即只比较两个序列，至于较多的序列即多序列比对，将在第八章介绍。

七十年代以来，DNA测序方法的飞速发展，极大地引发了序列信息量的扩增，

从而使可供比较的序列数量呈现爆炸式增长。分子生物学家应该意识到，将未知序列同整个数据库中的已知序列进行比较分析已经成为他们手中一个强有力的研究手段。在过去的三十年里，即使不提及计算机的应用，序列比较的各种算法也已经发展得越来越迅速，也越来越成熟，已经能够跟上序列数据库增长的步伐。今天，我们已经拥有一些小的模式物种的基因组的全序列，还拥有人类基因序列的一些较大的样品，我们已经进入比较基因组时代，也就是说，对两个物种进行全基因组序列比较已经不再是一个梦想。

序列比对的进化基础

进行序列比对的目的之一是让人们能够判断两个序列之间是否具有足够的相似性，从而判定二者之间是否具有同源性。值得注意的是，相似性和同源性虽然在

某种程度上具有一致性，但它们是完全不同的两个概念。相似性是指一种很直接的数量关系，比如部分相同或相似的百分比或其它一些合适的度量，而同源性是指从一些数据中推断出的两个基因在进化上曾具有共同祖先的结论，它是质的判断。基因之间要么同源，要么不同源，绝不象相似性那样具有多或少的数量关系。

如图7.1所示，比较家鼠和小龙虾的同源的胰蛋白酶序列，发现它们具有41%

的相似性。

由于受到研究进化关系这一目的的影响，大多数比对方法很自然地都希望能够在某种程度上建立起分子进化的模型。我们通常都假定同源序列是从某一共同祖先不断变化而来，但事实上，我们无法得知这个祖先序列到底是什么样子，除非能

够从化石中获得它的DNA，我们所能够做到的只是从现存物种中，探求真相。从祖先序列以来所发生的变化包括取代、插入以及缺失。在理想情况下，同源基因或蛋白质序列在相互比较时，残基之间相互对应，从而使取代的情况很明显地表现出来。在某些位置，一个序列中拥有某些残基而另一个序

Bioinformatics: A Practical Guide to the Analysis of Genes and Proteins

Edited by A.D.Baxevanis and B.F.F.Ouellette

ISBN 0-471-19196-5.pages 145-171. Copyright? 1998 Wiley-Liss. Inc.

列中缺少这种残基，表明这些残基是插入到前者或是从后者中丢失的。这些空位在序列比对时用连续的短线填补。如图7.1，在序列比对中，发现了5个空位。

|------ S-S-------*|

Mouse IVGGYNCEENSVPYQVSLNS-----GYHFCGGSLINEQWVVSAGHCYK-------SRIQV

Crayfish IVGGTDAVLGEFPYQLSFQETFLGFSFHFCGASIYNENYAITAGHCVYGDDYENPSGLQI

Mouse RLGEHNIEVLEGNEQFINAAKIIRHPQYDRKTLNNDIMLIKLSSRAVINARVSTISLPTA

Crayfish VAGELDMSVNEGSEQTITVSKIILHENFDYDLLDNDISLLKLSGSLTFNNNVAPIALPAQ |---- S-S--------|

Mouse PPATGTKCLISGWGNTASSGADYPDELQCLDAPVLSQAKCEASYPG-KITSNMFCVGFLE Crayfish GHTATGNVIVTGWG-TTSEGGNTPDVLQKVTVPLVSDAECRDDYGADEIFDSMICAGVPE ◇ *|-------------S-S------------------|

Mouse GGKDSCQGDSGGPVVCNG----QLQGVVSWGDGCAQKNKPGVYTKVYNYVKWIKNTIAAN Crayfish GGKDSCQGDSGGPLAASDTGSTYLAGIVSWGYGCARPGYPGVYTEVSYHVDWIKANAV-- 图7.1、保守位点通常在功能上极为重要。对老鼠的胰蛋白酶（Swiss-Prot

P07146）和小龙虾的胰蛋白酶（Swiss-Prot P00765）作比对，相同的残基用下标线标出，在比对上方标出的是三个二硫键（-S-S），这些二硫键中的半胱氨酸

残基极为保守，打星号的残基的侧链参与电荷传递系统，打菱形符号的活性位点的残基负责底物的特异性。

在残基-残基比对中，很明显，某些位置的氨基酸残基相对于其它位置的残基具有较高的保守性，这个信息揭示了某些残基对于一个蛋白质的结构和功能是极为重要的。如图7.1所示，处于活性位点的残基都是极为保守的，比如形成二硫键

的半胱氨酸，参与电子传递的氨基酸残基以及决定底物特异性的氨基酸残基。这些保守的残基对于保持蛋白的结构与功能非常重要，另一方面，由于历史原因，某些保守位置对蛋白功能并无太大的重要性。当我们处理非常相近的物种时必须十分小心，因为相似性在某些情况下更多地是历史的反映而不是功能的反映，比

如，mouse和rat的某些序列具有高度的相似性，可能仅仅是因为没有足够的时

间进行分化而已。尽管如此，系列比对仍然是从已知获得未知的一个十分有用的方法，比如通过比较一个新的蛋白同其它已经经过深入研究的蛋白，可以推断这个未知蛋白的结构与功能的某些性质。必须指出的是，不能够仅仅是通过比较分析这一判据来断定结论是否正确，结论还必须经过实验验证。

当我们发现两个基因或蛋白质具有惊人的相似性时，我们会认为他们之间具有一段共同的进化历程，从而我们判断他们会具有相似的生物学功能，但是，这个推

断在成为结论之前必须经过实验的验证。例如，ζ-晶状物是脊椎动物眼睛里晶状体基质的组成部分，根据序列相似性的基础，它在E.coli中的同源物是代谢酶

苯醌氧化还原酶（如图7.2），不管二者的共同祖先如何，它们的功能在进化中已经改变了（Gonzalez et al.,1994）。这就好象火车变成了铁路餐车，虽然对

二者的外部结构的观察揭示了它们结构的历史，但是仅仅根据这一信息往往会得出有关其功能的错误结论。当一个基因适应了一个新的功能时，保守位置通常也会发生一些形式上的变化，比如，当蛋白具有催化功能时，活性为点的残基相当保守，而当蛋白功能改变时，这些残基将会发生漂移。

Human-ZCr MATGQKLMRAVRVFEFGGPEVLKLRSDIAVPIPKDHQVLIKVHACGVNPVETYIRSGTYS

Ecoli-QOR

------MATRIEFHKHGGPEVLQA-VEFTPADPAENEIQVENKAIGINFIDTYIRSGLYP

. . ******. . . * …. . . * *.* ..****** *

Human-ZCr RKPLLPYTPGSDVAGVIEAVGDNASAFKKGDRVFTSSTISGGYAEYALAADHTVYKLPEK

Ecoli-QOR

-PPSLPSGLGTEAAGIVSKVGSGVKHIKAGDRVVYAQSALGAYSSVHNIIADKAAILPAA

* ** *.. **.. ** . * **** . . * *. **

Human-ZCr LDFKQGAAIGIPYFTAYRALIHSACVKAGESVLVHGASGGVGLAACQIARAYGLKILGTA

Ecoli-QOR ISFEQAAASFLKGLTVYYLLRKTYEIKPDEQFLFHAAAGGVGLIACQWAKALGAKLIGTV

. * * ** . * * * .. .* * * * *.***** *** *.* * *..**

Human-ZCr GTEEGQKIVLQNGAHEVFNHREVNYIDKIKKYVGEKGIDIIIEMLANVNLSKDLSLLSHG

Ecoli-QOR GTAQKAQSALKAGAWQVINYREEDLVERLKEITGGKKVRVVYDSVGRDTWERSLDCLQRR

** . . *. ** .* * ** …. * * * . .. . . . . * * .

Human-ZCr

GRVIVVG-SRGTIEINPROTMAKES----SIIGVTLFSSTKEEFQQYAAALQAGMEIGWL

Ecoli-QOR GLMVSFGNSSGAVTGVNLGILNQKGSLYVTRPSLQGYITTREELTEASNELFSLIASGVI

* .. * * *.. . . . . . .*.** . . * . . * .

Human-ZCr KPVIGSQ--YPLEKVAEAHENIIHGSGATGKMILLL

Ecoli-QOR KVDVAEQQKYPLKDAQRAHE-ILESRATQGSSLLIP

* . * *** *** *. . * .*.

图7.2、最佳全局比对：对人类ζ-晶状物（Swiss-Prot Q08257）和E.coli苯醌氧化还原酶（Swiss-Prot P28304）的氨基酸序列进行比对。这是一个由CLUSTAL W程序（Higgins et al., 1996）得到的最佳全局比对结果。在比对下方，星号表示残基相同，打点表示这个残基是保守的。

早期的序列比对方法只应用于那些在全长范围内具有简单相似性的一些序列。全序列比对就是对序列进行全程扫描，进行比较。以上讨论的胰蛋白酶和ζ-晶状

物之间的比较就属于全序列比对。具有简单的球形结构域的蛋白一般可以使用全序列比对的策略，以为所有的同源序列尚未经过实质上的变化

蛋白质的模块性质

许多蛋白质在全程范围内并不具有相似性，但却似乎是由众多的模块结构域搭建而成。图7.3描述了这样的一个例子，如图所示的是在血凝过程中的两种蛋白的组成结构，它们是凝血因子XII（F12）和组织型血纤蛋白溶酶原活化因子（PLAT），

除了具有丝氨酸蛋白酶活性的催化结构域，这两种蛋白还具有不同数量的其它结构域单元，包括两种纤连蛋白重复，一个类似于上皮生长因子的结构域以及一个

成为“kringle”域的单元。这些组分可以以不同顺序反复出现，组分形式的不同通常是由于整个外显子交换引起的。由于全程比对建立时，基因的外显子/内含

子结构还没有被发现，因此全程比对并没有顾及到上述现象的重要性，这是可以理解的。在大多数情况下，使用局部比对是较为合理的，这种比对方法可能会揭示一些匹配的序列段，而本来这些序列段是被一些完全不相关联的残基所淹没的，因此，操作者应该明白，如果不恰当地使用了全程比对，很可能会掩埋一些

局部的相似性。设计局部比对的另外一个很明显的原因就是在比较一个拼接后的mRNA和它的基因序列时，每个外显子都应该进行局部比对。

图7.3、血凝过程中的两中蛋白的模块结构：人类组织血纤蛋白溶酶原活化因子以及凝血因子XII的模块结构的示意图。标记为Catalytic的模块在若干种凝血蛋白中是常见的，F1和F2是较为常见的重复模块，首先在纤连蛋白中被发现。E 模块同表皮生长因子极为类似。通常称为”Kringle domain”的模块被标记为K。

点阵描述方法之所以广泛流行，其部分原因就在于它能够揭示出拥有多个局部相似性的复杂关系，图7.4就是应用这种处理后的一个例子。图中F12和PLAT 蛋白质序列使用DOTTER程序进行比较（软件可见本章结尾列表），其基本思

路就是把两个序列分别作为一个二维坐标系中的两个坐标轴，在这个坐标系区域内，如果某一点所对应的横轴坐标和纵轴坐标所对应的两条序列的残基相同，则在这个位置上打上标记点，每个点通常都表示在一些小窗口中，序列相似性高于

其它一些隔绝的区域（或者由DOTTER程序定义的隔绝区域，由不同的灰色阴影标记）。如果两个序列在一段区域内很相似，标记点将会连成一条斜线段，将这些线段的位置同图7.3中两个蛋白的已知的组成结构相比较是很有价值的，特别是要注意连续反复出现的结构域的出现方式。从PLAT的kringle结构域开始水平扫描，可以发现两条线段对应于F12序列中的两个kringle结构域，虽然现

在我们已经拥有许多更复杂更精确的方法来寻求局部相似性（下面将会讨论），点阵描述方法仍然是一个很流行很有效的描述方法。

图7.4、点阵序列比较：对人类凝血因子XII（F12：Swiss-Prot P00748）和组织血纤蛋白溶酶原活化因子（PLAT：Swiss-Prot P00750）的氨基酸序列进行打点比较。这个图由DOTTER程序（Sonnhammer and durban,1996）产生。

在点阵描述方法中，某些形式的点可能会勾勒出一定的路径，但这需要操作者通过这些信息进行推理，另外一个图形描述方法即路径图提供了更直接明了的比较

结果，图7.5描述了ＰＬＡＴ和ＰＬＡＵ中与ＥＧＦ相似的结构域之间进行比较时的比对、点阵和路径图三种方法的关系。

PLAU 90 EPKKVKDHCSKHSPCQKGGTCVNMP—SGPH-CLCPQHLTGNHCQKEK---CFE 137 PLAT 23 ELHQVPSNCD----CLNGGTCVSNKYFSNIHWCNCPKKFGGQHCEIDKSKTCYE 72

图7.5、点阵、路径图和比对：所有这三种视图都表示人类尿激酶血纤蛋白溶酶原活化因子（PLAU:Swiss-Prot P00749）和组织血纤蛋白溶酶原活化因子（PLAT:Swiss-Prot P00750）中同EGF相似的模块的比对结果。a) .整个蛋白都由DOTTER程序进行比较：这里只显示了同EGF模块相似的较小区域的放大图；b)由BLASTP得到的比对的路径图；.c).用普通的字符形式显示的BLASTP 空位比对。

要理解路径图，先想象一个二维格子，顶点表示序列残基之间的点（与点阵中表示残基本身相反），沿线段上连接两个顶点的边缘对应两个序列上匹配的残基，水平和竖直线段的边缘对应一个序列拥有而另一个序列上没有的残基，换句话说，这些边缘平台组成了比对中的空位，全图对应了所有可能的比对中必须审视的搜索空间，这个空间中每条可能的路径都对应于一种比对。

最佳比对方法

除了某些很不重要的问题，对于众多问题而言，比对方法多种多样，很有必要从中挑选出最好的一个或几个方法，这就是把一种比对描述成一个路径的概念所指。许多计算机科学的问题都可以简化为通过图表寻求最优路径（比如寻找从纽约打电话到旧金山的最有效的途径）。为了这一目的已经确立了许多行之有效的算法，对每一种路径都有必要对其进行某种意义上的打分，通常是对沿这一途径的每一步的增量进行加和。更精密的打分程序将在下文叙述，在这里我们只假定相同残基加正分，有插入或缺失的残基就加负分（扣分），根据这一定义，最合适的比对方法会得到最高分，也就是我们寻找的最佳路径。

今天我们所熟悉的Needleman-Wunsch算法就是针对寻求最佳序列比对这一问题所设计的动态规划寻优策略（Needleman and Wunsch,1970）。动态规划的

思想是这样的，如果一条路径终止于最佳路径上的一点，那么这条路径本身就是起点到这个中间点的最佳路径，也就是说，任何一个终止于最佳路径上的一点的次级路径必然就是终止于这一点的最佳路径本身。这样，最佳路径就可以通过把

各个最佳的次级路径连接而成。在基本的Needleman-Wunsch公式表达中，最佳比对必然对每个序列都由始至终，就是说从搜索空间的左上角直至右下角。换句话说,它搜索全程比对。

然而，对这种基本策略稍作修改就可以实现最佳的局部比对。这种比对的路径不需要到达搜索图的尽头，只需要在内部开始和终结。如果某种比对的打分值不会因为增加或减少比对队的数量而增加时，这种比对就是最佳的。这个过程依赖于打分系统的性质，就是说某种路径的打分会在不匹配的序列段位置减少（以下叙述的打分系统合乎这个标准）。当分值降为零时，路径的延展将会终止，一个新的路径就会应运而生。这样，我们会得到许多独立的路径，它们以不匹配的序列段为界限而不是像在全程比对中以序列的结尾作为界限。在这些路径中，拥有最高分的一个就是最佳的局部比对。

应该意识到，寻优方法总是把最佳的比对方法表达出来，而不在意它是否具有生物学意义，另一方面，寻求局部比对时可能会发现若干个重要的比对，因此，不

能仅仅注意最佳的一个。改良的Smith-Waterman(Altschul and

Erickson,1986;Waterman and Eggert,1987)算法把寻找K种最好的但不相互交

叉的比对方式最为目标，这些思想后来都在SIM算法(Huang et al.,1990)的发展

中得以体现。一个名叫LALIGN（在FASTA程序包中）的程序提供了有用的SIM

工具(Pearson,1996)。对于比对多模块的蛋白质而言，寻找次优比对尤为重要。

正如图7.6所示，LALIGN程序被用来获得三个最好的局部比对（比对人类凝血

因子IX和因子XII）。一个标准的Smith-waterman算法只会报告出最好的一个比对，改良的算法会报告出第二和第三的比对方式，从而显示出功能结构域。

Comparison of:

A.f9-human.aa >f9 gi|119772|sp|P00740|FA9_HUMAN COAGULATION

FA -461 aa

B.f12-hum.aa>f12 gi|119763|sp|P00748|FA12_HUMAN COAGULATION -615 aa

using protein matrix

① 35.4% identity in 254 aa overlap; score: 358

220 230 240 250 260 270

F9 QSFNDFTRVVGGEDAKPGQFPWQVVLNGKVDAFCGGSIVNEKWIVTAAHCVE---TGVKI .:....:::::: : .:. :. ..: ..::.::... :..:::::.. . ..

F12 KSLSSMTRVVGGLVALRGAHPYIAALY-WGHSFCAGSLIAPCWVLTAAHCLQDRPAPEDL

370 380 390 400 410 420

280 290 300 310 320 330

F9 TVVAGEHNIEETEHTEQKRNVIRIIPHHNYNAAINKYNHDIALLELDEPL-----VLNSY ::: :... ... .. :. .: . :...... .:.::.::: :.: .:..:

F12 TVVLGQERRNHSCEPCQTLAVRSYRLHEAFSPV--SYQHDLALLRLQEDADGSCALLSPY

430 440 450 460 470 480

340 350 360 370 380

F9 VTPICIADKEYTNIFLKFGSGYVSGWGRVFHKGRS-ALVLQYLRVPLVDRATCLRSTKF-

: :.:... . .. :.:::. :. . . : :: .::... . : ..

F12 VQPVCLPSGAARPSETTLCQ—VAGWGHQFEGAEEYASFLQEAQVPFLSLERCSAPDVHG

490 500 510 520 530

390 400 410 420 430 440

F9 -TIYNNMFCAGFHEGGRDSCQGDSGGPHVTEVEGTS---FLTGIISWGEECAMKGKYGIY

.: .:.:::: ::: :.:::::::: : : .... : ::::::..:. ..: :.:

F12 SSILPGMLCAGFLEGGTDACQGDSGGPLVCEDQAAERRLTLQGIISWGSGCGDRNKPGVY

540 550 560 570 580 590

450

F9 TVVSRYVNWIKEKT

:.:. :..::.:.:

F12 TDVAYYLAWIREHT

600 610

------------------------------------

② 34.7% identity in 49 aa overlap; score: 120

100 110 120 130 140

F9 VDGDQCESNPCLNGGSCKDDINSYECWCPFGFEGKNCELDVTCNIKNGR

.....: .::::.::.: . . : :: :..: :..:.. . .::

F12 LASQACRTNPCLHGGRCLEVEGHRLCHCPVGYTGPFCDVDTKASCYDGR

180 190 200 210 220

-------------------------------------

③ 33.3% identity in 36 aa overlap; score: 87

100 110 120

F9 DQCESN-PCLNGGSCKDDINSYECWCPFGFECKNCE

:.:... :: .::.: . .. .: :: ..:..:.

F12 DHCSKHSPCQKGGTCVNMPSGPHCLCPQHLTGNHCQ

100 110 120 130

--------------------------------------

图7.6、最佳和次佳的局部比对：在使用LALIGN对人类凝血因子IX

（F9;Swiss-Prot 900740）和凝血因子XII(F12;Swiss-Prot P00748)进行比对时

发现了三个最佳的比对结果。

取代分和空位处罚

刚才描述的打分系统仅仅使用于简单的匹配/不匹配的情况，但是在比较蛋白质

时，我们可以用取代矩阵来增强弱势比对的敏感性。很显然，在相关蛋白质之间，某些氨基酸可以很容易地相互取代而不用改变它们的生理生化性质，这些保守取

代的例子包括异亮氨酸（isoleucine）和颉氨酸（valin）（体积小，疏水），丝氨酸（serine）和苏氨酸（threonin）（极性）。在计算比对分之时，相同的氨基酸打分会高于取代的氨基酸，而保守的取代打分高于非保守变化，换句话说，设计了一系列的分值，而且，在比对非常相近的序列（mouse和rat的同源基因）以及差异极大的序列（mouse和yeast的基因）时会设计出不同系统的分值，

考虑到这些因素，使用取代矩阵会极为有利，在这个矩阵中，任何氨基酸配对的分值会一目了然。

第一个广泛使用的最优矩阵建立在进化的点突变模型上（PAM）（Dayhoff et al.,1978）。一个PAM就是一个进化的变异单位即1%的氨基酸改变，这并不意味着经过100次PAM后，每个氨基酸都发生变化，因为其中一些位置可能会经

过多次改变，甚至可能变回到原先的氨基酸，因此另外一些氨基酸可能不发生改变。如果这些变化是随机的，那么每一种可能的取代频率仅仅取决于不同氨基酸的出现的频率（称为背景频率）。然而，在相关蛋白中，已经发现的取代频率（称为目标频率）大大地倾向于那些不影响蛋白质功能的取代，换句话说，这些点突

变已经被进化所接受。Dayhoff同合作者们第一次使用了log-odd处理，在这种

处理中，矩阵中的取代分值同目标频率于背景频率的比值的自然对数成比例。为了评估目标频率，人们用非常相近的序列（比对时不需要取代矩阵）来收集对应

于一个PAM的突变频率，然后将数据外推至250个PAM，PAM250矩阵结果如图7.7。虽然Dayhoff等人只发表了PAM250，但潜在的突变数据可以外推至其它PAM值，产生一组矩阵，在比较差异极大的序列时，通常在较高的PAM 值处得到最佳结果，比如在PAM200到250之间，较低值的PAM矩阵一般使用于高度相似的序列（Altschul,1991）。

图7.7、PAM250分值矩阵。

用同样方式建立了BLOSUM取代矩阵，但在评估目标频率时，应用了不同的策略，基本数据来源于BLOCKS数据库，其中包括了局部多重比对（包含较远的相关序列，同在PAM中使用较近的相关序列相反）。虽然在这种情况下，没有进化模型，但它的优点在于可以通过直接观察获得数据而不是通过外推获得。同PAM模型一样，也有许多编号的BLOSUM矩阵，这里的编号指的是序列可能相同的最高水平，并且同模型保持独立性。举例来说，如图7.8所示的BLOSUM 的矩阵，至少有62%的相同比例的序列被组合成一个序列，因此取代频率更加受到那些比空位变化还大的序列的极大影响，取代矩阵在处理高度相似序列时使用高的阈值（直至BLOSUM90），处理差异大的序列时使用低的阈值（直至BLOSUM30）。

图7.8、BLOSUM62分值矩阵。

为了补偿那些插入或缺失，可以在比对中引入一些空位，但不能太多，否则会使分子变得面目全非。每引入一个断裂，比对的分值都会有所扣除，对于这些断裂有许多罚分的规则。最常用的一个就是用一个附加的罚分比例去乘空位的长度，

其中有两个参数：G（有时称为断裂开放惩罚）和L（断裂延伸惩罚），对于一

个长度为n的空位，扣分总数为G+Ln，但在选择空位参数时，在很大程度上是唯经验的，所选的分值很少会有理论上的支持。通常来说，对于G会选择一个高分（在BLOSUM62中约为10-15），对于L会选择一个相对的低分（大约1-2），

选择这个范围是因为插入和变异是很罕见的，但当它们一旦发生，就会影响到一系列附近的残基。

比对的统计学显著性

对任何一个比队，我们都可以计算一个分值，但重要的是需要判定这个分值是否足够高，是否能够提供进化同源性的证据。在解决这一问题时，对于偶然出现的最高分，有些思想很有帮助，但是，没有一个数学理论能够描述全程比对的分值分布，其中一个能评估其重要性的方法就是将所得的比对分值和那些同样长度和组成的随机序列进行比较。

但是，对于局部比对而言，情况要好得多。正如问题总是从简单开始，人们首先注意到那些没有多少空位得局部比对，这种比对被称为高分片段配对（HSP）。HSP通常用改进得Smith-waterman算法或简单地使用大的空位罚分方法获得。Karlin-Altschul统计学为描述随机的HSP分值的分布提供了数学理论，概率密度函数形式被称为极值分布，这很值得注意，因为，更普遍更一般的分布的应用可能会夸大它的重要性，把一个已知得比对分值S同预期的分布相关联可能会计算出P值，从而给出这个分值的比对显著性的可能性。通常，P值越趋近于零，分值越有意义。

相关的变量E表示分值不低于S得可能的比对数量，而极值分布由两个参数表

示，即K和λ，可以得到解析解，并且对于任何打分系统以及背景频率都是固

定的。比对的显著性依赖于搜索空间的大小（就像在草堆中找针依赖于草堆的大小）。搜索空间的大小由序列长度计算出来，但由于统计的正确性，这个长度必

须由局部比对的预期长度进行校正，以免出现边缘效应（Altschul and

Gish,1996），需要进行这种校正还因为在搜索空间边缘开始的比对在达到一个

有效分值之前就会超出序列的范围。

把比对局限于没有空位的基础之上，使问题大大简化，但是却脱离分子生物学的实际情况。实际上，要建立一个插入和缺失的精确模型需要空位，但如果空位相对较少，在这些空位之间仍然可以获得高分值区域，有代表性的是可能会获得紧

密相邻的HSP，在这种情况下，从总体上去评估它的显著性是较为合理的，也许，每个片段并不显得很重要，但是几个片段同时出现就不太像是偶然事件了。

Karlin-Altschul加和统计学可以计算N个HSP的统计值，这个方法的实质是把N个最佳片段的分值进行加总，从而计算事件偶然发生的可能性，其它一些论据也被用来确认这些分值只是在片段与比对一致的情况下进行加总。虽然加总的分

值分布与HSP分值最大值有差异，仍然可以得到解析解。

最后，仍然有必要对局部排队的显著性进行合理评估，其中包括了模型中的空位。

正如同传统的Smith-waterman比对，虽然没有先验的证据，人们仍然认为这些比对的分值也应该遵循极值分布，但是，分布参数K和λ的值不能通过计算获得，当然，通过模型获得这些值的方法已经被大大地发展了。

数据库中的相似性搜索

上述讨论主要集中于那些较为特别的匹配的序列，但是对于一个新发现的序列，我们无法得知用什么序列同它进行比对，数据库相似性搜索使我们能够从数据库中存在的数十万个序列中挑选出可能同感兴趣的序列有关联的序列，这个方法有时会导致意想不到的收获。用这种策略获得成功的第一个例子是人们因此发现病

毒肿瘤基因v-sis是细胞中编码血小板派生生长因子的基因的一个变体形式(Doolittle et al., 1983; Waterfield et al., 1983)。那个时候，序列数据库还不大，

因此这个发现足以另人感到万分惊奇。然而今天如果进行数据库搜索并且一无所获的话，那就更另人感到费解了。如同其它几个小的物种基因组一样，酵母

saccharomyces cerevisiae的基因组全序列已经被测定出来。在脊椎动物中，大量的部分基因诸如人类和老鼠的基因都已经被测定并存入基因库（genebank）中，这也导致了表达序列标签（EST）工程。EST片段的主要用途是在数据库搜索中，用EST片段进行cDNA克隆可以分离出感兴趣的基因，包括其它模型生物中的同源基因。最近报导的多重内分泌腺肿瘤（MENI）基因就和人与老鼠的多个EST片段相匹配，其中之一在MENI发表前一年就已经入库保存了(Chandrasekharappa et al., 1997)。

在数据库搜索中，基本操作就是将查询序列和数据库中的主题序列作比对。比对

结果是排列好的hit list，后面是一系列的单独的比对情况，以及不同的分值和统

计值（如图7.9）。下文将会详细介绍选择不同的搜索程序、序列数据库和不同的参数都会对搜索产生影响，而且还有不同的界面，比如操作台命令、WWW形式和E-mail等。图7.10给出了一个使用Web界面进行数据库搜索的例子。这

种形式的一个优点就是对任何一个感兴趣的比对，全部注解和文献应用都可以通过超文本简单方便地联接至原始的序列条目和相关的在线文献。

The best score are: initn initl opt z-sc E(59248)

gi|1706794|sp|P49789|FHIT_HUMAN FRAGILE HISTIDINE 996 996 996 1350.4 0

gi|1703339|sp|P49776|APH1_SCHPO BIS(5’-NUCLEOSYL) 431 395 395 536.2 2.8e-23

gi|1723425|sp|P49775|YD15_YEAST HYPOTHETICAL 24.8 290 171 316 428.1 2.9e-17

gi|1724021|sp|Q11066|YHIT_MYCTU HYPOTHETICAL 20.0 178 178 184 250.7 2.2e-07

gi|417124|sp|Q04344|HIT_YEAST HIT1 PROTEIN (ORF U 159 104 157 216.2 1.8e-05

gi|418447|sp|P32084|YHIT_SYNP7 HYPOTHETICAL 12.4 139 139 140 195.0 0.00028

gi|1351828|sp|P47378|YHIT_MYCGE HYPOTHETICAL 15.6 132 132 133 183.9 0.0012

gi|1169826|sp|P43424|GAL7_RAT GALACTOSE-1-PHOSPHA 97 97 128 169.7 0.0072

gi|418446|sp|P32083|YHIT_MYCHR HYYPOTHETICAL 13.1 102 102 119 166.8 0.01

gi|1708543|sp|P49773|IPK1_HUMAN PROTEIN KINASE C 87 87 118 164.5 0.0014

gi|1724020|sp|P49774|YHIT_MYCLE HYPOTHETICAL 17.0 131 82 117 161.5 0.02

gi|1724019|sp|P53795|YHIT_CAEEL HYPOTHETICAL HIT- 98 98 116 161.5 0.02

gi|1170581|sp|P16436|IPK1_BOVIN PROTEIN KINASE C 86 86 115 160.4 0.023

gi|1730188|sp|Q03249|GAL7_MOUSE GALACTOSE-1-PHOSP 87 87 120 159.3 0.027

gi|1177047|sp|P42856|ZB14_MAIZE 14 KD ZINC-BIODIN 132 79 112 156.3 0.04

gi|1209081|sp|P07902|GAL7_HUMAN CALACTOSE-1-PHOSPH 78 78 117 154.8 0.048

gi|1177046|sp|P42855|ZB14_BRAJU 14 KD ZINC-BINDIN 115 76 110 154.5 0.05

gi|140775|sp|P26724|YHIT_AZOBR HYPOTHETICAL 13.2 115 65 109 152.6 0.064

gi|1169852|sp|P31764|GAL7_HAEIN GALACTOSE-1-PHOSP 62 62 104 137.9 0.42

gi|113999|sp|P16550|APA1_YEAST 5’,5’’’-P-1,P-4-TE 108 66 103 137.1 0.47

>>gi|1169826|sp|P43424|GAL7_RAT GALACTOSE-1-PHOSPHATE UR (379 aa) initn: 97 init1: 97 opt: 128 z-score: 169.7 E(): 0.0072

Smith-Waterman score: 128; 30.8% identity in 107 aa overlap

10 20 30

FHIT MSFRFG-QHLIKPSVVFLKTELSFALVNRKPV

...: X.:.. . : .: ..:: :

GAL7 VWASNFLPDIAQREERSQQTYHNQHGKPLLLEYGHQELLRKERLVLTSEYWIVLVPFWAV 190 200 210 220 230 240

40 50 60 70 80

FHIT VPGHVLVCPLRPVERFHDLRPDEVADLFQTTQRVGTVVEKHFHGTSLTFSM—QDGP---

: ..:. : : :.:. .: : : :: .: ... : .. X. ::. .:: . .:

GAL7 WPFQTLLLPRRHVQRLPELTPAERDDLASTMKKLLTKYDNLFE-TSFPYSMGWHGAPMGL

250 260 270 280 290 300

90 100 110 120 130 140

FHIT EAGQTVKH--VHVHVLPRKAGDFHRNDSIYEELQKHDKEDFPASWRSEEEMAAEAAALRV ..: : : .:.: :

GAL7 KTGATCDHWQLHAHYYPPLLRSATVRKFMVGYEMLAQAQRDLTPEQAAERLRVLPEVHYC

310 320 330 340 350 360

图7.9：进行FASTA搜索的输出：（a）用人类组氨酸三联体蛋白作为（Swiss-Prot P.49789）查询序列，以Swissprot数据库为基础，进行FASTA搜索所得到的命中结果，在这个操作中，参数ktup=1；(b).以数据库中的一个条款（在命中列表中以箭头标出）为查询序列（其中包含老鼠的1-磷酸-半乳糖尿苷酸转移酶序

列）所得到的最佳局部比对结果。虽然在这里，序列的相似性不太好，但是这些蛋白在结构上都显示了很好的相似性。

7.10：在WWW上进行数据库相似性搜索：NCBI数据库搜索的高级BLAST形式，在Web网页上容易实现。查询序列应该由剪切板中粘贴到最大的文本框中，（在本图中，框中显示的是U43746序列）。搜索中另外一些基本的元素包括搜索程序的名字以及数据库的名字，这两个元素都可以通过下拉框选择。如果需要的话，可以设定附加的选项参数。这里还有一个基本的BLAST形式，当然高级的选项参数被隐藏起来了。最后，简单地点击一下“Submit”键，提交请求后就可以开始搜索了。

如今的序列数据库非常之大，并且正以爆炸式的速度不断增长，在这种条件下，利用动态程序的方法直接进行数据库搜索已经变得不切实际。一个解决方法就是使用大型计算机和相关的特殊硬件，但是我们要讨论的目的是普通计算机能干些什么。当最佳方法不可行时，我们必须求助于那些启发式方法，这些方法充分利用了近似值以加快序列比较，但同时会在错过正确比对这一方面冒一点险。

有一种启发式方法建立在这样的策略之上，它将序列分解成由连续字母组成的短串（称为字串）。基于字的方法，在八十年代早期由Wilbur和Lipman提出，

并且广泛使用于今天的搜索程序之中。其基本思想是这样的，一个能够揭示出正确的序列关系的比对至少包含一个两个序列都拥有的字串，把查询序列中的所有字串编成索引，并且在数据库扫描中查询这些索引，这些击中的字串就会很快被鉴定出来。

FASTA

FASTA程序是第一个广泛使用的数据库相似性搜索程序。为了达到较高的敏感

程度，程序引用取代矩阵实行局部比对以获得最佳搜索。但众所周知，使用这种策略会非常耗费工作时，为了提高速度，在实施耗时的最佳搜索之前，程序使用

已知的字串检索出可能的匹配。在速度和敏感度之间权衡选择依赖于ktup参数，它决定了字串的大小。增大ktup参数就会减少字串命中的数目，也就会减少所需要的最佳搜索的数目，提高搜索速度。缺省的ktup值在进行蛋白比较时选择2，但是在间距较大的情况下，将ktup值降为1较为理想。

FASTA程序并不会研究每一个遇到的字串命中，但在一开始会寻找包含若干个附近的命中的片段。使用启发式方法，这些片段会被赋予分值，最好的一个在输出时会显示为init1分值，这若干个片段会被组合起来，一个新的initn分值会从中计算出来。然后在最好的初始片段中局限于其对角线带上，会进行一次包含空位的局部比对以评估最可能的匹配。这个最佳比对的分值会在输出时显示为opt 分值。对最后报导的比对来说，还要进行一次全程的Smith-Waterman比对。图7.9b显示了一个例子。对数据库中的每一个序列都只会由一个最佳的比对，但是，如果蛋白质中包含若干个模块，一些很有意义的比对就会被错过，匹配序列还必须由LALIGN程序作进一步分析。

从2.0版本开始，FASTA对每一个检索到的比对都提供一个统计学显著性的评

估。程序为随机分值假定了一个极值分布，但是改写了概率密度函数的形式，其中预期的分值与数据库中的序列长度的自然对数呈线形关系，这样，可以使用简

单的线形回归函数计算常规的比对的z值。最后，计算出预期的E值，从而给出那些z值不小于已知值的随机比对的预期数目。

BLAST

BLAST程序对数据库搜索进行了大量的改良，提高了搜索速度，同时把数据库

搜索建立在了严格的统计学基础之上。但是，为了达到这一目的，仍然需要权衡选择，也就是说，局部比对的限制条件可能不包括空位。这个限制条件对应用

Karlin-Altschul统计学极为有利，另一方面，既然空位没有明确地放在模型中，结果就不会象人们期望的那样接近于预期的比对。这并不是说插入和确实会妨碍匹配，在大多数情况下，比对仅仅会被分解为若干个明显的HSPs。无论如何，老版本的BLAST程序（1.4以前）的局限性在新版本中已经被消除了，新版本在对待空位问题上有着明确的作法（在下面讨论）。

对于一个即将被BLAST程序报告的比对，其中必然包含一个HSP，其分值不小于终止值S。这个终止值因人而异，但是使用时是很难知道其合适值的。因为程序基于Karlin-Altschul统计学，人们可以指明一个预期的终止E值，然后软件会在考虑搜索背景的性质的基础上（比如数据库的大小，取代矩阵的性质）计算出正确的S值。BLAST的一项创新就是邻近字串的思想。这个协定不需要字串确切地匹配，在引入取代矩阵的情况下，当主题序列中的字串有一个最低分值T 时，BLAST就宣布找到了一个命中的字串。这个策略允许较长字串长度（W）（为了提高速度），而忽略了敏感度。于是，T值称为制衡速度和敏感度的临界参数，而W是很少会变化的。如果T值增大，可能的命中字串的数目就会下降，程序执行就会加快，减小T值会发现较远的关系。

发生一个字串命中后，程序会进行没有空位的局部寻优，比对的最低分值是S。将比对同时向左方和右方延伸并将分值加和就会得到结果。当遭遇一系列的最低分值时，加和的分值就会下降，这时，分值就不再可能反弹回S值。这个发现为附加的启发式知识提供了依据，因此，当分值的降低（与遭遇的最大值相比）超过分值下降阈值X时，命中的延伸就会终止。于是，系统回减少毫无指望的命中延伸，继续进行其它操作。

使用BLAST

可以通过e-Mail、WWW或控制台命令操作BLAST程序，无论如何，一次数据库搜索包括四种基本元素：BLAST程序的名称，数据库名称，查询序列和大量的合适的参数，很显然，当以上元素发生变化时，搜索的细节就会随之改变。为

了避免混淆，我们把BLAST功能性描述为普通名词，避免提及专有工具。读者可能会要参考使用到的专有工具的有关内容。要得到关于用e-Mail执行BLAST 搜索的介绍，给blast@https://www.wendangku.net/doc/2516289558.html,发一封含有“HELP”的邮件；在WWW 工具中，帮助是在线的；如果使用Unix系统，使用man blast可以获得详细的帮助信息。

表7.1、BLAST程序：

几种不同的BLAST可以通过查询序列和数据库序列的类型来加以区分：blastp 比较的是查询蛋白同蛋白质数据库；相应于核酸序列的程序是blastn；如果序列类型不同，DNA序列可以被翻译成蛋白序列（所有六种阅读框架）后同蛋白序列进行比较，blastx比较一个DNA的查询序列同一个蛋白质序列库，其结果对分析新序列和ESTs很有用；对于一个基于核酸序列库的蛋白质查询，tblastn 程序对于寻找数据库中序列的新的编码区很有用；最后一个只在特殊情况下使用（在这里介绍只是出于完整的考虑），tblastx将DNA查询序列和核酸序列库中的序列全部翻译成蛋白质序列，然后进行蛋白质序列比较，这个程序主要应用于

ESTs比较，尤其是当人们怀疑到其中有可能的编码区，即使并没有确切地发现这一区域。

所有这些程序使用服务器上的序列数据库，从而不需要本地的数据库，表7.2和7.3陈列了一些BLAST使用的蛋白质和核酸的序列数据库。对于常规的搜索，nr数据库拥有大量的氨基酸和核酸序列，同时合并相同的序列以减少冗余度。为了检测在过去30天里提出或更新的序列，提供了一个称为“month”的数据库。不管是nr还是month，都是日日更新。表7.2和7.3中列出的其它一些数据库在一些特别的环境里十分有用，比如在比较模型物种（酵母和大肠杆菌）的全序列时，搜索特别类型的序列（dbest或dbsts），或检测是否存在污染或问题序列（vector，alu或mito）。

表7.2、使用BLAST的蛋白序列数据库：

表7.3、使用BLAST的核苷酸序列数据库：

一个BLAST搜索的例子会介绍搜索输出的不同元素。如图7.11所示的例子，一种Alzheimer疾病感受性蛋白质的氨基酸序列（由GenBank中L43964翻译）作为查询序列同dbest数据库用tblastn进行搜索。进行这么一次搜索的目的是

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

生物信息学软件及使用概述

生物信息学软件及使刘吉平 liujiping@https://www.wendangku.net/doc/2516289558.html, 用概述生物秀-专心做生物！ w w w .b b i o o .c o m

生物信息学是一门新兴的交叉学生物信息学的概念：科，它将数学和计算机知识应用于生物学，以获取、加工、存储、分类、检索与分析生物大分子的信息，从而理解这些信息的生物学意义。生物秀-专心做生物！ w w w .b b i o o .c o m

分析和处理实验数据和公共数据，生物信息学软件主要功能 1.2.提示、指导、替代实验操作，利用对实验数据的分析所得的结论设计下一阶段的实验 3.实验数据的自动化管理 4.寻找、预测新基因及其结构、功能 5.蛋白质高级结构及功能预测（三维建模，目前研究的焦点和难点）生物秀-专心做生物！ w w w .b b i o o .c o m

功能1. 分析和处理实验数据和公共数据，加快研究进度，缩短科研时间 ?核酸：序列同源性比较，分子进化树构建，结构信息分析，包括基元(Motif)、酶切点、重复片断、碱基组成和分布、开放阅读框（ORF ），蛋白编码区（CDS ）及外显子预测、RNA 二级结构预测、DNA 片段的拼接； ?蛋白：序列同源性比较，结构信息分析（包括Motif ，限制酶切点，内部重复序列的查找，氨基酸残基组成及其亲水性及疏水性分析)，等电点及二级结构预测等等； ?本地序列与公共序列的联接，成果扩大。生物秀-专心做生物！ w w w .b b i o o .c o m

Antheprot 5.0 Dot Plot 点阵图 Dot plot 点阵图能够揭示多个局部相似性的复杂关系生物秀-专心做生物！ w w w .b b i o o .c o m

【高中生物】功能基因的克隆及生物信息学分析

（生物科技行业）功能基因的克隆及生物信息学分析

功能基因的克隆及其生物信息学分析摘要：随着多种生物全基因组序列的获得，基因组研究正从结构基因组学（structuralgenomics）转向功能基因组学(functionalgenomics)的整体研究。功能基因组学利用结构基因组学研究获得的大量数据与信息评价基因功能(包括生化功能、细胞功能、发育功能、适应功能等)，其主要手段结合了高通量的大规模的实验方法、统计和计算机分析技术[1]，它代表了基因分析的新阶段，已成为21世纪国际生命科学研究的前沿。功能基因组学是利用基因组测序获得的信息和产物，发展和应用新的实验手段，通过在基因组或系统水平上全面分析基因的功能，使生物学研究从对单一基因或蛋白的研究转向多个基因或蛋白同时进行系统的研究，是在基因组静态的组成序列基础上转入对基因组动态的生物学功能学研究[2]。如何研究功能基因，也成为我们面临的一个课题，本文就克隆和生物信息学分析在研究功能基因方面的应用做一个简要的阐述。关键词：功能基因、克隆、生物信息学分析。 1.功能基因的克隆 1.1图位克隆方法图位克隆又称定位克隆，它是根据目标基因在染色体上确切位置，寻找与其紧密连锁的分子标记，筛选BCA克隆，通过染色体步移法逐步逼近目的基因区域，根据测序结果或用BAC、YAC克隆筛选cDNA表达文库寻找候选基因，得到候选基因后再确定目标基因。优点是无需掌握基因产物的任何信息，从突变体开始，逐步找到基因，最后证实该基因就是造成突变的原因。通过图位克隆许多

控制质量性状的单基因得以克隆，最近也有报道某些控制数量性状的主效基因（控制蕃茄果实大小的基因克隆[3]、控制水稻成熟后稻谷脱落基因克隆[4]以及小麦VRN2基因克隆[5]等）也通过图位克隆法获得。 1.2同源序列克隆目的基因首先根据已知的基因序列设计PCR引物，在已知材料中扩增到该片段，并经克隆测序验证，利用放射性同位素标记或其他非同位素标记该PCR片段作为探针，与待研究材料的cDNA文库杂交，就可以获得该基因cDNA克隆，利用克隆进一步筛选基因组文库，挑选阳性克隆，亚克隆并测序，从中就可以筛选到该基因的完整序列。 1.3结合连锁和连锁不平衡的分析方法结合连锁和连锁不平衡的分析方法是未知基因克隆研究领域发展的新方向[6]。(Linkagedisequilibrium,LD)。与连锁分析不同,连锁不平衡分析可以利用自然群体中历史发生的重组事件。历史上发生的重组使连锁的标记渐渐分布到不同的同源染色体上,这样就只有相隔很近的标记才能不被重组掉,从而形成大小不同的单倍型片段(Haplotypeblock)。这样经过很多世代的重组,只有相隔很近的基因,才能仍处在相同的原始单倍型片段上,基因间的连锁不平衡才能依然存在。所以基于连锁不平衡分析,可以实现目的基因的精细定位。林木大多为自由授粉的异交物种,所以连锁不平衡程度很低,林木基因组中的LD可能会仅局限于非常小的区域,这就为目的基因的精细定位提供了可能,结合SNP检测技术,科学家甚至可以将效应位点直接与单个的核苷酸突变关联起来,进行数量性状寡核苷酸

生物信息学实验指导讲解

生物信息学实验指导适用专业：生物技术与制药大类生物技术编写：解增言生物信息学院 2014年9月

目录实验1 在线BLAST同源序列查询 (3) 实验2 本地BLAST同源序列查询 (8) 实验3 利用ClustalX与MEGA进行多序列比对与分子系统发生树构建 (10) 实验4 利用RNAfold预测RNA二级结构 (14) 实验5 Pfam蛋白质结构域分析 (17) 实验6 利用PSSpred预测蛋白质二级结构 (19) 实验7 利用Cn3D和RasMol分析蛋白质三级结构 (21) 实验8 利用GO及EST数据分析基因功能 (24)

实验1 在线BLAST同源序列查询一、实验目的 1．了解同源序列查询的原理和用途； 2．掌握利用NCBI在线BLAST工具查找同源序列的方法。二、实验原理在生物学种系发生理论中，若两个或多个结构具有相同的祖先，则称它们同源（homologous）。分子生物学中的同源指两条序列来自于一条共同的祖先序列。一般来说，相似超过一定程度的序列具有同源性。在生物信息学研究中，常用序列比对（alignment）来研究序列的同源性以及推测物种之间的关系。最常见的比对是蛋白质序列之间或核酸序列之间的两两比对，通过比较两个序列之间的相似区域和保守性位点，寻找二者可能的分子进化关系。进一步的比对是将多个蛋白质或核酸同时进行比较，寻找这些有进化关系的序列之间共同的保守区域或位点，从而探索导致它们产生共同功能的序列模式。此外，还可以把蛋白质序列与核酸序列相比来探索核酸序列可能的表达框架；把蛋白质序列与具有三维结构信息的蛋白质相比，从而获得蛋白质折叠类型的信息。比对还是数据库搜索算法的基础，将查询序列与整个数据库]的所有序列进行比对，从数据库中获得与其最相似序列的已有的数据，能最快速的获得有关查询序列的大量有价值的参考信息，对于进一步分析其结构和功能都会有很大的帮助。近年来随着生物信息学数据大量积累和生物学知识的整理，通过比对方法可以有效地分析和预测一些新发现基因的功能。序列两两比对序列比对的理论基础是进化学说，如果两个序列之间具有足够的相似性，就推测二者可能有共同的进化祖先，经过序列内残基的替换、残基或序列片段的缺失、以及序列重组等遗传变异过程分别演化而来。序列相似和序列同源是不同的概念，序列之间的相似程度是可以量化的参数，而序列是否同源需要有进化事实的验证。在残基－残基比对中，可以明显看到序列中某些氨基酸残基比其它位置上的残基更保守，这些信息揭示了这些保守位点上的残基对蛋白质的结构和功能是至关重要的，例如它们可能是酶的活性位点残基，形成二硫键的半胱氨酸残基，与配体结合部位的残基，与金属离子结合的残基，形成特定结构motif的残基等等。但并不是所有保守的残基都一定是结构功能重要的，可能它们只是由于历史的原因被保留下来，而不是由于进化压力而保留下来。因此，如果两个序列有显著的保守性，要确定二者具有共同的进化历史，进而认为二者有近似的结构和功能还需要更多实验和信息的支持。通过大量实验和序列比对的分析，一般认为蛋白质的结构和功能比序列具有更大的保守性，因此粗略的说，如果序列之间的相似性超过30%，它们就很可能是同源的。早期的序列比对是全局的序列比较，但由于蛋白质具有的模块性质，可能由于外显子的交换而产生新蛋白质，因此局部比对会更加合理。通常用打分矩阵描述序列两两比对，两条序列分别作为矩阵的两维，矩阵点是两维上对应两个残基的相似性分数，分数越高则说明两个残基越相似。因此，序列比对问题变成在矩阵里寻找最佳比对路径，目前最有效的方法是Needleman-Wunsch动态规划算法，在此基础上又改良产生了 Smith-Waterman算法和SIM算法。在 FASTA程序包中可以找到用动态规划算法进行序列比对的工具LALIGN，它能给出多个不相互交叉的最佳比对结果。

生物信息学名词解释

1.计算生物信息学（Computational Bioinformatics）是生命科学与计算机科学、数理科学、化学等领域相互交叉而形成的一门新兴学科，以生物数据作为研究对象，研究理论模型和计算方法，开发分析工具，进而达到揭示这些数据蕴含的生物学意义的目的。 2.油包水PCR (Emulsion PCR) : 1) DNA片段和捕获磁珠混合; 2) 矿物油和水相的剧烈震荡产生油包水环境; 3) DNA片段在油包水环境中扩增;4) 破油并富集有效扩增磁珠。 3.双碱基编码技术：在测序过程中对每个碱基判读两遍，从而减少原始数据错误，提供内在的校对功能。代表测序方法：solid 测序。 4.焦磷酸测序法：焦磷酸测序技术是由4种酶催化的同一反应体系中的酶级联化学发光反应,适于对已知的短序列的测序分析,其可重复性和精确性能与SangerDNA测序法相媲美,而速度却大大的提高。焦磷酸测序技术不需要凝胶电泳,也不需要对DNA样品进行任何特殊形式的标记和染色,具备同时对大量样品进行测序分析的能力。在单核苷酸多态性、病原微生物快速鉴定、病因学和法医鉴定研究等方面有着越来越广泛的应用。例如：454测序仪：用蛋白质序列查找核苷酸序列。 :STS是序列标记位点（sequence-tagged site）的缩写，是指染色体上位置已定的、核苷酸序列已知的、且在基因组中只有一份拷贝的DNA短片断，一般长200bp －500bp。它可用PCR方法加以验证。将不同的STS依照它们在染色体上的位置依次排列构建的图为STS图。在基因组作图和测序研究时，当各个实验室发表其DNA测序数据或构建成的物理图时，可用STS来加以鉴定和验证，并确定这些测序的DNA片段在染色体上的位置；还有利于汇集分析各实验室发表的数据和资料，保证作图和测序的准确性。 :表达序列标签技术（EST，Expressed Sequence Tags）EST技术直接起源于人类基因组计划。：生物信息学数据库。UniGene试图通过计算机程序对GeneBank中的序列数据进行适当处理，剔除冗余部分，将同一基因的序列，包括EST序列片段搜集到一起，以便研究基因的转录图谱。UniGene除了包括人的基因外，也包括小鼠、大鼠等其它模式生物的基因。 :开放阅读框（ORF，open reading frame )是基因序列的一部分，包含一段可以编码蛋白的碱基序列，不能被终止子打断。编码一个蛋白质的外显子连接成为一个连续的ORF。 10.分子钟检验：只有分子钟的，没听过分子钟检验。一种关于分子进化的假说，认为两个物种的同源基因之间的差异程度与它们的共同祖先的存在时间(即两者的分歧时间)有一定的数量关系

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

生物信息学复习题及答案(陶士珩)

生物信息学复习题一、名词解释生物信息学, 二级数据库, FASTA序列格式, genbank序列格式, Entrez，BLAST，查询序列（query），打分矩阵（scoring matrix），空位（gap），空位罚分，E 值, 低复杂度区域，点矩阵（dot matrix），多序列比对，分子钟，系统发育（phylogeny），进化树的二歧分叉结构，直系同源，旁系同源，外类群，有根树，除权配对算法（UPGMA），邻接法构树，最大简约法构树，最大似然法构树，一致树（consensus tree），bootstrap，开放阅读框（ORF），密码子偏性（codon bias），基因预测的从头分析法，结构域（domain），超家族，模体（motif），序列表谱（profile），PAM矩阵，BLOSUM，PSI-BLAST，RefSeq，PDB数据库，GenPept，折叠子，TrEMBL，MMDB，SCOP，PROSITE，Gene Ontology Consortium，表谱（profile）。二、问答题 1）生物信息学与计算生物学有什么区别与联系？ 2）试述生物信息学研究的基本方法。 3）试述生物学与生物信息学的相互关系。 4）美国国家生物技术信息中心（NCBI）的主要工作是什么？请列举3个以上NCBI 维护的数据库。 5）序列的相似性与同源性有什么区别与联系？ 6）BLAST套件的blastn、blastp、blastx、tblastn和tblastx子工具的用途什么？ 7）简述BLAST搜索的算法。 8）什么是物种的标记序列？ 9）什么是多序列比对过程的三个步骤？ 10）简述构建进化树的步骤。 11）简述除权配对法（UPGMA）的算法思想。 12）简述邻接法（NJ）的算法思想。 13）简述最大简约法（MP）的算法思想。 14）简述最大似然法（ML）的算法思想。 15）UPGMA构树法不精确的原因是什么？ 16）在MEGA2软件中，提供了多种碱基替换距离模型，试列举其中2种，解释其含义。 17）试述DNA序列分析的流程及代表性分析工具。 18）如何用BLAST发现新基因？ 19）试述SCOP蛋白质分类方案。 20）试述SWISS-PROT中的数据来源。 21）TrEMBL哪两个部分？ 22）试述PSI-BLAST 搜索的5个步骤。三、操作与计算题 1）如何获取访问号为U49845的genbank文件？解释如下genbank文件的LOCUS行提供的信息： LOCUS SCU49845 5028 bp DNA linear PLN 21-JUN-1999 2）利用Entrez检索系统，对核酸数据搜索，输入如下信息，将获得什

生物信息学第七章：序列比对和数据库搜索

第七章：序列比对和数据库搜索 Gregory D.Schuler National Center for Biotechnology Information National Library of Medicine. National Institutes of Health Bethesda. Maryland 引言在生物学的研究中,有一个常用的方法,就是通过比较分析获取有用的信息和知识。达尔文正是研究比较了galapagos finches同其它一些物种的形态学特征，从而提出了自然选择学说。今天，我们对基因和蛋白质序列进行比较，从本质上来讲是同达尔文一样，进行同样的分析，只不过更加精细，更加详尽。在这个意义上，我们从核酸以及氨基酸的层次去分析序列的相同点和不同点，以期能够推测它们的结构、功能以及进化上的联系。最常用的比较方法是序列比对，它为两个或更多个序列的残基之间的相互关系提供了一个非常明确的图谱。在这一章，我们只讨论一下双重比对，即只比较两个序列，至于较多的序列即多序列比对，将在第八章介绍。七十年代以来，DNA测序方法的飞速发展，极大地引发了序列信息量的扩增，从而使可供比较的序列数量呈现爆炸式增长。分子生物学家应该意识到，将未知序列同整个数据库中的已知序列进行比较分析已经成为他们手中一个强有力的研究手段。在过去的三十年里，即使不提及计算机的应用，序列比较的各种算法也已经发展得越来越迅速，也越来越成熟，已经能够跟上序列数据库增长的步伐。今天，我们已经拥有一些小的模式物种的基因组的全序列，还拥有人类基因序列的一些较大的样品，我们已经进入比较基因组时代，也就是说，对两个物种进行全基因组序列比较已经不再是一个梦想。序列比对的进化基础进行序列比对的目的之一是让人们能够判断两个序列之间是否具有足够的相似性，从而判定二者之间是否具有同源性。值得注意的是，相似性和同源性虽然在

生物信息学数据库或软件

一、搜索生物信息学数据库或者软件数据库是生物信息学的主要内容，各种数据库几乎覆盖了生命科学的各个领域。核酸序列数据库有GenBank，EMBL，DDB等，核酸序列是了解生物体结构、功能、发育和进化的出发点。国际上权威的核酸序列数据库有三个，分别是美国生物技术信息中心（NCBI）的GenBank ，欧洲分子生物学实验室的EMBL-Bank（简称EMBL），日本遗传研究所的DDBJ 蛋白质序列数据库有SWISS-PROT，PIR，OWL，NRL3D，TrEMBL等，蛋白质片段数据库有PROSITE，BLOCKS，PRINTS等，三维结构数据库有PDB，NDB，BioMagResBank，CCSD等，与蛋白质结构有关的数据库还有SCOP，CATH，FSSP，3D-ALI，DSSP等，与基因组有关的数据库还有ESTdb，OMIM，GDB，GSDB等，文献数据库有Medline，Uncover等。另外一些公司还开发了商业数据库,如MDL等。

生物信息学数据库覆盖面广，分布分散且格式不统一, 因此一些生物计算中心将多个数据库整合在一起提供综合服务，如EBI的SRS(Sequence Retrieval System)包含了核酸序列库、蛋白质序列库，三维结构库等30多个数据库及CLUSTALW、PROSITESEARCH等强有力的搜索工具，用户可以进行多个数据库的多种查询。二、搜索生物信息学软件生物信息学软件的主要功能有：分析和处理实验数据和公共数据，加快研究进度，缩短科研时间；提示、指导、替代实验操作，利用对实验数据的分析所得的结论设计下一阶段的实验；寻找、预测新基因及预测其结构、功能；蛋白高级结构预测。如：核酸序列分析软件BioEdit、DNAClub等；序列相似性搜索BLAST；多重系列比对软件Clustalx；系统进化树的构建软件Phylip、MEGA等；PCR 引物设计软件Primer premier6.0、oligo6.0等；蛋白质二级、三级结构预测及三维分子浏览工具等等。 NCBI的网址是：https://www.wendangku.net/doc/2516289558.html,。 Entrez的网址是：https://www.wendangku.net/doc/2516289558.html,/entrez/。 BankIt的网址是：https://www.wendangku.net/doc/2516289558.html,/BankIt。 Sequin的相关网址是：https://www.wendangku.net/doc/2516289558.html,/Sequin/。数据库网址是：https://www.wendangku.net/doc/2516289558.html,/embl/。

生物信息学中的序列比对算法

生物信息学中的序列比对算法张永１，王瑞２（１．南昌航空大学计算机学院，江西南昌３３００６３；２．江西大宇职业技术学院，江西南昌３３００３８）摘要：生物信息学是以计算机为工具对生物信息进行储存、检索和分析的科学。序列比对是生物信息学中的一个基本问题，设计快速而有效的序列比对算法是生物信息学研究的一个重要内容，通过序列比较可以发现生物序列中的功能、结构和进化的信息，序列比较的基本操作是比对。本文介绍了序列比对算法的发展现状，描述了常用的各类序列比对算法，并分析了它们的优劣。关键词：生物信息学；双序列比对；多序列比对中图分类号：ＴＰ３０１文献标识码：Ａ文章编号：１００９－３０４４（２００８）０３－１０１８１－０４ＳｅｑｕｅｎｃｅＡｌｉｇｎｍｅｎｔＡｌｇｏｒｉｔｈｍｓｉｎＢｉｏｉｎｆｏｒｍａｔｉｃｓＺＨＡＮＧＹｏｎｇ１，ＷＡＮＧＲｕｉ２（１．ＳｃｈｏｏｌｏｆＣｏｍｐｕｔｉｎｇ，ＮａｎｃｈａｎｇＨａｎｇｋｏｎｇＵｎｉｖｅｒｓｉｔｙ，Ｎａｎｃｈａｎｇ３３００６３，Ｃｈｉｎａ；２．ＪｉａｎｇｘｉＤａｙｕＶｏｃａｔｉｏｎａｌＩｎｓｔｉｔｕｔｅ，Ｎａｎｃｈａｎｇ３３００３８，Ｃｈｉｎａ）Ａｂｓｔｒａｃｔ：Ｂｉｏｉｎｆｏｒｍａｔｉｃｓｉｓｔｈｅｓｕｂｊｅｃｔｏｆｕｓｉｎｇｃｏｍｐｕｔｅｒｔｏｓｔｏｒｅ，ｒｅｔｒｉｅｖｅａｎｄａｎａｌｙｚｅｂｉｏｌｏｇｉｃａｌｉｎｆｏｒｍａｔｉｏｎ．Ｓｅｑｕｅｎｃｅａｌｉｇｎｍｅｎｔｉｓａｂａ－ｓｉｃｐｒｏｂｌｅｍｉｎＢｉｏｉｎｆｏｒｍａｔｉｃｓ，ａｎｄｉｔｓｍａｉｎｒｅｓｅａｒｃｈｗｏｒｋｉｓｔｏｄｅｖｅｌｏｐｒａｐｉｄａｎｄｅｆｆｅｃｔｉｖｅｓｅｑｕｅｎｃｅａｌｉｇｎｍｅｎｔａｌｇｏｒｉｔｈｍｓ．Ｗｅｍａｙｄｉｓｃｏｖ－ｅｒｆｕｎｃｔｉｏｎａｌ，ｓｔｒｕｃｔｕｒａｌａｎｄｅｖｏｌｕｔｉｏｎａｒｙｉｎｆｏｒｍａｔｉｏｎｉｎｂｉｏｌｏｇｉｃａｌｓｅｑｕｅｎｃｅｓｂｙｓｅｑｕｅｎｃｅｃｏｍｐａｒｉｎｇ．Ｔｈｉｓｐａｐｅｒｉｎｔｒｏｄｕｃｅｓｔｈｅｄｅｖｅｌｏｐ－ｍｅｎｔａｃｔｕａｌｉｔｙｏｆｓｅｑｕｅｎｃｅａｌｉｇｎｍｅｎｔａｌｇｏｒｉｔｈｍｓ，ｄｅｓｃｒｉｂｅｓｖａｒｉｅｔｙｏｆｓｅｑｕｅｎｃｅａｌｉｇｎｍｅｎｔａｌｇｏｒｉｔｈｍａｎｄａｎａｌｙｓｅｓｔｈｅａｄｖａｎｔａｇｅｓａｎｄｄｉｓａｄ－ｖａｎｔａｇｅｓｏｆｔｈｅｍ．Ｋｅｙｗｏｒｄｓ：Ｂｉｏｉｎｆｏｒｍａｔｉｃｓ；ＰａｉｒｗｉｓｅＳｅｑｕｅｎｃｅＡｌｉｇｎｍｅｎｔ；ＭｕｌｔｉｐｌｅＳｅｑｕｅｎｃｅＡｌｉｇｎｍｅｎｔ１引言生物信息学是８０年代末随着人类基因组计划的启动而兴起的一门新的交叉学科，最初常被称为基因组信息学。生物信息学是在生命科学的研究中，以计算机为工具对生物信息进行储存、检索和分析的科学。它是当今生命科学和自然科学的重大前沿领域之一，同时也将是２１世纪自然科学的核心领域之一。其研究重点主要体现在基因组学和蛋白组学两方面，具体说，是从核酸和蛋白质序列出发，分析序列中表达结构与功能的生物信息。生物信息学的研究重点主要体现在基因组学和蛋白质学两方面，具体地说就是从核酸和蛋白质序列出发，分析序列中表达结构和功能的生物信息。生物信息学的基本任务是对各种生物分析序列进行分析，也就是研究新的计算机方法，从大量的序列信息中获取基因结构、功能和进化等知识。在从事分子生物学研究的几乎所有实验室中，对所获得的生物序列进行生物信息学分析已经成为下一步实验之前的一个标准操作。而在序列分析中，将未知序列同已知序列进行相似性比较是一种强有力的研究手段，从序列的片段测定，拼接，基因的表达分析，到ＲＮＡ和蛋白质的结构功能预测，物种亲缘树的构建都需要进行生物分子序列的相似性比较。例如，有关病毒癌基因与细胞癌基因关系的研究，免疫分子相互识别与作用机制的研究，就大量采用了这类比较分析方法。这种相似性比较分析方法就称为系列比对（ＳｅｑｕｅｎｃｅＡｌｉｇｎｍｅｎｔ）。目前，国际互联网上提供了众多的序列比对分析软件。然而，不同的分析软件会得到不同的结果，同时所使用的参数在很大程度上影响到分析的结果。有时常常会由于采用了不合适的参数而丢失了弱的但却具有统计学显著性意义的主要信息，导致随后的实验研究走弯路。因此，生物信息学中的序列比对算法的研究具有非常重要的理论与实践意义。序列比对问题根据同时进行比对的序列数目分为双序列比对和多序列比对。双序列比对有比较成熟的动态规划算法，而多序列比对目前还没有快速而又十分有效的方法。一般来说，评价生物序列比对算法的标准有两个：一为算法的运算速度，二为获得最佳比对结果的敏感性或准确性。人们虽已提出众多的多序列比对算法，但由于问题自身的计算复杂性，它还尚未得到彻底解决，是收稿日期：２００７－１１－２５基金资助：南昌航空大学校自选（ＥＣ２００７０６０８６）作者简介：张永（１９７７－），男，硕士，辽宁铁岭人，南昌航空大学计算机学院讲师，研究方向：生物信息学、信息处理；王瑞（１９７７－），男，江西大宇职业技术学院外语系助教。

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。

生物信息学考试复习

——古 A．名词解释 1. 生物信息学：广义是指从事对基因组研究相关的生物信息的获取，加工，储存，分配，分析和解释。狭义是指综合应用信息科学，数学理论，方法和技术，管理、分析和利用生物分子数据的科学。 2. 基因芯片：将大量已知或未知序列的DNA片段点在固相载体上，通过物理吸附达到固定化（cDNA芯片），也可以在固相表面直接化学合成，得到寡聚核苷酸芯片。再将待研究的样品与芯片杂交，经过计算机扫描和数据处理，进行定性定量的分析。可以反映大量基因在不同组织或同一组织不同发育时期或不同生理条件下的表达调控情况。 3. NCBI：National Center for Biotechnology Information.是隶属于美国国立医学图书馆（NLM）的综合性数据库，提供生物信息学方面的研究和服务。 4. EMBL：European Molecular Biology Laboratory.EBI为其一部分，是综合性数据库，提供生物信息学方面的研究和服务。 5. 简并引物：PCR引物的某一碱基位置有多种可能的多种引物的混合体。 6. 序列比对：为确定两个或多个序列之间的相似性以至于同源性，而将它们按照一定的规律排列。

7. BLAST：Basic Local Alignment Search Tool.是通过比对(alignment)在数据库中寻找和查询序列(query)相似度很高的序列的工具。 8. ORF：Open Reading Frame.由起始密码子开始，到终止密码子结束可以翻译成蛋白质的核酸序列，一个未知的基因，理论上具有6个ORF。 9. 启动子：是RNA聚合酶识别、结合并开始转录所必须的一段DNA序列。原核生物启动子由上游调控元件和核心启动子组成，核心启动子包括-35区（Sextama box）TTGACA，-10区（Pribnow Box）TATAAT，以及+1区。真核生物启动子包括远上游序列和启动子基本元件构成，启动子基本元件包括启动子上游元件（GC岛，CAAT盒），核心启动子（TATA Box，+1区帽子位点）组成。 10. motif：模体，基序，是序列中局部的保守区域，或者是一组序列中共有的一小段序列模式。 11. 分子进化树：通过比较生物大分子序列的差异的数值重建的进化树。 12. 相似性：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的比例。同源性：两个基因或蛋白质序列具有共同祖先的结论。13.

生物信息学实验三数据库搜索-BLAST

实验三数据库搜索—BLAST 1. Nucleotide BLAST 在Nucleotide中输入登录号搜索人类MAPK9（NM_139069.2）基因，send to 为coding sequences，作为Query 序列，或者下载complete sequences，在Blastn 中限制序列搜索范围为272-1420（编码区）。分别用megablast, discontiguous megablast 和 blastn 进行搜索。这三个搜索的参数不同之处，主要体现在单词单位，megablast的单词单位默认为28，可选范围从16-256， discontiguous megablast的单词单位默认为11，可选为11和12， blastn单词单位默认为11，可选范围为7,11和15。Megablast 可以快速搜索到与query 高度相似的序列；discontiguous megablast用于寻找与 query 高度相似的序列; blastn则用于寻找与 query 有一定相似度的序列。单词单位越小，敏感度越高，也就是说，Megablast敏感度最差，discontiguous megablast 居中，blastn 最高。 Megablast的搜索速度最快，discontiguous megablast居中，blastn最差。三个搜索所搜索到的相似序列的数量，相似性范围和分值范围都有很大差异，具 Methods Number Identity（%）Max score Megablast154172-10073.1-2122 discontiguous megablast652763-10044.6-2073 blastn116676310044.6-2073 截取30bp的片段进行blastn搜索，默认参数设置如下图：搜索后，实际参数如下图，主要对word size, expect value进行了调整，这是因为我们了选中automatically adjust parameters for short input sequences，在所搜索的片段长度比较小时，数据库中随机情况下找到高度相似甚至相同的局部比对（HSPs）的可能性非常高，系统自动将 word size 调小，

生物信息学第七章：序列比对和数据库搜索

生物信息学的主要研究内容

生物信息学软件及使用概述

最新生物信息学名词解释(个人整理)

【高中生物】功能基因的克隆及生物信息学分析

生物信息学实验指导讲解

生物信息学名词解释

最新生物信息学考试复习

高通量测序生物信息学分析(内部极品资料,初学者必看)

生物信息学复习题及答案(陶士珩)

生物信息学第七章：序列比对和数据库搜索

生物信息学数据库或软件

生物信息学中的序列比对算法

生物信息学分析

生物信息学考试复习

生物信息学实验三数据库搜索-BLAST

生物信息学 第七章：序列比对和数据库搜索

生物信息学的主要研究内容

生物信息学软件及使用概述

最新生物信息学名词解释(个人整理)

【高中生物】功能基因的克隆及生物信息学分析

生物信息学实验指导讲解

生物信息学名词解释

最新生物信息学考试复习

高通量测序生物信息学分析(内部极品资料,初学者必看)

生物信息学复习题及答案(陶士珩)

生物信息学 第七章：序列比对和数据库搜索

生物信息学数据库或软件

生物信息学中的序列比对算法

生物信息学分析

生物信息学考试复习

生物信息学 实验三 数据库搜索-BLAST

生物信息学第七章：序列比对和数据库搜索

生物信息学第七章：序列比对和数据库搜索

生物信息学实验三数据库搜索-BLAST