《生物信息學(xué)》學(xué)生復(fù)習(xí)資料教學(xué)文案

1、Good is good, but better carries it.精益求精，善益求善。生物信息學(xué)學(xué)生復(fù)習(xí)資料-生物信息學(xué)復(fù)習(xí)資料陳芳宋東光教材：生物信息學(xué)簡(jiǎn)明教程（鐘揚(yáng)編）1緒論分子生物學(xué)與計(jì)算機(jī)、信息科學(xué)的結(jié)合生物信息學(xué)(Bioinformatics);Bioinformaticsisthescienceofstoring,extracting,organizing,analyzing,interpreting,andutilizinginformationfrombiologicalsequencesandmolecules.生物信息學(xué)及其分支學(xué)科分子生物信息學(xué)(moleculari

2、nformatics)即狹義的生物信息學(xué)，指應(yīng)用信息技術(shù)儲(chǔ)存和分析基因組測(cè)序所產(chǎn)生的分子序列及其相關(guān)數(shù)據(jù)；生物信息學(xué)(bioinformatics)廣義的生物信息學(xué)指生命科學(xué)與數(shù)學(xué)、計(jì)算機(jī)科學(xué)和信息科學(xué)等交叉形成的一門邊緣學(xué)科，對(duì)各種生物信息(主要是分子生物學(xué)信息)的獲取、儲(chǔ)存、處理、分析和闡釋；生物信息學(xué)是廣義的計(jì)算生物學(xué)的分支，在為生物學(xué)系統(tǒng)建模中應(yīng)用了量化分析技術(shù)；計(jì)算分子生物學(xué)(computationalmolecularbiology)-開發(fā)和使用數(shù)學(xué)和計(jì)算機(jī)技術(shù)以幫助解決分子生物學(xué)中的問題，側(cè)重于發(fā)展理論模型和有效算法；分子計(jì)算(molecularcomputing)將DNA作為一

3、種信息儲(chǔ)存器，應(yīng)用PCR技術(shù)和生物芯片等來進(jìn)行計(jì)算。生物信息學(xué)的主要目的不是分子發(fā)展最精致的算法，其目的是發(fā)現(xiàn)生物體以怎樣的方式生存。生物信息學(xué)和計(jì)算生物學(xué)研究包括從生物系統(tǒng)的性質(zhì)抽象出為數(shù)學(xué)或物理模型，到實(shí)現(xiàn)數(shù)據(jù)分析的新算法，以及開發(fā)數(shù)據(jù)庫和訪問數(shù)據(jù)庫的Web工具。生物信息學(xué)的功能是表示、存儲(chǔ)和分布數(shù)據(jù)。開發(fā)從數(shù)據(jù)中發(fā)現(xiàn)知識(shí)的分析工具處于第二位。生物信息學(xué)發(fā)展階段與研究方向前基因組時(shí)代數(shù)據(jù)庫建立、檢索工具的開發(fā)和蛋白質(zhì)序列分析；基因組時(shí)代基因?qū)ふ液妥R(shí)別、網(wǎng)絡(luò)數(shù)據(jù)庫系統(tǒng)的建立如EST數(shù)據(jù)庫及電子克隆等；后基因組時(shí)代大規(guī)?；蚪M分析、蛋白質(zhì)組分析、各種數(shù)據(jù)的比較和整合。面臨的主要挑戰(zhàn)：1)互操作

4、的生物信息系統(tǒng)及相關(guān)數(shù)據(jù)挖掘技術(shù)；2)發(fā)展揭示大規(guī)模數(shù)據(jù)集合不同組分間關(guān)系的統(tǒng)計(jì)分析方法和優(yōu)化算法；3)開發(fā)數(shù)據(jù)轉(zhuǎn)換工具，建立預(yù)測(cè)模型；4)開發(fā)微陣列和基因芯片等新技術(shù)的數(shù)據(jù)分析工具。我國生物信息學(xué)研究的發(fā)展方向建立國家生物醫(yī)學(xué)數(shù)據(jù)庫與服務(wù)系統(tǒng)人類基因組的信息結(jié)構(gòu)分析功能基因組相關(guān)信息分析研究遺傳密碼起源與生物進(jìn)化（尤其是分子進(jìn)化）的過程與機(jī)制生物信息學(xué)基本方法與前沿技術(shù)基本方法1)建立生物數(shù)據(jù)庫2)數(shù)據(jù)庫檢索3)序列分析4)統(tǒng)計(jì)模型5)算法前沿技術(shù)1)數(shù)據(jù)管理技術(shù)2)數(shù)據(jù)倉庫、數(shù)據(jù)挖掘與數(shù)據(jù)庫中的知識(shí)發(fā)現(xiàn)技術(shù)3)圖像處理與可視化技術(shù)生物信息學(xué)的應(yīng)用生物信息的經(jīng)濟(jì)價(jià)值與生物信息學(xué)市場(chǎng)基因組分析

5、基因芯片藥物開發(fā)其他應(yīng)用領(lǐng)域生物信息學(xué)的主要研究領(lǐng)域及其應(yīng)用前景生物信息學(xué)(bioinformatics)廣義的生物信息學(xué)指生命科學(xué)與數(shù)學(xué)、計(jì)算機(jī)科學(xué)和信息科學(xué)等交叉形成的一門邊緣學(xué)科，對(duì)各種生物信息(主要是分子生物學(xué)信息)的獲取、儲(chǔ)存、處理、分析和闡釋；生物信息學(xué)是廣義的計(jì)算生物學(xué)的分支，在為生物學(xué)系統(tǒng)建模中應(yīng)用了量化分析技術(shù)；生物信息學(xué)發(fā)展階段與研究方向前基因組時(shí)代數(shù)據(jù)庫建立、檢索工具的開發(fā)和蛋白質(zhì)序列分析；基因組時(shí)代基因?qū)ふ液妥R(shí)別、網(wǎng)絡(luò)數(shù)據(jù)庫系統(tǒng)的建立如EST數(shù)據(jù)庫及電子克隆等；后基因組時(shí)代大規(guī)模基因組分析、蛋白質(zhì)組分析、各種數(shù)據(jù)的比較和整合。面臨的主要挑戰(zhàn)：1)互操作的生物信息系統(tǒng)及相

6、關(guān)數(shù)據(jù)挖掘技術(shù)；2)發(fā)展揭示大規(guī)模數(shù)據(jù)集合不同組分間關(guān)系的統(tǒng)計(jì)分析方法和優(yōu)化算法；3)開發(fā)數(shù)據(jù)轉(zhuǎn)換工具，建立預(yù)測(cè)模型；4)開發(fā)微陣列和基因芯片等新技術(shù)的數(shù)據(jù)分析工具。我國生物信息學(xué)研究的發(fā)展方向建立國家生物醫(yī)學(xué)數(shù)據(jù)庫與服務(wù)系統(tǒng)人類基因組的信息結(jié)構(gòu)分析功能基因組相關(guān)信息分析研究遺傳密碼起源與生物進(jìn)化（尤其是分子進(jìn)化）的過程與機(jī)制生物信息學(xué)的應(yīng)用前景生物信息的經(jīng)濟(jì)價(jià)值與生物信息學(xué)市場(chǎng)基因組分析基因芯片藥物開發(fā)其他應(yīng)用領(lǐng)域2生物信息學(xué)的計(jì)算機(jī)基礎(chǔ)數(shù)據(jù)管理與數(shù)據(jù)庫技術(shù)數(shù)據(jù)庫是以一種能夠保存持久并可以被操作的方式來保存的數(shù)據(jù)集合。包括文本文件、電子數(shù)據(jù)表格和圖象。數(shù)據(jù)庫系統(tǒng)由一個(gè)數(shù)據(jù)庫和周圍的環(huán)境，包括

7、軟件、操作系統(tǒng)、硬件和使用它的用戶所組成。計(jì)算機(jī)網(wǎng)絡(luò)與Internet計(jì)算機(jī)網(wǎng)絡(luò)是為了資源共享和信息交流的目的而互相連接起來的計(jì)算機(jī)的集合?；ヂ?lián)網(wǎng)絡(luò)(Internetwork)是指通過中間設(shè)備連接的多個(gè)網(wǎng)絡(luò)的集合，形成覆蓋范圍更廣的計(jì)算機(jī)網(wǎng)絡(luò)。網(wǎng)絡(luò)分類根據(jù)距離分類:局域網(wǎng)(LAN,LocalAreaNetwork)連接小范圍內(nèi)的計(jì)算機(jī)，一般系統(tǒng)覆蓋半徑為幾百米到幾公里，是隨著PC機(jī)的發(fā)展而發(fā)展起來的；廣域網(wǎng)(WAN,WideAreaNetwork)可以連接地理位置比較分散的計(jì)算機(jī),Internet是最大的WAN，連接了不同大洲的數(shù)百萬個(gè)網(wǎng)絡(luò).介于二者的是城域網(wǎng)(MAN,Metropolitan

8、AreaNetwork).Internet提供的服務(wù)Telnet:主機(jī)遠(yuǎn)程登錄；FTP:文件傳輸；Email:電子郵件；Usenet:新聞組；WWW:萬維網(wǎng).數(shù)據(jù)倉庫和數(shù)據(jù)挖掘Datawarehouse:面向主題的、集成的、持久的、歷史的數(shù)據(jù)集合。從各種數(shù)據(jù)資源中獲得原始數(shù)據(jù)按輔助決策的主題要求形成當(dāng)前基本數(shù)據(jù)層按綜合決策要求形成綜合數(shù)據(jù)層由時(shí)間機(jī)制轉(zhuǎn)為歷史數(shù)據(jù)層；KDD:knowledgediscoveryindatabase,從數(shù)據(jù)中發(fā)現(xiàn)有用信息和模式的過程，包括數(shù)據(jù)選擇預(yù)處理轉(zhuǎn)換數(shù)據(jù)挖掘解釋或評(píng)價(jià)knowledge;Datamining:利用算法對(duì)KDD過程獲得的信息和模式進(jìn)行提取，對(duì)隱

9、藏信息進(jìn)行預(yù)測(cè)性的或描述性的模型匹配.數(shù)據(jù)挖掘的基本技術(shù)包括分類(classification),回歸(regression),時(shí)序分析(timeseriesanalysis),預(yù)測(cè)(prediciton),聚類(clustering),概括(summarization),關(guān)聯(lián)(association),順序發(fā)現(xiàn)(sequencediscovery)等.3生物信息學(xué)資源與數(shù)據(jù)挖掘生物信息學(xué)資源基因組信息蛋白質(zhì)信息整合生物學(xué)信息分子數(shù)據(jù)挖掘工具序列相似性查詢軟件BLAST序列查詢和模式識(shí)別數(shù)據(jù)挖掘工具生物信息學(xué)資源查找科學(xué)文獻(xiàn)幾乎每種主要的期刊都有自己的Web站點(diǎn)，網(wǎng)上也有很多文獻(xiàn)數(shù)據(jù)庫，如NC

10、BI的Medline數(shù)據(jù)庫(PubMed)等。PubMed介紹PubMed系統(tǒng)是由美國國立生物技術(shù)信息中心（NCBI）開發(fā)的用于檢索MEDLINE、Pre-MEDLINE數(shù)據(jù)庫的網(wǎng)上檢索系統(tǒng)(/entrez)。MEDLINE是美國國立醫(yī)學(xué)圖書館（U.S.NationalLibraryofMedicine）最重要的書目文摘數(shù)據(jù)庫，內(nèi)容涉及醫(yī)學(xué)、護(hù)理學(xué)、牙科學(xué)、獸醫(yī)學(xué)、衛(wèi)生保健和基礎(chǔ)醫(yī)學(xué)。收錄了全世界70多個(gè)國家和地區(qū)的4000余種生物醫(yī)學(xué)期刊，現(xiàn)有書目文摘條目1000萬余條，時(shí)間起自1966年。雖然是世界范圍的，但是大多數(shù)記錄是從英語資料(87%)或有英文摘要(72%)的文獻(xiàn)中獲得的。PubMe

11、d使用以關(guān)鍵詞為基礎(chǔ)的搜索策略，允許邏輯運(yùn)算符AND/OR/NOT,用戶可以使用Mesh(MedicalSubjectHeading)查找。Mesh是一個(gè)標(biāo)準(zhǔn)詞庫，可用來幫助查找用不同名稱代表同一概念的文獻(xiàn)。可用Mesh瀏覽器查詢相關(guān)的Mesh詞?；蚪M信息DNA測(cè)序雙脫氧測(cè)序(ddNTPs)(Sanger1977)自動(dòng)測(cè)序(熒光標(biāo)記引物)毛細(xì)管測(cè)序:提高100倍(2005)基因組測(cè)序1)YAC,BAC(100Kb)文庫作圖找到重疊片段，測(cè)序2)鳥槍法測(cè)序:對(duì)所有克隆進(jìn)行測(cè)序然后通過計(jì)算機(jī)進(jìn)行片段重疊連接。cDNA文庫測(cè)序:ESTs(expressedsequencetags).提交序列到數(shù)據(jù)

12、庫BankIt:submittoGenBankbyWebSequin:localPCprogramGenBankEmail:gbsubGenBankGenBank是美國國立衛(wèi)生研究院(NIH)維護(hù)的基因序列數(shù)據(jù)庫，匯集并注釋了所有公開的核酸以及蛋白質(zhì)序列。每個(gè)記錄代表了一個(gè)單獨(dú)的、連續(xù)的、帶有注釋的DNA或RNA片段。這些文件按類別分為幾組：有些按照系統(tǒng)發(fā)生學(xué)劃分，另外一些則按照生成這些序列數(shù)據(jù)的技術(shù)方法劃分。目前GenBank中所有的記錄均來自于最初作者向DNA序列數(shù)據(jù)庫的直接提交。這些作者將序列數(shù)據(jù)作為論文的一部分來發(fā)表，或?qū)?shù)據(jù)直接公開。GenBank由位于馬里蘭州Bethesda的美國

13、國立衛(wèi)生研究院下屬國立生物技術(shù)信息中心(NCBI)建立，與日本DNA數(shù)據(jù)庫（DDBJ）以及歐洲生物信息研究院的歐洲分子生物學(xué)實(shí)驗(yàn)室核苷酸數(shù)據(jù)庫（EMBL）一起，都是國際核苷酸序列數(shù)據(jù)庫合作的成員。所有這三個(gè)中心都可以獨(dú)立地接受數(shù)據(jù)提交，而三個(gè)中心之間則逐日交換信息，并制作相同的充分詳細(xì)的數(shù)據(jù)庫向公眾開放分類檢索：用accessionnumber，作者姓名，物種，基因/蛋白名字，還有許多其他的文本術(shù)語來查詢。同源性(homology)：定性。同源序列指從某一共同祖先經(jīng)趨異進(jìn)化而形成得不同序列。相似性(similariy):：定量。通過序列比對(duì)過程中用來描述檢測(cè)序列和目標(biāo)序列之間相同DNA堿基或氨

14、基酸殘基序列所占比例的高低。相似性檢索：用BLAST來在GenBank和其他數(shù)據(jù)庫中進(jìn)行序列相似搜索。用E-mail來訪問Entrez和BLAST可以通過Query和BLAST服務(wù)器。用FTP下載整個(gè)的GenBank和更新數(shù)據(jù)。序列格式GenBankflatfile(GBFF)是GenBank數(shù)據(jù)庫的基本信息單位.GBFF可以分成三個(gè)部分，頭部包含關(guān)于整個(gè)記錄的信息（描述符）。第二部分包含了注釋這一記錄的特性，第三部分是核苷酸序列自身。蛋白質(zhì)信息蛋白質(zhì)序列和結(jié)構(gòu)分為3個(gè)層次：氨基酸序列-一級(jí)數(shù)據(jù)庫，基序(motif)-二級(jí)數(shù)據(jù)庫,結(jié)構(gòu)域(domain)-結(jié)構(gòu)數(shù)據(jù)庫。二級(jí)和三級(jí)數(shù)據(jù)庫為Deriv

15、edDatabases。蛋白質(zhì)數(shù)據(jù)庫先于核苷酸數(shù)據(jù)庫。在60年代初，Dayhoff和他的同事們收集了所有當(dāng)時(shí)已知的氨基酸序列，這就是“蛋白質(zhì)序列與結(jié)構(gòu)圖冊(cè)”。這一蛋白質(zhì)數(shù)據(jù)庫后來成為PIR(ProteinInformationResource).一級(jí)數(shù)據(jù)庫記錄了實(shí)驗(yàn)結(jié)果，以及一些初步的解釋。在DNA序列記錄中的一種常見的注釋是編碼序列(CDS).大多數(shù)蛋白質(zhì)序列都不是直接由實(shí)驗(yàn)確定的，而是通過DNA序列得到的。蛋白質(zhì)一級(jí)數(shù)據(jù)庫主要包括：PIR,MIPS,SWISS-PROT,TrEMBL,NRDB,OWL,MIPSX等。二級(jí)數(shù)據(jù)庫(SecondaryDB或PatternDB):包括PROSIT

16、E,PRINTS,Pfam,BLOCKS,IDENITIFY等。三級(jí)數(shù)據(jù)庫:包括SCOP，CATH，PDBsum等。分子數(shù)據(jù)挖掘工具大量的序列和文獻(xiàn)數(shù)據(jù)必須經(jīng)過人工或計(jì)算機(jī)的處理分析才能提取出有用的信息，因而近年來數(shù)據(jù)挖掘技術(shù)的應(yīng)用在基因表達(dá)分析等領(lǐng)域得到了廣泛的開展。數(shù)據(jù)挖掘不同于傳統(tǒng)的數(shù)據(jù)庫查詢語言，數(shù)據(jù)庫的數(shù)據(jù)須經(jīng)過調(diào)整以利于進(jìn)行知識(shí)挖掘，提取的結(jié)果不是數(shù)據(jù)庫中的元數(shù)據(jù)，因此，數(shù)據(jù)挖掘采用多種算法去完成一定的任務(wù)，可以對(duì)隱藏信息進(jìn)行預(yù)測(cè)性的或描述性的模型匹配。數(shù)據(jù)挖掘的基本技術(shù)包括分類(classification),回歸(regression),時(shí)序分析(timeseriesanaly

17、sis),預(yù)測(cè)(prediciton),聚類(clustering),概括(summarization),關(guān)聯(lián)(association),順序發(fā)現(xiàn)(sequencediscovery)等。序列相似性查詢軟件Globalsimilaralgorithmswhichoptimizeoverallalignmentbetweentwosequences(dynamicprogramming)Localsimilaralgorithmswhichseeonlyrelativelyconservedpiecesofsequence(FASTA,BLAST)BLAST:BasicLocalAlignmen

18、tSearchToolBLASTN,BLASTP,BLASTX,tBLASTN,tBLASTPblastn：核酸序列對(duì)核酸庫的比對(duì)，直接比較核酸序列的同源性。blastp：蛋白序列與蛋白庫做比對(duì)，直接比對(duì)蛋白序列的同源性。blastx：核酸序列對(duì)蛋白庫的比對(duì)，先將核酸序列翻譯成蛋白序列（根據(jù)相位可以翻譯為6種可能的蛋白序列），然后再與蛋白庫做比對(duì)。tblastn：蛋白序列對(duì)核酸庫的比對(duì)，將庫中的核酸翻譯成蛋白序列，然后進(jìn)行比對(duì)。tblastx：核酸序列對(duì)核酸庫在蛋白級(jí)別的比對(duì)，將庫和待查序列都翻譯成蛋白序列，然后對(duì)蛋白序列進(jìn)行比對(duì)。4DNA序列分析基因結(jié)構(gòu)與DNA序列分析EST分析cDNA文庫

19、EST數(shù)據(jù)庫EST聚類分析電子克隆全長cDNA序列比對(duì)分析全局和局部排列CLUSTAL軟件基因結(jié)構(gòu)與DNA序列分析電子克隆cDNA全長序列Virtualcloning:利用重疊EST序列通過計(jì)算機(jī)EST數(shù)據(jù)庫搜索進(jìn)行拼接獲得全長cDNA.通常使用BLAST進(jìn)行檢索，然后進(jìn)行重疊片段拼接。Sequencealignment序列比對(duì)是比較兩個(gè)(pair-wisealignment)或多個(gè)序列(multiplesequencealignment)找出單一字符或字符模式在序列中處于相同的順序。將兩序列排成兩行，相同字符按列對(duì)齊，錯(cuò)配字符亦可按列或以空格對(duì)齊。很容易對(duì)齊的序列認(rèn)為是相似的(similia

20、r).全局比對(duì)(globalalignment):用于比較十分相似且長度幾乎相等的序列，比對(duì)大部分堿基.局部比對(duì)(localaligment):比較序列中的最高密度配對(duì)字符，獲得一個(gè)或多個(gè)亞比對(duì)順序(subalignment),用于比較有部分相似的序列，其他部分不相似、長度不同、或具有保守區(qū)段或結(jié)構(gòu)域的序列。序列比對(duì)的重要性序列比對(duì)用于發(fā)現(xiàn)生物序列的功能、結(jié)構(gòu)和進(jìn)化的信息，獲得最佳比對(duì)(optimalalignment)才能做到.很相似的序列往往可能具有相同的功能，如DNA分子的調(diào)控作用，蛋白質(zhì)分子的相似生化功能或三維結(jié)構(gòu)。來自不同生物相似的兩個(gè)序列可能具有相同的祖先序列，或稱為同源的。新的基

21、因進(jìn)化認(rèn)為是通過基因復(fù)制(geneduplication)產(chǎn)生前后兩個(gè)拷貝并發(fā)生突變，極少的機(jī)會(huì)其中的一個(gè)拷貝的新突變功能上可能更有利，然后沿不同途徑進(jìn)化，形成的兩個(gè)基因家族仍是相關(guān)的且很相似因?yàn)榫哂泄餐淖嫦?，由于基因重?generearrangement)會(huì)引起蛋白質(zhì)結(jié)構(gòu)域進(jìn)行重新配對(duì)而導(dǎo)致形成更復(fù)雜的蛋白質(zhì)其進(jìn)化關(guān)系可能難以辨認(rèn)。Orthologs(垂直進(jìn)化直系同源):具有共同祖先及功能的同源基因但找不到基因如何復(fù)制的證據(jù)(有復(fù)制證據(jù)而同源基因來自一個(gè)具有相同功能的拷貝時(shí)亦稱Orthologs)；Paralogs(平行進(jìn)化并系同源):復(fù)制產(chǎn)生的兩個(gè)拷貝及其各自進(jìn)化的后裔；Analogo

22、us(類似):不具有相同祖先但通過獨(dú)立進(jìn)化途徑而聚合了相同的功能稱為聚合進(jìn)化(convergentevolution),如chymotrypsin和subtilisin的空間結(jié)構(gòu)和折疊完全不同但其活性部位具有相似的結(jié)構(gòu)特征；Xenologous(外源的異同源):通過基因水平轉(zhuǎn)移(共生、病毒轉(zhuǎn)導(dǎo))而產(chǎn)生的相似序列。DotMatrix序列比對(duì)點(diǎn)陣比對(duì)方法應(yīng)作為序列比對(duì)的首選，因?yàn)樗梢院芸旆从承蛄械牟迦?缺失和正向/反向重復(fù)。但多數(shù)程序(DOTTER,DNAStrider,DOTPLOT,COMPARE)不能很好確切的表示比對(duì)。比對(duì)采用對(duì)角線來比對(duì)兩個(gè)序列，用滑動(dòng)窗口來過濾隨機(jī)的配對(duì)，窗口大小可以

23、改變。DynamicProgramming許多計(jì)算機(jī)科學(xué)的問題都可以簡(jiǎn)化為通過圖表尋求最優(yōu)路徑，對(duì)每一種路徑都有必要對(duì)其進(jìn)行某種意義上的打分，通常是對(duì)沿這一途徑的每一步的增量進(jìn)行加和.假定相同殘基加正分,有插入或缺失的殘基就加負(fù)分(扣分)根據(jù)這一定義，最合適的比對(duì)方法會(huì)得到最高分，也就是我們尋找的最佳路徑。動(dòng)態(tài)規(guī)劃的思想是這樣的，如果一條路徑終止于最佳路徑上的一點(diǎn)，那么這條路徑本身就是起點(diǎn)到這個(gè)中間點(diǎn)的最佳路徑，即任何一個(gè)終止于最佳路徑上的一點(diǎn)的次級(jí)路徑必然就是終止于這一點(diǎn)的最佳路徑本身.這樣，最佳路徑就可以通過把各個(gè)最佳的次級(jí)路徑連接而成。Needleman-Wunsch算法:最佳比對(duì)必然對(duì)

24、每個(gè)序列都由始至終，就是說從搜索空間的左上角直至右下角。換句話說,它搜索全程比對(duì)。Smith&Waterman算法:把尋找K種最好的但不相互交叉的比對(duì)方式為目標(biāo)，尋求局部比對(duì)時(shí)可能會(huì)發(fā)現(xiàn)若干個(gè)重要的比對(duì)。PAM記分矩陣序列比較往往希望找到序列的共同祖先是如何經(jīng)過突變和選擇的?；镜耐蛔冞^程認(rèn)為是取代(substitutions)序列中的殘基改變，以及插入或缺失(insertionsanddeletions).自然選擇過程篩選突變因而某些突變比其他較為常見。PAM120,PAM80，PAM60分別用來比對(duì)序列間有40%，50%及60%相似性。PAM250用來比較較遠(yuǎn)如只有1427%相似性的蛋白質(zhì)

25、較合適。用PAM矩陣進(jìn)行比對(duì)可以統(tǒng)計(jì)地區(qū)分偶然或具有生物學(xué)意義的比對(duì)。通常不需要先知道序列相似程度，而無空格比對(duì)在使用合適PAM矩陣時(shí)達(dá)到最佳。有時(shí)可以使用幾種矩陣的組合，或使用一個(gè)矩陣而調(diào)整打分的參數(shù)可以比對(duì)相距較遠(yuǎn)序列(主要用于數(shù)據(jù)庫搜索)。PAM矩陣比一些簡(jiǎn)單的矩陣可能更遜色如基于側(cè)鏈化學(xué)基團(tuán)的矩陣，而且PAM用于構(gòu)建進(jìn)化樹關(guān)系方面不理想。BLOSUM矩陣用于比較較遠(yuǎn)蛋白質(zhì)序列更為有用，因?yàn)槠浠诖罅康鞍踪|(zhì)的數(shù)據(jù)。BLOSUM取代矩陣BLOSUM62取代矩陣(Blocksaminoacidsubstitutionmatrices)基于大量約2000種保守氨基酸patterns(block

26、s，來自Prosite數(shù)據(jù)庫)中出現(xiàn)的氨基酸取代而獲得的記分矩陣(Henikoff1992)。60%相同的patterns獲得的稱為BLOSUM60,80%相同的稱為BLOSUM80.BLOSUM62代表了信息含量與數(shù)據(jù)大小的平衡，即聚類比率升高，區(qū)分真實(shí)與偶然的比對(duì)的能力亦提高。PAM模型用于追溯蛋白質(zhì)的進(jìn)化途徑，而BLOSUM模型用于發(fā)現(xiàn)保守結(jié)構(gòu)域。同源性分析中常常要通過多序列比對(duì)來找出序列之間的相互關(guān)系，和blast的局部匹配搜索不同，多序列比對(duì)大多都是采用全局比對(duì)的算法。Clustal的漸進(jìn)比對(duì)：在比對(duì)過程中，先對(duì)所有的序列進(jìn)行兩兩比對(duì)并計(jì)算它們相似性分值，然后根據(jù)相似性分值將它們分成

27、若干組，并在每組之間進(jìn)行比對(duì)，計(jì)算相似性分值。根據(jù)相似性分值繼續(xù)分組比對(duì)，直到得到最終比對(duì)結(jié)果。在比對(duì)過程中，相似性程度較高的序列先進(jìn)行比對(duì)而距離較遠(yuǎn)的序列添加在后面。CLUSTAL是一種漸進(jìn)的比對(duì)方法，先將多個(gè)序列兩兩比對(duì)構(gòu)建距離矩陣，反映序列之間兩兩關(guān)系；然后根據(jù)距離矩陣計(jì)算產(chǎn)生系統(tǒng)進(jìn)化指導(dǎo)樹，對(duì)關(guān)系密切的序列進(jìn)行加權(quán)；然后從最緊密的兩條序列開始，逐步引入臨近的序列并不斷重新構(gòu)建比對(duì)，直到所有序列都被加入為止。世界上最權(quán)威的三大生物數(shù)據(jù)平臺(tái)GenBank數(shù)據(jù)庫：1979年歐洲分子生物學(xué)實(shí)驗(yàn)室(EMBL)：1982年日本核酸序列數(shù)據(jù)庫(DDBJ):1984年5分子系統(tǒng)發(fā)育分析分子進(jìn)化的基本概

28、念核酸或蛋白質(zhì)譜系的系統(tǒng)發(fā)育分析是推測(cè)同一譜系是如何通過進(jìn)化而來的。序列的進(jìn)化關(guān)系可以描述為樹的分枝，枝條反應(yīng)進(jìn)化關(guān)系遠(yuǎn)近，很相似的兩個(gè)序列放在鄰近并由共同祖先分枝連接。這個(gè)進(jìn)化樹描述了同一譜系的進(jìn)化關(guān)系，包括了分子進(jìn)化（基因樹）、物種進(jìn)化以及分子進(jìn)化和物種進(jìn)化的綜合。同源性當(dāng)兩個(gè)序列具有進(jìn)化關(guān)系時(shí),兩序列同源(homologous).類群(group)祖先類群(ancestralgroup)單系類群(monophyleticgroup)并系/復(fù)系類群(paraphyletic/polyphyleticgroup)內(nèi)/外類群(ingroup/outgroup)姊妹群(sistergroup)基

29、因組復(fù)雜性與系統(tǒng)發(fā)育分析進(jìn)行系統(tǒng)發(fā)育分析時(shí)，需考慮大多數(shù)基因組的起源是很復(fù)雜的，基因組的部分可能是通過正常生殖循環(huán)垂直進(jìn)化的，其他部分可能由遺傳物質(zhì)的水平轉(zhuǎn)移如病毒、DNA轉(zhuǎn)化、共生和其他轉(zhuǎn)移機(jī)制而來的。進(jìn)行發(fā)育樹分析時(shí)，選擇的基因應(yīng)該在所有生物體中出現(xiàn)且在多數(shù)物種中可以通過序列保守性來辨認(rèn)，同時(shí)有足夠的序列變異將不同生物體劃分為相同系統(tǒng)發(fā)育的類群，另外最好該基因不處在選擇壓力下即不易丟失變異.符合以上條件的序列只有小rRNA亞基和線粒體序列。其他基因家族的系統(tǒng)發(fā)育分析則復(fù)雜些因而提出了不同的模型。進(jìn)化樹:是一個(gè)反映生物體或不同生物體的某些基因的進(jìn)化關(guān)系的二維圖。進(jìn)化樹均是二分樹(binary

30、)，分開的序列稱為類群(taxa)，是系統(tǒng)發(fā)育樹的明確單位。樹由向外伸展的枝條或葉片代表taxa，節(jié)點(diǎn)和枝干代表taxa間的關(guān)系。每個(gè)節(jié)點(diǎn)代表基因經(jīng)過分開的進(jìn)化途徑進(jìn)入兩個(gè)不同生殖隔離的物種。枝干長度代表序列的差異數(shù)目.建樹方法常用的有:maximumparsimony(簡(jiǎn)約法),distance(距離法),maximumlikelihood(最大似然法).Maximumparsimonymethod(MP,最大簡(jiǎn)約法)也稱最小進(jìn)化法(minimumevolutionmethod)，通過減少產(chǎn)生序列觀察差異的步驟來預(yù)測(cè)進(jìn)化樹。多序列比對(duì)是必要的，利用盡可能少比對(duì)序列上各個(gè)位置的改變預(yù)測(cè)發(fā)育樹，

31、并找到最好的發(fā)育樹。主要用于序列數(shù)較少且很相似的序列。Distancemethod(距離法)距離法根據(jù)一組序列中的每對(duì)序列差異的數(shù)目產(chǎn)生發(fā)育樹。具有最小差異的序列對(duì)稱為“鄰居(neighbors)”，它們?cè)跇渖系耐还?jié)點(diǎn)或具有相同祖先，分別以樹枝表示。距離法找到組內(nèi)最近的鄰居的方法亦是multiplesequencealignment使用的第一步。距離法最早由Feng&Doolittle(1991)提出，可以同時(shí)產(chǎn)生蛋白質(zhì)序列的比對(duì)和發(fā)育樹。CLUSTALW程序利用neighbor-joiningdistancemethod，PAUP和PHYLIP亦有使用距離法獲得發(fā)育樹。Distanceme

32、thod將序列間距離相加以獲得樹枝長度，樹枝上的改變數(shù)目對(duì)應(yīng)于序列間的距離。Fitch&MargoliashMethodF&M(1987)使用距離表(distancetable)，將序列以3個(gè)一組進(jìn)行處理計(jì)算分枝長度預(yù)測(cè)發(fā)育樹.樹枝長度亦是加性的,對(duì)于短樹枝樹來說是最準(zhǔn)確的。較長樹枝則降低可靠性。Neighbor-joiningmethod(NJ,鄰接法)NJ法與FM法相似但利用不同算法找出序列對(duì)，用于預(yù)測(cè)不同譜系進(jìn)化速率不同時(shí)的發(fā)育樹比較可靠。首先計(jì)算序列間的距離然后計(jì)算樹枝長度總和，獲得星狀樹，求得總和最小的樹的兩個(gè)序列即可以認(rèn)為是鄰居.UPGMA(算術(shù)平均不加權(quán)對(duì)群法)UPGMA(unw

33、eightedpairgroupmethodwitharithmeticmean)是聚類常用的方法。UPGMA認(rèn)為樹枝的改變速率是一個(gè)常數(shù)其距離近乎相等(ultrametric)。將序列配對(duì)或聚類的方法很多且各異，通常首先計(jì)算最相關(guān)的序列將其樹枝長度(branchlength)平均，再與另一序列或cluster平均，直到所有序列都進(jìn)行了計(jì)算并得到樹根。當(dāng)樹枝的突變率不一致時(shí)得到的樹容易出錯(cuò)。選擇外類群(outgroup)如果已知某些序列相關(guān)程度較遠(yuǎn)，可以將其加在最后接近樹根，這樣可以提高預(yù)測(cè)的準(zhǔn)確性。這些序列稱為外類群。但是，外類群序列必須與其他序列密切相關(guān)，又與其他序列保持顯著的差異(其他序

34、列本身則較近)。將序列相似性轉(zhuǎn)換成距離分值大多數(shù)序列比對(duì)只是確定序列間的相似程度而不是距離,最簡(jiǎn)單的打分體系即相似性(similarity)描述了序列比對(duì)中匹配的位置而距離為不匹配位置的數(shù)目，是可以通過轉(zhuǎn)換為另一個(gè)序列的位置。說明這些改變是共同祖先序列分枝產(chǎn)生的。Maximumlikelihoodapproach(ML,最大似然法)ML利用概率計(jì)算找出差異序列的最佳發(fā)育樹。ML分析多序列比對(duì)的每個(gè)列，考慮所有可能的樹，因而只能對(duì)少數(shù)序列有效。對(duì)于每個(gè)樹，引起序列變異的序列改變或突變是要考慮的，由于出現(xiàn)新突變的頻率是很低的，因而需要更多的突變樹才能與數(shù)據(jù)吻合的樹是不太可能的。進(jìn)化樹構(gòu)建的主要方法

35、、各自的原理及優(yōu)缺點(diǎn)距離建樹方法：利用雙重序列比對(duì)的差異程度進(jìn)行建樹；最大簡(jiǎn)約法：進(jìn)化往往會(huì)走最短的路-DNA序列發(fā)生的堿基替換數(shù)量最少最大似然法：進(jìn)化會(huì)走可能性最大的路1)距離建樹方法（非加權(quán)組平均法UPGMA，相鄰歸并法Neighbor-joining,NJ(優(yōu)點(diǎn)：快速)，F(xiàn)itch-Margoliash(FM)(優(yōu)點(diǎn)：允許OTU（操作分類單位）間存在不同的進(jìn)化速率)）原理：根據(jù)雙重序列比對(duì)的差異程度(距離)優(yōu)點(diǎn)：使用序列進(jìn)化模型、計(jì)算強(qiáng)度較小缺點(diǎn)：屏蔽了真實(shí)的特征符數(shù)據(jù)。2)最大簡(jiǎn)約法原理：最能反映進(jìn)化歷史的樹具有最短的樹長(treelength)，即進(jìn)化步數(shù)(性狀在系統(tǒng)樹中狀態(tài)改變的次

36、數(shù))最少。即：DNA序列發(fā)生的堿基替換數(shù)最少。3)最大似然法原理：首先選定一個(gè)進(jìn)化模型，計(jì)算該模型下，各種分支樹產(chǎn)生現(xiàn)有數(shù)據(jù)的可能性。具有最大可能性的系統(tǒng)樹為最優(yōu)。即一個(gè)樹的似然性(likelihood)等于每一個(gè)性狀的似然性之和或每一個(gè)性狀的似然性對(duì)數(shù)之和。優(yōu)點(diǎn)：完全基于統(tǒng)計(jì)，在每組序列比對(duì)中考慮了每個(gè)核苷酸替換的概率，使用越來越普遍缺點(diǎn)：計(jì)算量非常大，缺乏普遍適用的替換模型（不同的替換模型給出不同的結(jié)果）基因進(jìn)化樹與物種進(jìn)化樹的區(qū)別基因樹(genetree):基于一種或少數(shù)幾種同源基因（蛋白）的比較分析而構(gòu)建的系統(tǒng)發(fā)生樹，其實(shí)質(zhì)是基因的進(jìn)化歷史。物種樹(speciestree)：綜合考察物

37、種多方面的進(jìn)化證據(jù)而構(gòu)建的系統(tǒng)發(fā)生樹。物種樹一般最好是從多個(gè)基因數(shù)據(jù)的分析中得到。例如最近的一項(xiàng)的研究表明，高等植物進(jìn)化研究需要采用100種不同的基因來構(gòu)建物種樹，才有較高的可信度。6基因組分析Introduction自90年代全基因組測(cè)序如微生物、酵母(Saccharomycescerevisiae)、秀麗線蟲(Caenorhabditiselegans)、擬南芥菜(Arabidopsisthaliana)、果蠅(Drosophila)和人類(Homosapiens)開展以來，生物信息學(xué)的一個(gè)主要任務(wù)即是進(jìn)行全基因組分析。其他的基因組計(jì)劃亦已開展。經(jīng)典遺傳學(xué)和分子生物學(xué)只是研究某個(gè)單一基因的

38、作用、對(duì)其測(cè)序并預(yù)測(cè)其功能或?qū)ζ浔磉_(dá)進(jìn)行控制。而獲得基因組全序列則可以鑒定控制代謝、細(xì)胞分化和發(fā)育、動(dòng)植物病理過程等的重要基因及其相關(guān)基因。多年來對(duì)模式生物E.coli,S.cerevisiae,A.thaliana,D.melangogaster的遺傳和生化研究已積累了大量的關(guān)于基因結(jié)構(gòu)和功能的信息，老鼠Musmusculus則是研究人類基因的主要?jiǎng)游锬Ｐ鸵蚱湓谶M(jìn)化上密切相關(guān)。Prokaryoticgenomes:原核基因組測(cè)序前提:1)已進(jìn)行過很好的生物學(xué)分析，如E.coli；2)為重要的人類病原菌；3)具有發(fā)育樹重要性(rRNA-Archaea,Bacteria,Eukarya)。Euk

39、aryoticgenomes真核基因組特點(diǎn)：順序重復(fù)(sequencerepeats):5-200bp，衛(wèi)星DNA,端粒和著絲粒DNA，小衛(wèi)星DNA(minisatellites,25bp)，微衛(wèi)星DNA(micro,4bp或更少)。轉(zhuǎn)座因子(transposableelements,TEs):從一個(gè)染色體移到另一染色體，其不斷增加數(shù)目可占基因組的很大部分。Retroposons:SINEs(shortinterspersednuclearelements,80300bp)&LINEs(longinterspersednuclearelements,68kbp)。人類一個(gè)典型的SINEs即Al

40、u(1.2millioncopies),一個(gè)LINE1(593,000copies,14.6%)。脊椎動(dòng)物染色體具有長的區(qū)段(300bp)其富含GC，重復(fù),基因密集稱為isochores(等容線)，亦即基因組由特異的確定(distinct)區(qū)段組成。如人和鼠有富含AT并有較多的Alu或B1/B2(SINEs)，以及具有高基因密度的富含GC區(qū)段。真核生物基因結(jié)構(gòu)內(nèi)含子:蛋白質(zhì)編碼基因均有不同長度和數(shù)目的內(nèi)含子插入且位置一般是固定的，酵母很少整個(gè)基因組僅含239個(gè)內(nèi)含子，而人類基因可能含100個(gè)內(nèi)含子占基因長度的95%。Comparativegenomics比較基因組學(xué)包括對(duì)原核和真核生物的基因數(shù)

41、目、基因容量、基因位置進(jìn)行比較分析，全基因組序列的獲得可以將其編碼的蛋白質(zhì)，蛋白質(zhì)組與其他物種比較。序列比較可以獲得基因關(guān)系的信息具有相同功能和進(jìn)化歷史，稱為orthologs。如果一套基因歸屬一組并集中在染色體的特定位置,且另一物種的一套相似基因亦歸于一組,則它們具有相同進(jìn)化歷史。HorizontalGeneTransfer(HT)垂直傳遞(verticaltransmission):大多數(shù)物種的基因組由父母的染色體傳遞給子代?；蛩睫D(zhuǎn)移(horizontaltransfer-HT,orlateraltransfer):從其他物種獲得遺傳物質(zhì)典型例子如線粒體和葉綠體的內(nèi)共生。HT不經(jīng)常發(fā)生

42、，有時(shí)經(jīng)歷了上千萬年?；虻墓δ芊治?Functionalclassification)Geneannotation:精確基因注釋是基因組分析重要的第一步，注釋通常是通過數(shù)據(jù)庫相似性搜索找到與已知功能序列的顯著比對(duì)。不很顯著的匹配只能作為一種假設(shè)的預(yù)測(cè)并作為一種功能的假說(MAGPIE,GENEQUIZ)。功能注釋:同一物種內(nèi)很相似基因稱為paralogous序列通常具有相關(guān)的生物學(xué)功能。說明paralogs通過geneduplication其中一個(gè)拷貝保留原來的功能而另一拷貝在進(jìn)化壓力下經(jīng)過選擇獲得了新的功能但不太遠(yuǎn)。E.coli的90%以上基因初步歸于8個(gè)相關(guān)的組包括enzymes,tra

43、nsportelements,regulators,membranes,structuralelements,proteinfactors,leaderpeptidesandcarriers.GeneOntology(GO)分類:molecularfunctions,biologicalprocesses,andcellularcomponentsGlobalGeneRegulationMicroarrayanalysis:了解基因在細(xì)胞周期、發(fā)育時(shí)期、環(huán)境脅迫下誘導(dǎo)表達(dá)或抑制的情況，在相同條件下表達(dá)的升或降的基因系列其常常是相關(guān)的。Microchip將物種的所有基因制備成寡核苷酸探針鋪于80

44、 x80載玻片上(也可以直接合成于載玻片上，密度達(dá)到1million/cm2)，然后與標(biāo)記的cDNA雜交，標(biāo)記的量可反映基因表達(dá)情況。獲得共表達(dá)基因序列芯片結(jié)果后，進(jìn)一步分析這些基因的啟動(dòng)子區(qū)段找出保守模式并推測(cè)哪些轉(zhuǎn)錄因子參與基因表達(dá)的調(diào)節(jié)?；蛐酒╣enechip），又稱DNA微陣列（microarray），是由大量cDNA或寡核苷酸探針密集排列所形成的探針陣列，其工作的基本原理是通過雜交檢測(cè)信息。7蛋白質(zhì)組分析蛋白質(zhì)組一個(gè)基因組所編碼的全部蛋白質(zhì)成分。蛋白質(zhì)組分析的主要內(nèi)容有：1)蛋白質(zhì)組作圖、蛋白質(zhì)組成分鑒定、蛋白質(zhì)組數(shù)據(jù)庫構(gòu)建、新型蛋白質(zhì)發(fā)掘、蛋白質(zhì)差異顯示、同工型(isoform)比較；2)功能基因組計(jì)劃、基因產(chǎn)物識(shí)別、基因功能鑒定、基因調(diào)控機(jī)制分析；3)重要生命活動(dòng)的分子機(jī)制；4)醫(yī)學(xué)靶分子尋找與分析；5)疾病診斷。蛋白質(zhì)組分析技術(shù)技術(shù)路線：主要包括樣品制備、圖象分析、蛋白質(zhì)成分分析與鑒定。數(shù)據(jù)處理：氨基酸分析、肽質(zhì)指紋圖譜(PMF)、氨基酸分析與PMF聯(lián)合、序列標(biāo)簽途徑、N端EDMAN降解蛋白與微量測(cè)序、蛋白質(zhì)內(nèi)肽微量測(cè)序、MS(MALDI-TOF,ESI)微量測(cè)序、“LADDER”測(cè)序等。2-DE雙向電泳技術(shù)2-DE蛋白質(zhì)組研究中分離復(fù)雜蛋白質(zhì)混合物的核心技術(shù)，能夠同時(shí)分