生物信息学题库-精校+整理.doc

生物信息学题库一、名词解释 1、生物信息学:生物分子信息的获取、存贮、分析和利用;以数学为基础，应用计算机技术，研究生物学数据的科学。 2、相似性(similarity):相似性是指序列比对过程中用来描述检测序列和目标序列之间相同DNA碱基或氨基酸残基顺序所占比例的高低。 3、同源性(homology):生物进化过程中源于同一祖先的分支之间的关系。4、BLAST(Basic Local Alignment Search Tool):基本局部比对搜索工具，用于相似性搜索的工具，对需要进行检索的序列与数据库中的每个序列做相似性比较。 5、HMM隐马尔可夫模型:是蛋白质结构域家族序列的一种严格的统计模型，包括序列的匹配，插入和缺失状态，并根据每种状态的概率分布和状态间的相互转换来生成蛋白质序列。 6、一级数据库:一级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(投稿文章首先要将核苷酸序列或蛋白质序列提交到相应的数据库中) 7、二级数据库:对原始生物分子数据进行整理、分类的结果，是在一级数据库、实验数据和理论分析的基础上针对特定的应用目标而建立的。 8、GenBank: 是具有目录和生物学注释的核酸序列综合公共数据库，由NCBI构建和维护。9、EMBL: EMBL 实验室：欧洲分子生物学实验室。EMBL 数据库：是非盈利性学术组织 EMBL 建立的综合性数据库，EMBL 核酸数据库是欧洲最重要的核酸序列数据库，它定期地与美国的 GenBank、日本的 DDBJ 数据库中的数 据进行交换，并同步更新。 10、DDBJ: 日本核酸序列数据库，是亚洲唯一的核酸序列数据库。 11、Entrez:是由 NCBI 主持的一个数据库检索系统，它包括核酸，蛋白以及 Medline 文摘数据库，在这三个数据库中建立了非常完善的联系。 12、SRS(sequence retrieval system):序列查询系统，是 EBI 提供的多数据库查询工具之一。有与 Entrez 类似的功能，还提供一系列的序列分析工具，可以直接进行在线序列分析处理。 13、EST:收集大量cDAN或EST序列以及其他相关信息，目前最大的公共表达序列数据库。 14、GSS:GeneBank数据库的一部分，收集基因组DNA克隆的测序序列。 15、GEO:基因表达精选集是一个储存高通量功能基因组学数据的数据库。 16、SCOP数据库:提供关于已知结构的蛋白质之间结构和进化关系的详细描述，包括蛋白质结构数据库PDB中的所有条目。 17、PROSITE :是蛋白质家族和结构域数据库，包含具有生物学意义的位点、模式、可帮助识别蛋白质家族的统计特征。 18、RefSeq: 是一个收录注释过的非冗余转录本、蛋白质和基因组序列的数据库。 19、结构域Structure domain:结构域，是在蛋白质三级结构中介于二级和三级结构之间的可以明显区分但又相对独立的折叠单元。 20、开放阅读框ORF: 开放阅读框，位于DNA或RNA上起始密码子与终止密码子之间的序列。 21、启动子Promoter:启动子是基因的一个组成部分，是位于结构基因5端上游区的DNA序列，控制基因表达(转录)的起始时间和表达的程度。 22、3UTR:3非翻译区的缩写，真核生物的转录终止信号是在 3非翻译区的 : polyA。 23、CpG island:是在哺乳动物基因组中的一个500bp到300bp的区域，富含GC。24、模体Motif:又称模体，蛋白质序列中短的保守区域，它们是结构域中保守性很高的部分。25、PDB(Protein Data Bank):蛋白质结构数据库，是国际上著名的生物大分子结构数据库，由美国Brookhaven国家实验室建立。 26、打分矩阵(scoring matrix):在相似性检索中对序列两两比对的质量评估方法。包括基于理论(如考虑核酸和氨基酸之间的类似性)和实际进化距离(如PAM)两类方法。 27、遗传连锁图:又叫遗传图谱(genetic map)是以具有遗传多态性的遗传标记为“路标”，以遗传学距离为图距的基因组图。 28、蛋白质组(proteom):是指一个基因组、一种生物或一个细胞/组织的基因组所表达的全套蛋白质。 29、基因组学:研究生物基因组和如何利用基因的一门学问。 30、比较基因组学:是在基因组图谱和测序的基础上，利用某个基因组研究获得的信息推测其他原核生物、真核生物类群中的基因数目、位置、功能、表达机制和物种进化的学科。 31、FASTA序列格式:是将DNA或者蛋白质序列表示为一个带有一些标记的核苷酸或者氨基酸字符串，大于号()表示一个新文件的开始，其他无特殊要求。 32、genbank序列格式:是GenBank 数据库的基本信息单位，是最为广泛的生物信息学序列格式之一。该文件格式按域划分为4个部分:第一部分包含整个记录的信息(描述符);第二部分包含注释;第三部分是引文区，提供了这个记录的科学依据;第四部分是核苷酸序列本身，以“/”结尾。33、查询序列(query sequence):也称被检索序列，用来在数据库中检索并进行相似性比较的序列。34、空位(gap):在序列比对时，由于序列长度不同，需要插入一个或几个位点以取得最佳比对结果，这样在其中一序列上产生中断现象，这些中断的位点称为空位。P29 35、空位罚分:空位罚分是为了补偿插入和缺失对序列相似性的影响，序列中的空位的引入不代表真正的进化事件，所以要对其进行罚分，空位罚分的多少直接影响对比的结果。P37 36、E值:衡量序列之间相似性是否显著的期望值。E值大小说明了可以找到与查询序列(query)相匹配的随机或无关序列的概率，E值越接近零，越不可能找到其他匹配序列，E值越小意味着序列的相似性偶然发生的机会越小，也即相似性越能反映真实的生物学意义。P95 37、低复杂度区域: BLAST搜索的过滤选项。指序列中包含的重复度高的区域，如poly(A)。 38、点矩阵(dot matrix):构建一个二维矩阵，其X轴是一条序列，Y轴是另一个序列，然后在2个序列相同碱基的对应位置(x，y)加点，如果两条序列完全相同则会形成一条主对角线，如果两条序列相似则会出现一条或者几条直线;如果完全没有相似性则不能连成直线。 39、多序列比对:通过序列的相似性检索得到许多相似性序列，将这些序列做一个总体的比对，以观察它们在结构上的异同，来回答大量的生物学问题。 40、分子钟:认为分子进化速率是恒定的或者几乎恒定的假说，从而可以通过分子进化推断出物种起源的时间。 41、系统发育分析:通过一组相关的基因或者蛋白质的多序列比对或其他性状，可以研究推断不同物种或基因之间的进化关系。 42、进化树的二歧分叉结构:指在进化树上任何一个分支节点，一个父分支都只能被分成两个子分支。 43、系统发育图:用枝长表示进化时间的系统树称为系统发育图，是引入时间概念的支序图。 44、直系同源:指由于物种形成事件来自一个共同祖先的不同物种中的同源序列，具有相似或不同的功能。(书:在缺乏任何基因复制证据的情况下，具有共同祖先和相同功能的同源基因。) 45、旁系(并系)同源:指同一个物种中具有共同祖先，通过基因重复产生的一组基因，这些基因在功能上可能发生了改变。(书:由于基因重复事件产生的相似序列。) 46、外类群:是进化树中处于一组被分析物种之外的，具有相近亲缘关系的物种。47、除权配对算法(UPGMA):最初，每个序列归为一类，然后找到距离最近的两类将其归为一类，定义为一个节点，重复这个过程，直到所有的聚类被加入，最终产生树根。 48、邻接法(neighbor-joining method):是一种不仅仅计算两两比对距离，还对整个树的长度进行最小化，从而对树的拓扑结构进行限制，能够克服UPGMA算法要求进化速率保持恒定的缺陷。 49、最大简约法(MP):在一系列能够解释序列差异的的进化树中找到具有最少核酸或氨基酸替换的进化树。 50、最大似然法(ML):它对每个可能的进化位点分配一个概率，然后综合所有位点，找到概率最大的进化树。最大似然法允许采用不同的进化模型对变异进行分析评估，并在此基础上构建系统发育树。 51、自举法检验(Bootstrap):放回式抽样统计法。通过对数据集多次重复取样，构建多个进化树，用来检查给定树的分枝可信度。 52、密码子偏好性(codon bias):氨基酸的同义密码子的使用频率与相应的同功tRNA的水平相一致，大多数高效表达的基因仅使用那些含量高的同功tRNA所对应的密码子，这种效应称为密码子偏好性。 53、基因预测的从头分析:依据综合利用基因的特征，如剪接位点，内含子与外显子边界，调控区，预测基因组序列中包含的基因。 54、超家族:进化上相关，功能可能不同的一类蛋白质。55、序列表谱(profile):是一种特殊位点或模体序列，在多序列比较的基础上，氨基酸的权值和空位罚分的表格。 56、PAM矩阵:PAM指可接受突变百分率。一个氨基酸在进化中变成另一种氨基酸的可能性，通过这种可能性可以鉴定蛋白质之间的相似性，并产生蛋白质之间的比对。一个PAM单位是蛋白质序列平均发生1%的替代量需要的进化时间。 57、BLOSUM矩阵:模块替代矩阵。矩阵中的每个位点的分值来自蛋白比对的局部块中的替代频率的观察。每个矩阵适合特定的进化距离。例如，在BLOSUM62矩阵中，比对的分值来自不超过62%一致率的一组序列。 58、PSI-BLAST:位点特异性迭代比对。是一种专门化的的比对，通过调节序列打分矩阵(scoring matrix)探测远缘相关的蛋白。 59、RefSeq:给出了对应于基因和蛋白质的索引号码，对应于最稳定、最被人承认的Genbank序列。 60、有根树:单一的节点能指派为共同的祖先，从祖先节点只有唯一的路径历经进化到达其他任何节点。 61、无根树:只表明节点间的关系，无进化发生方向的信息，通过引入外群或外部参考物种，可以在无根树中指派根节点。 62、一致树(consensus tree):在同一算法中产生多个最优树，合并这些最优树得到的树即一致树。63、分子进化树(molecular evolutionary tree)：在研究生物进化和系统分类中，常用一种类似树状分支的图形来概括各种(类)生物之间的亲缘关系，这种树状分支的图形成为系统发育树(phylogenetic tree)。 二、填空 1、1970年Needleman和Wunsch提出了著名的序列比对算法 ，是生物信息学发展中最重要的贡献2、20世纪90年代后， HGP 促进生物信息学的迅速发展 3、HGP选择作为研究人类的四大“模式生物”有 酵母、线虫、果蝇、小鼠 4、在人的遗传连锁图谱上，1cM的物理距离大约为 1000000 核苷酸5、基因组测序的基本策略有 逐个克隆法 和 全基因组鸟枪法 6、国际上三大生物信息学中心有:NCBI ， EBI 和 CIB 7、国际上最重要的核酸初级序列数据库有: GeneBank ， EMBL 和 DDBJ 8、国际上最重要的蛋白质序列数据库:SWISS-PROT和PIR 9、常用的序列搜索方法:FASTA和BLAST10、目前由NCBI维护的大型文献资源是 PubMed 11、数据库常用的数据检索工具:Entrez， SRS 12、多序列联配的常用软件:Clustal 13、在生物学中常用的两种动态规划算法分别有:Needleman-Wunsch和Smith-Waterman 14、在用BLAST进行核酸序列查询时，查询序列和数据库中被比对上序列之间是否显著性相似可用E值来度量，E值越大，相似性越 小，E值越小，相似性越大。生物学意义上相似的两条序列，其E值远小于1.015、写出以下标注的含义:LOCUS是基因座位 ，DEFINITION是基因定义， ACCESSION是登录号，VERSION是版本号，SOURCE是来源物种16、检测原核生物ORF的程序:NCBI-ORF finder17、二级结构的状态有: 螺旋，折叠，转角，无规则卷曲 18、对于任一DNA序列(或cDNA序列)，可能存在 6 种不同的阅读框，其中 3 个为正向的， 3 个为反向的 19、原核生物启动子有两段保守序列，即 -10区 左右的TATAAT，以及 -35区 左右的TTGACA，它们为 RNA聚合酶 结合位点和识别位点20、蛋白质同源结构建模可以使用在线的免费预测工具swiss-model 21. 系统发育树主要的三种构建方法: 距离矩阵法、最大简约法、最大似然法。 22、可使用 Oligo6 软件进行引物设计。 23. 写出以下pubmed检索时常用的限制字段的含义:au 作者 、ti标题、 dp 发表日期、affiliation地址 三、选择 1、( C )是现在国际上最主要的核酸序列数据库 A. EBI B. PDB C. GenBank D. NCBI 2、基本局部比对搜素工具是( C ) A. Mega B. ClustalW C. BLAST D. GCG 3、单核苷酸的标记是( B ) A. RFLP B. SNP C. SSR D. RAPD 4、提交序列到GenBank中，使用的程序可以是( D ) A. Entrez B. SRS C. Medline D. BankIt 5、人类基因组计划没有计划完成的几张图谱分别是( D ) A. 物理图谱 B. 遗传图谱 C. 序列图谱 D. 生物图谱 6、最常用的序列相似性查询工具是( B ) A. PIR B.BLAST C.SWISS-PROT D.PDB 7、下列哪些分子类型不属于非蛋白质编码区( C ) A.内含子 B.卫星DNA C.外显子 D.启动子 8、卫星DNA的多态性是由( B )所决定的。 A. DNA点突变个数 B. 限制性内切酶识别序列个数不同C. DNA的二级结构不同 D. 重复单位不同 9、真核基因组特点不包括( B ) A. 基因组大，巨大的非编码序列，重复序列占了绝大部分 B. 基因结构复杂，有 显著长度的开放阅读框 C. 存在可变剪接 D. CpG岛 10、PDB是蛋白质的( B ) A. 分类数据库 B. 结构数据库 C. 核酸数据库 D.模体数据库 11、根据研究发现，人类基因组中真正编码蛋白质的区域仅占DNA 序列的( A ) A. 1-2% B. 3-5% C. 5-10% D.10-20% 12、在真核生物的一个基因内含子两端，即外显子/内含子拼接边界处，其符合( B )规则。 A. Kozak B. GTAG C. SD D. Poly(A) 13、PIR是( D ) A. 分类数据库 B. 核酸数据库 C. mRNA数据库 D.蛋白质数据库 14、alignment的含义是( C ) A. 登录号 B. 算法 C. 比对 D.分类 15、隐马尔科夫模型的代号是( A ) A. HMM B. CDD C. HTGS D. GSS 16、DNA中Tm值与( B )含量成正比 A. G+A B. G+C C. T+C D. A+T 17、OMIM是( A ) A. 在线人类孟德尔遗传数据库 B. 国家核酸数据库 C. 人类基因组计划 D. 水稻基因组计划 18、被誉为“生物信息学之父”的科学家是( D ) A. Dulbecco B. Sanger C. 吴瑞 D. 林华安 19、下列Fasta格式正确的是( B ) A. seq1: agcggatccagacgctgcgtttgctggctttgatgaaaactctaactaaacactccctta B. seq1 agcggatccagacgctgcgtttgctggctttgatgaaaactctaactaaacactccctta C. seq1:agcggatccagacgctgcgtttgctggctttgatgaaaactctaactaaacactccctta D. seq1agcggatccagacgctgcgtttgctggctttgatgaaaactctaactaaacactccctta 20、国际三大核酸数据库每间隔多长时间就互相交换数据库里的数据( A ) A.每天 B.7 天 C. 10天 D. 一个月 21、UTR的含义是( B ) A. 编码区 B. 非编码区 C. 低复杂度区域 D. 开放阅读框 22、以下数据库不能用于检索核酸序列的是( B ) A. GenBank B. PDB C. EMBL D.DDBJ 23、进行多序列比对常使用哪种软件 ( C ) A. Dock B. Compute pI/MW C. Clustal D. Rasmol 24、对于远源蛋白质序列，在进行多序列比对的时候应选用下面哪一种矩阵( B ) A. BLOSUM62 B. BLOSUM30 C.PAM100 D. 结合基序打分矩阵 25、对于蛋白质同源结构模建，通常要求待模建序列与模板序列一致性超过 ( D ) A. 60% B. 50% C. 40% D.30% 26、对于搜索不到同源模板的蛋白质，可尝试用以下哪种方法模建构 ( A ) A. Threading 法 B. SWISS-MODEL网络服务器 C. Homology法 D. 没有办法模建 27、给定一段核酸序列，可通过什么方法查找上面蛋白质编码区( A ) A.ORF Finder B. CpGPlot C. SWISS-MODEL D. Dock 28、预测蛋白质上的跨膜区，可使用以下哪种软件或方法( D ) A. GeneSplicer B. Chou-Fasman算法 C. GOR D.TMHMM 29、EMBL的含义是( B ) A. 美国国家生物信息中心 B. 欧洲分子生物学实验室 C. 日本DNA数据库 D. 瑞士国家基因组研究中心 30、NCBI的含义是( A ) A. 美国国家生物信息中心 B. 欧洲分子生物学实验室 C. 日本DNA数据库 D. 瑞士国家基因组研究中心 四、简答 1、生物信息学的发展经历了哪几个阶段 ？答:生物信息学的发展经历了3个阶段。 第一个阶段是前基因组时代。这一阶段主要是以各种算法法则的建立、生物数据库的建立以及DNA和蛋白质序列分析为主要工作; 第二阶段是基因组时代。这一阶段以各种基因组计划测序、网络数据库系统的建立和基因寻找为主要工作。 第三阶段是后基因组时代。这一阶段的主要工作是进行大规模基因组分析、蛋白质组分析以及其他各种基因组学研究。 2、生物信息学的主要研究任务是什么,目前生物信息学的主要研究内容是什么？答：任务:收集和管理生物分子数据;数据分析和挖掘;开发分析工具和实用软件:生物分子序列比较工具、基因识别工具、生物分子结构预测工具、基因表达数据分析工具。 内容:(1)序列比对;(2)基因预测;(3)药物设计;(4)蛋白质结构预测;(5)基因调控网络的预测;(6)蛋白质相互作用预测;(7)分子进化分析 3、人类基因组计划的主要内容和目的是什么？ 答：人类基因组计划中，人们准备用15年时间，投入30亿美元，完成人类全部24条染色体中3109个碱基对(bp，base pair)的序列测定，其主要任务包括作图(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，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。 目的：是解码生命、了解生命的起源、了解生命体生长发育的规律、认识种属之间和个体之间存在差异的起因、认识疾病产生的机制以及长寿与衰老等生命现象、为疾病的诊治提供科学依据。4、什么是一级数据库，哪些数据库属于一级数据库,它与二级数据库有什么区别？答：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。国际上著名的一级核酸数据库有Genbank数据库、EMBL核酸库和DDBJ库等;蛋白质序列数据库有SWISS-PROT、PIR等;蛋白质结构库有PDB等。一级数据库的数据量大、更新速度快、用户面广，但存在过多的冗余数据;二级数据库的容量比较小，更新速度没有一级数据库快，但经过帅选后，避免了过多的冗余数据，其中与蛋白质相关的二级数据库较多。 5、向GeneBank数据库提交序列的软件有几种,各有什么特点？答：BankIt, Sequin Bankit的特点:使用简单，每个步骤有详细说明。但一次只能提交一个序列，长度不能太长。 Sequin的特点:安装在用户自己的计算机上，可同时递交若干序列和较长序列，而且整合了许多有用的序列注释工具。 6、列举5项DNA序列分析的内容及代表性分析工具？ 答:(1)核酸序列组成成分分析:BioXM、BioEdit (2)基因结构分析:NCBI-ORF finder、CpGPlot、PromoterScan、POLYAH (3)重复序列分析:Repeat Masker (4)序列同源性:Blast (5) 限制性内切酶酶切位点分析:BioXM、 Bioedit 7、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 。答:(1)访问NCBI的Entrez检索系统，(2)选择核酸数据库，(3)输入U49845序列访问号开始检索。 第一项是LOCUS名称，前三个字母代表物种名 第二项是序列长度 第三项是序列分子类型 第四项是分子为线性的 第五项是GenBank分类码 第六项是最后修订日期 8、BLAST算法的搜索步骤及其在数据库搜索中的主要作用，E值和P值分别是什么，它们有什么意义？答:1.登陆blast主页;2.根据数据类型，选择合适的程序;3.填写表单信息;4.提交任务;5.查看和分析结果 BLAST中使用的统计值有概率p值和期望e值。 E期望值(E-value)这个数值表示你仅仅因为随机性造成获得这一比对结果的可能次数。这一数值越接近零，发生这一事件的可能性越小。从搜索的角度看，E值越小，比对结果越显著。默认值为10，表示比对结果中将有10个匹配序列是由随机产生，如果比对的统计显著性值(E值)小于该值(10)，则该比对结果将被检出，换句话说，比较低的E值将使搜索的匹配要求更严格，结果报告中随机产生的匹配序列减少。 p值表示比对结果得到的分数值的可信度。一般说来，p值越接近于零，则比对结果的可信度越大;相反，p值越大，则比对结果来自随机匹配的可能性越大。 9、简述NCBI中Entrez系统的功能。 答：高级检索系统;查找核酸、蛋白、文献、结构、基因组序列、大分子三维结构、突变数据、探针序列、单核苷酸多态性等数据。 10、BLAST套件的blastn、blastp、blastx、tblastn和tblastx子工具的用途什么？答：Blastn是将给定的核酸序列与核酸数据库中的序列进行比较;Blastp是使用蛋白质序列与蛋白质数据库中的序列进行比较，可以寻找较远的关系;Blastx将给定的核酸序列按照六种阅读框架将其翻译成蛋白质与蛋白质数据库中的序列进行比对，对分析新序列和EST很有用;Tblastn将给定的氨基酸序列与核酸数据库中的序列(双链)按不同的阅读框进行比对，对于寻找数据库中序列没有标注的新编码区很有用;Tblastx只在特殊情况下使用，它将DNA被检索的序列和核酸序列数据库中的序列按不同的阅读框全部翻译成蛋白质序列，然后进行蛋白质序列比对。 11、什么是序列比对中使用的PAM矩阵和BLOSUM矩阵，它们的作用是什么，一般如何选择合适的评分矩阵？答:PAM矩阵(Point Accepted Mutation)基于进化的点突变模型，如果两种氨基酸替换频繁，说明自然界接受这种替换，那么这对氨基酸替换得分就高。一个PAM就是一个进化的变异单位, 即1%的氨基酸改变，但这并不意味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突变，甚至可能会变回到原来的氨基酸。 模块替换矩阵BLOSUM(BLOcks Substitution Matrix)首先寻找氨基酸模式，即有意义的一段氨基酸片断(如一个结构域及其相邻的两小段氨基酸序列)，分别比较相同的氨基酸模式之间氨基酸的保守性(某种氨基酸对另一种氨基酸的取代数据)，然后，以所有 60,保守性的氨基酸模式之间的比较数据为根据，产生BLOSUM60;以所有80,保守性的氨基酸模式之间的比较数据为根据，产生BLOSUM80。 PAM矩阵和BLOSUM矩阵都是用于序列相似性的记分矩阵(scoring matrix)。记分矩阵中含有对齐时具体使用的数值。一般FASTA和BLAST都提供BLOSUM或PAM系列矩阵供选择，若要进行突变性质的进化分析时可以使用PAM，FASTA缺省推荐BLOSUM50矩阵。 12、为下面的序列比对确定比对得分:匹配得分= +1，失配得分= 0，空位得分= -1。 答：X=TGTACGGCTATA; Y=TC-CGCCT-TA TT 1 GC 0 T- -1 A- -1 CC 1 GG 1 GC 0 CC 1 TT 1 A- -1 TT 1 AA 1 最后得分1+0+(-1)+(-1)+1+1+0+1+1+(-1)+1+1=4 13、使用Needleman-Wunsch算法计算序列X和Y的最佳比对(配对score=4，错配score=-3，空位罚分score=-4) X=TTCGAGT; Y=ATTCCAAG。 T T C G A G T 0 -4 -8 -12 -16 -20 -24 -28 A -4 -3 -7 -11 -15 -12 -16 -20 T -8 0 1 -3 -7 -11 -15 -12 T -12 -4 4 0 -4 -8 -12 -11 C -16 -8 0 8 4 0 -4 -8 C -20 -12 -4 4 5 1 -3 -7 A -24 -16 -8 0 1 9 5 1 A -28 -20 -12 -4 -3 5 6 2 G -32 -24 -16 -8 0 1 9 5 14、掌握蛋白质结构有什么意义,为什么要进行蛋白质结构预测？答：（1）研究蛋白质的结构意义重大，分析蛋白质结构、功能及其关系是蛋白质组计划中的一个重要组成部分。研究蛋白质结构，有助于了解蛋白质的作用，了解蛋白质如何行使其生物功能，认识蛋白质与蛋白质(或其它分子)之间的相互作用，这无论是对于生物学还是对于医学和药学，都是非常重要的。（2）对于未知功能或者新发现的蛋白质分子，通过结构分析，可以进行功能注释，指导设计进行功能确认的生物学实验。通过分析蛋白质的结构，确认功能单位或者结构域，可以为遗传操作提供目标，为设计新的蛋白质或改造已有蛋白质提供可靠的依据，同时为新的药物分子设计提供合理的靶分子结构。 15、简述BLAST搜索的算法思想。 答:BLAST是一种局部最优比对搜索算法，将所查询的序列打断成许多小序列片段，然后小序列逐步与数据库中的序列进行比对，这些小片段被叫做字”word”;当一定长度的的字(W)与检索序列的比对达到一个指定的最低分(T)后，初始比对就结束了;一个序列的匹配度由各部分匹配分数的总和决定，获得高分的序列叫做高分匹配片段(HSP)，程序将最好的HSP双向扩展进行比对，直到序列结束或者不再具有生物学显著性，最后所得到的 序列是那些在整体上具有最高分的序列，即，最高分匹配片段(MSP)，这样，BLAST既保持了整体的运算速度，也维持了比对的精度。 16、试述PSI-BLAST 搜索的5个步骤。 答: 选择待查序列(query)和蛋白质数据库; PSI-BLAST 构建一个多序列比对，然后创建一个序列表谱(profile)又称特定位置打分矩阵(PSSM); PSSM被用作 query搜索数据库 PSI-BLAST 估计统计学意义 (E values) 重复 和 , 直到没有新的序列发现。17、PSI-BLAST and PHI-BLAST 答：PSI-BLAST:位点特异性反复比对，首先进行一般的blastp比对，从比对结果中构建多序列比对的搜索矩阵，然后用此矩阵在一次搜索原来的数据库，重复5次直到没有新的结果出现为止。其是一种更加高灵敏度的Blastp程序，对于发现远亲物种的相似蛋白或某个蛋白家族的新成员。 PHI-Blast:模式识别BLAST，是一种既能和查询匹配又能和模式匹配的的蛋白序列的比对程序，是一种高灵敏性的blastp程序，一般经过一次搜索即可取得很好的效果，而当一次之后其与PSI-BLAST功能是一致的。广泛用于蛋白家族成员的鉴定。 18、全局比对与局部比对的比较及生物学意义 答：全局比对:对序列的全部字符进行比对，试图使尽可能多的字符实现匹配。其主要用于序列相似度很高且序列长度相近的序列比对，用于进化的研究和结构的预测。 局部比对:寻找序列间相似度最高的区域，也就是匹配密度最高的部分。其主要应用于某些部位相似度较高而其他部位差异较大的序列的比对，用于寻找保守的核苷酸及蛋白质序列中氨基酸模式19、简述除权配对法(UPGMA)的算法思想。 答:通过两两比对聚类的方法进行，在开始时，每个序列分为一类，分别作为一个树枝的生长点，然后将最近的两序列合并，从而定义出一个节点，将这个过程不断的重复，直到所有的序列都被加入，最后得到一棵进化树。P119 11) 20、简述邻接法(NJ)构树的算法思想。 答:邻接法的思想不仅仅计算最小两两比对距离，还对整个树的长度进行最小化，从而对树的拓扑结构进行限制。这种算法由一棵星状树开始，所有的物种都从一个中心节点出发，然后通过计算最小分支长度的和相继寻找到近邻的两个序列，每一轮过程中考虑所有可能的序列对，把能使树的整个分支长度最小的序列对一组，从而产生新的距离矩阵，直到寻找所有的近邻序列。P117 21、简述最大简约法(MP)的算法思想。P68 答:是一种基于离散特征的进化树算法。生物演化应该遵循简约性原则，所需变异次数最少(演化步数最少)的演化树可能为最符合自然情况的系统树。在具体的操作中，分为非加权最大简约分析(或称为同等加权)和加权最大简约分析，后者是根据性状本身的演化规律(比如DNA不同位点进化速率不同)而对其进行不同的加权处理。P120 13)22、 简述最大似然法(ML)的算法思想。P69 答:是一种基于离散特征的进化树算法。该法首先选择一个合适的进化模型，然后对所有可能的进化树进行评估，通过对每个进化位点的替代分配一个概率，最后找出概率最大的进化树。P122 23、UPGMA构树法不精确的原因是什么？P69 答:由个于UPGMA假设在进化过程中所有核苷酸/氨基酸都有相同的变异率，也就是存在着一个分子钟;这种算法当所构建的进化树的序列进化速率明显不一致时，得到的进化树相对来说不准确的。 24、进化树的可靠性分析 答：自展法(Bootstrap Method) 1、从排列的多序列中随机有放回的抽取某一列，构成相同长度的新的排列序列; 2、重复上面的过程，得到多组新的序列; 3、对这些新的序列进行建树，再观察这些树与原始树是否有差异，以此评价建树的可靠性。 25、生物信息学数据库的组成包括哪些部分,数据库有哪些类型？答:生物信息学数据库的组成包括一级数据库和二级数据库。数据库的类型包括核算和蛋白质一级结构序列数据库、基因组数据库、生物大分子三维空间结构 数据库、以上述3类数据库和文献资料为基础构建的二次数据库。 26、简要介绍 GenBank中的DNA序列格式。 答:GenBank中的DNA序列格式可以分成三个部分，第一部分为描述符，从第一行LOCUS行到ORIGIN行，包含了关于整个记录的信息;第二部分为特性表，从FEATURES行开始，包含了注释这一纪录的特性，是条目的核心，中间使用一批关键字;第三部分是核苷酸序列的本身。 27、简要介绍FASTA序列格式 答:FASTA格式，又叫Pearson格式，是最简单的，使用最多的格式。它的基 本形式分为三个部分:第一行:大于号(，)表示一个新的序列文件的开始，为标记符。后面可以加上文字说明，gi号，GenBank检索号，LOCUS名称等信息。第二行:序列本身，为DNA的标准符号，通常大小写均可。 结束:无特殊标志，但建议多留一个空行，以便将序列和其他内容区分开。 28、序列的相似性与同源性有什么区别与联系？ 答:(1)相似性是指序列之间相关的一种统计学的量度，两序列的的相似性可以基于序列的一致性和相似度的百分比，也可以用相应的分数来衡量这种相似;而同源性是指序列所代表的物种具有共同的祖先，强调进化上的亲缘关系，不能用相应的数字去量化这种关系，我们只能