芯片数据chapter1课件

1、生物信息学主讲人: 孙 啸制作人：刘志华东南大学 吴健雄实验室10/12/20221参考文献1、生物信息学 孙啸 东南大学（课程讲义） 2、生物信息学概论 罗静初 北京大学 北京大学出版社3、生物信息学（863高科技丛书） 赵国平 中科院上海生命科学院 科学出版社4、生物信息学基因和蛋白质分析的使用指南 李衍达 清华大学 清华大学出版社5、生物信息学手册 郝柏林 中科院物理所 上海科学技术出版社6、简明生物信息学 钟扬 复旦大学 高等教育出版社10/12/20222网上资源/chenyuan/xsun/courses_on_net.htm编号名称书稿(word)多媒体(ppt)第一章生物信息学

2、引论第一章第一章第二章分子生物学基础第二章第二章第三章序列比较第三章1,第三章2,第三章3第三章第四章生物分子数据库第四章第四章第五章DNA序列分析第五章1,第五章2,第五章3第五章第六章系统发生分析第六章第六章第七章蛋白质结构预测第七章1, 第七章2第七章第八章生物信息学在基因芯片中的应用第八章第八章第九章数据挖掘与基因表达调控信息分析第九章1, 第九章2第九章第十章生物信息学发展现状及趋势第十章第十章10/12/20223第一章生物信息学引论10/12/20224简介 第一节 引言 第二节 生物信息学的发展历史 第三节 人类基因组计划和基因组信息学 第四节 蛋白质结构与功能关系的研究第五节

3、 目前生物信息学主要研究内容 第六节 生物信息学所用的方法和技术10/12/202251、 生物信息学概念 HGP生物数据的激增（每15个月翻一番）生物学家数学家计算机科学家生物信息学（bioinfomatics)的诞生10/12/20227概念（广义）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信息科学生命科学中的信息科 学 10/12/20228Bioinformatics生物分子数 据 计算机计 算 + 10/12/2022102、生物分子信息 细胞分子存贮、复制、传递和表达遗传信息的系统生物信息的载体10/12/202211生物信息学主要

4、研究两种信息载体DNA分子蛋白质分子10/12/202212Protein Machines 10/12/202214From the Cell to Protein Machines 10/12/202215(1)遗传信息的载体DNA 遗传信息的载体主要是DNA 控制生物体性状的基因是一系列DNA片段 生物体生长发育的本质就是遗传信息的传递和表达 10/12/202217DNA通过自我复制，在生物体的繁衍过程中传递遗传信息 基因通过转录和翻译，使遗传信息在生物个体中得以表达，并使后代表现出与亲代相似的生物性状。 基因控制着蛋白质的合成 DNARNA蛋白质转录翻译10/12/202218基因的

5、DNA序列DNA前体RNAmRNA多肽链蛋白质序列对应关系遗传密码10/12/202219(2)蛋白质的结构决定其功能蛋白质功能取决于蛋白质的空间结构 蛋白质结构决定于蛋白质的序列（这是目前基本共认的假设），蛋白质结构的信息隐含在蛋白质序列之中。10/12/202220(3) DNA分子和蛋白质分子都含有进化信息通过比较相似的蛋白质序列，如肌红蛋白和血红蛋白，可以发现由于基因复制而产生的分子进化证据。通过比较来自于不同种属的同源蛋白质，即直系同源蛋白质，可以分析蛋白质甚至种属之间的系统发生关系，推测它们共同的祖先蛋白质。10/12/202221生物分子信息DNA序列数据 蛋白质序列数据 生物分

6、子结构数据 生物分子功能数据 最基本直观复杂生物分子数据类型10/12/202222第一部遗传密码已被破译，但对密码的转录过程还不清楚，对大多数DNA非编码区域的功能还知之甚少 对于第二部密码，目前则只能用统计学的方法进行分析无论是第一部遗传密码，还是第二部遗传密码，都隐藏在大量的生物分子数据之中。生物分子数据是宝藏，生物信息数据库是金矿，等待我们去挖掘和利用。10/12/202224生物分子信息的特征生物分子信息数据量大 生物分子信息复杂 生物分子信息之间存在着密切的联系10/12/202225 实验 数据 信息 知识 收集 表示 分析 建模 刻画特征 比较 推理 应 用基因工程蛋白质设计疾

7、病诊断疾病治疗开发新药生物分子信息处理流程10/12/202227分子生物学的三大核心数据库 GenBank核酸序列数据库 SWISS-PROT蛋白质序列数据库 PDB生物大分子结构数据库 10/12/202228数据源数据量生物信息学任务DNA序列11.5百万条序列125.0 亿个碱基 分离编码与非编码区域识别内含子与外显子基因产物预测基因功能注释基因调控信息分析 蛋白质序列40.0万条序列（每条序列平均有300氨基酸 ）序列比较多重序列比对识别保守的序列模式进化分析 大分子结构1.5 万个结构（每个结构平均1000个原子坐标） 二级结构、空间结构预测三维结构比对蛋白质几何学度量表面和形态计

8、算分子间相互作用分析分子模拟 基因组300个基因组 标注重复序列基因结构分析系统发生分析基因与疾病的连锁分析基因组比较遗传语言分析 基因表达酵母6000个基因在约20时间点表达值 达模式相关分析基因表基因调控网络分析表达调控信息分析 表1.1 至2001年初已经得到的各类数据及基本数据处理任务10/12/202229生物信息学研究意义认识生物本质了解生物分子信息的组织和结构，破译基因组信息，阐明生物信息之间的关系。改变生物学的研究方式 改变传统研究方式，引进现代信息学方法在医学上的重要意义为疾病的诊断和治疗提供依据为设计新药提供依据生物信息学将是21世纪生物学的核心 10/12/202230主

9、要研究内容 破译遗传语言、识别基因 预测蛋白质结构和功能 认识生物界信息存贮和传递的本质 研究药物作用机制和开发新药10/12/202231第二节 生物信息学的发展历史生物信息学基本思想的产生 生物信息学 的迅速发展二十世纪50年代二十世纪80-90年代生物科学和技术的发展人类基因组计划的推动 10/12/20223220世纪50年代，生物信息学开始孕育20世纪60年代，生物分子信息在概念上将计算 生物学和计算机科学联系起来20世纪70年代，生物信息学的真正开端20世纪70年代到80年代初期 ，出现了一系列著 名的序列比较方法和生物信息分析方法 20世纪80年代以后，出现一批生物信息服务机 构

10、和生物信息数据库20世纪90年代后 ，HGP促进生物信息学的迅速 发展10/12/202233关于生物信息学发展历程中的重要大事，请参见下面两个网站的介绍：/Education/BLASTinfo/milestones.html、/bioinformatics/。10/12/202234生物信息学国内外发展现状PubMed中与生物信息学相关论文统计 90002%10/12/202235第三节 人类基因组计划和基因组信息学 1、人类基因组计划简介 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3109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

11、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10/12/202236基因组 一个物种中所有基因的整体组成10/12/202237人类基因组构成24条染色体和线粒体10/12/202238人类基因组计划的具体任务可以概括为建立四张图谱 遗传图谱物理图谱 序列图谱转录图谱10/12/20223910/12/202240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

12、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。遗传图谱 10/12/202241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。10/12/202242物理图谱物理图谱（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

13、及其在每条染色体上的相对位置线性而系统地排列出来。10/12/2022431998 年完成了具有52,000个序列标签位点(STS)，并覆盖人类基因组大部分区域的连续克隆系的物理图谱。敲碎基因组，分析研究内容所处的染色体位置细菌人工染色体（80300 kb）酵母人工染色体（数百 2000 kb）中心粒一对紧密相邻的标志一对相邻较远的标志染色体图10/12/202244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 10/12/202245大规模基因组测序 Mega

14、bace 测序仪3700 测序仪10/12/202246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）10/12/202247运用计算机软件进行序列拼接10/12/202248Francis Collins VS. J.Craig Venter10/12/202249转录图谱 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。 10/1

15、2/202250通过定位克隆技术寻找疾病基因的过程 10/12/202251基因识别 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。 10/12/202252模式生物酵母大肠杆菌果蝇线虫老鼠10/12/202253人类基因组计划的实现对医学事 业的影响 对致病基因的克隆也是人类基因组计划的内容。疾病与基因直接或间接相关，通过生物学、医学等技术对相关基因进行抑制或调控，即可达到治疗某一疾病的效果。如

16、果掌握了与某种疾病相关的基因及突变，则可以对该疾病进行预测、诊断，甚至治疗。 10/12/202254基因变异与疾病10/12/202255基因组多态性10/12/20225610/12/202257人类基因组计划的实施意义 人类基因组计划为我们研究生物信息的组织、结构、遗传、表达带来了极大的方便，使人类对自身有一个根本的了解。人类是最高级、最复杂、最重要的生物，如果搞清楚人类基因组，那么再研究其它的生物就容易得多。研究多种模式生物基因组将有助于研究地球生物的进化史。10/12/2022585、我国对人类基因组计划的贡献10/12/202259又一次成功！ 水稻基因研究袁隆平 杨焕明 江泽民

17、.10/12/2022602、人类基因组计划给生物信息学提出挑战随着实验数据和可利用信息急剧增加，信息的管理和分析成为HGP的一项重要的工作 发现生物学规律，解读生物遗传密码认识生命的本质研究基因组数据之间的关系分析现有的基因组数据利用数学模型和人工智能技术10/12/20226110/12/202262功能基因组学 HGP即将完成，我们即将进入“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 annotat

18、ion）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10/12/202263功能基因组学的研究内容进一步识别基因，识别基因转录调控信息，分析遗传语言。注释所有基因产物的功能，这是目前基因组功能注释的主要层次。研究基因的表达调控机制，研究基因在生物体代谢途径中的地位，分析基因、基因产物之间的相互作用关系，绘制基因调控网络图。比较基因组学研究，在基因组水平对各个生物进行对照比较，可以揭示生命的起源和进化、发现蛋白质功能。10/12/202264人类基因组与其它生物基因组比较10/12/202265例：人与鼠染色体的差别10/12/202266Structure & FunctionPa

19、thways & PhysiologyPopulations& EvolutionEcosystemsGenomesGene Products后基因组时代10/12/202267生物信息学与新药研制未来的药物研究过程将是基于生物信息知识挖掘的过程数据处理和关联分析发现药物作用对象确定靶目标分子针对靶目标进行合理的药物设计10/12/202268生物信息学与疾病检测基因组计划产生的基因及基因多态性数据与临床医学检验结果之间的关系需要利用生物信息学的方法去分析、去揭示根据这样的分析结果，科学家能够更准确地了解疾病产生的根本原因，更精确地预测某个人患癌症、糖尿病或者心脏病的可能性，从而彻底改变我们诊

20、断、治疗和预防疾病的方式 10/12/202269第四节 蛋白质结构与功能关系的研究 蛋白质结构 蛋白质序列 蛋白质功能关系 10/12/202270基因组计划的不断推进，其结果不仅导致DNA序列数据的迅速增长，也导致蛋白质序列数据的迅速增长。生物信息学在蛋白组学研究中的主要任务是产生和分析蛋白质的结构，并将结构知识应用于生物学、医学、药学等生命科学领域。蛋白质空间结构预测。蛋白质结构是合理药物分子设计的基础。蛋白质结构是蛋白质工程的基础。10/12/202271基于生物信息学的新药设计10/12/202272生物信息学研究蛋白质结构及功能关系 研究蛋白质的进化问题，研究不同蛋白质之间的进化关

21、系 研究蛋白质的性质 10/12/202273第五节 目前生物信息学主要研究内容1、 生物分子数据的收集与管理2、 数据库搜索及序列比较 3、 基因组序列分析 4、基因表达数据的分析与处理 5、蛋白质结构预测 10/12/202274基因组数据库 蛋白质序列数据库 蛋白质结构数据库 DDBJEMBLGenBankSWISS-PROT PDBPIR1、 生物分子数据的收集与管理10/12/2022752、 数据库搜索及序列比较 搜索同源序列在一定程度上就是通过序列比较寻找相似序列 序列比较的一个基本操作就是比对（Alignment），即将两个序列的各个字符（代表核苷酸或者氨基酸残基）按照对应等同

22、或者置换关系进行对比排列，其结果是两个序列共有的排列顺序，这是序列相似程度的一种定性描述多重序列比对研究的是多个序列的共性。序列的多重比对可用来搜索基因组序列的功能区域，也可用于研究一组蛋白质之间的进化关系。 10/12/202276发现同源分子10/12/2022773、 基因组序列分析 遗传语言分析天书 基因组结构分析基因识别基因功能注释基因调控信息分析基因组比较10/12/2022784、基因表达数据的分析与处理基因表达数据分析是目前生物信息学研究的热 点和重点 目前对基因表达数据的处理主要是进行聚类分 析，将表达模式相似的基因聚为一类，在此基 础上寻找相关基因，分析基因的功能 所用方法

23、主要有：相关分析方法模式识别技术中的层次式聚类方法人工智能中的自组织映射神经网络主元分析方法 10/12/202279基因芯片10/12/20228010/12/20228110/12/202282层次式聚类10/12/202283二维电泳图10/12/2022845、蛋白质结构预测 蛋白质的生物功能由蛋白质的结构所决定 ，蛋白质结构预测成为了解蛋白质功能的重要途径。蛋白质结构预测分为:二级结构预测空间结构预测 蛋白质折叠10/12/202285二级结构预测在一定程度上二级结构的预测可以归结为模式识别问题 在二级结构预测方面主要方法有：立体化学方法图论方法统计方法最邻近决策方法基于规则的专家系

24、统方法分子动力学方法人工神经网络方法 预测准确率超过70%的第一个软件是基于神经网络的PHD系统10/12/202286空间结构预测在空间结构预测方面，比较成功的理论方法是同源模型法 该方法的依据是：相似序列的蛋白质倾向于折叠成相似的三维空间结构 运用同源模型方法可以完成所有蛋白质10-30%的空间结构预测工作 10/12/202287第六节 生物信息学所用的方法和技术 1、数学统计方法 2、动态规划方法 3、机器学习与模式识别技术 4、数据库技术及数据挖掘 5、人工神经网络技术6、专家系统 7、分子模型化技术8、量子力学和分子力学计算 9、生物分子的计算机模拟10、因特网（Internet）

25、技术 10/12/2022881、数学统计方法生物活动常常以大量、重复的形式出现，既受到内在因素的制约，又受到外界环境的随机干扰。因此概率论和数学统计是现代生物学研究中一种常用的分析方法 数据统计、因素分析、多元回归分析是生物学研究必备的工具隐马尔科夫模型（Hidden Markov Models）在序列分析方面有着重要的应用。与隐马尔科夫模型相关的技术是马尔科夫链（Markov Chain） 10/12/2022892、动态规划方法动态规划（Dynamic Programming）是一种解决多阶段决策过程的最优化方法或复杂空间的优化搜索方法 动态规划解决问题的基本过程是：将一个问题的全局解分

26、解为局部解，逆序递推求出局部最优解，随着执行过程的推进，“局部”逐渐接近“全局”，最终获得全局最优解 10/12/2022903、机器学习与模式识别技术机器学习机器学习是模拟人类的学习过程，以计算机为工具获取知识、积累经验 1、遗传算法采用随机搜索方法，具有自适应能力和便于并行计算 2、神经网络的理论是基于人脑的结构，其目的是揭示一个系统是如何向环境学习的，这一种方法被称为联接主义。 模式识别模式识别是机器学习的一个主要任务。模式是对感兴趣客体定量的或者结构的描述，而模式识别就是利用计算机对客体进行鉴别，将相同或者相似的客体归入同种类别中模式识别主要有两种方法:根据对象的统计特征进行识别，根据

27、对象的结构特征进行识别 10/12/202291环境学习知识库执行机器学习系统的基本结构 反 馈10/12/2022924、数据库技术及数据挖掘数据库技术 数据仓库 虚拟数据库技术（Virtual Database，简称 VDB） 数据挖掘（data mining） 又称作数据库中的知识发现 (Knowledge Discovery in Database)，它是从数据库或数据仓库中发现并提取隐藏在其中的信息的一种新技术，它能自动分析数据，对它们进行归纳性推理和联想，寻找数据间内在的某些关联，从中发掘出潜在的、对信息预测和决策行为起着十分重要作用的模式 数据挖掘过程一般分为4个基本步骤：数据选

28、择、数据转换、数据挖掘和结果分析 10/12/2022935、人工神经网络技术人工神经网络（Artificial Neural Network, 简称ANN）是通过模拟神经元的特性以及脑的大规模并行结构、信息的分布式和并行处理等机制建立的一种数学模型 在生物信息学中，使用得最多的是反向传播神经网络（Back Propagation Neural Network，简称BP网）。BP网被认为是稳定性和鲁棒性较强的人工神经网络之一，而且属于有监督学习的网络模型。标准的BP网由三层神经元组成：输入层、隐藏层和输出层 10/12/202294 输入层隐藏层输出层反向传播神经网络结构示意10/12/2022956、专家系统专家系统（Expert System）是一种基于知识的智能系统，它将领域专家的经验用一定的知识表示方法表示出来，并放入知识库中，供推理机使用 知识库是专家系统的第一重要组成部分，知识库中的知识通常分为两类：一类领域的事实性知识，或广泛公用的知识另一类是启发性知识，是领域专家在长期研究和实践过程中 积累起来的经验总结知识获取方式大致上可以分为两种：一种是由知识工程师向领域专家询问有关知识，经过整理编 辑后将知识转换成计算机表示形式，送入知识库另一种是针对大量数据进行机器学习，分析、总结和抽取出 有用的新知识，这是更高层次的知识获取方式