2025年大学《生物统计学》专业题库- 生物统计学与生物信息学的交叉

2025年大学《生物统计学》专业题库——生物统计学与生物信息学的交叉考试时间：______分钟总分：______分姓名：______一、选择题（每题2分，共20分。请将正确选项的首字母填入括号内）1.在进行基因表达差异分析时，处理大量基因（例如几万个）同时发生表达变化的可能性，导致了多重假设检验问题。为控制家族误差率（FDR），常用的方法不包括：A.Bonferroni校正B.Benjamini-Hochberg程序C.t检验D.FalseDiscoveryRate(FDR)计算方法2.对基因表达矩阵进行标准化处理的主要目的是：A.降低数据中的噪声水平B.消除不同样本间因测序深度差异导致的表达量差异C.增加基因间的相关性D.使所有基因的表达量服从正态分布3.在比较两组样本（如处理组与对照组）的基因表达量均值时，如果样本量较小且两组方差不等，较为稳健的假设检验方法是：A.独立样本t检验B.配对样本t检验C.Wilcoxon秩和检验D.ANOVA4.PrincipalComponentAnalysis(PCA)在生物信息学中主要应用于：A.检测基因表达中的多重测试问题B.对高维基因表达数据进行降维，揭示样本间的主要变异模式C.精确量化每个基因的表达水平D.对基因进行功能富集分析5.在使用支持向量机（SVM）进行样本分类时，选择合适的核函数（如线性核、多项式核、RBF核）是重要的步骤。选择核函数的主要依据通常不是：A.数据集的特征维度B.样本的类别数量C.模型的预测准确性（交叉验证结果）D.训练样本的数量6.对于基因表达数据的聚类分析，使用层次聚类方法时，常用的距离度量方法不包括：A.Euclideandistance(欧几里得距离)B.Manhattandistance(曼哈顿距离)C.F-statistic(F统计量)D.Correlationdistance(相关距离)7.在生物信息学研究中，假设检验的p值小于0.05通常被用来：A.接受原假设B.拒绝原假设C.直接推断该结果具有生物学意义D.判断样本量是否足够大8.在进行序列比对时，常用的统计指标，如比对得分（Score）、不匹配罚分（MismatchPenalty）和gaps罚分（GapPenalty），这些参数的选择会影响：A.比对结果的可视化效果B.比对算法的运行速度C.最终得到的比对准确性和一致性D.序列中碱基或氨基酸的原始频率9.在生存分析中，用于比较不同处理组生存分布差异的统计检验方法，常用的是：A.t检验B.ANOVAC.卡方检验D.log-rank检验10.机器学习模型在生物信息学应用中，评估其泛化能力的常用方法不包括：A.使用测试集（TestSet）进行评估B.在训练集（TrainingSet）上进行交叉验证C.计算模型在训练集上的拟合优度D.分析模型参数的置信区间二、填空题（每空2分，共20分。请将答案填入横线处）1.在进行基因芯片或RNA-Seq数据分析时，为消除技术噪音和批次效应，常需要对原始计数数据进行__________和__________。2.如果我们对1000个基因进行差异表达分析，每个基因设定显著性水平α=0.05，那么在未做任何校正的情况下，预期会有__________个基因被错误地判断为差异表达（假设所有基因均无真实差异）。3.在生物信息学中，衡量聚类分析结果好坏的指标之一是__________系数（SilhouetteCoefficient），其值范围在-1到1之间，值越接近1表示聚类效果越好。4.对于分类问题，如果样本不平衡（即不同类别的样本数量差异很大），仅使用分类准确率（Accuracy）作为评价指标可能会产生误导，此时可以考虑使用__________、__________或ROC曲线下面积（AUC）等指标。5.统计学中的置信区间估计了参数的一个区间范围，它提供了对参数__________的信息，而不是提供一个单一的点估计值。三、简答题（每题5分，共15分）1.简述t检验和ANOVA在生物信息学中分别适用于什么场景。2.解释什么是多重检验问题（MultipleTestingProblem），为什么在生物信息学研究中需要对其进行校正？3.简要说明在生物信息学聚类分析中，选择“距离”度量标准时需要考虑哪些因素？四、计算与分析题（每题10分，共20分）1.假设我们比较了两种处理（A组和B组）对某个基因表达的影响，得到该基因在10个A组样本中的表达量均值和标准差分别为μA=15,σA=3；在10个B组样本中的均值和标准差分别为μB=18,σB=4。请计算该基因在A、B两组间表达量均值差异的95%置信区间（假设两组方差不等，可用Welch'st方法近似计算），并解释该置信区间的含义。2.某研究者利用基因表达数据构建了一个二分类模型（例如，区分健康样本和疾病样本），在独立测试集上得到了以下结果：模型正确预测为健康的样本数为90，正确预测为疾病的样本数为30，错误预测为健康的样本数为10，错误预测为疾病的样本数为50。(1)计算该模型的总体准确率（Accuracy）。(2)计算该模型对“疾病”类别的召回率（Recall/Sensitivity）和特异性（Specificity）。(3)基于上述计算结果，简要评价该模型在区分健康与疾病样本方面的性能。五、论述题（10分）结合你所学的知识，论述在生物信息学研究中，选择和应用统计模型（如回归模型、分类模型、聚类模型等）时，需要考虑哪些关键因素？并举例说明不恰当选择或应用统计模型可能导致的后果。试卷答案一、选择题1.C解析思路：t检验是一种具体的假设检验方法，用于比较两组均值，而Bonferroni校正、Benjamini-Hochberg程序和FDR计算方法是用于控制多重假设检验错误率（假发现率）的策略或指标。题目问的是不包括的方法，故选C。2.B解析思路：标准化（如TPM,FPKM,Z-score）的主要目的是使不同样本的数据具有可比性，消除由测序深度、实验条件等差异带来的量级差异，从而更准确地比较基因间的相对表达水平。3.C解析思路：Wilcoxon秩和检验是一种非参数检验方法，不依赖于数据的正态分布假设，且对样本量较小和方差不等的情况较为稳健。独立样本t检验要求方差齐性，配对样本t检验要求样本配对，ANOVA适用于三个或以上组别的均值比较。4.B解析思路：PCA的核心目的是通过线性变换将原始的高维数据投影到低维空间，同时保留数据中的最大变异信息，常用于可视化样本聚类、识别主要影响因素等。5.B解析思路：核函数的选择主要影响模型能否有效分离不同类别的数据点，通常依据模型在交叉验证等策略下的性能表现（如准确率）来决定。数据集的特征维度、样本数量、类别数量都会影响模型选择和核函数的适用性，但不是直接的选择依据。6.C解析思路：欧几里得距离、曼哈顿距离、相关距离都是常用的距离度量方式，可以用于计算样本或基因之间的相似性或差异性，为层次聚类提供基础。F统计量是方差分析中用于检验组间差异的统计量，不是距离度量。7.B解析思路：在传统的假设检验框架下，p值小于0.05表示观察到的数据在原假设（通常为无效应或无差异）成立时出现的概率小于5%，因此有足够的证据拒绝原假设。它不直接推断生物学意义，生物学意义的解释还需要结合效应大小、实验设计和生物学背景。8.C解析思路：序列比对的得分系统（包括匹配得分、不匹配罚分、gap罚分）直接决定了比对算法如何评估两条序列之间的一致性程度，不同的参数设置会改变算法对局部和全局相似性的偏好，从而影响最终的比对结果。9.D解析思路：log-rank检验是一种非参数检验方法，常用于生存分析中比较两组（或多组）样本的生存分布是否存在显著差异，它对生存时间的分布没有严格假设。10.C解析思路：模型的拟合优度描述的是模型对训练数据的拟合程度，过高的拟合度可能意味着模型存在过拟合。评估泛化能力主要看模型在未见过的新数据上的表现，如测试集上的性能、交叉验证结果等。二、填空题1.标准化,归一化解析思路：标准化（如中心化、缩放到均值为0，标准差为1）和归一化（如缩放到[0,1]范围或对数变换）是处理基因表达数据以消除批次效应、技术噪音和量级差异的常用预处理步骤。2.50解析思路：假设所有1000个基因表达无差异，每个基因检验的显著性水平为α=0.05，则每个基因预期会有5%的概率犯第一类错误（错误地拒绝原假设，即判断为差异表达）。因此，1000个基因中预期有1000*0.05=50个基因被错误判断为差异表达。3.轮廓解析思路：轮廓系数（SilhouetteCoefficient）是衡量聚类效果好坏的指标，它结合了样本与其同属一个簇的紧密度以及与其他簇的分离度，值域为[-1,1]，越接近1表示样本越属于其所在的簇，而与其他簇分离得越好。4.召回率,特异性解析思路：在样本不平衡时，高准确率可能掩盖了模型对少数类（如疾病样本）的预测能力不足。召回率（Recall）关注模型找到所有正例（疾病）的能力，特异性（Specificity）关注模型正确排除所有负例（健康）的能力。ROC曲线下面积（AUC）则综合评估了模型在不同阈值下的性能。5.估计范围,置信度解析思路：置信区间提供了一个估计总体参数（如总体均值、总体比例）的可能范围，而不是单一的点估计值。同时，它伴随着一个置信水平（如95%），表示如果重复抽样并构建置信区间，大约有95%的区间会包含真实的总体参数。三、简答题1.简述t检验和ANOVA在生物信息学中分别适用于什么场景。解析思路：t检验通常用于比较两个组（例如处理组与对照组）的某个连续变量（如基因表达量）的均值是否存在显著差异。ANOVA则用于比较多于两个组（例如多个处理组或多个时间点）的同一连续变量的均值是否存在显著差异。当研究问题涉及比较组间差异时，选择t检验还是ANOVA取决于比较的组数。2.解释什么是多重检验问题（MultipleTestingProblem），为什么在生物信息学研究中需要对其进行校正？解析思路：多重检验问题是指在同时进行大量独立的统计检验时，即使所有检验的原假设都为真（即所有效应都为零或无差异），按照传统显著性水平（如α=0.05）也必然会犯第一类错误（假阳性），即错误地拒绝原假设。生物信息学研究常常涉及成千上万的基因或特征，进行大量的假设检验，因此必须校正多重检验问题，以控制错误发现率（FDR），提高统计结论的可靠性。3.简要说明在生物信息学聚类分析中，选择“距离”度量标准时需要考虑哪些因素？解析思路：选择距离度量标准时需要考虑数据的类型（连续型、计数型、分类型）、数据的分布特性（是否对称、是否存在异常值）、以及聚类的目标。例如，欧几里得距离适用于连续变量且分布相对对称的情况；曼哈顿距离对异常值不敏感；相关性距离适用于标准化后的数据以衡量相似性；对于分类数据可能需要使用Jaccard距离或汉明距离。选择应使距离度量能较好地反映研究对象之间的实际差异或相似性。四、计算与分析题1.假设我们比较了两种处理（A组和B组）对某个基因表达的影响，得到该基因在10个A组样本中的表达量均值和标准差分别为μA=15,σA=3；在10个B组样本中的均值和标准差分别为μB=18,σB=4。请计算该基因在A、B两组间表达量均值差异的95%置信区间（假设两组方差不等，可用Welch'st方法近似计算），并解释该置信区间的含义。解析思路：使用Welch'st置信区间公式：CI=(mean1-mean2)±t**sqrt(((s1^2/n1)+(s2^2/n2)))其中mean1=15,mean2=18,s1=3,s2=4,n1=10,n2=10。首先计算标准误（SE）：SE=sqrt(((3^2/10)+(4^2/10)))=sqrt((9/10)+(16/10))=sqrt(2.5)≈1.5811。查t分布表，自由度（df）用Welch-Satterthwaite公式近似：df≈((s1^2/n1+s2^2/n2)^2)/((s1^2/n1)^2/(n1-1)+(s2^2/n2)^2/(n2-1))df≈((9/10+16/10)^2)/((9/10)^2/9+(16/10)^2/9)=(2.5^2)/((0.81/9)+(2.56/9))=6.25/(0.09+0.2844)=6.25/0.3744≈16.7。取df=17，α=0.05，双侧检验，t*≈2.110。置信区间=(15-18)±2.110*1.5811=-3±3.335≈[-6.335,0.335]。含义：我们有95%的置信度认为，该基因在A、B两组间的真实均值差异位于[-6.335,0.335]之间。由于置信区间包含0，按传统0.05显著性水平，不能拒绝两组均值无差异的假设。2.某研究者利用基因表达数据构建了一个二分类模型（例如，区分健康样本和疾病样本），在独立测试集上得到了以下结果：模型正确预测为健康的样本数为90，正确预测为疾病的样本数为30，错误预测为健康的样本数为10，错误预测为疾病的样本数为50。(1)计算该模型的总体准确率（Accuracy）。解析思路：Accuracy=(TP+TN)/(TP+TN+FP+FN)=(30+90)/(30+90+10+50)=120/180=2/3≈0.6667或66.67%。(2)计算该模型对“疾病”类别的召回率（Recall/Sensitivity）和特异性（Specificity）。解析思路：*召回率（Recall/SensitivityforDisease）=TP/(TP+FN)=30/(30+50)=30/80=0.375或37.5%。*特异性（SpecificityforHealth）=TN/(TN+FP)=90/(90+10)=90/100=0.9或90%。（注意：特异性是针对负类（健康）的预测性能）(3)基于上述计算结果，简要评价该模型在区分健康与疾病样本方面的性能。解析思路：该模型总体准确率为66.67%，表明其在所有样本中正确分类的比例为66.67%。然而，召回率仅为37.5%，说明对于实际患有疾病的样本，模型只能正确识别其中的37.5%，漏诊率较高。特异性为90%，表明对于健康的样本，模型有很高的正确识别率。综合来看，该模型在区分健康样本方面表现较好（高特异性），但在区分疾病样本方面表现较差（低召回率），可能不适合优先用于筛查疾病。五、论述题结合你所学的知识，论述在生物信息学研究中，选择和应用统计模型（如回归模型、分类模型、聚类模型等）时，需要考虑哪些关键因素？并举例说明不恰当选择或应用统计模型可能导致的后果。解析思路：在生物信息学研究中选择和应用统计模型时，需要考虑以下关键因素：1.研究问题和目标：模型的选择必须紧密围绕具体的生物学问题。例如，是想知道某个基因/特征的效应大小（回归模型），还是想将样本分组（聚类模型），或是预测样本的类别（分类模型）。目标不同，适用的模型类型也不同。2.数据类型和特征：模型的选择需适应数据的性质。连续型数据常用回归分析；分类数据可用逻辑回归、支持向量机、决策树等；二元分类问题可用t检验、卡方检验等。数据是否包含缺失值、异常值，以及特征间是否存在多重共线性等，都会影响模型选择和结果解释。3.样本量和分布：样本量大小直接影响统计检验的功效和模型的稳定性。小样本可能需要使用非参数方法或混合效应模型。数据是