2025年大学《生物信息学》专业题库- 基因组数据挖掘与生物信息学

2025年大学《生物信息学》专业题库——基因组数据挖掘与生物信息学考试时间：______分钟总分：______分姓名：______一、1.请简述高通量测序（NGS）技术相对于传统Sanger测序的主要优势和局限性。2.在基因组数据分析流程中，数据质量控制（QC）环节通常包含哪些关键步骤？其目的是什么？3.什么是序列比对？试比较全局比对和局部比对的定义、适用场景及常用算法名称。二、4.解释什么是基因组组装。简述denovo组装和参考基因组映射组装两种主要策略的基本思想及其适用区别。5.常用的基因组组装质量评估指标有哪些？请列举至少三种，并简要说明其含义。6.什么是基因注释？请说明在缺乏参考基因组的情况下，进行基因识别和功能预测可能采用的主要方法。三、7.以SNP检测为例，简述使用GATK等工具进行变异检测通常包含的关键步骤（流程）。8.列举至少三种常用的生物信息学数据库，并分别说明其主要收录的数据类型或服务内容。9.简述BLAST算法的基本工作原理。它在基因组数据挖掘中主要有哪些应用？四、10.假设你获得了一组来自未知物种的WGS数据，请设计一个基本的分析流程，以尝试确定该物种的基因组大小、染色体数量（若可能）以及主要基因的功能领域。请简述每个步骤所使用的技术或工具类型及其目的。11.比较基于模型（如隐马尔可夫模型HMM）的基因识别方法与基于比对的基因识别方法的原理、优缺点和适用场景。12.阐述生物信息学软件选择时需要考虑的主要因素。为什么对于同一个分析任务，有时会选择不同的软件工具？试卷答案一、1.优势:通量高（可并行处理大量序列）、速度快、成本相对降低（单位碱基成本）、可测序长片段（如PacBio/OxfordNanopore）。局限性:数据量巨大，对存储和计算资源要求高；原始数据质量可能参差不齐，需要复杂的质量控制；数据分析流程复杂，需要专门的生物信息学工具和技能；短期读长可能导致组装困难或产生大量拼接单元（contig）。2.关键步骤:数据质控（如FastQC检查、使用Trimmomatic/Flash等工具去除低质量reads和接头序列）、比对（如使用Bowtie2/Hisat2将reads比对到参考基因组）、变异检测（如使用GATK/Samtools等检测SNV和InDel）、（可选）插入缺失检测（CNV）、（可选）基因组组装（denovo）。目的:确保分析数据的准确性和可靠性，提高下游分析（如变异检测、基因注释）的准确率，减少噪声和错误信息对结果的影响。3.定义:序列比对是指将一个生物序列与另一个（或一组）生物序列进行比较，以发现它们之间的相似性和差异性，从而推断它们的进化关系或功能相似性。全局比对:比较两条完整的序列从头到尾的对应关系，寻找最佳匹配。局部比对:只比较两条序列中具有相似性的子区域，寻找最长的匹配。常用算法:全局比对常用Smith-Waterman算法（修正版）；局部比对常用Needleman-Wunsch算法（全局）、Smith-Waterman算法（局部）、BLAST算法。二、4.定义:基因组组装是指将来自高通量测序技术的短序列读长（reads）拼接起来，重建出原始生物的完整或接近完整的基因组序列的过程。denovo组装:在没有已知参考基因组信息的情况下，直接将测序reads拼接成基因组草图。参考基因组映射组装:将测序reads比对到已知的参考基因组上，并通过拼接比对到的reads来重建或完善参考基因组，或检测变异。适用区别:denovo适用于新物种或缺乏参考基因组的情况；参考基因组映射组装适用于已有较好参考基因组、用于精细映射、变异检测或去除重复序列的情况。5.评估指标:连续覆盖度（ContigN50）：所有contig长度的总和除以contig数量，再取长度大于等于该值的contig长度的总和所对应的contig数量的50%。L50:长度大于等于N50值的contig数量。最大contig长度（MaxContigLength）:最长的contig的长度。总碱基量（TotalLength）:所有contig长度的总和。含义:N50和L50反映了组装的连续性和覆盖度；最大contig长度反映了最长连续序列的长度；总碱基量反映了组装出的总基因组大小。6.方法:在缺乏参考基因组时，基因识别可基于同源比对（使用蛋白质数据库如Swiss-Prot/TrEMBL，或核酸数据库如GenBank/EMBL进行BLAST搜索，寻找相似已知基因），或基于密码子使用偏好、基因表达谱（如EST数据）进行预测，或使用基于模型的方法（如HMMER使用隐马尔可夫模型搜索基因特征，如CDS、rRNA、tRNA）。功能预测则可通过序列比对到功能数据库（GO,KEGG,Pfam）进行注释，或结合蛋白质结构信息、系统发育分析等进行推断。三、7.关键步骤:(1)质量控制与预处理（检查reads质量并去除低质量reads）；(2)读取比对（将reads比对到参考基因组，使用Bowtie2/Hisat2等工具）；(3)基因组变异检测（使用GATK的HaplotypeCaller或Mutect2等工具调用SNV和InDel）；(4)变异过滤与排序（使用GATK的VariantFiltration或VQSR工具过滤低质量变异，并使用Samtools进行排序和索引）；(5)结果格式转换与报告（如将结果转换为VCF格式，并使用freebayes等工具进行变异类型确认或进行肿瘤/正常样本的变异检测）。目的:从测序数据中识别出基因组上的变异位点（SNV,InDel,CNV等）。8.数据库及内容:NCBI(NationalCenterforBiotechnologyInformation)-提供GenBank核酸序列库、RefSeq蛋白质序列库、PubMed文献数据库、BLAST序列比对工具等综合性生物信息学资源和工具。Ensembl-提供人类、模式生物等大量物种的基因组组装、注释、变异注释、比较基因组学、基因表达等数据和工具。dbSNP(DatabaseofSingleNucleotidePolymorphismsandothershortgeneticvariations)-主要收录人类基因组中单核苷酸多态性（SNP）以及其他小型变异（如InDel）的数据。UCSCGenomeBrowser-提供多种物种的基因组组装、注释、变异、基因表达等数据，并提供可视化的浏览工具。9.基本原理:BLAST(BasicLocalAlignmentSearchTool)通过在目标数据库中寻找与查询序列（query）具有局部相似性的序列来工作。它采用了一种“种子-扩展”策略：首先在数据库中寻找与查询序列的短核苷酸片段（种子）相似的序列，然后尝试扩展这些局部相似性，看是否能形成更长的、有意义的比对。应用:序列相似性搜索（查找功能未知序列的已知同源物）、序列鉴定（识别未知序列属于哪个基因或物种）、序列比对了（评估序列间亲缘关系的远近）、基因组注释（通过比对已知基因/蛋白质来注释新基因组中的基因）。四、10.基本流程:*步骤一：数据质控与预处理:使用FastQC检查数据质量，使用Trimmomatic等工具去除低质量reads和接头序列。目的:保证进入后续分析的数据质量。*步骤二：基因组组装:使用denovo组装软件（如SPAdes,MEGAHIT）对WGS数据进行组装，得到基因组草图（contigs）。目的:重建未知物种的基因组框架。*步骤三：评估组装质量:计算N50、L50、contig数量等指标，使用QUAST等工具评估组装质量。目的:判断组装效果，为后续分析提供参考。*步骤四：初步基因识别:使用基于同源比对的方法（如BLASTp将组装的contigs搜索蛋白质数据库，或abinitio方法如GeneMark）尝试识别基因组中的潜在基因。目的:获取基因序列信息。*步骤五：基因功能注释:将识别出的基因序列使用BLASTp/GTT将其搜索到功能数据库（如Pfam,GO,KEGG），或使用HMMER搜索基因调控元件。目的:了解基因可能的功能。*步骤六：（可选）染色体水平组装/注释:如果组装质量尚可，可尝试使用Hi-C等染色质构象捕获数据进行染色体级别的组装和注释。目的:获得更接近真实染色体的结构。*步骤七：结果整合与报告:整合基因识别和注释结果，分析主要功能基因的分布和丰度，撰写分析报告。目的:总结分析结果，得出生物学结论。11.基于模型方法:使用隐马尔可夫模型（HMM）等统计模型来描述基因（如蛋白质编码基因）的结构特征（如外显子、内含子、启动子等），然后通过Viterbi算法等在核酸序列上解码出符合该模型的结构单元。原理:基于对基因结构共有特征的先验知识建立模型。优点:不依赖已知同源序列，可以发现新的基因结构模式；对序列插入、删除不敏感。缺点:模型设计复杂，需要专业知识；模型精度受模型设计质量影响；可能难以识别与模型差异大的基因。基于比对方法:通过将未知序列与数据库中已知的、高质量的基因序列进行比对，根据比对的相似性程度来识别基因。原理:基于序列同源性的思想，即相似性高的序列可能具有相似的功能。优点:简单直观，结果可靠性高（依赖于优质参考基因）；可以利用大量已知基因信息。缺点:依赖数据库质量和序列相似性，难以识别与已知基因差异大的新基因或功能缺失的基因；对序列插入、删除敏感。12.选择因素:软件的功能完备性（是否能完成所需分析任务）、算法的准确性和效率（速度、内存占用）、结果的可重复性和可靠性、用户界面的友好性（命令行vs.图形界面