2025年大学《生物信息学》专业题库- 癌症基因组学的生物信息学研究

2025年大学《生物信息学》专业题库——癌症基因组学的生物信息学研究考试时间：______分钟总分：______分姓名：______一、简述癌症基因组学研究中，高通量测序技术（如WGS,WES,RNA-Seq）相比传统方法的优势，并列举至少三种不同类型的基因组变异（非编码变异除外）及其在癌症发生发展中的作用。二、描述在肿瘤-正常配对样本中进行体细胞突变筛选的基本流程，包括关键步骤和需要考虑的技术细节。说明如何区分体细胞突变和胚系突变。三、解释什么是拷贝数变异（CNV），并说明使用如GISTIC或Control-FREEC等工具进行CNV分析时，需要关注哪些关键参数或结果，以及如何判断某个CNV区域可能具有生物学意义。四、阐述使用R语言及其Bioconductor包进行基因表达数据分析的基本流程。假设你已获得一份肿瘤样本的RNA-Seq计数矩阵数据，请列出至少三个关键的分析步骤及其对应的R包或函数。五、什么是肿瘤异质性？请结合生物信息学分析方法，描述一种或多种用于评估肿瘤异质性的研究策略。六、简述基于机器学习方法构建癌症预后预测模型的典型流程，包括数据预处理、特征选择、模型选择、训练与验证等关键环节。讨论在构建和评估此类模型时可能遇到的主要挑战。七、描述如何利用公共数据库（如GEO,TCGADataPortal）获取癌症基因组学数据集。假设你需要研究某种特定癌症类型（例如，胶质母细胞瘤）的数据，请列出你获取数据时需要考虑的关键因素和步骤。八、解释表观遗传变异在癌症发生发展中的作用。选择一种特定的表观遗传标记（如甲基化或组蛋白修饰），描述使用生物信息学方法分析该标记数据的常用工具和分析流程。九、说明靶向治疗在癌症治疗中的重要性，并描述一种基于生物信息学的方法，用于识别潜在的治疗靶点或预测患者对特定靶向药物的反应。十、比较并contrast（比较并对比）至少两种不同的癌症分子分型方法（例如，基于基因组突变、基因表达或甲基化的分型），说明它们各自的原理、优缺点以及在临床应用中的不同场景。试卷答案一、优势：1.高通量：能一次性处理和分析数百万甚至数十亿碱基对的DNA或RNA序列，远超传统Sanger测序。2.高通量测序技术（如WGS,WES,RNA-Seq）相比传统方法的优势：*成本效益：随着技术发展，单位数据量的成本显著下降。*数据维度丰富：可同时分析多种分子类型（如WES结合表达、结构变异等），提供更全面的基因组视角；RNA-Seq可研究转录组变化。*定量能力：可进行基因表达水平的定量分析（RNA-Seq）。*发现新变异：能发现传统方法难以检测的变异类型（如低频突变、结构变异）。3.基因组变异类型及其作用（至少三种）：*体细胞突变（SomaticMutation）：如点突变（SNP）、插入缺失（Indel）。在关键基因（如驱动基因）中可导致癌变；在肿瘤异质性中体现克隆进化。*拷贝数变异（CNV）：如基因扩增或缺失。可导致基因剂量失衡，影响蛋白质表达水平，从而促进癌症发展（如EGFR扩增）。*结构变异（SV）：如染色体易位、倒位、缺失、重复、融合基因。可导致基因融合（如BCR-ABL）产生致癌融合蛋白，或破坏基因调控区域。二、筛选流程：1.对肿瘤样本和配对的正常样本进行高通量测序（如WGS或WES）。2.质量控制与序列比对：对测序数据进行质量过滤，并使用比对工具（如BWA,Bowtie2）将序列比对到参考基因组。3.变异检测：使用变异检测软件（如GATKHaplotypeCaller/Samtoolsrmdup/BCFtools）分别产生肿瘤和正常样本的变异文件（VCF格式）。4.合并与过滤：将肿瘤和正常样本的变异文件合并，通过交集操作获得配对样本的变异集。5.识别体细胞变异：使用变异检测工具（如GATKMutect2/Mutect,FreeBayes）或自定义脚本来比较肿瘤和正常样本的变异，识别仅在肿瘤样本中出现或频率显著升高的变异。6.筛选标准：根据变异类型（如仅保留SNP和Indel）、位置（如排除基因内调控区域）、频率（如要求在肿瘤中频率>10%）、以及参考数据库（如dbSNP,ExAC）进行过滤，去除常见的胚系变异和低质量变异，保留候选的体细胞突变。区分体细胞突变和胚系突变的方法：1.比较频率：在肿瘤和正常配对的样本中比较相同位置的变异频率。体细胞突变通常在肿瘤中频率接近100%，而在正常中频率较低或不存在。2.数据库比对：将变异与公共数据库（如dbSNP,1000GenomesProject,ExAC）比对。胚系变异在人群中具有一定的频率，而体细胞突变通常是罕见或独特的。3.单核苷酸多态性（SNP）数组数据：如果有正常样本的SNP数组数据，可以直接检测该位置的胚系变异。三、拷贝数变异（CNV）：CNV是指基因组DNA片段的重复或缺失，导致基因拷贝数发生变化。它可以是基因水平的（整个基因重复或缺失），也可以是片段水平的。GISTIC/Control-FREEC分析关键参数/结果及生物学意义判断：1.调用结果（CallSets）：GISTIC输出多个调用集，每个集代表一个潜在的CNV区域。Control-FREEC输出CNV区域及其置信区间。2.信号值（SignalScore）：GISTIC的核心指标，衡量CNV区域内信号的平均强度。高信号值通常对应显著的CNV。3.峰度（Peakness）：衡量CNV信号的陡峭程度。高峰度通常指示更精确的CNV断点定位。4.P值/名义显著性（P-value/NominalSignificance）：评估CNV区域是否显著偏离中性预期（如基于群体频率或模拟数据）。通常需要结合FDR进行多重测试校正。5.置信区间（ConfidenceInterval）：Control-FREEC提供每个CNV区域的起始和终止位置的不确定性范围。6.倍数变化（FoldChange）：指CNV区域内基因或区域的平均倍数变化（如2倍扩增，0.5倍缺失）。7.判断生物学意义：*关注信号值高、峰度好、统计显著性高（低P值/FDR）的CNV区域。*检查这些区域包含哪些基因。如果包含已知的致癌基因（如癌基因或抑癌基因），则该CNV可能具有重要的生物学意义。*结合临床信息（如患者预后、药物反应）进行分析。*与其他组学数据（如表达数据）结合，看CNV是否伴随着相应的基因表达变化。四、RNA-Seq数据分析流程（R语言及Bioconductor）：假设已有计数值矩阵`count_matrix`（基因x样本）。1.数据导入与预处理：*加载所需R包：`library.DESeq2`,`library(edgeR)`,`library(sva)`等。*读取计数矩阵：`count_data<-read.table("path/to/count_matrix.txt",header=TRUE,s=1,s=FALSE,sep="\t")`。*（DESeq2）创建DESeq2对象：`design<-model.matrix(~condition,data=sample_info)`,`count_data_deseq<-DESeq(count_data,design=design)`。*（edgeR）创建DGEList对象：`dge<-DGEList(counts=count_data,group=sample_info$condition)`。2.标准化：*（DESeq2）估计-librarysizefactor并标准化：`count_data_deseq<-estimateSizeFactors(count_data_deseq)`,`count_data_normalized<-countData(count_data_deseq)/sizeFactors(count_data_deseq)`。*（edgeR）估计离散度并标准化：`dge<-calcNormFactors(dge)`,`dge<-estimateDisp(dge)`。3.差异表达分析：*（DESeq2）构建LRT模型，进行差异表达测试：`results<-results(count_data_deseq)`,`results<-topTable(count_data_deseq,sort.by="pvalue",n=Inf)`。*（edgeR）进行差异表达测试：`design<-model.matrix(~condition,data=sample_info)`,`fit<-glmFit(dge,design=design)`,`fit<-glmLRT(fit)`,`results<-topTable(fit,sort.by="desc.FDR",n=Inf)`。4.多重检验校正：DESeq2和edgeR结果通常包含FDR。可使用`p.adjust`函数进行额外校正。5.结果可视化（可选，非核心分析步骤，但常结合）：*使用`ggplot2`包绘制火山图、热图等。五、肿瘤异质性：肿瘤异质性是指单个肿瘤内部存在多种不同的细胞亚克隆，这些亚克隆在基因组、转录组、表观遗传等方面可能存在差异。这可能是由于突变累积、微环境压力、治疗选择等原因造成。评估肿瘤异质性的生物信息学策略：1.单细胞测序（Single-cellSequencing）：如单细胞RNA测序（scRNA-seq）、单细胞基因组测序（scDNA-seq）或单细胞ATAC测序。通过分析单个细胞的基因组、转录组或表观遗传状态，直接绘制细胞图谱，识别不同的亚克隆。工具包括Seurat,Scanpy。2.变异聚类分析：在对肿瘤样本进行WGS或WES获得大量体细胞突变信息后，将样本中检测到的不同突变组合（突变基因型）进行聚类分析（如使用k-means、层次聚类）。每个簇代表一个具有特定突变特征的亚克隆。工具包括`VariantClustering`(SangerInstitutepipeline)。3.空间转录组学分析：结合空间信息和转录组数据，分析肿瘤内不同空间区域细胞间的异质性。工具包括SpatialStats。4.基于表达谱的亚群分析：使用肿瘤样本的RNA-Seq或类似表达数据，通过聚类方法（如k-means,PCA,t-SNE,UMAP）识别表达模式不同的细胞亚群，并结合已知的突变信息进行关联分析。六、癌症预后预测模型构建流程：1.数据收集与预处理：收集包含患者临床信息（如年龄、性别、分期）和分子特征（如基因表达、突变）及随访生存数据的癌症数据集。处理缺失值，进行数据标准化或归一化。2.特征选择：从众多基因或分子特征中筛选出与预后显著相关的特征。方法包括单变量分析（如单因素生存分析）、多变量分析（如Lasso回归）、基于模型的特征选择（如随机森林特征重要性排序）。3.模型选择：根据数据类型和任务选择合适的机器学习模型。常用模型包括：*生存回归模型：Cox比例风险模型（经典）、生存随机森林、梯度提升树（如XGBoost,LightGBM）。*分类模型：支持向量机（SVM）、随机森林、神经网络（尤其适用于预测耐药性）。4.模型训练：将数据集分为训练集和验证集（或使用交叉验证）。使用训练集数据训练所选模型。5.模型评估与调优：在验证集上评估模型性能。常用指标包括：*生存分析指标：C-index、风险比（HazardRatio）、AUC（ROC曲线下面积）。*其他指标：Brierscore,Harrell'sC-index。*使用网格搜索（GridSearch）、随机搜索（RandomSearch）或贝叶斯优化等方法调整模型超参数以获得最佳性能。6.模型验证：使用独立的、未参与模型构建的外部数据集验证模型的泛化能力。7.模型解释：（可选）使用SHAP值、LIME等方法解释模型的预测结果，增强模型的可信度和可解释性。主要挑战：1.数据质量与整合：不同来源、不同类型的数据质量参差不齐，整合难度大。2.数据稀疏性：尤其是罕见突变的样本量可能不足。3.模型过拟合：在有限样本上训练模型可能导致对训练数据拟合过度，泛化能力差。4.模型可解释性：许多复杂的机器学习模型（如深度学习）如同“黑箱”，难以解释其预测依据。5.临床验证：生物信息学模型预测结果需要在真实的临床环境中进行验证，以确认其临床应用价值。七、获取癌症基因组学数据集（公共数据库）：1.选择数据库：*GEO(GeneExpressionOmnibus):最大的基因功能数据存储库，包含各种组学数据（表达、序列、甲基化等），可通过NCBIGEOPortal搜索。*TCGADataPortal(TheCancerGenomeAtlas):提供大量已注释的癌症基因组数据，涵盖多种癌症类型，可通过TCGADataPortal网站访问。*UCSCXena:提供对GEO和TCGA等数据的整合访问和可视化工具。*cBioPortal:提供对TCGA等数据的整合访问，特别便于进行癌症基因组变异的可视化和统计分析。2.获取数据时需考虑的关键因素和步骤：*癌症类型：明确所需研究的癌症类型。*数据类型：确定需要哪种组学数据（如WGS,WES,RNA-Seq,ClinicalData）。*数据类型和质量：查看数据的技术平台、质量评估指标（如RIN值、Q30），选择高质量数据。GEO/TCGA数据通常已完成初步质量控制。*样本数量：确保数据集中有足够数量的样本用于分析。*数据许可与使用条款：遵守数据库的使用协议，特别是涉及人类遗传数据的隐私和伦理规定（如GEO的dbGaP数据）。*数据格式：了解数据提供的格式（如MatrixMarket,BAM,VCF,CSV），准备好相应的读取工具。*下载步骤：通常需要通过网站界面筛选条件，选择数据集/数据文件，然后下载（可能需要注册账号）。对于大量数据，可能需要使用API或特定工具批量下载。八、表观遗传变异在癌症中的作用：表观遗传变异是指不改变DNA序列本身，但影响基因表达的可遗传的分子修饰。主要包括DNA甲基化、组蛋白修饰和染色质重塑等。它们在癌症中的作用包括：1.基因沉默/激活：DNA甲基化通常在CpG岛中发生，高甲基化可导致基因沉默（如抑癌基因失活）；低甲基化或特定区域的去甲基化可激活基因（如癌基因）。组蛋白修饰（如H3K4me3关联激活，H3K27me3关联沉默）也通过改变染色质结构来调控基因Accessibility，进而影响表达。2.染色质结构重塑：组蛋白修饰和染色质重塑复合物共同作用，改变染色质的紧凑或松散状态，影响转录机器的访问，从而调控基因表达谱。3.维持细胞身份与分化状态：表观遗传标记有助于维持细胞类型特异性基因表达模式。4.与基因组变异互作：表观遗传修饰可以影响基因组变异（如突变）的功能后果，甚至某些表观遗传修饰本身就是致癌驱动力。在癌症中，表观遗传失调（如整体高甲基化、关键基因的异常甲基化、组蛋白修饰模式的改变）是常见的现象，是肿瘤发生发展的重要因素之一。使用生物信息学方法分析表观遗传数据的流程（以甲基化数据为例）：1.数据预处理：*读取甲基化数据文件（如贝叶斯调用文件Beta-values文件，如Illumina450k数据的.beta文件）。格式通常为样本x位点的矩阵。*检查和过滤数据：去除低质量的样本或位点（如Beta值分布异常、检测CallRate低）。*对位点进行聚类或分组（如根据CpG岛位置、基因组位置）。2.差异甲基化分析：*对比不同组别（如肿瘤vs正常、不同亚型）的甲基化水平。*使用统计方法检测差异甲基化位点（DMPs）。常用工具包括：*DMRseq:基于贝叶斯模型检测差异甲基化区域（DMRs）。*MethylKit:提供一系列用于处理和分析甲基化数据的R包函数。*RUVseq:用于去除批次效应。*limma:可用于标准化和差异检测，但需谨慎选择合适的检验方法。*进行多重检验校正（如FDR）以控制假发现率。3.功能注释与解读：*将检测到的DMPs/DMRs注释到基因组特征上（如基因、启动子、CpG岛）。使用工具如`biomaRt`,`AnnotationHub`。*分析差异甲基化位点的功能富集：识别富集在特定功能类别（如基因本体GO、KEGG通路）或特定基因类型（如转录因子结合位点）的DMPs。使用工具如`clusterProfiler`,`GSEA`。4.可视化：*绘制热图展示样本间的甲基化模式差异。*绘制火山图展示差异甲基化位点的统计显著性。*在基因组浏览器（如UCSCGenomeBrowser）中可视化DMRs。九、靶向治疗的重要性与生物信息学方法：重要性：靶向治疗是利用癌细胞特有的分子靶点（如过度表达的蛋白、异常活化的信号通路、特定的基因突变或融合）来开发药物，旨在更精确、更有效地抑制肿瘤生长，同时减少对正常细胞的毒副作用。相比传统化疗的“一刀切”，靶向治疗具有更高的选择性和潜在更好的疗效及耐受性。基于生物信息学识别治疗靶点/预测药物反应的方法：1.基于基因突变的靶点识别：*分析癌症基因组测序数据，识别高频突变或独特的突变基因。*将这些基因与已知的药物靶点数据库（如TargetDB,DrugBank,STITCH）进行关联，筛选出与已知靶向药物直接相关的基因。*利用生物通路分析工具（如KEGG,Reactome）分析突变基因所处的通路，识别通路层面的潜在靶点。2.基于表达谱的药物敏感性预测：*收集癌症患者的基因表达数据（如RNA-Seq）和治疗反应数据。*构建机器学习模型（如随机森林、支持向量机、神经网络），利用基因表达模式预测患者对特定靶向药物的反应（敏感或耐药）。*识别模型中重要的预测基因，这些基因可能参与药物敏感性或耐药机制。3.利用公共数据库和计算平台：*使用如COSMIC数据库分析特定突变的频率和临床关联。*使用如IBMWatsonforOncology、FoghornAI等商业生物信息学平台，输入患者基因突变信息，获取可能的靶向治疗推荐及其依据。十、癌症分子分型方法比较与对比：|特征|基于基因组突变（如SNV/Indel）的分型|基于基因表达（如RNA-Seq）的分型|基于甲基化（如450kArray）的分型||:---------------|:---------------------------------------------------------------------|:-----------------------------------------------------------------------|:---------------------------------------------------------------||原理|识别肿瘤中常见的驱动突变或特定的突变组合，将具有相似突变谱的肿瘤归为一类。|基于肿瘤样本中基因表达的差异模式，将具有相似表达谱的肿瘤归为一类。|基于肿瘤样本中CpG位点甲基化水平的差异模式，将具有相似甲基化谱的肿瘤归为一类。||数据类型|测序产生的变异位点信息（SNV/Indelcalls）。|测序产生的基因或转录本丰度信息（表达量）。|甲基化芯片或测序产生的CpG位点甲基化水平（Beta值）。||检测的变异类型|主要关注体细胞点突变、短插入缺失。|检测基因表达的相对水平变化，可反映转录调控、翻译等过程。|检测DNA序列的化学修饰状态，反映表