2025年大学《生物信息学》专业题库- 脑神经网络数据分析与生物信息学

2025年大学《生物信息学》专业题库——脑神经网络数据分析与生物信息学考试时间：______分钟总分：______分姓名：______一、选择题（每题2分，共20分）1.下列哪种脑成像技术主要测量神经递质诱导的血流变化，具有较好的空间分辨率但时间分辨率相对较低？A.EEGB.MEGC.fMRID.单细胞电生理记录2.在脑网络数据预处理中，去除与眼球运动相关的伪迹通常采用的方法是？A.滤波B.基线校正C.脉搏信号去除D.独立成分分析（ICA）3.计算功能连接时，使用偏相关系数（PartialCorrelation）的主要目的是？A.提高计算效率B.消除其他变量的影响C.增强信号的信噪比D.简化网络拓扑结构4.在图论中，衡量网络中节点之间平均最短路径长度的指标是？A.度中心性B.紧密性C.平均路径长度D.聚类系数5.下列哪个软件包主要基于Python，用于处理和分析脑电图（EEG）和脑磁图（MEG）数据？A.FSLB.SPMC.MNE-PythonD.R6.将多个时间序列通过某种方式映射到低维空间以便于可视化和分析的技术是？A.主成分分析（PCA）B.独立成分分析（ICA）C.多维尺度分析（MDS）D.时间序列分析（NTS）7.脑网络中的“小世界属性”指的是？A.网络中存在大量的环路连接B.网络具有高聚类系数和短平均路径长度C.网络中存在许多孤立的节点D.网络的度分布符合泊松分布8.在进行脑网络功能模块识别时，社区检测算法（如Louvain算法）主要寻找的是？A.网络中的关键枢纽节点B.网络中连接紧密的模块结构C.网络中的长距离连接D.网络中的噪声或伪迹9.对于时间序列数据，进行平稳性检验的目的是？A.消除数据的非线性特征B.确保数据满足某些统计模型的要求C.增强数据的相关性D.降低数据的维度10.在生物信息学研究中，对研究对象的隐私保护主要体现在？A.数据的匿名化处理B.提高算法的计算速度C.使用更复杂的统计方法D.选择更昂贵的计算设备二、填空题（每空2分，共20分）1.脑电图（EEG）信号的主要来源是______，其特点是时间分辨率高，但空间分辨率差。2.在fMRI数据分析中，通常需要先进行______，以消除扫描时间轴上的非神经活动引起的信号波动。3.衡量网络中一个节点与其他节点连接紧密程度的指标是______。4.脑网络分析中常用的网络拓扑参数______可以反映网络的“效率”或信息传递速度。5.生物信息学中的统计分析需要考虑数据分布特性，例如正态分布、______等。6.将多个脑区的时间序列数据进行相关性分析，构建连接矩阵，是进行______分析的基础步骤。7.可视化脑网络时，节点通常代表______，边代表节点间的连接强度或关系。8.处理脑网络数据时，去除由心脏搏动引起的周期性伪影常用的方法是______。9.机器学习算法在脑网络分析中可用于______，例如识别不同认知状态下的网络差异。10.公共脑影像数据库如OpenNeuro提供了大量的______资源，方便研究者共享和复现研究。三、简答题（每题5分，共25分）1.简述EEG和fMRI数据预处理的共同目标和主要区别。2.解释什么是脑网络的功能连接，并列举至少两种计算功能连接的方法。3.描述图论中节点度中心性和中介中心性的含义及其在脑网络分析中的应用。4.列举三种常用的脑网络分析软件，并简要说明其各自的主要功能侧重点。5.在进行脑网络研究时，为什么需要考虑伦理问题？请至少提及两点。四、计算与分析题（共25分）假设你获得了一份简化版的功能性脑网络时间序列数据（包含4个脑区A,B,C,D，每个脑区20个时间点）。研究者希望分析这四个脑区之间是否存在功能连接，并初步探索网络拓扑特性。（1）请简述你会采用哪些步骤来计算这四个脑区之间的功能连接矩阵？（10分）（2）假设计算得到的功能连接矩阵如下（仅示意性数据，单位为相关性系数）：```ABCDA1.00.350.150.05B0.351.00.400.10C0.150.401.00.30D0.050.100.301.0```请基于此矩阵，计算网络的总边数（即所有连接的强度绝对值之和），并简要解释该值的意义。（5分）（3）进一步假设，你使用图论方法分析该网络，发现其平均路径长度（AveragePathLength,L）为1.8，聚类系数（ClusteringCoefficient,C）为0.4。请结合这两个指标，简要评价该网络的拓扑特性，并说明其可能对应的生物学意义。（10分）五、综合应用题（共30分）某研究团队采集了健康受试者执行一项认知任务（如语言理解）的fMRI数据。初步预处理后，他们希望构建任务相关的功能网络，并比较该网络与静息态功能网络的异同。请设计一个简要的分析方案，包括以下内容：（1）如何从任务fMRI数据中提取功能连接信息？（10分）（2）你会选择哪些网络拓扑参数来描述和比较任务态与静息态网络的结构差异？（7分）（3）在可视化结果时，你会如何展示这些功能连接和拓扑参数？请描述至少两种可视化方式及其侧重点。（13分）试卷答案一、选择题1.C解析：fMRI基于血氧水平依赖（BOLD）信号，测量血流变化，空间分辨率高（毫米级），但受血流动力学响应的影响，时间分辨率相对较低（秒级）。EEG时间分辨率高，但空间分辨率差；MEG时间分辨率较高，空间分辨率介于EEG和fMRI之间；单细胞电生理记录空间分辨率极高，但时间分辨率依记录方式而定，且为侵入性或半侵入性。2.D解析：ICA是一种统计方法，能够将包含多个源信号的混合信号（如EEG数据）分解为一系列相互独立的成分，其中许多成分被认为是眼动、肌肉活动或心电等伪迹，从而实现伪迹去除。3.B解析：偏相关系数用于衡量两个变量之间的关系，同时控制了一个或多个其他变量的影响。在脑网络分析中，使用偏相关系数可以消除头动、白质信号、全局信号等潜在混淆因素对脑区间相关性的影响，得到更可靠的功能连接。4.C解析：平均路径长度（AveragePathLength,L）是指网络中任意两个节点之间最短路径长度的平均值。它反映了网络中信息或信号传播的平均距离或效率。5.C解析：MNE-Python是一个专门为EEG/MEG数据分析设计的Python库，提供了数据导入、预处理、源估计、时频分析、连接性分析、脑网络分析等一系列功能。6.C解析：MDS（MultidimensionalScaling）是一种将高维数据映射到低维空间的技术，旨在保持原始数据点之间的距离关系，常用于高维数据的可视化和聚类分析，也适用于脑网络或时间序列数据的可视化。7.B解析：小世界属性是指现实世界网络（包括脑网络）同时具备高聚类系数（局部连接紧密）和短平均路径长度（整体连接稀疏但高效）的特性。8.B解析：社区检测算法的目标是发现网络中自然分组的模块结构，即网络中连接紧密的子群，这些子群内部的连接远多于子群之间的连接。这与功能模块的概念一致。9.B解析：许多统计模型（如线性回归、时间序列分析）要求数据满足平稳性假设，即数据的统计特性（如均值、方差）不随时间变化。进行平稳性检验是为了确认数据是否适合应用这些模型。10.A解析：生物信息学研究涉及大量个人健康信息或遗传数据，具有高度敏感性。数据匿名化处理，即去除或替换可以直接识别个人身份的信息，是保护研究对象隐私的基本要求。二、填空题1.大脑皮层解析：EEG信号主要来源于大脑皮层的电活动，通过放置在头皮上的电极记录。2.基线校正解析：fMRI信号包含一个缓慢上升的基线漂移，通常在预处理阶段需要将其去除，以便更准确地检测任务引起的血流变化。3.度中心性解析：度中心性衡量一个节点的连接数（入度或出度），连接数越多，说明该节点与其它节点的直接联系越紧密。4.弥散系数（CharacteristicPathLength,CPL）解析：CPL是衡量网络效率或信息传播速度的指标，CPL值越小，表示网络中信息传播越快，效率越高。平均路径长度L和CPL相关，但CPL能更好地反映网络的“小世界”特性。5.泊松分布解析：除了正态分布，生物信息学分析中还会遇到其他分布，如二项分布、泊松分布等，选择合适的分布对统计检验和模型拟合至关重要。6.连接性解析：构建功能网络的第一步通常是基于时间序列数据计算脑区间的连接强度（如相关性），这些连接强度构成了描述网络连接性的基础。7.脑区/节点解析：在脑网络可视化中，节点通常代表大脑的不同区域（基于解剖学或功能定义）或单个神经元。8.心动周期去除/信号空间分离解析：心电伪影具有与心跳同步的周期性，可以通过多种方法去除，如独立成分分析（ICA）分离出心电成分，或使用基于心电门控的信号处理方法。9.模式识别/分类解析：机器学习算法可以训练模型以识别不同的网络模式，并用于分类任务，例如区分健康人与患者、不同疾病状态或不同认知状态下的脑网络差异。10.脑影像数据解析：公共数据库如OpenNeuro主要存储和共享脑影像数据（包括结构像、功能像、弥散张量成像等），供研究者下载、分析和复现研究。三、简答题1.共同目标：去除噪声和伪迹，使原始数据更清洁、更可靠，以便进行后续的分析和解释。主要区别：EEG预处理侧重于滤波（如带通滤波去除噪声频率）、伪迹去除（眼动、心电）、信号空间标准化等；fMRI预处理侧重于时间层校正、头动校正、空间标准化（配准到标准空间）、平滑、回归去除伪影（如头动参数、主成分分析成分）等。2.功能连接是指大脑不同区域在执行特定任务或处于特定状态时，其神经活动在时间上表现出同步或相关的变化模式。计算方法：①相关系数法（皮尔逊、斯皮尔曼）：直接计算两个脑区时间序列的相关性。②偏相关系数法：控制其他变量的影响后计算相关性。③时频分析：通过计算小波相干、Morlet小波相干等，分析不同脑区在特定频段上的相位同步性。④互信息法：衡量两个时间序列之间的信息共享量，能检测非线性关系。3.度中心性衡量节点连接的多少，度值高的节点称为“枢纽”节点，可能在社会或神经网络中扮演信息中转或整合的角色。中介中心性衡量节点在网络中作为“桥梁”的重要性，中介中心性高的节点能够连接不同的网络模块，切断该节点会显著增加网络平均路径长度。在脑网络分析中，枢纽节点可能参与多种认知功能，中介节点可能对维持网络的连通性和效率至关重要。4.常用软件：①MNE-Python：基于Python，功能强大，是EEG/MEG分析的主流工具之一。②NetworkX：Python库，专注于图论和网络分析，可用于构建和分析各种类型的网络。③BrainNetViewer：专门用于脑网络可视化和分析的软件，提供多种网络计算和展示功能。功能侧重点：MNE-Python覆盖数据预处理到高级分析的完整流程；NetworkX是通用的图论工具箱；BrainNetViewer则在脑网络可视化方面有特色。5.伦理问题在脑网络研究中需要考虑：①知情同意：确保研究参与者充分了解研究内容、风险和收益，自愿同意参与。②隐私保护：脑影像数据高度敏感，可能泄露个人健康信息或身份信息，需要采取匿名化、加密等措施。③数据共享：在保护隐私的前提下，促进数据的共享和复现，推动科研进步。④研究公平：关注研究结果的公平性，避免对特定人群产生歧视。⑤人工智能伦理：若使用AI分析，需考虑算法偏见、决策透明度等问题。四、计算与分析题（1）步骤：①计算标准化：对每个脑区的时间序列进行标准化（如Z-score转换）。②计算相关性：计算每对脑区时间序列之间的皮尔逊或偏相关系数。③构建矩阵：将计算得到的相关系数填充到一个对称矩阵中，矩阵的行和列代表脑区，矩阵元素代表脑区间的功能连接强度。④（可选）阈值化：根据研究目的和数据特性，可能需要设定阈值去除弱连接，得到一个稀疏矩阵。⑤（可选）网络构建：根据连接矩阵，可以进一步构建图论网络进行分析。（2）总边数计算：计算矩阵中非零元素（或绝对值大于某个阈值的元素）之和。对于给定矩阵：总边数=|0.35|+|0.15|+|0.05|+|0.40|+|0.10|+|0.30|=1.35意义：该值代表了这四个脑区之间平均连接的强度总和。数值越大，表示脑区间的总体连接越强。注意，此计算未考虑连接的方向性（假设是无向网络），且未考虑阈值化。（3）拓扑特性评价与意义：平均路径长度L=1.8：说明在这个简化网络中，任意两个节点之间的平均“距离”较近，信息传播效率相对较高。聚类系数C=0.4：说明网络中节点的局部连接相对紧密（一个节点的邻居节点之间也倾向于相互连接），网络具有一定的模块化特征。生物学意义：这样的网络拓扑特性可能对应于一个高效协作的脑网络系统，其中不同脑区能够快速地相互通信和协调，有利于执行复杂的认知任务。高聚类系数可能意味着功能相似的脑区倾向于聚集在一起，形成功能模块。五、综合应用题（1）提取任务fMRI数据功能连接信息的步骤：①获取任务fMRI数据，并进行预处理（时间层校正、头动校正、空间标准化、平滑等）。②定义分析区域：根据任务需求或解剖学知识，定义感兴趣区域（ROI）或体素集合。③计算ROI间相关性：对于每一对ROI，计算其时间序列在任务条件下