2025年大学《应用统计学》专业题库- 统计学在生物信息学中的作用

2025年大学《应用统计学》专业题库——统计学在生物信息学中的作用考试时间：______分钟总分：______分姓名：______一、选择题1.在比较两种不同药物对某种疾病的疗效时，研究者收集了患者的生存时间数据。如果生存时间数据服从偏态分布，且两组样本量较小，不宜使用哪种统计方法来比较两组平均生存时间的差异？A.t检验B.Wilcoxon秩和检验C.Mann-WhitneyU检验D.ANOVA2.在基因表达芯片数据分析中，为了控制多重假设检验带来的假阳性率，常用的方法是什么？A.使用更严格的显著性水平（α）B.增加样本量C.Bonferroni校正D.数据标准化3.对于基因序列比对问题，隐马尔可夫模型（HMM）主要用于解决什么问题？A.计算两个已知序列之间的精确匹配程度B.对齐大量序列并寻找共同模式C.对基因序列进行物理映射D.估计基因表达量4.在生物信息学中，PCA（主成分分析）主要应用于什么场景？A.对分类变量进行编码B.对高维数据进行降维，提取主要变异信息C.建立预测变量的线性回归模型D.对样本进行聚类分类5.在构建系统发育树以研究物种进化关系时，哪些方法基于统计模型和推断？A.K-means聚类B.最大似然法C.热图可视化D.简单序列比对6.在分析基因表达数据时，检测到某个基因在肿瘤组中的表达量显著高于正常组（p<0.05）。据此可以得出结论该基因与肿瘤发生直接相关吗？A.可以，p值小于0.05说明差异非常显著B.不可以，需要进一步的实验验证和功能研究C.可以，因为统计检验通过了显著性检验D.不可以，因为可能存在多重比较问题7.逻辑回归模型在生物信息学中通常用于什么类型的预测任务？A.预测连续型结果变量B.预测分类结果变量（如疾病发生与否）C.对数据进行降维D.建立变量之间的线性关系8.在生物序列分析中，衡量两个进化分支之间差异或不相似性的统计量通常是什么？A.相关系数B.卡方统计量C.系统发育距离或分支长度D.F统计量9.对于基因表达矩阵数据，热图（Heatmap）可视化主要展示了什么信息？A.基因在不同样本间的表达模式和高低B.样本之间的相似性或距离C.基因之间的共表达关系D.表达量的具体数值和统计显著性10.若要评估一个分类模型（如支持向量机）在预测物种分类时的性能，常用的统计指标是什么？A.决定系数（R²）B.标准差C.AUC（曲线下面积）D.方差二、填空题1.在进行假设检验时，如果拒绝了原假设，但实际原假设为真，则犯了______错误。2.对于服从正态分布且方差已知的大样本数据，使用______检验比较两组均值差异较为合适。3.在生物信息学中，用于估计序列之间相似性或距离的统计模型除了______模型，还有动态规划模型等。4.为了减少高维基因表达数据中的噪声和冗余，常采用______方法来识别主要变异方向。5.评估一个统计模型的拟合优度时，常用的指标包括R²和______。6.在分析基因调控网络时，统计方法可以帮助识别关键的______和调控模块。7.对生物信息学实验数据进行标准化处理，主要目的是消除______的影响，使不同特征的数据具有可比性。8.在系统发育分析中，基于______距离构建的系统发育树通常能较好地反映线系分化历史。9.在机器学习模型的评估中，混淆矩阵是计算______、______和______等指标的基础。10.统计学在生物信息学中的作用不仅仅是提供数据分析工具，还包括在实验设计阶段就考虑______的问题。三、简答题1.简述在生物信息学研究中进行假设检验时，控制错误发现率（FDR）的必要性。2.简要说明PCR（聚合酶链式反应）定量分析中，如何运用统计方法（如重复实验、配对样本t检验等）来确保结果的可靠性。3.解释在生物信息学中，为什么需要对高通量测序数据进行质量控制（QC）？QC主要关注哪些统计指标？四、计算题1.某研究者比较了A、B两种处理对植物株高（单位：cm）的影响。随机抽取10株植物接受A处理，10株植物接受B处理，测得株高数据如下（部分数据省略，假设数据近似服从正态分布，且方差相等）。请简述你会如何使用统计方法检验两种处理对株高是否有显著影响？如果需要计算，请写出关键的统计量公式或步骤（无需计算具体数值）。说明选择该方法的原因。（此处省略具体数据列表）提示：需说明假设、检验方法、统计量、适用条件及理由。2.假设你正在进行基因表达谱聚类分析，得到了以下简化版的聚类结果（仅展示部分基因和样本）：```Gene1|Sample1Sample2Sample3Sample4Sample5-------------------------------GeneA|UpDownUpUpDownGeneB|DownDownDownUpDownGeneC|UpUpDownDownUpGeneD|DownDownUpDownDown```其中，“Up”表示基因表达上调，“Down”表示基因表达下调。请描述这个聚类结果所揭示的基因表达模式，并简要说明这种模式可能具有的生物学意义。在解读时，可以结合统计角度（如哪些基因表达模式更一致）进行说明。五、综合应用题一个研究团队收集了100个样本的基因表达数据和相应的临床表型信息（如是否患有某种癌症）。研究者首先使用PCA方法对基因表达数据进行了降维，得到了第一主成分PC1。然后，他们绘制了样本根据PC1得分和临床表型（癌症vs非癌症）的散点图，发现癌症样本倾向于聚集在散点图的一侧。研究者进一步使用t检验比较了癌症组和非癌症组的PC1得分均值是否存在显著差异，得到了p<0.01的结果。最后，研究者报告称“PC1能够显著区分癌症样本和非癌症样本，因此它可能包含了与癌症相关的关键基因信息”。请评价上述研究者在数据分析报告中的逻辑是否合理？如果不合理，请指出具体问题，并提出改进建议或补充说明。在评价时，需要结合统计学和生物信息学的知识进行分析。试卷答案一、选择题1.A解析思路：t检验要求数据服从正态分布且方差相等，对于偏态分布或小样本数据不适用。Wilcoxon秩和检验和Mann-WhitneyU检验是针对非参数数据的秩和检验，不依赖数据分布假设。HMM主要用于序列比对中的模式识别。2.C解析思路：在同时检验多个假设时，仅仅降低单个检验的显著性水平（α）不足以控制整体错误发现率。增加样本量主要增加统计功效。Bonferroni校正是一种常用的多重比较校正方法，可以有效控制FDR。数据标准化是预处理步骤。3.B解析思路：HMM是隐马尔可夫模型，其核心思想是用一个隐藏的状态序列生成观测到的生物序列数据，广泛应用于序列比对、基因识别等领域，目的是发现序列间的隐含模式和相似性。4.B解析思路：PCA的主要目的是将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，从而简化数据结构，去除噪声和冗余，便于可视化和后续分析。5.B解析思路：最大似然法是一种基于概率统计模型的估计方法，通过寻找能使观测数据出现概率最大的参数值来构建系统发育树。系统发育树的构建本身就是基于统计推断的过程。K-means是聚类算法。热图是可视化工具。序列比对可基于统计模型，但不一定涉及系统发育树的构建。6.B解析思路：p值小仅说明观察到的差异在统计上不寻常，但不能直接证明因果关系。生物学结论需要结合实验证据、生物学逻辑等多方面信息综合判断。7.B解析思路：逻辑回归是用于分析自变量（可以是连续或分类）与二分类结果变量之间关系的统计模型，适用于预测事件发生的概率（如患病/未患病，基因表达/不表达）。8.C解析思路：在系统发育树中，分支的长度或两个节点（代表物种或基因）之间的距离通常被赋予统计意义，表示它们之间的进化差异或不相似程度。9.A解析思路：热图通过颜色编码直观地展示矩阵中每个元素（通常是基因或样本）的数值大小，特别适合展示基因在不同样本间的表达模式（上调或下调）以及样本间的相对差异。10.C解析思路：AUC（AreaUndertheReceiverOperatingCharacteristicCurve）衡量分类模型在不同阈值下的综合性能，即区分正负样本的能力，是评估分类模型泛化能力的常用指标。二、填空题1.第一类（或I类）解析思路：拒绝了一个实际上为真的原假设，即错误地认为存在差异或效应。2.z检验（或Z检验）解析思路：当总体方差已知且样本量足够大时，可以使用z检验来比较两组正态分布样本的均值差异。3.对齐（或比对）解析思路：序列比对是寻找两个或多个生物序列之间相似性的过程，常用于系统发育分析、基因识别等。HMM是其中一种统计模型方法。4.PCA（或主成分分析）解析思路：PCA通过线性变换将原始变量投影到新的正交坐标系（主成分）中，使得第一主成分解释的数据方差最大，从而实现降维。5.调整后的p值（或FDR、偏校正p值）解析思路：除了R²，评估模型拟合优度还常用调整后的p值（如通过Bonferroni、FDR等方法校正后的p值），以控制多重检验的假阳性率。6.调控基因（或转录因子）解析思路：在基因调控网络中，某些基因可能对其他多个基因的表达起关键调控作用，统计学方法有助于识别这些核心基因。7.量纲（或单位、不同尺度）解析思路：不同特征的数据可能具有不同的量纲和数值范围，直接进行分析可能导致某些特征主导结果。标准化可以消除量纲差异，使所有特征具有可比性。8.系统发育（或进化）解析思路：基于系统发育距离构建的树反映了物种或基因在进化过程中的亲缘关系和分化历史。9.准确率（或Accuracy）、精确率（或Precision）、召回率（或Recall）解析思路：混淆矩阵是计算分类模型性能指标（如TP,FP,TN,FN）的基础，进而可以计算准确率（(TP+TN)/(TP+FP+TN+FN)）、精确率（TP/(TP+FP)）和召回率（TP/(TP+FN)）。10.统计学设计（或统计效率、统计效能）解析思路：在实验设计阶段就需要考虑如何安排实验（如对照组、重复数、随机化）以使得实验结果具有足够的统计效能，能够检测到真实存在的效应。三、简答题1.解析思路：在生物信息学研究中，往往需要同时测试成百上千个基因或特征（例如，通过基因芯片或测序得到）。如果对每个基因都使用传统的p值<0.05标准，那么即使在没有真实效应的情况下，由于随机性，也大约会有5%的基因被错误地判断为有显著差异（假阳性）。当测试数量非常大时，累积的假阳性数量也会非常可观，这会“淹没”真正有生物学意义的发现，导致错误发现率（FDR）过高。控制FDR意味着控制所有错误拒绝原假设的基因所占的比例，通常希望这个比例在一个可接受的水平（如小于5%或10%）。常用的方法如Bonferroni校正、FDR控制方法（如Benjamini-Hochberg）等，都是为了在保证发现真实效应（统计功效）的同时，降低错误宣布真实效应为零的比率。2.解析思路：PCR定量分析旨在测定样本中特定核酸分子（如mRNA）的拷贝数。由于PCR过程可能存在随机误差、试剂波动、操作差异等多种因素，单次测量的结果可能不够可靠。为了确保结果的可靠性，研究者通常会采取以下统计方法：①重复实验：对每个样本进行多次（例如，3-5次）独立的PCR反应。通过计算这些重复测量的平均值和标准差，可以评估测量的精密度（repeatability）。如果标准差较小，说明测量结果比较稳定可靠。②配对样本t检验：如果有已知浓度的标准品，可以将标准品和待测样本放在同一个实验板中同时进行PCR，然后比较它们之间的Cq（CycleThreshold）值差异。可以使用配对样本t检验来比较待测样本与标准品的Cq值差异是否显著。如果差异不显著（p值较大），则认为待测样本的浓度在标准品的范围内，结果较为可靠。如果差异显著，则需要重新校准或评估实验过程。这些方法有助于减少随机误差和系统误差的影响，提高定量结果的准确性。3.解析思路：高通量测序（如RNA-Seq,ChIP-Seq）产生海量数据，这些数据在生成、测序、数据处理等环节可能存在各种质量问题和噪声。进行质量控制（QC）是数据分析的第一步，其必要性在于：①保证数据质量：QC可以识别并剔除低质量的原始测序读段（reads），例如，具有过高错误率、未知质量得分、接头序列、或位于重复区域（如基因组着丝粒区）的reads。这些低质量数据如果参与后续分析，会污染结果，降低分析精度，甚至得出错误结论。②评估文库质量：QC可以评估测序文库的构建质量，如mRNA库的polyA选择性、适配器连接效率、ChIP库的交叉率等，确保文库符合预期。③指导后续分析：QC结果（如不同样本的读段数量、rRNA比例、基因表达分布等）可以为后续的数据过滤、标准化、差异表达分析等步骤提供重要信息，并帮助判断数据是否适合进行特定分析。常用的QC统计指标包括：读段总数（TotalReads）、有效读段数（ReadsPassedFilter）、平均长度（AverageLength）、N百分比（PercentageofNs）、GC含量（GCContent）、rRNA比例（RibosomalRNARatio）、Kmer分布（如KmerEnrichment）、UMI分布（如果是单细胞测序）等。四、计算题1.解析思路：检验两种处理（A和B）对植物株高是否有显著影响，首先需要了解数据的分布和方差情况。由于题目提到数据近似服从正态分布且方差相等（假设），适合使用独立样本t检验（IndependentSamplest-test）。检验步骤如下：①提出零假设H0：两种处理的株高均值相等（μA=μB）。提出备择假设H1：两种处理的株高均值不等（μA≠μB）。②计算两组样本的均值（Mean）、标准差（StandardDeviation）和样本量（nA,nB）。③计算合并方差估计值（pooledvarianceestimate）Sp²=[(nA-1)S²A+(nB-1)S²B]/(nA+nB-2)，其中S²A和S²B分别是A组和B组的样本方差。④计算t统计量：t=(MeanA-MeanB)/sqrt(Sp²*(1/na+1/nb))。⑤确定自由度（degreesoffreedom）：df=nA+nB-2。⑥查t分布表或使用软件，根据自由度和显著性水平α（如0.05），找到临界t值（t_critical）或计算p值。⑦判断：如果计算得到的|t|>t_critical，或p值<α，则拒绝H0，认为两种处理对株高有显著影响；否则，不拒绝H0。选择此方法的原因是该检验适用于两组独立样本，前提是数据正态且方差齐性，符合题目描述条件。2.解析思路：这个聚类结果展示了5个样本和4个基因的表达模式。聚类结果揭示的基因表达模式如下：①GeneA：在Sample1,Sample3,Sample4中表达上调，在Sample2和Sample5中表达下调。②GeneB：在所有样本中均表达下调。③GeneC：在Sample1,Sample2,Sample4中表达上调，在Sample3和Sample5中表达下调。④GeneD：在Sample1,Sample2,Sample3中表达下调，在Sample4和Sample5中表达上调。生物学意义解读：①样本分组：从GeneA的表达模式看，Sample1,Sample3,Sample4可能具有某种相似的特征（如共同上调GeneA），而Sample2,Sample5则特征相反。结合GeneC的表达，Sample1,Sample2,Sample4似乎形成一组，Sample3,Sample4,Sample5形成另一组。②基因特异性：GeneB和GeneD的表达模式相对稳定，GeneB始终下调，GeneD始终上调，可能作为某种背景表达或对照组。③功能关联：GeneA和GeneC的表达模式存在一定的互补性（在多数样本中一个上调一个下调），可能暗示它们在生物学过程中存在负向调控或功能上的拮抗关系。GeneB和GeneD的表达模式相对独立。从统计角度看，GeneB和GeneD的表达模式非常一致（恒定上调或下调），而GeneA和GeneC的表达模式在样本间变化更大，提供了更多关于样本分组或状态差异的信息。这种模式提示我们GeneA和GeneC可能对样本的分类或状态的区分更重要。五、综合应用题解析思路：该研究者在数据分析报告中的逻辑存在一些问题，主要在于对PCA结果的解读和结论的得出过于草率。问题：1.过度解读PCA主成分：PC1仅仅是将原始高维数据投影到第一个最大变异方向上的线性组合。虽然PC1可能捕捉了数据中的大部分变异，但这并不直接等同于它“能够显著区分”癌症样本和非癌症样本。PC1的“区分”效果可能仅仅是由于样本在原始特征空间中本身就沿这个方向聚集。需要进一步的统计检验来确认这种区分是否具有统计学意义。2.缺乏统计检验支持：仅仅绘制散点图和报告p值<0.01是不够的。为了严谨地声称PC1能够显著区分两