2025年大学《数理基础科学》专业题库- 数学生物学与生物信息学

2025年大学《数理基础科学》专业题库——数学生物学与生物信息学考试时间：______分钟总分：______分姓名：______一、简述常微分方程在描述种群增长中的作用，并说明逻辑斯蒂增长模型如何修正指数增长模型以更符合实际情况。二、在一个基因调控网络中，基因A调控基因B，基因B调控基因C，基因A也直接调控基因C。假设这是一个简单的正反馈回路，请尝试建立一个描述该网络动态行为的微分方程模型，并解释模型中各参数的生物学意义。三、解释什么是基因表达谱。简述使用多维尺度分析（MDS）或主成分分析（PCA）对基因表达谱数据进行降维的基本思想，并说明降维分析在生物信息学中的主要应用。四、BLAST（基本局部对齐搜索工具）是生物信息学中常用的序列比对工具。请简述BLAST算法的核心步骤，并解释其中使用的“种子”（seed）和扩展（extension）策略如何帮助快速找到潜在的序列相似区域。五、在生物信息学研究中，统计推断方法至关重要。请区分假设检验中的“第一类错误”（TypeIerror）和“第二类错误”（TypeIIerror），并说明在设定显著性水平（α）时，减小α值会对这两类错误的概率产生什么影响？六、描述机器学习在疾病预测中的应用。选择一种具体的机器学习算法（如逻辑回归、支持向量机、决策树等），简述其基本原理，并说明在构建疾病预测模型时，如何评估模型的性能（例如，使用哪些指标）。七、考虑一个简单的序列比对问题：目标序列T="ACGTGCA"，查询序列Q="ACGTCA"。使用动态规划方法，请写出计算全局比对得分（假设匹配得分+1，不匹配得分-1，罚分-1）的动态规划表（即填入得分或状态转移值），并最终给出T和Q的最佳全局比对和对齐方式。八、什么是生物信息学数据库？列举至少三种不同类型的生物信息学数据库（如序列数据库、结构数据库、文献数据库等），并简要说明每种数据库的主要内容和用途。九、解释什么是基因芯片（microarray）技术。简述基因芯片技术的基本原理，并说明如何通过基因芯片实验数据来比较不同样本（如正常组织和肿瘤组织）之间的基因表达差异。十、讨论在生物信息学研究中，计算复杂性（computationalcomplexity）是一个重要的考虑因素。举例说明一个在生物信息学中常见的计算问题，并简述其计算复杂度（如时间复杂度），分析其对于数据规模的影响，以及研究人员为解决或缓解高复杂度问题所采用的一些策略（如算法优化、并行计算、近似算法等）。试卷答案一、常微分方程用于描述生物种群数量随时间的变化规律。指数增长模型假设资源和环境无限，种群增长率恒定，用公式N'(t)=rN(t)描述，其中N(t)为种群数量，r为增长率。该模型简单但无法反映现实环境中资源有限性对种群增长的限制。逻辑斯蒂增长模型（LogisticGrowthModel）在指数增长模型基础上引入了环境容纳量K（即种群在有限资源下的最大稳定数量），其微分方程为N'(t)=rN(t)(1-N(t)/K)。当N(t)<<K时，(1-N(t)/K)接近1，模型近似指数增长；当N(t)接近K时，(1-N(t)/K)趋近于0，增长率N'(t)趋近于0，种群增长逐渐减速直至稳定在K水平，从而更符合实际情况。二、对于该基因调控网络，可以建立一个包含三个状态变量（或速率）的微分方程模型来描述基因表达水平的动态变化。设x(t),y(t),z(t)分别代表基因A,B,C在时间t的表达水平（或其转录/翻译产物浓度）。模型可以写作：dx/dt=f_A(x,y)(基因A的表达受自身和基因B的调控)dy/dt=f_B(x,y,z)(基因B的表达受基因A和基因C的调控)dz/dt=f_C(z)(基因C的表达受基因A直接调控)其中f_A,f_B,f_C是描述表达速率的函数，通常包含促进和抑制项。例如，f_A(x,y)可能形如ax-by-xz，其中ax代表基因A的自主表达，-by代表基因B的抑制作用（假设B调控A为负调控），-xz代表基因C间接通过B对A的抑制作用。模型中各参数（如a,b,c,x,y,z的初始值）的生物学意义分别为：a是基因A自主表达的基础速率，b是基因B对基因A的抑制强度，c是基因C对基因A的抑制强度，初始值则代表实验开始时各基因的表达水平。三、基因表达谱是指一个细胞或组织在特定条件下表达的所有基因的集合信息，通常以转录本或蛋白质的数量表示，形成高维数据矩阵。多维尺度分析（MDS）或主成分分析（PCA）是常用的降维方法。其基本思想是：通过数学变换，将原始的高维数据投影到低维空间（通常是二维或三维），使得投影后的数据在低维空间中尽可能地保留原始数据在高维空间中的相似性结构（如距离关系或相关性结构）。例如，PCA通过寻找数据的主要变异方向（主成分），将数据投影到由前几个主成分构成的新坐标系中。降维分析的主要应用包括：1）可视化高维基因表达数据，直观地发现不同样本间的群体结构或聚类；2）识别关键的变异模式或主成分，揭示样品间主要的差异来源；3）作为后续分析（如分类、聚类、回归）的预处理步骤，减少计算复杂度，去除噪声或冗余信息。四、BLAST算法的核心步骤通常包括：1）序列预处理：去除低复杂度区域（如N-rich区），将序列分割成短段（words/k-mers，通常6-11个核苷酸）。2）种子搜索：将查询序列Q中的每个短段（种子）与目标数据库T中的所有序列进行快速比较，找出与种子有足够一致性（超过某个阈值，如E-value或得分）的短段，这些短段被称为“命中”（hits）。通常使用字典或散列表加速种子搜索。3）扩展：对于每个在数据库中找到的种子命中，BLAST会沿着查询序列和目标序列的对应方向，逐步增加比对长度，寻找更长的、一致性更高的局部对齐（localalignment）。扩展过程会检查插入、删除和替换，并使用得分矩阵（匹配得分、不匹配罚分、罚分）计算对齐得分。4）排序与筛选：根据对齐得分、E-value（期望值，衡量随机命中概率）、比对覆盖度等标准，对所有找到的对齐进行排序，并筛选出最可靠的对齐结果返回给用户。种子和扩展策略是关键，种子提供快速筛选的初始匹配区域，扩展则确保能找到真正的局部相似性，即使在种子区域之外。五、假设检验用于判断观察到的数据是否显著偏离某个预设的零假设（NullHypothesis,H0）。第一类错误（TypeIError），也称为“假阳性”，是指在H0实际为真时，错误地拒绝了H0。在生物信息学中，这通常意味着错误地认为某个基因表达差异显著、某个序列有显著相似性、某个关联存在等。其概率用α表示，即显著性水平。第二类错误（TypeIIError），也称为“假阴性”，是指在H0实际为假（备择假设H1为真）时，错误地未能拒绝H0。在生物信息学中，这通常意味着错误地认为基因无差异、序列无相似性、关联不存在等。其概率用β表示。在设定显著性水平α时，减小α值意味着提高了判断为“显著”的标准，从而会减小第一类错误的概率。但是，根据统计学的贝叶斯定理和概率关系（P(RejectH0|H0true)=α,P(RejectH0|H1true)=Power=1-β），在样本量和其他条件不变的情况下，减小α通常会导致增大第二类错误的概率β。换言之，更严格的显著性水平α意味着在控制假阳性率的同时，可能增加了假阴性的风险。六、机器学习在疾病预测中应用广泛，旨在利用历史数据学习疾病相关的模式，预测个体未来患病的风险或诊断结果。一种具体的机器学习算法是支持向量机（SupportVectorMachine,SVM）。其基本原理是：寻找一个最优的决策边界（超平面），该边界能够最大化不同类别样本（如患病/未患病）之间的间隔（margin）。对于线性可分的数据，SVM寻找能完美分开两类数据的最大间隔超平面。对于非线性可分的数据，SVM通过使用核函数（KernelFunction）（如多项式核、径向基函数核RBF）将数据映射到高维特征空间，在高维空间中寻找线性可分的超平面。在疾病预测模型构建中，输入特征可能包括年龄、性别、基因型、生化指标、影像特征等。模型训练后，可用于预测新个体的疾病状态。评估模型性能常用指标包括：准确率（Accuracy）（总体预测正确的比例）、精确率（Precision）（预测为阳性的样本中实际为阳性的比例，尤其在区分率高的模型中很重要）、召回率（Recall）或真阳性率（TruePositiveRate,TPR）（实际为阳性的样本中被模型正确预测为阳性的比例，尤其在区分率低的模型或关注漏诊时很重要）、F1分数（F1-Score）（精确率和召回率的调和平均数，综合评价模型性能）、AUC（AreaUndertheROCCurve）（ROC曲线下面积，衡量模型在不同阈值下区分正负样本能力的综合指标）。七、计算全局比对的动态规划表构建如下（使用得分S=+1,Mismatch=-1,GapOpen=-1,GapExtend=-1）：目标序列T:ACGTGCA查询序列Q:ACGTCA初始化:第一行和第一列填充负值（或从-∞开始，这里用-3表示不可达）-3-1-2-3-4-5-6-70-3-1-2-3-4-5-610-3-1-2-3-4-5210-3-1-2-3-43210-3-1-2-343210-3-1-2543210-3-16543210-376543210（注：此表仅为示例，具体数值取决于罚分设置，但状态转移逻辑不变）根据表计算：-T[0]('A')==Q[0]('A'):Match->从(0,-3)走来，得分=0+1=1。填入1。-3-1-2-3-4-5-6-70-3-1-2-3-4-5-610-3-1-2-3-4-5210-3-1-2-3-43210-3-1-2-343210-3-1-2543210-3-16543210-376543210-T[1]('C')!=Q[0]('A'):Mismatch->从(1,0)走来，得分=0-1=-1。填入-1。-3-1-2-3-4-5-6-70-3-1-2-3-4-5-610-3-1-2-3-4-5210-3-1-2-3-43210-3-1-2-343210-3-1-2543210-3-16543210-376543210...(续算其他位置，此处省略中间步骤)...最终，在右下角(7,7)获得最大得分，例如2。（完整表格略）根据最终得分和回溯路径（从(7,7)开始，每次选择得分最高/状态最优的相邻单元格回溯，优先考虑Match/Mismatch转移，其次是GapinQ，最后是GapinT），可以得到最佳对齐方式：T:A-CGTGCAQ:A-CT-C-A（对齐方式可能因罚分设置和回溯细节略有不同，例如引入更多gap）八、生物信息学数据库是存储、组织和检索生物数据的系统。它们是生物信息学研究的基础设施，为研究人员提供访问和分析海量的生物信息（如DNA/RNA序列、蛋白质序列和结构、基因表达数据、代谢物信息、物种信息、遗传变异、科学文献等）的途径。主要类型包括：1）序列数据库：存储大量的核酸（DNA,RNA）和蛋白质序列，如GenBank,EMBL-EBINucleotide/ProteinDatabase,DDBJ。用途：序列检索、比对、基因注释、变异检测、同源性分析等。2）结构数据库：存储已知的蛋白质和核酸的三维结构，如ProteinDataBank(PDB)。用途：结构比对、功能预测、药物设计、了解分子相互作用机制等。3）基因/表达数据库：存储基因注释信息、基因表达谱（如GEO,ArrayExpress）等。用途：基因功能研究、疾病关联分析、比较基因组学等。4）变异数据库：存储人类或其他物种的遗传变异信息，如dbSNP,ClinVar。用途：遗传病研究、个体化医疗、进化分析等。5）文献数据库：存储生物医学领域的科学出版物，如PubMed。用途：文献检索、研究背景了解、相关研究追踪等。这些数据库通常提供在线检索工具和接口，支持数据下载和API访问。九、基因芯片（microarray）技术是一种高通量生物检测技术，通常指将大量（成千上万）短的DNA片段（探针，probes）固定在固相支持物（如玻璃片、硅片）的特定位置上，形成一个微阵列。其基本原理是分子杂交（Hybridization）。实验时，将标记了荧光或其他可检测标记的样本DNA或RNA（称为“样品”，sample）与芯片上的探针进行混合，样品中的特定转录本（或其互补DNAcDNA）会与其序列互补的探针结合（杂交）。杂交后，通过洗涤去除未结合的样品分子，然后使用扫描仪等设备检测芯片上每个探针位置的标记信号强度。如果某个探针位置检测到较强的信号，说明其对应的基因在样品中表达水平较高。通过比较不同样品（如正常与肿瘤组织）芯片上信号强