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（每题2分，共20分）1.在基因表达差异分析中，研究者发现某个基因在疾病组中的均值显著高于健康组。若使用独立样本t检验进行检验，其零假设（H₀）最可能陈述为：A.疾病组和健康组该基因表达量的总体均值相等。B.疾病组和健康组该基因表达量的样本均值相等。C.疾病组该基因表达量的总体均值高于健康组。D.疾病组该基因表达量的样本均值高于健康组。2.对于来自正态分布总体的样本，当样本量较小（n<30）且总体方差未知时，通常选用哪种方法检验样本均值与总体均值的差异？A.Z检验B.卡方检验C.t检验D.F检验3.在分析基因芯片数据时，研究者需要判断不同处理条件下基因表达水平的分布是否有显著差异。如果数据近似服从正态分布，且要比较三个或以上处理组，最常用的推断性统计方法是？A.独立样本t检验B.配对样本t检验C.单因素方差分析（ANOVA）D.卡方检验4.下述哪个统计量是描述数据集中趋势的？A.标准差B.变异系数C.中位数D.相关系数5.对基因表达量数据进行对数转换（log-transformation）的主要目的是？A.提高数据的正态性B.降低数据的变异性C.使数据范围更适合可视化D.以上都是6.在生物信息学研究中，进行相关性分析通常是为了？A.检验两个变量是否独立B.比较两组数据的均值差异C.探索两个变量之间是否存在线性关系D.对多组数据进行降维7.关于P值的说法，错误的是？A.P值表示在零假设为真时，观察到当前或更极端结果的概率。B.P值越小，拒绝零假设的证据越强。C.P值等于0.05是判断结果具有统计学显著性的绝对标准。D.P值的大小受样本量影响。8.在进行生存分析时，研究者通常关心？A.样本数据的均值和方差B.事件发生的时间及其影响因素C.数据的线性关系D.分类变量的独立性9.对于大量的基因表达数据，绘制热图（Heatmap）的主要优势在于？A.进行假设检验B.计算统计量C.直观展示数据在多个样本和基因上的模式与差异D.建立回归模型10.使用统计软件（如R）进行差异表达基因分析后，输出的结果通常包含哪些内容？A.基因名称、logFC（FoldChange）、p-value、FDR（FalseDiscoveryRate）B.基因序列、表达量数值、实验日期、研究者姓名C.软件版本、运行时间、内存占用、代码片段D.基因功能注释、相关通路信息、文献引用二、填空题（每空2分，共20分）1.统计推断的主要目的是利用______样本信息来推断______的未知特征。2.在比较两组正态分布且方差齐性的连续变量时，若要检验其均值差异，除t检验外，还可以使用______检验。3.对于分类数据，如果我们要检验两个分类变量之间是否独立，通常采用______检验。4.描述数据离散程度的统计量包括______、______和______。5.在生物信息学中，PCA（主成分分析）常用于______，以减少数据维度并发现主要变异模式。6.当样本数据不符合正态分布或存在异常值时，比较两组均值差异可以考虑使用______检验或______检验。7.在进行相关性分析时，相关系数的取值范围是______至______。8.置信区间提供了对总体参数估计的______范围，并给出了该估计的______。三、简答题（每题5分，共20分）1.简述假设检验中“第一类错误”（TypeIError）和“第二类错误”（TypeIIError）的含义，并说明它们分别发生在什么情况下。2.在生物信息学研究中，为什么需要对原始测序数据进行标准化处理？请列举至少两种常用的标准化方法。3.解释什么是“多重比较问题”（MultipleComparisonsProblem），并简述至少一种常用的校正方法。4.简述线性回归模型在生物信息学研究中可以解决哪些类型的问题。四、应用题（每题10分，共30分）1.某研究者在比较两种药物（A药vs.B药）对某疾病模型小鼠的生存时间（单位：天）的影响。随机选取30只小鼠，均分为两组分别接受药物A和B治疗。假设生存时间数据近似服从正态分布，且两组数据的方差相等。研究者收集到样本数据后，计划使用t检验来分析药物效果。请说明在此情境下，进行t检验需要满足哪些前提条件？如果其中一个前提条件不满足，可以考虑使用什么替代方法？2.研究者收集了100个基因在两种不同组织（组织X和组织Y）中的表达量数据。初步的探索性数据分析显示，两组数据的表达量均值存在差异，且数据分布均近似正态分布，但两组方差不等。研究者希望比较这100个基因在两种组织中的平均表达水平是否存在显著差异。请简述进行该分析时应选择的恰当统计方法，并说明理由。3.一项研究旨在探索某基因（GeneA）的表达水平与其编码蛋白质的稳定性之间是否存在关系。研究者测量了20个样本中GeneA的表达量（使用相对单位）和对应的蛋白质稳定性评分（评分范围1-10）。研究者计算得到表达量与稳定性评分的相关系数为0.65，P值小于0.01。请解释该结果的意义，并说明该研究还能得出哪些结论？试卷答案一、选择题1.A解析思路：独立样本t检验的零假设（H₀）是检验两个独立总体的均值是否相等。题干描述的是疾病组高于健康组，这是备择假设（H₁）的内容。选项A准确表达了H₀的含义。2.C解析思路：t检验适用于样本量较小（n<30）且总体方差未知的情况。Z检验要求样本量较大（n≥30）或总体方差已知，以及数据近似正态分布。卡方检验用于分类数据。F检验主要用于方差分析或回归模型的检验。3.C解析思路：当需要比较三个或以上组的均值时，如果满足ANOVA的前提条件（如正态性、方差齐性），则应选择单因素方差分析。独立样本t检验用于两组比较，配对样本t检验用于同一组受试者在不同时间点的比较。4.C解析思路：中位数是位于数据排序中间位置的值，能有效反映数据的集中趋势，尤其是在数据偏态分布或存在异常值时。标准差和变异系数是描述数据离散程度的，相关系数是描述两个变量间线性关系强度的。5.D解析思路：对数转换是生物信息学数据处理中常用的方法。它可以压缩数据范围，使分布更接近正态分布，降低方差不齐性，从而满足后续统计分析（如t检验、ANOVA）的前提假设。因此，A、B、C都是其目的。6.C解析思路：相关性分析的主要目的是量化两个变量之间线性关系的强度和方向。在生物信息学中，常用于探索基因表达量与药物浓度、基因表达量与蛋白质结构特性、不同基因表达量之间的关系等。7.C解析思路：P值只是衡量证据强度的一个指标，没有绝对的标准。P值小于0.05通常被认为有统计学意义，但这取决于研究领域和具体情境，并非绝对界限。A、B、D都是对P值的正确描述。8.B解析思路：生存分析关注的是事件发生时间（如生存时间、疾病持续时间）以及影响事件发生时间的相关因素。其核心是分析生存概率随时间的变化，并识别影响生存时间的关键变量。9.C解析思路：热图是一种矩阵可视化方式，能够直观地在行（样本）和列（基因/特征）之间展示数值的大小和模式，特别适用于展示基因表达数据、蛋白质丰度数据等高维矩阵，便于发现样本间或基因间的相似性、差异性和聚类趋势。10.A解析思路：差异表达基因分析的结果报告通常会包含基因标识符、两组间的表达量变化倍数（如logFC）、统计检验的P值以及校正后的错误发现率（FDR），这些都是评估基因是否真正差异表达的关键统计指标。二、填空题1.样本，总体解析思路：统计推断的目标是从能够代表总体的样本数据中，提取信息并做出关于总体的结论。2.Mann-WhitneyU解析思路：Mann-WhitneyU检验（或WilcoxonRank-Sum检验）是非参数检验方法，用于比较两个独立样本的中位数是否存在差异，不要求数据服从正态分布，适用于替代t检验（当正态性或方差齐性不满足时）。3.卡方（Chi-square）解析思路：卡方检验是分析两个分类变量之间是否独立的常用方法，其计算统计量基于观察频数与期望频数的差异。4.极差（Range），方差（Variance），标准差（StandardDeviation）解析思路：这些都是常用的衡量数据离散程度或变异性大小的统计量。5.降维（DimensionalityReduction）解析思路：PCA通过线性变换将原始高维变量投影到低维空间，同时保留尽可能多的数据变异信息，常用于处理基因表达等高维数据集。6.WilcoxonRank-Sum，Mann-WhitneyU解析思路：这两种都是非参数检验方法，适用于比较两组连续变量，但数据不满足正态分布或存在异常值，它们不依赖于数据的正态性假设。7.-1，+1解析思路：皮尔逊相关系数（PearsonCorrelationCoefficient）的取值范围理论上是[-1,1]。-1表示完全负线性相关，+1表示完全正线性相关，0表示无线性相关。8.置信，水平（或信心）解析思路：置信区间提供了一个估计总体参数的范围，该区间具有特定的置信水平（如95%），表示我们有95%的信心认为真实的总体参数值落在这个区间内。三、简答题1.解析思路：第一类错误（TypeIError）是指在零假设（H₀）实际上为真时，错误地拒绝了零假设。在生物信息学中，意味着实际上某个基因的表达没有差异、某种处理没有效果，但统计分析结果显示有显著差异或效果（P值小于显著性水平α，如0.05）。第二类错误（TypeIIError）是指在零假设（H₀）实际上为假时，错误地未能拒绝零假设。意味着实际上某个基因的表达有差异、某种处理有效果，但统计分析结果显示没有显著差异或效果（P值大于显著性水平α）。2.解析思路：原始测序数据（如测序深度）往往存在生物学变异（如批次效应、细胞异质性）和技术变异（如不同测序平台、试剂差异），直接比较会掩盖真实的生物学差异或导致假阳性。标准化旨在消除或减少这些非生物学因素造成的技术性差异，使不同样本或实验间的数据具有可比性。常用方法包括：中心化（减去均值）、归一化（如TPM、FPKM、TPM），以及更复杂的对数转换和基于模型的方法（如SVA、ComBat）。3.解析思路：多重比较问题是指在同时进行多次统计检验时，仅仅因为随机波动，就有可能错误地拒绝一个实际上为真的零假设（即犯第一类错误）。随着检验次数的增加，犯第一类错误的累积概率也会增加，导致虚报阳性结果的风险增大。校正方法旨在控制家族错误率（Family-wiseErrorRate,FWER）或假发现率（FalseDiscoveryRate,FDR）。常用方法有：Bonferroni校正（最保守，将α除以检验次数）、Holm校正、Benjamini-Hochberg（FDR）方法等。4.解析思路：线性回归模型可以用于生物信息学研究中分析一个或多个自变量（预测变量）对一个因变量（响应变量）的线性影响。具体问题包括：预测基因表达量如何随某个环境因素（如温度、药物浓度）的变化而变化；评估某个基因变异（如SNP）对蛋白质功能或疾病风险的影响程度；分析多个基因表达水平共同对某个表型特征的影响等。四、应用题1.解析思路：使用独立样本t检验需要满足三个主要前提条件：①独立性（Independence）：两组样本的数据是相互独立的，一个样本中的观测值不应影响另一个样本中的观测值。在本例中，小鼠被随机分配到两组，满足此条件。②正态性（Normality）：两组样本数据（生存时间）应近似服从正态分布。③方差齐性（HomogeneityofVariance）：两组数据的方差应相等或接近。研究者需要检查数据分布图（如Q-Q图）或使用方差齐性检验（如Levene'stest）来评估这些条件。如果正态性不满足，可以考虑使用非参数检验方法，如Mann-WhitneyU检验。如果方差齐性不满足，可以使用Welch'st检验（不假设方差相等）或对数据进行转换（如对数转换）再进行t检验。2.解析思路：恰当的统计方法是独立样本t检验（如果方差齐性）或Welch'st检验（如果方差不等）。理由是：研究目的是比较两组（组织X和组织Y）的均值差异；数据类型是连续变量（表达量）；初步分析显示数据近似正态分布（满足t检验的假设之一）；存在两个独立的组别（满足t检验的独立性和组间比较要求）。虽然方差可能不等，但Welch'st检验不要求严格满足方差齐性，是更稳健的选择。如果数据正态性假设不成立，则应考虑