2025年版基因组学试题及答案

2025年版基因组学试题及答案一、单项选择题（每题2分，共30分）1.以下关于三代测序技术（如PacBioHiFi）的描述，错误的是：A.读长可达tensofkilobasesB.单碱基错误率低于1%（HiFi模式）C.基于边合成边测序（SBS）原理D.可直接检测DNA甲基化修饰2.在表观基因组学研究中，用于全基因组5-羟甲基胞嘧啶（5hmC）定位的特异性技术是：A.MeDIP-seqB.TAB-seqC.RRBSD.ATAC-seq3.CRISPR-Cas12a系统与Cas9的主要区别在于：A.识别PAM序列为NGGvsTTTVB.切割产生平末端vs粘性末端C.仅靶向DNAvs可靶向RNAD.需sgRNAvs需crRNA和tracrRNA4.单细胞基因组测序（scWGS）中，主要用于解决扩增偏倚的技术是：A.多重置换扩增（MDA）B.转座酶扩增（Tn5）C.简并寡核苷酸引物PCR（DOP-PCR）D.原位滚环扩增（RCA）5.全基因组关联分析（GWAS）中，用于校正群体分层的常用方法是：A.主成分分析（PCA）B.连锁不平衡（LD）分析C.曼哈顿图可视化D.孟德尔随机化（MR）6.以下不属于非编码RNA功能验证的常用方法是：A.CRISPRi沉默靶标B.荧光素酶报告基因检测C.核糖体图谱测序（Ribo-seq）D.酵母双杂交（Y2H）7.在肿瘤基因组学中，“驱动突变”与“乘客突变”的主要区分依据是：A.突变频率高低B.突变是否位于癌基因/抑癌基因C.突变对蛋白质功能的影响（如功能获得/丧失）D.突变在进化中的保守性8.环状RNA（circRNA）的典型特征是：A.具有5’帽和3’polyA尾B.通过反向剪接形成闭合环C.主要分布于细胞质基质D.长度通常超过10kb9.用于评估基因组组装质量的关键指标不包括：A.ContigN50B.BUSCO完整性C.异源污染率（Contamination）D.基因表达量RPKM10.表观遗传药物“去甲基化剂”的作用靶点是：A.DNA甲基转移酶（DNMT）B.组蛋白乙酰转移酶（HAT）C.组蛋白去乙酰化酶（HDAC）D.组蛋白甲基转移酶（HMT）11.单细胞多组学技术中，同时捕获基因组和转录组数据的常用策略是：A.基于微流控的细胞分选后分别建库B.利用转座酶同时标记DNA和RNAC.通过生物素标记区分DNA/RNA链D.基于单细胞核分离后进行联合扩增12.在宏基因组学研究中，“分箱（Binning）”的主要目的是：A.去除测序数据中的宿主污染B.将测序片段归类到不同微生物物种C.预测功能基因的代谢通路D.评估微生物群落的α多样性13.以下关于长读长测序（LRS）在结构变异（SV）检测中的优势，错误的是：A.可直接跨越重复序列区域B.能准确识别大于50bp的SVC.对倒位（Inversion）的检测灵敏度低于短读长D.减少因短读长比对错误导致的假阳性14.植物基因组学中，“泛基因组（Pangenome）”的核心意义在于：A.构建单一参考基因组的高准确性版本B.揭示物种内遗传变异的完整图谱C.简化复杂性状的QTL定位流程D.降低多倍体基因组的组装难度15.基于AI的基因组预测模型（如AlphaFold在蛋白质结构预测中的应用），其核心训练数据来源是：A.已知蛋白质的氨基酸序列B.实验解析的蛋白质三维结构（PDB数据库）C.基因组测序的原始reads数据D.基因表达谱的RNA-seq数据二、简答题（每题6分，共36分）1.简述三代测序（如PacBioHiFi）与二代测序（如IlluminaNovaSeq）在技术原理和应用场景上的主要差异。答案：技术原理：二代测序基于边合成边测序（SBS），通过dNTP的荧光标记和桥式扩增产生短读长（50-300bp）；三代测序（HiFi）基于单分子实时测序（SMRT），利用零模波导孔（ZMW）观察DNA聚合酶合成时的实时信号，结合循环一致测序（CCS）提供高保真长读长（10-25kb）。应用场景：二代测序适合全基因组重测序、转录组测序等短读长需求场景；三代测序更适用于复杂基因组组装（如高度重复区域、多倍体）、结构变异检测、表观修饰直接检测等。2.列举三种表观基因组学研究的关键技术，并说明其检测的表观遗传修饰类型。答案：①MeDIP-seq（甲基化DNA免疫共沉淀测序）：检测5-甲基胞嘧啶（5mC）；②ChIP-seq（染色质免疫共沉淀测序）：检测组蛋白修饰（如H3K4me3、H3K27ac）；③TAB-seq（TET辅助的重亚硫酸盐测序）：特异性检测5-羟甲基胞嘧啶（5hmC）；④ATAC-seq（转座酶可及染色质测序）：间接反映染色质开放状态（与表观调控相关）。3.说明GWAS研究中“显著性阈值（如P<5×10⁻⁸）”的设定依据及后续验证的关键步骤。答案：设定依据：人类基因组约有10⁷个独立SNP，为控制全基因组水平的Ⅰ型错误（假阳性），采用Bonferroni校正，α=0.05/10⁷≈5×10⁻⁸作为显著性阈值。后续验证步骤：①独立队列重复验证；②功能注释（如eQTL分析、染色质互作）定位因果变异；③实验验证（如CRISPR编辑细胞模型或动物模型）；④孟德尔随机化（MR）评估因果关系。4.单细胞基因组学面临的主要技术挑战有哪些？请列举至少三点。答案：①单细胞DNA/RNA量极低（pg级），扩增过程易引入偏倚（如扩增不均一性、等位基因dropout）；②技术噪声高（如PCR错误、测序误差），需严格的数据质控；③细胞异质性解析复杂（如区分真实生物学差异与技术变异）；④多组学整合难度大（如同时捕获基因组、转录组、表观组数据时的信息关联）；⑤数据分析算法需适应海量单细胞数据（如聚类、轨迹推断的计算效率）。5.简述CRISPR-Cas9系统在基因治疗中的优化方向（至少三点）。答案：①提高特异性：开发高保真Cas9变体（如eSpCas9、evoCas9）减少脱靶效应；②扩展靶向范围：改造PAM识别结构域（如xCas9、SpCas9-NG）；③优化递送系统：使用AAV载体、脂质纳米颗粒（LNP）或外泌体提高细胞转染效率和组织特异性；④实现精确编辑：结合碱基编辑（BE）、引物编辑（PE）技术避免DNA双链断裂（DSB）；⑤调控编辑效率：通过诱导型启动子或光遗传系统控制编辑时间窗口。6.宏基因组学中“从头组装（denovoassembly）”与“基于参考基因组的比对（Reference-basedmapping）”各有何优缺点？答案：从头组装优点：无需已知参考基因组，可发现新物种或新基因；缺点：对高复杂度群落（如肠道菌群）组装效率低，易产生碎片化contig。基于参考比对优点：分析速度快，适合已知物种的丰度和功能注释；缺点：依赖现有数据库（可能遗漏未培养微生物），难以检测新变异或物种。三、论述题（每题17分，共34分）1.结合近年来技术进展，论述多组学整合分析在复杂疾病（如癌症）研究中的应用策略及典型案例。答案：多组学整合分析通过联合基因组、转录组、表观组、蛋白组、代谢组等多维度数据，系统解析疾病发生发展的分子机制，为精准诊疗提供依据。应用策略包括：①数据关联分析：通过共表达网络（WGCNA）、机器学习（如随机森林、深度学习）识别多组学间的关键关联模块；②因果推断：结合孟德尔随机化（MR）、贝叶斯网络等方法明确变量间因果关系；③功能验证：通过单细胞测序、基因编辑等技术验证多组学关联的功能意义。典型案例：2023年《Nature》发表的乳腺癌多组学研究（TCGA-BRCA队列扩展）中，整合全基因组测序（WGS）、RNA-seq、甲基化芯片（EPIC）、蛋白质组（SomaScan）及临床数据，发现：①基于拷贝数变异（CNV）和突变谱的分子分型（如LuminalA/B、HER2+、Basal-like）与表观调控模式（如H3K27me3富集区）显著相关；②代谢组数据揭示PI3K-AKT通路激活型肿瘤中色氨酸代谢异常，与免疫检查点抑制剂（PD-1/PD-L1）响应相关；③整合多组学特征构建的预后模型（包含12个基因表达、5个甲基化位点和3个代谢物），其预测效能（AUC=0.89）显著优于单一组学模型。该研究不仅深化了对乳腺癌异质性的理解，还为靶向治疗（如PI3K抑制剂联合代谢调节剂）和免疫治疗分层提供了新靶点。2.人工智能（AI）在基因组学数据挖掘中的应用已成为研究热点，请从算法类型、数据类型及实际应用场景三个方面展开论述。答案：（1）算法类型：①传统机器学习（如随机森林、支持向量机）：用于特征筛选（如GWAS中的显著性SNP识别）和分类（如肿瘤亚型诊断）；②深度学习（如卷积神经网络CNN、循环神经网络RNN、图神经网络GNN）：处理序列数据（CNN识别顺式调控元件）、长程依赖（RNN预测RNA二级结构）、生物网络（GNN分析蛋白质互作）；③提供式模型（如GAN、VAE）：模拟基因组变异（如提供人工突变谱）或填补缺失数据（如单细胞测序的dropout校正）；④强化学习：优化实验设计（如CRISPR靶点筛选的奖励机制）。（2）数据类型：①序列数据（DNA/RNA/蛋白质序列）：用于基因/功能元件预测（如DeepSEA预测顺式调控元件）；②结构数据（染色质三维结构Hi-C）：通过3D-CNN解析染色质互作模式；③组学矩阵（如表达谱、甲基化谱）：通过自动编码器（Autoencoder）降维并提取潜在特征；④表型数据（临床指标、影像数据）：多模态学习整合基因组与表型信息（如预测药物反应）。（3）实际应用场景：①基因功能注释：AlphaFold2通过深度学习预测蛋白质三维结构（准确率超90%），加速药物靶点发现；②疾病风险预测：基于全基因组数据的多基因风险评分（PRS）模型（如PolygenicRiskScore）在冠心病（AUC=0.78）、精神分裂症（AUC=0.82）中显示出临床应用潜力；③药物研发：AI模型（如DeepTox）预测化合物的基因组毒性，缩短新药筛选周期；④农业基因组学：通过CNN分析作物（如水稻、玉米）的全基因组序列，快速定位抗逆（耐旱、抗病）相关QTL，加速分子育种。3.随着单细胞测序技术的普及，“空间基因组学”成为新兴研究方向。请阐述空间基因组学的技术原理、核心优势及在发育生物学中的应用前景。答案：技术原理：空间基因组学通过保留组织/器官的空间位置信息，在原位或近原位水平检测基因表达、基因组变异或表观修饰。主要技术包括：①基于成像的方法（如FISSEQ、MERFISH）：通过荧光标记探针原位杂交，结合超分辨成像定位RNA/DNA；②基于测序的方法（如10xGenomicsVisium）：利用载玻片上的空间条形码（spatialbarcoding）捕获组织切片中的RNA，测序后通过坐标匹配重建空间表达图谱；③新兴技术（如DBiT-seq）：通过微流控芯片同时标记空间x、y坐标，实现单细胞分辨率的空间多组学分析。核心优势：①保留组织微环境信息：揭示细胞间的空间互作（如肿瘤微环境中的免疫细胞浸润模式）；②解析细胞异质性的空间分布：如发育过程中不同胚层细胞的位置动态；③关联形态学与分子特征：结合组织学染色（如HE染色）明确特定分子标记的解剖定位。在发育