2025年医学统计与生物信息学考试试题及答案

2025年医学统计与生物信息学考试试题及答案一、单项选择题（每题2分，共20分）1.某研究欲比较两种降压药物（A药与B药）对高血压患者的疗效，以收缩压下降值（mmHg）为结局指标，两组患者年龄、性别基线均衡。若数据满足正态性和方差齐性，应选择的统计方法是（）。A.配对t检验B.两独立样本t检验C.Wilcoxon秩和检验D.卡方检验2.在生存分析中，以下哪项不属于删失数据的常见原因？（）A.研究结束时患者仍存活B.患者因其他疾病死亡C.患者明确记录的死亡时间D.患者失访3.某RNA-seq实验中，某基因在对照组的表达量为（10,12,15），处理组为（25,28,30），若采用DESeq2进行差异表达分析，第一步需要完成的操作是（）。A.计算FPKM值B.进行批次效应校正C.估计离散度（Dispersion）D.构建负二项分布模型4.在GWAS（全基因组关联研究）中，曼哈顿图的纵坐标通常表示（）。A.基因表达量的对数值B.SNP的p值的负对数（-log₁₀P）C.连锁不平衡（LD）系数D.效应值（β）的绝对值5.某队列研究中，随访5年发现：暴露于因素X的1000人中，50人发生疾病；未暴露的2000人中，40人发生疾病。则相对危险度（RR）为（）。A.2.5B.5.0C.0.5D.0.256.以下哪种方法适用于处理高维生物信息数据中的多重共线性问题？（）A.主成分分析（PCA）B.卡方检验C.独立样本t检验D.Cochrran-Armitage趋势检验7.在Logistic回归模型中，若某自变量的OR值为2.0（95%CI:1.5-2.5），则正确的解释是（）。A.自变量每增加1单位，疾病发生概率增加2倍B.自变量每增加1单位，疾病发生的优势比（Odds）增加2倍C.自变量每增加1单位，疾病发生风险增加200%D.自变量与疾病无统计学关联8.某microRNA测序数据中，检测到3000个差异表达的miRNA（p<0.05），若采用Benjamini-Hochberg（BH）法校正多重检验，FDR设定为0.05，则最终被认定为显著差异的miRNA数量通常会（）。A.多于3000个B.等于3000个C.少于3000个D.无法确定9.在生存分析中，Cox比例风险模型的核心假设是（）。A.生存时间服从指数分布B.风险比（HR）不随时间变化C.删失数据为完全随机删失（MCAR）D.自变量与生存时间呈线性关系10.以下哪项属于生物信息学中“功能富集分析”的常用数据库？（）A.GEO（基因表达综合数据库）B.KEGG（京都基因与基因组百科全书）C.TCGA（癌症基因组图谱）D.dbSNP（单核苷酸多态性数据库）二、简答题（每题8分，共40分）1.简述t检验与方差分析的联系与区别。2.解释“第一类错误（TypeIError）”和“第二类错误（TypeIIError）”的定义，并说明如何通过研究设计降低两类错误的概率。3.比较RNA-seq数据中RPKM、FPKM与TPM三种标准化方法的异同。4.简述随机森林（RandomForest）算法在生物信息学中的应用场景及优势。5.请说明在病例对照研究中使用匹配（Matching）的目的及潜在局限性。三、计算题（每题10分，共30分）1.某研究比较两种手术方式（腹腔镜组vs开腹组）的术后住院时间（天），数据如下：腹腔镜组（n=15）：5,6,7,5,8,6,7,9,5,7,6,8,7,6,5开腹组（n=12）：8,9,10,7,11,9,8,10,12,9,8,11假设数据满足正态性和方差齐性，试计算两组住院时间的均数、标准差，并进行两独立样本t检验（α=0.05），给出结论。2.某肿瘤随访研究中，5例患者的生存时间（月）及结局（1=死亡，0=删失）如下：患者1：12（0）；患者2：15（1）；患者3：20（1）；患者4：8（0）；患者5：24（1）试绘制Kaplan-Meier生存曲线，并计算12个月时的生存率（保留3位小数）。3.某基因表达芯片实验中，检测到1000个基因，其中实际差异表达的基因有200个（真阳性）。若统计分析显示有250个基因被判定为差异表达（包括真阳性和假阳性），其中假阳性为50个。计算该分析的灵敏度（Sensitivity）、特异度（Specificity）、阳性预测值（PPV）。四、综合分析题（共10分）某研究团队基于TCGA数据库获取了500例肺腺癌患者的RNA-seq数据（包括肿瘤组织与正常组织）及临床随访信息（生存时间、生存状态、年龄、性别、TNM分期）。研究目标是筛选肺腺癌的关键预后基因，并构建多基因预后模型。请设计分析流程（需包含数据预处理、差异表达分析、生存分析、模型验证等关键步骤），并说明每一步骤的具体方法及选择依据。答案一、单项选择题1.B2.C3.C4.B5.A6.A7.B8.C9.B10.B二、简答题1.联系：t检验与方差分析均用于推断两组或多组均值是否有统计学差异，核心思想均基于组间变异与组内变异的比较，且t检验可视为方差分析在两组情况下的特例（当方差分析F检验结果显著且仅两组时，F=t²）。区别：t检验适用于两组独立或配对数据的均值比较；方差分析（ANOVA）适用于两组及以上独立样本的均值比较，通过分解总变异为组间变异和组内变异，计算F统计量进行检验。当比较多组时，若直接使用t检验会增加第一类错误概率，而方差分析可同时控制整体错误率。2.第一类错误：原假设（H₀）为真时，错误拒绝H₀的概率（α），即“假阳性”；第二类错误：原假设为假时，错误接受H₀的概率（β），即“假阴性”。降低方法：-增大样本量（n）可同时降低α和β；-合理设定α水平（如0.05），避免随意调整；-采用更高效的研究设计（如随机对照试验）减少混杂；-对多重检验进行校正（如Bonferroni、BH法）以控制第一类错误。3.相同点：三者均用于校正RNA-seq数据中基因长度和测序深度对表达量的影响，目标是得到标准化的相对表达量。不同点：-RPKM（ReadsPerKilobaseperMillion）：先校正基因长度（每千碱基），再校正测序深度（每百万reads）；-FPKM（FragmentsPerKilobaseperMillion）：适用于双端测序，以片段（Fragment）代替单端reads，原理与RPKM一致；-TPM（TranscriptsPerMillion）：先校正测序深度（计算每个基因的reads占总reads的比例），再校正基因长度，最终结果的总和为100万，更适合多样本间的相对表达比较。4.应用场景：-高维生物数据分类（如癌症亚型识别）；-特征筛选（如关键基因或SNP识别）；-预后模型构建（整合多组学数据预测生存结局）。优势：-抗过拟合能力强（通过自助采样和随机特征子集构建多棵决策树）；-可评估变量重要性（通过袋外数据错误率或节点分裂贡献度）；-对缺失值和异常值不敏感；-适用于非线性关系和交互作用分析。5.目的：-控制混杂因素（如年龄、性别），提高组间可比性；-减少样本量需求（通过匹配使病例与对照在混杂因素上均衡）；-提高统计效能（降低混杂因素导致的变异）。局限性：-过度匹配可能引入新的混杂（如匹配与疾病因果路径相关的变量）；-匹配过程可能限制样本选择（如难以找到匹配对象时导致样本量减少）；-无法控制未匹配的混杂因素；-分析时需采用匹配设计的统计方法（如条件Logistic回归），增加分析复杂度。三、计算题1.计算过程：-腹腔镜组均数（x̄₁）：(5+6+7+5+8+6+7+9+5+7+6+8+7+6+5)/15=6.8天；标准差（s₁）：√[Σ(xᵢ-x̄₁)²/(n₁-1)]=√[((5-6.8)²×4+(6-6.8)²×4+(7-6.8)²×4+(8-6.8)²×2+(9-6.8)²×1)/14]≈1.23天；-开腹组均数（x̄₂）：(8+9+10+7+11+9+8+10+12+9+8+11)/12=9.25天；标准差（s₂）：√[Σ(xᵢ-x̄₂)²/(n₂-1)]=√[((7-9.25)²×1+(8-9.25)²×3+(9-9.25)²×3+(10-9.25)²×2+(11-9.25)²×2+(12-9.25)²×1)/11]≈1.67天；-两独立样本t检验：合并方差s_p²=[(n₁-1)s₁²+(n₂-1)s₂²]/(n₁+n₂-2)=[(14×1.23²)+(11×1.67²)]/25≈(21.23+30.75)/25≈2.08；t=(x̄₁-x̄₂)/√(s_p²(1/n₁+1/n₂))=(6.8-9.25)/√(2.08×(1/15+1/12))≈(-2.45)/√(0.312)≈-4.37；自由度df=25，查t界值表，t₀.05/2,25=2.059，|t|>2.059，P<0.05，结论：两组术后住院时间差异有统计学意义，腹腔镜组住院时间更短。2.Kaplan-Meier生存率计算：按生存时间排序（删失用+表示）：8+,12+,15,20,24；-时间点0-8月：无事件，生存率S(0)=1；-时间点8月：1例删失，无死亡，S(8)=S(0)×(n-d)/n=1×(5-0)/5=1；-时间点12月：1例删失，无死亡，S(12)=S(8)×(4-0)/4=1×1=1；-时间点15月：1例死亡（d=1，n=3），S(15)=S(12)×(3-1)/3≈0.667；-时间点20月：1例死亡（d=1，n=2），S(20)=0.667×(2-1)/2≈0.333；-时间点24月：1例死亡（d=1，n=1），S(24)=0.333×(1-1)/1=0；12个月时生存率为1.000（因12月时无死亡事件，仅1例删失，剩余4例均存活）。3.指标计算：-真阳性（TP）=200，假阳性（FP）=50，真阴性（TN）=1000-200=800（总基因数-实际差异基因数），假阴性（FN）=200-200=0（此处FN=实际差异基因数-TP=200-200=0，因TP=200）；-灵敏度=TP/(TP+FN)=200/(200+0)=1.0；-特异度=TN/(TN+FP)=800/(800+50)=0.941；-阳性预测值=TP/(TP+FP)=200/(200+50)=0.800。四、综合分析题分析流程设计：1.数据预处理：-质量控制：使用FastQC评估RNA-seq原始数据质量（如测序错误率、GC含量分布），过滤低质量reads（Phred质量分数<20）及接头序列；-比对与定量：采用STAR或HISAT2将cleanreads比对至人类参考基因组（如GRCh38），使用HTSeq或Salmon计算基因表达量（计数矩阵）；-标准化：因RNA-seq数据服从负二项分布，采用DESeq2或edgeR进行标准化（如计算大小因子校正测序深度），消除批次效应（若存在）可使用ComBat或sva包。2.差异表达分析：-以肿瘤组织vs正常组织为分组变量，使用DESeq2拟合负二项分布模型，计算每个基因的log2FoldChange（FC）和调整后p值（FDR<0.05）；-筛选标准：|log2FC|>1且FDR<0.05，得到差异表达基因（DEGs）。3.生存分析：-单因素Cox回归：对每个DEG进行单因素Cox分析，筛选与总生存（OS）显著相关的基因（HR≠1，p<0.05）；-多因素Cox回归：将单因素显著的基因纳入多因素模型，采用逐步回归（向前/向后法）或LASSO回归（处理高维共线性）筛选关键预后基因；-风险评分模型构建：基于多因素Cox系数计算风险评分（RiskScore=Σ(βᵢ×Expᵢ)），将患者分为高、低风险组，绘制Kaplan-Meier曲线并进行log-rank检验。4.模型验证：-内部验证：采用Bootstrap重采样（如1000次）评估模型稳定性，计算C-index（一致性指数）衡量预测效能（C-index>0.7为良好）；-外部验证：使用GEO或ICGC数据库中