2025年大學(xué)《生物統(tǒng)計(jì)學(xué)》專業(yè)題庫——生物統(tǒng)計(jì)學(xué)在DNA測序研究中的應(yīng)用考試時(shí)間：______分鐘總分：______分姓名：______一、簡述描述性統(tǒng)計(jì)量（如均值、中位數(shù)、方差、標(biāo)準(zhǔn)差）在DNA測序數(shù)據(jù)質(zhì)量評(píng)估中的作用。請(qǐng)分別說明這些統(tǒng)計(jì)量適用于描述哪些類型的數(shù)據(jù)特征，并解釋其各自的優(yōu)缺點(diǎn)。二、在進(jìn)行基因表達(dá)差異分析時(shí)，為什么通常需要進(jìn)行多重檢驗(yàn)校正？請(qǐng)比較并簡述三種常用的多重檢驗(yàn)校正方法（如Bonferroni校正、Holm方法、Benjamini-Hochberg方法）的基本原理和主要區(qū)別。在什么情況下選擇哪種方法可能更合適？三、假設(shè)你正在進(jìn)行一項(xiàng)比較兩組（例如，處理組vs對(duì)照組）基因表達(dá)水平的RNA-Seq數(shù)據(jù)分析。簡要說明你會(huì)選擇哪一種統(tǒng)計(jì)模型（如t-test,ANOVA,或基于計(jì)數(shù)數(shù)據(jù)的模型如DESeq2/EdgeR）進(jìn)行分析，并闡述選擇該模型的主要理由。請(qǐng)簡述該模型的基本假設(shè)，以及如果數(shù)據(jù)不滿足這些假設(shè)時(shí)可能需要采取的預(yù)處理或分析方法。四、序列比對(duì)算法（如BLAST）通常會(huì)返回一個(gè)E-value值。請(qǐng)解釋E-value的含義，并說明它在評(píng)估序列相似性時(shí)的重要性。一個(gè)較小的E-value通常意味著什么？在比較兩個(gè)基因組之間的相似性時(shí)，除了E-value，你還可能關(guān)注哪些其他的統(tǒng)計(jì)指標(biāo)或信息？五、系統(tǒng)發(fā)育樹是推斷物種進(jìn)化關(guān)系的重要工具。簡述基于距離法（如Neighbor-Joining）和基于似然法（如MaximumLikelihood）構(gòu)建系統(tǒng)發(fā)育樹的原理的主要區(qū)別。在構(gòu)建系統(tǒng)發(fā)育樹后，通常會(huì)進(jìn)行Bootstrap分析來評(píng)估樹的可靠性。請(qǐng)解釋Bootstrap分析的基本思想，以及Bootstrap值（如95%）的含義。六、在宏基因組學(xué)研究中，研究人員常常需要對(duì)來自不同樣本的測序數(shù)據(jù)進(jìn)行整合分析（Meta-analysis）。請(qǐng)簡述進(jìn)行宏基因組數(shù)據(jù)Meta-analysis時(shí)可能遇到的統(tǒng)計(jì)學(xué)挑戰(zhàn)，并說明一種常用的統(tǒng)計(jì)模型或方法來處理這類數(shù)據(jù)，簡要解釋其原理。七、假設(shè)你獲得了一組來自未知微生物環(huán)境的宏基因組測序數(shù)據(jù)。請(qǐng)簡述從原始測序數(shù)據(jù)到鑒定環(huán)境中主要功能類群或特定物種的統(tǒng)計(jì)分析流程。在這個(gè)過程中，你會(huì)運(yùn)用到哪些關(guān)鍵的統(tǒng)計(jì)概念或方法，并簡述其目的。八、SNP（單核苷酸多態(tài)性）是基因組變異研究的重要對(duì)象。請(qǐng)簡述在檢測樣本群體中的SNP時(shí)，常用的統(tǒng)計(jì)學(xué)方法的基本原理。例如，可以提及基于序列比對(duì)差異的檢測方法，或者基于基因分型數(shù)據(jù)的統(tǒng)計(jì)模型。在解釋SNP檢測結(jié)果（如P值或效應(yīng)大?。r(shí)，需要考慮哪些生物學(xué)背景信息？九、R語言及其Bioconductor項(xiàng)目在生物統(tǒng)計(jì)學(xué)應(yīng)用中扮演著重要角色。請(qǐng)列舉至少三個(gè)你在生物統(tǒng)計(jì)學(xué)課程中學(xué)習(xí)過，并且可以在R語言（或相關(guān)包）中用于DNA測序數(shù)據(jù)分析的統(tǒng)計(jì)函數(shù)或模型。對(duì)于你列舉的其中一個(gè)，請(qǐng)簡要說明其用途和基本用法（無需具體代碼）。試卷答案一、描述性統(tǒng)計(jì)量在DNA測序數(shù)據(jù)質(zhì)量評(píng)估中作用：提供數(shù)據(jù)集中趨勢和離散程度的概覽。均值：反映測序質(zhì)量的平均水平，如平均Q-score。優(yōu)點(diǎn)：易計(jì)算、直觀。缺點(diǎn)：易受極端值（如單個(gè)低質(zhì)量堿基）影響。中位數(shù)：不受極端值影響，能較好地反映測序質(zhì)量的中心位置。適用于數(shù)據(jù)可能存在異常值的情況。方差/標(biāo)準(zhǔn)差：衡量測序質(zhì)量數(shù)據(jù)的波動(dòng)程度或變異性。高方差可能意味著測序質(zhì)量不穩(wěn)定。優(yōu)點(diǎn)：反映數(shù)據(jù)的離散程度。缺點(diǎn)：單位與均值不同，解釋相對(duì)復(fù)雜。適用特征：均值、中位數(shù)適用于評(píng)估整體質(zhì)量水平；標(biāo)準(zhǔn)差/方差適用于評(píng)估質(zhì)量穩(wěn)定性。二、進(jìn)行多重檢驗(yàn)校正是因?yàn)樵谕瑫r(shí)進(jìn)行多個(gè)假設(shè)檢驗(yàn)時(shí)，假陽性錯(cuò)誤的概率會(huì)隨著檢驗(yàn)次數(shù)增加而增加。多重檢驗(yàn)校正通過調(diào)整P值閾值來控制家族誤差率（Family-wiseErrorRate,FWER）或假發(fā)現(xiàn)率（FalseDiscoveryRate,FDR），以維持整體的統(tǒng)計(jì)顯著性水平，避免假陽性結(jié)果的過度報(bào)出。Bonferroni校正：將顯著性閾值α除以檢驗(yàn)總數(shù)m（p-value<α/m）。原理簡單，保守性強(qiáng)，但可能導(dǎo)致大量真陽性被錯(cuò)誤地排除。適用于對(duì)假陽性容忍度低，或檢驗(yàn)總數(shù)不多的情況。Holm方法：一種逐步調(diào)整的方法，按p值從小到大排序，依次檢驗(yàn)，p值調(diào)整公式更保守。比Bonferroni更高效，適用于檢驗(yàn)關(guān)聯(lián)性不強(qiáng)的假設(shè)。Benjamini-Hochberg方法：控制FDR。計(jì)算p值排序后的各個(gè)p值與其秩的比率（p_k/k），找到最大的那個(gè)比率并取其倒數(shù)作為閾值。原理上允許部分假陽性，但能發(fā)現(xiàn)更多真陽性，效率更高。適用于檢驗(yàn)結(jié)果可能存在關(guān)聯(lián)的情況。選擇：若要求嚴(yán)格控制FDR且檢驗(yàn)間關(guān)聯(lián)性不強(qiáng)，可選Holm；若檢驗(yàn)總數(shù)多且關(guān)聯(lián)性不確定，可選Benjamini-Hochberg；若要求最保守或檢驗(yàn)數(shù)少，可選Bonferroni。三、選擇基于計(jì)數(shù)數(shù)據(jù)的模型（如DESeq2/EdgeR）進(jìn)行分析。理由：RNA-Seq數(shù)據(jù)代表測序讀數(shù)計(jì)數(shù)，屬于離散數(shù)據(jù)，這些模型專門設(shè)計(jì)用于處理這種計(jì)數(shù)數(shù)據(jù)，并能有效估計(jì)方差、進(jìn)行差異表達(dá)檢驗(yàn)并控制假發(fā)現(xiàn)率。模型假設(shè)：DESeq2/EdgeR：數(shù)據(jù)近似服從負(fù)二項(xiàng)分布（NegativeBinomialDistribution）。樣本間的技術(shù)變異可被模型估計(jì)和消除。差異表達(dá)主要由生物學(xué)因素引起。若數(shù)據(jù)不滿足：若計(jì)數(shù)數(shù)據(jù)過稀疏，可能需要過濾；若技術(shù)變異遠(yuǎn)大于生物學(xué)變異，可能需要更復(fù)雜的模型或預(yù)處理（如使用UMI進(jìn)行標(biāo)準(zhǔn)化）；若存在過度離散，可能需要調(diào)整模型參數(shù)或使用其他分布模型。四、E-value的含義：在給定查詢序列的長度和相似性閾值下，隨機(jī)背景序列中比查詢序列更相似（至少達(dá)到該閾值）的序列的出現(xiàn)期望次數(shù)。它衡量了查詢序列與數(shù)據(jù)庫中隨機(jī)序列發(fā)生碰撞的可能性。重要性：E-value是評(píng)估序列比對(duì)結(jié)果生物學(xué)意義的統(tǒng)計(jì)指標(biāo)。較小的E-value意味著在隨機(jī)數(shù)據(jù)庫中找到如此相似序列的概率較低，因此，找到的匹配結(jié)果更有可能是真實(shí)的生物學(xué)關(guān)聯(lián)，而非隨機(jī)發(fā)生。較小E-value通常意味著：匹配結(jié)果更有可能是真實(shí)的同源序列，或者序列間具有更高等的相似性。比較基因組相似性時(shí)，除了E-value，還可能關(guān)注：序列相似度百分比（PercentIdentity）、比對(duì)覆蓋度（Coverage）、系統(tǒng)發(fā)育樹的拓?fù)浣Y(jié)構(gòu)、保守基序或基因的存在等。五、基于距離法（如Neighbor-Joining,NJ）原理：通過計(jì)算所有樣本對(duì)之間的距離（通?；谛蛄胁町悾?，構(gòu)建一個(gè)距離矩陣。然后根據(jù)距離矩陣，逐步合并距離最近的樣本對(duì)，構(gòu)建一棵初始樹，最后通過重排序（如最小進(jìn)化原則）優(yōu)化樹形。主要基于“距離最近的樣本最可能最近緣”的原則。基于似然法（如MaximumLikelihood,ML）原理：基于特定的進(jìn)化模型（如Jukes-Cantor,Kimura2-parameter等，包含替換速率、密碼子等細(xì)節(jié)），計(jì)算所有可能的樹形下，觀測到當(dāng)前樣本數(shù)據(jù)的“似然度”（概率）。選擇似然度最大的那棵樹作為最優(yōu)樹?？紤]了進(jìn)化模型的具體細(xì)節(jié)，通常能產(chǎn)生更精確的樹。Bootstrap分析思想：通過有放回地重抽樣原始數(shù)據(jù)集（通常是位點(diǎn)序列），每次重抽樣生成一個(gè)新數(shù)據(jù)集，然后對(duì)每個(gè)新數(shù)據(jù)集獨(dú)立地構(gòu)建系統(tǒng)發(fā)育樹。重復(fù)此過程多次（如1000次）。Bootstrap值（如95%）含義：表示在重復(fù)的Bootstrap重抽樣和樹構(gòu)建過程中，原始數(shù)據(jù)集構(gòu)建的樹中，某個(gè)特定分支（Branch）至少被50%的Bootstrap樹支持（如果報(bào)告的是50%標(biāo)準(zhǔn)，即95%置信區(qū)間）。高Bootstrap值意味著該分支在統(tǒng)計(jì)上比較穩(wěn)定和可靠。六、宏基因組數(shù)據(jù)Meta-analysis統(tǒng)計(jì)學(xué)挑戰(zhàn)：1.樣本間異質(zhì)性（Heterogeneity）：不同樣本來自不同環(huán)境，測序深度、物種組成、測序平臺(tái)等差異大，導(dǎo)致數(shù)據(jù)分布和方差結(jié)構(gòu)不一致。2.多重比較問題：分析目標(biāo)眾多（如功能基因、物種），需要進(jìn)行大量統(tǒng)計(jì)檢驗(yàn)，增加假陽性風(fēng)險(xiǎn)。3.數(shù)據(jù)稀疏性：稀有基因或功能在部分樣本中可能檢測不到，導(dǎo)致計(jì)數(shù)數(shù)據(jù)稀疏。常用的統(tǒng)計(jì)模型/方法：混合效應(yīng)模型（Mixed-effectsModels），特別是分層負(fù)二項(xiàng)回歸（HierarchicalNegativeBinomialRegression），如使用metaDE或picrusts等工具實(shí)現(xiàn)。原理：將樣本嵌套在不同層次（如實(shí)驗(yàn)組別、環(huán)境類型），同時(shí)考慮樣本間的隨機(jī)效應(yīng)（技術(shù)變異）和固定效應(yīng)（生物學(xué)差異），能夠較好地合并來自不同來源但存在異質(zhì)性的計(jì)數(shù)數(shù)據(jù)，并估計(jì)基因/功能的重要性或豐度。七、宏基因組數(shù)據(jù)分析流程：1.質(zhì)量控制：評(píng)估原始測序數(shù)據(jù)質(zhì)量，過濾低質(zhì)量讀數(shù)和接頭序列。2.概率分箱（Binning）：將contigs（長片段序列）聚類成具有相似基因組特征的bins，嘗試區(qū)分不同的微生物群落。3.功能注釋：對(duì)bins或contigs進(jìn)行功能注釋，識(shí)別其中編碼的基因（如通過eggNOG、KeggOrthology,COG數(shù)據(jù)庫），推斷其可能的功能。4.物種注釋（可選）：嘗試將bins或contigs注釋到具體的物種水平（如使用GTDB、RDP分類器）。5.統(tǒng)計(jì)分析：比較不同樣品間功能基因豐度或物種豐度的差異（如使用DESeq2,EdgeR,Metastats,Qiime2等工具），進(jìn)行通路富集分析（如KEGG,KEGGMapper），識(shí)別環(huán)境中的主要功能類群或關(guān)鍵物種。關(guān)鍵統(tǒng)計(jì)概念/方法：*描述性統(tǒng)計(jì)：用于描述每個(gè)樣本的測序數(shù)據(jù)量、注釋情況等。*差異分析：比較樣本間豐度差異的統(tǒng)計(jì)檢驗(yàn)（控制FDR）。*富集分析：統(tǒng)計(jì)檢驗(yàn)基因集或通路在特定樣品中顯著富集的假設(shè)。*機(jī)器學(xué)習(xí)/分類算法（若進(jìn)行物種注釋）：用于從序列數(shù)據(jù)中學(xué)習(xí)模式并預(yù)測未知序列的類別。八、檢測樣本群體中SNP的常用統(tǒng)計(jì)學(xué)方法：1.基于序列比對(duì)差異的方法：直接比較樣本間DNA序列，識(shí)別變異位點(diǎn)。原理：通過比對(duì)，計(jì)算樣本間的差異堿基對(duì)，定位SNP。常用工具如FreeBayes,GATKHaplotypeCaller。統(tǒng)計(jì)上，通常比較變異位點(diǎn)的頻率分布，與預(yù)期突變率或Hardy-Weinberg平衡狀態(tài)進(jìn)行比較。2.基于基因分型數(shù)據(jù)的方法：使用高通量測序技術(shù)（如Genotyping-by-Sequencing,GBS）產(chǎn)生等位基因頻率數(shù)據(jù)。原理：統(tǒng)計(jì)每個(gè)SNP位點(diǎn)上不同等位基因的頻率。通過統(tǒng)計(jì)模型（如混合模型、分層模型）分析等位基因頻率在不同樣本間的