2025年大學《信息與計算科學》專業(yè)題庫——生物信息學技術(shù)在醫(yī)學中的應用考試時間：______分鐘總分：______分姓名：______一、簡答題（每題8分，共40分）1.簡述生物信息學在理解人類遺傳性疾病方面的主要作用和常用技術(shù)。2.解釋k-mer方法在短讀長測序數(shù)據(jù)分析中的基本原理及其優(yōu)勢。3.描述機器學習在醫(yī)學圖像分析中用于病灶檢測的一般流程。4.簡述基因表達譜數(shù)據(jù)分析的主要目標和方法。5.生物信息學領(lǐng)域常用的公共數(shù)據(jù)庫有哪些？請列舉至少三種，并說明其主要功能。二、計算/分析題（每題15分，共45分）1.假設給定兩個短核酸序列：Query="ATCGTAC"，Target="TTACGGA"。請使用簡單的動態(tài)規(guī)劃思想（無需完整代碼），描述如何計算它們之間的局部序列相似度，并估算其相似度得分（可自行設定簡單的匹配得分和錯配得分，如+1匹配，-1錯配）。2.在一項肺癌預測研究中，收集了100名患者的臨床數(shù)據(jù)（年齡、吸煙史、家族史等）和最終的診斷結(jié)果（患病/未患?。?。研究者嘗試使用邏輯回歸模型進行訓練。請分析評價該模型性能可能需要考慮哪些指標？并解釋這些指標的意義。3.某藥物研發(fā)項目需要篩選能夠與特定靶點蛋白質(zhì)結(jié)合的化合物。簡述虛擬篩選技術(shù)的基本原理，并說明在篩選過程中可能遇到的技術(shù)挑戰(zhàn)。三、論述題（25分）結(jié)合當前深度學習技術(shù)的發(fā)展，論述其在醫(yī)學影像分析領(lǐng)域（如癌癥診斷、病變分割等）的應用潛力和面臨的挑戰(zhàn)。請從技術(shù)、數(shù)據(jù)、倫理等多個角度進行探討。試卷答案一、簡答題（每題8分，共40分）1.生物信息學通過分析基因組、蛋白質(zhì)組等生物大數(shù)據(jù)，識別與遺傳性疾病相關(guān)的基因變異、通路異常等。常用技術(shù)包括：基因測序與組裝、序列比對（如BLAST）、變異檢測（如SNPcalling）、基因表達譜分析、蛋白質(zhì)結(jié)構(gòu)預測與功能注釋、遺傳病數(shù)據(jù)庫構(gòu)建與查詢等，從而幫助理解疾病機制、進行疾病診斷、預后預測和個體化治療。2.k-mer方法將輸入的序列分割成所有可能的k長度的子串（k-mer），構(gòu)建一個k-mer頻率表。其原理在于，短序列的k-mer在生物序列中具有高度的唯一性，通過比較查詢序列和參考基因組中的k-mer分布，可以推斷序列間的相似性和關(guān)聯(lián)性。優(yōu)勢在于計算相對簡單快速，尤其適用于處理大量短讀長測序數(shù)據(jù)（如Illumina數(shù)據(jù)），且對測序錯誤具有一定的容忍度。3.機器學習在醫(yī)學圖像分析中用于病灶檢測的一般流程包括：①數(shù)據(jù)采集與預處理（圖像去噪、標準化、分割等）；②特征提?。ㄊ謩釉O計或自動學習，如紋理、形狀、強度特征）；③特征選擇（減少維度，去除冗余信息）；④模型訓練（選擇合適的機器學習算法，如支持向量機、隨機森林、卷積神經(jīng)網(wǎng)絡等，使用標注好的訓練數(shù)據(jù)）；⑤模型評估（使用驗證集或測試集評估性能，常用指標如準確率、召回率、F1分數(shù)等）；⑥模型部署（將訓練好的模型應用于新的醫(yī)學圖像進行病灶檢測）。4.基因表達譜數(shù)據(jù)分析的主要目標是研究在不同條件下（如疾病與正常、藥物處理前后）基因表達水平的差異，揭示基因的功能及其在生物學過程中的作用。常用方法包括：數(shù)據(jù)預處理（去除批次效應、歸一化）、差異表達基因（DEG）識別（如t-test、ANOVA、limma包）、基因集富集分析（如GO富集、KEGG通路分析，GSEA）、聚類分析（如層次聚類、k-means）、主成分分析（PCA）等，以發(fā)現(xiàn)關(guān)鍵的調(diào)控網(wǎng)絡和生物學通路。5.生物信息學領(lǐng)域常用的公共數(shù)據(jù)庫有：①NCBI（NationalCenterforBiotechnologyInformation）數(shù)據(jù)庫，包括GenBank（基因組序列）、RefSeq（參考序列）、dbSNP（單核苷酸多態(tài)性）、PubMed（生物醫(yī)學文獻）、BLAST（序列比對工具）等；②Ensembl（歐洲生物信息研究所）數(shù)據(jù)庫，提供大量基因組注釋、變異信息、基因表達數(shù)據(jù)等；③UCSCGenomeBrowser（加州大學圣克魯斯分?；蚪M瀏覽器），提供多種物種的基因組圖譜、注釋、文獻鏈接等；④PDB（ProteinDataBank），存儲蛋白質(zhì)和核酸三級結(jié)構(gòu)數(shù)據(jù)。二、計算/分析題（每題15分，共45分）1.使用動態(tài)規(guī)劃思想計算局部序列相似度，通常構(gòu)建一個二維得分矩陣，其中dp[i][j]表示Query的前i個堿基和Target的前j個堿基之間的最大得分。初始條件為dp[0][j]=0和dp[i][0]=0。狀態(tài)轉(zhuǎn)移方程通常為：dp[i][j]=max(dp[i-1][j-1]+match_score,dp[i-1][j]+gap_penalty,dp[i][j-1]+gap_penalty)，其中match_score為匹配得分，mismatch_score為錯配得分（通常為負值，絕對值等于gap_penalty），gap_penalty為插入或刪除的罰分。相似度得分可以是矩陣中最大值，或矩陣對角線上的最大和（表示最長公共子序列的得分）。估算相似度時，需設定匹配+1，錯配-1，則對于"ATCGTAC"和"TTACGGA"，局部比對可能找到"TCGA"和"ACG"作為最佳匹配部分，得分計算需根據(jù)具體路徑累加。2.評價邏輯回歸模型性能可能需要考慮以下指標：①準確率（Accuracy）：模型正確預測的樣本比例，即（TP+TN）/總樣本數(shù)，反映整體預測效果；②精確率（Precision）：在所有被模型預測為正類的樣本中，實際為正類的比例，即TP/(TP+FP)，反映預測為陽性結(jié)果的可靠性；③召回率（Recall）：在所有實際為正類的樣本中，被模型正確預測為正類的比例，即TP/(TP+FN)，反映模型發(fā)現(xiàn)陽性樣本的能力；④F1分數(shù)（F1-Score）：精確率和召回率的調(diào)和平均數(shù)，F(xiàn)1=2*(Precision*Recall)/(Precision+Recall)，綜合反映模型的平衡性能；⑤ROC曲線下面積（AUC-ROC）：衡量模型在不同閾值下區(qū)分正負類的能力，AUC值越接近1，模型區(qū)分能力越強。這些指標的意義在于全面評估模型在特定肺癌預測任務上的綜合表現(xiàn)，特別是區(qū)分患病與未患病的能力。3.虛擬篩選技術(shù)的基本原理是利用計算機模擬藥物分子與靶點蛋白質(zhì)之間的相互作用，篩選出具有高結(jié)合親和力（即可能有效抑制靶點功能）的候選化合物。其流程通常包括：①靶點結(jié)構(gòu)獲取與處理（獲取高分辨率靶點蛋白質(zhì)結(jié)構(gòu)，進行必要的預處理）；②化合物庫準備（獲取大量候選化合物結(jié)構(gòu)，進行標準化、去除外消旋體等）；③分子對接（將化合物庫中的分子與靶點活性位點進行對接，預測其結(jié)合模式和親和能）；④篩選與排序（根據(jù)對接分數(shù)或其他評分函數(shù)對候選化合物進行排序）；⑤驗證（對篩選出的高排名化合物進行實驗驗證，如體外酶活性測試、細胞水平實驗等）。技術(shù)挑戰(zhàn)包括：①靶點結(jié)構(gòu)的準確性：實驗測定的靶點結(jié)構(gòu)可能存在誤差；②對接算法的準確性：計算得到的結(jié)合親和能與實驗值可能存在偏差；③構(gòu)象變化：篩選時通常假設靶點保持靜態(tài)，而實際結(jié)合可能伴隨構(gòu)象變化；④水分子處理：如何合理模擬結(jié)合位點周圍的水分子影響；⑤假陽性問題：篩選可能漏掉實際有效的弱結(jié)合分子或產(chǎn)生錯誤的強結(jié)合預測。三、論述題（25分）深度學習在醫(yī)學影像分析領(lǐng)域展現(xiàn)出巨大的應用潛力。其強大的特征自動學習能力使其能夠從復雜的醫(yī)學圖像（如CT、MRI、X光片、病理切片）中自動提取深層、抽象的紋理和結(jié)構(gòu)特征，無需人工設計，在許多任務上超越了傳統(tǒng)方法。例如，在癌癥診斷中，深度學習模型（特別是卷積神經(jīng)網(wǎng)絡CNN）可用于自動檢測早期微小病灶、精確分割腫瘤區(qū)域、判斷腫瘤良惡性，輔助醫(yī)生提高診斷效率和準確性。在病變分割方面，深度學習可以實現(xiàn)像素級別的精準分割，為后續(xù)的量化分析、治療規(guī)劃提供高質(zhì)量的數(shù)據(jù)基礎。此外，深度學習還應用于圖像重建、偽影去除、多模態(tài)圖像融合等，提升圖像質(zhì)量和診斷信息。然而，其應用也面臨諸多挑戰(zhàn)。技術(shù)層面：①數(shù)據(jù)依賴性強：需要大量高質(zhì)量的標注數(shù)據(jù)進行訓練，醫(yī)學數(shù)據(jù)的獲取、標注成本高昂且易受主觀因素影響；②模型可解釋性差：深度學習模型通常被視為“黑箱”，其決策過程難以解釋，這在需要高可信度和責任追溯的醫(yī)學領(lǐng)域是一大障礙；③泛化能力：模型在特定數(shù)據(jù)集上訓練良好，但在不同設備、不同患者群體或不同數(shù)據(jù)采集參數(shù)下的泛化性能可能下降。數(shù)據(jù)層面：①數(shù)據(jù)稀缺與不均衡：某些罕見病或特定亞型的醫(yī)學影像數(shù)據(jù)量不足，且患者群體分布不均；②數(shù)據(jù)隱私與安全：醫(yī)學影像涉及敏感個人信息，數(shù)據(jù)共享