2025年大學《生物信息學》專業(yè)題庫——轉錄組數據分析技術及在疾病研究中的應用考試時間：______分鐘總分：______分姓名：______一、選擇題（每題2分，共20分）1.在RNA-Seq數據分析中，通常需要去除rRNAcontamination，主要是因為：A.rRNA序列高度保守B.rRNA轉錄量遠超蛋白編碼基因，可能掩蓋真實表達信號C.rRNA容易發(fā)生突變D.rRNA與mRNA的長度相似2.下列哪個工具主要用于對RNA-Seq原始數據進行質量控制？A.HISAT2B.TrinityC.FastQCD.DESeq23.在使用STAR或HISAT2進行RNA-Seq讀長比對時，一個理想的比對結果應表現(xiàn)出：A.高度的多比對率B.高度的未比對率（尤其是在參考基因組外）C.高度的單一比對率，且比對位置集中D.比對到大量未知或非編碼區(qū)域4.TPM（TranscriptsPerMillion）值常用于表達量標準化，其主要優(yōu)點是：A.直接反映基因的實際轉錄分子數量B.可以消除不同樣本測序深度差異的影響C.考慮了基因長度差異，但未考慮不同樣本測序深度差異D.計算簡單，但生物學意義不明確5.以下哪個統(tǒng)計模型或包是DESeq2包的核心組成部分？A.k-mer匹配算法B.基于負二項分布的差異表達檢驗C.基于貝葉斯的聚類算法D.基于深度學習的序列識別6.在進行差異表達基因分析時，F(xiàn)oldChange（倍數變化）和p-value是兩個重要指標，通常認為同時滿足FoldChange>2和p-value<0.05的基因是：A.差異表達基因的絕對標準B.在統(tǒng)計上顯著且差異幅度較大的基因C.需要進一步進行多重檢驗校正后才可接受的基因D.僅在特定測序條件下可靠的基因7.GO富集分析的主要目的是：A.確定樣本間差異表達基因的主要功能類別B.鑒別與特定生物學過程相關的基因集C.推測差異表達基因參與的信號通路D.量化所有基因在各個功能類別中的富集程度8.當比較多個處理組（例如，不同藥物處理組和一個對照組）時，除了進行兩兩比較外，還常常需要進行：A.單因素方差分析（ANOVA）B.非參數秩和檢驗C.多組間的全局差異檢驗（如VST或TMM標準化后的差異）D.基于機器學習的分類模型構建9.RNA-Seq數據中，可變剪接事件的檢測通常需要：A.高深度的測序數據B.相對較短的讀長C.特定的比對策略D.以上所有10.在利用RNA-Seq數據研究腫瘤免疫微環(huán)境時，可能會分析：A.腫瘤相關基因的表達譜差異B.免疫細胞特異性標記基因的表達水平C.腫瘤相關宏基因組（TAM）的組成D.以上所有二、填空題（每空1分，共15分）1.RNA-Seq技術的核心原理是利用高通量測序來測量生物樣本中RNA分子的______和______。2.RNA-Seq數據分析的首要步驟通常是使用工具如FastQC進行______，以評估原始測序數據的質量。3.將原始測序讀長比對到參考基因組或轉錄組數據庫的步驟通常由工具如______或______完成。4.差異表達分析的核心目標是識別在不同條件下表達水平發(fā)生______的基因。5.在進行差異表達分析前，常需要對原始表達計數數據進行______，以消除測序深度和基因長度等因素的影響。6.富集分析常用的數據庫包括GO數據庫和______數據庫。7.當分析涉及多個樣本或處理組時，主成分分析（PCA）可以幫助我們觀察樣本間的______。8.RNA-Seq不僅可以分析蛋白編碼基因的表達，還可以分析______、小RNA（sRNA）以及______等非編碼RNA的表達。三、簡答題（每題5分，共20分）1.簡述RNA-Seq數據分析中，從原始測序文件（FASTQ格式）到生成表達量計數矩陣（如DESeq2所需的countmatrix）的主要步驟。2.解釋什么是“假發(fā)現(xiàn)率”（FDR），為什么在進行多重假設檢驗時需要控制FDR？3.描述使用DESeq2進行差異表達基因分析的基本流程，包括關鍵R包的加載和核心函數的調用。4.簡述RNA-Seq數據在疾病研究中可能的應用方向，并舉例說明。四、論述題（每題10分，共20分）1.比較基于模型的方法（如DESeq2,edgeR）和非模型方法（如limma）在進行RNA-Seq差異表達分析時的主要異同點，并討論選擇哪種方法可能取決于哪些因素。2.論述在進行轉錄組數據分析解讀結果時，需要考慮哪些潛在的生物學和技術因素可能會影響結果的可靠性？如何盡量減少這些因素的影響？試卷答案一、選擇題1.B解析：rRNA在細胞中的轉錄量遠超蛋白編碼基因和其他類型的RNA，如果不加以去除，會在測序數據中占據絕對主導地位，從而掩蓋低豐度基因的真實表達信息。2.C解析：FastQC是廣泛使用的序列質量評估工具，它能夠對FASTQ格式的原始測序數據進行多維度分析，包括讀長分布、質量分布、N比例、接頭序列等，為后續(xù)數據處理提供重要參考。3.C解析：理想的比對結果應盡可能多地讀長能夠唯一地比對到參考基因組上的特定位置，即高單一比對率。這表明數據質量較高，且與已知基因組注釋良好。4.B解析：TPM通過將基因表達量標準化到每百萬個轉錄本中，有效消除了不同樣本間測序深度差異對基因表達量估計的影響，使得不同樣本間的表達水平具有可比性。5.B解析：DESeq2的核心是利用負二項分布模型來描述基因表達計數數據的離散特性，并基于此模型進行差異表達檢驗。6.B解析：FoldChange反映基因表達差異的幅度，p-value反映差異的統(tǒng)計顯著性。同時滿足較高的FoldChange和較低的p-value，通常意味著該基因在兩個條件下差異表達既顯著又具有實際差異幅度。7.A解析：GO富集分析旨在回答“一組差異表達基因主要參與了哪些生物學功能、過程或通路？”，從而揭示這些基因的共同生物學意義。8.C解析：在多組比較場景下，直接進行兩兩比較會導致多重檢驗問題，增加假陽性率。進行全局差異檢驗（如基于VST或TMM標準化后的差異）可以提供一個整體視圖，識別哪些組別作為一個整體與對照或其他組別存在顯著差異。9.D解析：可變剪接事件的檢測對測序深度、比對策略和算法都有較高要求。高深度測序能提供更豐富的剪接證據，特定比對策略能區(qū)分不同轉錄本，而強大的算法能從比對結果中推斷剪接事件。10.D解析：研究腫瘤免疫微環(huán)境時，分析腫瘤相關基因表達譜差異有助于理解腫瘤特性，分析免疫細胞特異性標記基因表達水平有助于識別腫瘤微環(huán)境中的免疫細胞組成和狀態(tài)，分析TAM有助于理解腫瘤與免疫細胞的相互作用。二、填空題1.豐度；種類（或類型）2.質量控制（或質量評估）3.HISAT2；STAR4.顯著性（或顯著變化）5.標準化（或歸一化）6.KEGG7.主要差異（或變異格局）8.lncRNA（或長鏈非編碼RNA）；miRNA（或微小RNA）三、簡答題1.簡述RNA-Seq數據分析中，從原始測序文件（FASTQ格式）到生成表達量計數矩陣（如DESeq2所需的countmatrix）的主要步驟。解析：主要步驟包括：1)質量控制：使用FastQC等工具評估原始FASTQ文件質量，并進行過濾去除低質量讀長、接頭序列等。2)比對：使用HISAT2、STAR等工具將清理后的讀長比對到參考基因組或轉錄組注釋文件。3)定量：使用featureCounts、featureCounts2（DESeq2配套）或Salmon、Kallisto等工具根據比對結果計算每個基因或轉錄本在各個樣本中的讀長計數（rawcounts）。4)標準化與差異分析：將原始計數數據導入DESeq2等分析包，進行標準化（如TPM、FPKM或DESeq2內部的sizefactor），然后進行差異表達分析，最終得到各基因的表達量計數矩陣。2.解釋什么是“假發(fā)現(xiàn)率”（FDR），為什么在進行多重假設檢驗時需要控制FDR？解析：假發(fā)現(xiàn)率（FDR）是指在所有被判定為顯著（例如，p-value小于某個閾值）的假設中，實際上不成立（即錯誤拒絕零假設）的假設所占的比例。進行多重假設檢驗時，例如在差異表達分析中同時測試成千上萬個基因，即使原假設（基因表達無差異）為真，僅憑隨機性也可能導致部分基因的p-value低于閾值而被錯誤判定為差異表達。FDR提供了一個控制這類錯誤發(fā)現(xiàn)數量的方法，它通常低于或等于錯誤發(fā)現(xiàn)率（EER），表示最多有FDR比例的顯著結果實際上是假陽性?？刂艶DR可以更可靠地識別真正的差異表達基因。3.描述使用DESeq2進行差異表達基因分析的基本流程，包括關鍵R包的加載和核心函數的調用。解析：基本流程如下：1)加載R包：加載DESeq2包及其他必要包，如ggplot2用于繪圖。```Rlibrary(DESeq2)```2)讀取計數數據：將各樣本的基因表達計數矩陣（通常為矩陣格式，行代表基因，列代表樣本）讀入R。```RcountData<-read.table("path/to/counts/file",header=TRUE,s=1)```3)創(chuàng)建DESeq2對象：使用`DESeq`函數將計數數據轉換為DESeq對象，此對象包含了樣本信息、基因長度等元數據。```Rdesign<-~condition#定義設計矩陣，這里假設有condition因子dds<-DESeq(countData,design=design)```4)計算標準化因子：DESeq2會根據模型和計數數據自動計算每個樣本的標準化因子。```R#可選：進行模型擬合results<-results(dds)```5)獲取結果：使用`results`函數獲取差異表達分析結果，包含基因的log2FoldChange和p-value/FDR信息。```Rhead(results)```4.簡述RNA-Seq數據在疾病研究中可能的應用方向，并舉例說明。解析：RNA-Seq數據在疾病研究中有廣泛應用：1)疾病診斷與分型：通過分析來自不同疾病狀態(tài)或亞型的樣本的轉錄組特征，識別特異性表達基因或分子標志物，用于疾病早期診斷或亞型劃分。例如，分析腫瘤樣本，發(fā)現(xiàn)一組基因表達譜可以區(qū)分不同分期的肺癌。2)疾病機制探索：比較疾病組與對照組的轉錄組差異，鑒定在疾病發(fā)生發(fā)展中起關鍵作用的基因或通路。例如，發(fā)現(xiàn)某個信號通路在心血管疾病樣本中顯著上調。3)藥物研發(fā)與作用機制研究：篩選藥物靶點，評估藥物對細胞轉錄組的影響，揭示藥物作用或耐藥的分子機制。例如，分析藥物處理后癌細胞與正常細胞的RNA-Seq數據，找到藥物影響的關鍵基因。4)免疫相關研究：分析疾病微環(huán)境（如腫瘤微環(huán)境）中免疫細胞的轉錄組特征，研究免疫細胞在疾病進展中的作用及與疾病預后的關系。例如，鑒定腫瘤相關巨噬細胞（TAM）的基因表達譜，理解其促進腫瘤生長的機制。四、論述題1.比較基于模型的方法（如DESeq2,edgeR）和非模型方法（如limma）在進行RNA-Seq差異表達分析時的主要異同點，并討論選擇哪種方法可能取決于哪些因素。解析：基于模型的方法（DESeq2,edgeR）和非模型方法（limma）在RNA-Seq差異表達分析中的異同點及選擇因素：相同點：1)都旨在通過統(tǒng)計檢驗來識別在不同條件下表達水平存在顯著差異的基因。2)都需要對原始計數數據進行某種形式的標準化以消除技術噪音和測序深度差異的影響（DESeq2內部處理，limma需顯式調用）。3)都能提供差異表達基因的統(tǒng)計顯著性度量（p-value/FDR）和表達差異幅度（FoldChange）。不同點：1)模型假設：基于模型的方法（DESeq2,edgeR）假設基因表達計數數據服從特定的概率分布（如負二項分布），并基于此模型進行推斷。非模型方法（limma）則通常將計數數據轉換為離散的計數矩陣，然后將其視為“類基因表達譜”，應用類似微陣列的線性模型進行方差分析。2)計數處理：DESeq2和edgeR直接處理原始計數，內部進行過擬合校正。limma通常先將計數轉換為估計的均數（如FPKM/TPM），再進行方差分析，更接近傳統(tǒng)微陣列分析方法。3)靈活性：limma基于線性模型，在處理非平衡設計、缺失值、或需要考慮復雜實驗設計時可能更具靈活性。DESeq2和edgeR在RNA-Seq特定方面（如離散數據、過擬合）有優(yōu)化。選擇因素：選擇哪種方法取決于多種因素：1)數據特點：對于高深度、稀疏度高的RNA-Seq數據，基于模型的方法通常表現(xiàn)良好。2)實驗設計：復雜的實驗設計（如有缺失值、非平衡組）可能需要考慮limma的靈活性。3)分析目標：如果需要將RNA-Seq結果與微陣列結果整合，limma可能更兼容。4)用戶熟悉度：熟悉特定方法的統(tǒng)計原理和實現(xiàn)細節(jié)。通常，DESeq2和edgeR因其針對RNA-Seq的優(yōu)化而被廣泛使用，而limma因其通用性和靈活性也是重要選擇。2.論述在進行轉錄組數據分析解讀結果時，需要考慮哪些潛在的生物學和技術因素可能會影響結果的可靠性？如何盡量減少這些因素的影響？解析：轉錄組數據分析結果的可靠性受多種潛在生物學和技術因素的影響：生物學因素：1)樣本異質性：同一個體或同一處理條件下的樣本可能存在個體差異，如年齡、性別、批次效應等，引入噪聲。減少方法：增加樣本量、嚴格統(tǒng)一的實驗操作、設計對照樣本、