2025年大學《生物信息學》專業(yè)題庫——免疫療效預測與生物信息學策略考試時間：______分鐘總分：______分姓名：______一、選擇題（每題2分，共20分。請將正確選項字母填入括號內(nèi)）1.在免疫療效預測中，以下哪一項通常被視為反映抗腫瘤免疫應答強度的直接指標？A.腫瘤細胞的總數(shù)B.外周血中CD8+T細胞的絕對計數(shù)C.血清中某非特異性炎癥因子的濃度D.腫瘤組織中的血管密度2.以下哪種數(shù)據(jù)庫最常用于獲取和下載大規(guī)模癌癥患者的基因表達譜數(shù)據(jù)和臨床信息？A.UniProtB.PDBC.NCBISRAD.TCGA3.在處理高通量測序數(shù)據(jù)時，去除低質(zhì)量讀段（QualityControl,QC）是哪個步驟的關(guān)鍵環(huán)節(jié)？A.數(shù)據(jù)標準化B.數(shù)據(jù)歸一化C.數(shù)據(jù)過濾與質(zhì)量控制D.降維分析4.下列哪種算法通常不適用于處理生物信息學中的分類或回歸問題，尤其是在免疫療效預測模型構(gòu)建中？A.支持向量機（SVM）B.K-近鄰（KNN）C.主成分分析（PCA）D.隨機森林（RandomForest）5.scRNA-seq數(shù)據(jù)常被用于分析什么？A.腫瘤微環(huán)境中的免疫細胞亞群B.整體腫瘤組織的基因表達模式C.血清中的蛋白質(zhì)組學變化D.某種特定基因在所有細胞中的平均表達水平6.評估一個免疫療效預測模型性能的常用指標是？A.數(shù)據(jù)庫的大小B.特征變量的數(shù)量C.AUC（ROC曲線下面積）D.模型訓練所用的計算時間7.CITE-seq技術(shù)主要用于解決什么問題？A.測量基因組中的SNP位點B.同時檢測細胞表面和細胞內(nèi)蛋白質(zhì)C.分析單個核糖體的轉(zhuǎn)錄起始位點D.測量細胞外囊泡的RNA含量8.在設計一個基于多組學數(shù)據(jù)的免疫療效預測策略時，以下哪項考慮最為關(guān)鍵？A.使用盡可能多的測序平臺B.確保不同組學數(shù)據(jù)在生物學意義和實驗條件上的可比性C.選擇最復雜的統(tǒng)計模型D.確保所有樣本都具有相同的腫瘤分期9.以下哪個概念描述的是通過生物信息學方法，利用基因組、轉(zhuǎn)錄組、蛋白質(zhì)組等多維度數(shù)據(jù)來推斷個體對特定治療（尤其是免疫治療）反應的可能性？A.藥物基因組學B.精準醫(yī)療C.生物標志物發(fā)現(xiàn)D.系統(tǒng)生物學10.使用機器學習模型進行免疫療效預測時，過擬合（Overfitting）指的是什么？A.模型在訓練數(shù)據(jù)上表現(xiàn)極好，但在未見過的新數(shù)據(jù)上表現(xiàn)差B.模型在訓練數(shù)據(jù)上表現(xiàn)一般，但在未見過的新數(shù)據(jù)上表現(xiàn)好C.模型無法找到數(shù)據(jù)中的任何模式D.模型訓練速度非常慢二、簡答題（每題5分，共25分。請簡要回答下列問題）1.簡述免疫檢查點抑制劑療效預測中，一個典型的生物信息學分析流程包含哪些主要步驟。2.解釋什么是“腫瘤免疫原性”，并簡述生物信息學如何用于評估腫瘤細胞的免疫原性。3.描述在整合多組學數(shù)據(jù)（如轉(zhuǎn)錄組和免疫組學）進行免疫療效預測時，數(shù)據(jù)整合面臨的主要挑戰(zhàn)是什么？4.簡要說明機器學習模型中的“交叉驗證”（Cross-Validation）是用來解決什么問題的？5.列舉至少三種在免疫療效預測研究中可以使用的公共數(shù)據(jù)庫，并說明其至少一個主要用途。三、論述題（每題15分，共30分。請結(jié)合所學知識，詳細闡述下列問題）1.論述利用生物信息學策略預測免疫檢查點抑制劑（如PD-1/PD-L1抑制劑）療效的主要方法和面臨的挑戰(zhàn)。2.假設你正在設計一個研究項目，旨在利用生物信息學方法發(fā)現(xiàn)能夠預測PD-1/PD-L1抑制劑療效的新的生物標志物組合。請詳細描述你的研究策略，包括數(shù)據(jù)來源選擇、樣本分組、生物標志物篩選方法、模型構(gòu)建與驗證步驟等。四、案例分析題（15分）某研究團隊發(fā)表了一篇論文，聲稱通過分析晚期非小細胞肺癌（NSCLC）患者的腫瘤組織轉(zhuǎn)錄組數(shù)據(jù)，構(gòu)建了一個包含5個基因的表達模式，能夠以85%的準確率預測患者對PD-1抑制劑治療的反應。他們使用的是TCGA數(shù)據(jù)庫中的公開數(shù)據(jù)，并采用了邏輯回歸模型進行預測。請分析該研究聲稱的預測模型可能存在的局限性或需要進一步驗證的關(guān)鍵點。試卷答案一、選擇題（每題2分，共20分。請將正確選項字母填入括號內(nèi)）1.B*解析思路：CD8+T細胞是效應性T細胞的主要組成部分，其數(shù)量和活性直接關(guān)系到抗腫瘤免疫應答的強度，因此常作為療效預測指標。A選項與免疫應答無直接關(guān)系。C選項是非特異性的。D選項與免疫療效預測關(guān)系不大。2.D*解析思路：TCGA（TheCancerGenomeAtlas）是大型癌癥基因組圖譜項目，提供了大量癌癥患者的基因組和臨床信息，包括基因表達譜，是進行癌癥研究的重要數(shù)據(jù)庫。A選項是蛋白質(zhì)序列數(shù)據(jù)庫。B選項是蛋白質(zhì)結(jié)構(gòu)數(shù)據(jù)庫。C選項是高通量測序數(shù)據(jù)存儲庫。3.C*解析思路：數(shù)據(jù)過濾與質(zhì)量控制是確保后續(xù)分析數(shù)據(jù)質(zhì)量的第一步，目的是去除由于實驗誤差或測序質(zhì)量不佳而產(chǎn)生的低質(zhì)量讀段，保證分析結(jié)果的可靠性。4.C*解析思路：PCA（PrincipalComponentAnalysis）是一種降維技術(shù)，用于揭示數(shù)據(jù)主要變異方向，但不能直接用于分類或回歸預測。A、B、D都是常用的分類或回歸算法。5.A*解析思路：scRNA-seq（Single-cellRNAsequencing）技術(shù)可以解析單個細胞的基因表達譜，因此非常適合用于研究腫瘤微環(huán)境中不同類型的免疫細胞（如CD8+T細胞、NK細胞、巨噬細胞等）的亞群分布和功能狀態(tài)。6.C*解析思路：AUC（AreaUndertheReceiverOperatingCharacteristicCurve）是評價分類模型（特別是預測準確性）在各個閾值下綜合性能的指標，范圍在0到1之間，值越大表示模型性能越好。7.B*解析思路：CITE-seq（CellularProteinsoftheTumorMicroenvironmentseparatedbyimmunoprecipitationsequencing）技術(shù)結(jié)合了免疫沉淀和測序，能夠同時檢測細胞表面的蛋白質(zhì)標記物和細胞內(nèi)的蛋白質(zhì)表達譜，解決了傳統(tǒng)方法難以同時獲取這兩類信息的難題。8.B*解析思路：多組學數(shù)據(jù)整合的核心在于不同組學技術(shù)（如RNA-seq,Proteomics,ChIP-seq）產(chǎn)生的數(shù)據(jù)和實驗條件可能存在差異，必須確保它們在生物學上的可比性（例如，來自相似細胞類型或狀態(tài)），才能有效整合并提取有意義的生物學信息。9.D*解析思路：系統(tǒng)生物學旨在整合多維度數(shù)據(jù)（基因組、轉(zhuǎn)錄組、蛋白質(zhì)組等）來理解復雜的生物系統(tǒng)。將這種系統(tǒng)生物學方法應用于預測免疫治療療效，正是該定義的體現(xiàn)。10.A*解析思路：過擬合指模型學習到了訓練數(shù)據(jù)中的噪聲和細節(jié)，導致模型在訓練集上表現(xiàn)非常好，但對于未見過的新數(shù)據(jù)泛化能力差，預測性能下降。二、簡答題（每題5分，共25分。請簡要回答下列問題）1.簡述免疫檢查點抑制劑療效預測中，一個典型的生物信息學分析流程包含哪些主要步驟。*答案：主要包括：①數(shù)據(jù)獲取與預處理（從公共數(shù)據(jù)庫或臨床研究收集基因表達、臨床隨訪等數(shù)據(jù)，進行質(zhì)量控制、標準化、缺失值處理）；②生物標志物篩選（利用統(tǒng)計方法或機器學習算法識別與療效相關(guān)的候選基因、蛋白或特征）；③模型構(gòu)建（選擇合適的算法如邏輯回歸、SVM、隨機森林等，構(gòu)建預測模型）；④模型評估（使用交叉驗證等方法評估模型性能，如AUC、準確率、ROC曲線）；⑤特征解釋（分析模型中重要特征的作用）；⑥（可選）模型驗證（在獨立的外部數(shù)據(jù)集上驗證模型預測能力）。2.解釋什么是“腫瘤免疫原性”，并簡述生物信息學如何用于評估腫瘤細胞的免疫原性。*答案：腫瘤免疫原性是指腫瘤細胞能夠被宿主免疫系統(tǒng)（特別是T細胞）識別和殺傷的潛能。生物信息學評估方法通常包括：①識別腫瘤特異性抗原（如通過比較腫瘤與正常組織表達譜差異，或分析MHC-I呈遞的肽段）；②計算腫瘤樣本中MHC-I分子結(jié)合肽的豐度或預測性；③檢測腫瘤相關(guān)抗原（TAA）的免疫反應性（如通過分析T細胞受體庫或抗體應答）；④分析與抗原呈遞和T細胞活化的相關(guān)基因表達模式。3.描述在整合多組學數(shù)據(jù)（如轉(zhuǎn)錄組和免疫組學）進行免疫療效預測時，數(shù)據(jù)整合面臨的主要挑戰(zhàn)是什么？*答案：主要挑戰(zhàn)包括：①數(shù)據(jù)類型和尺度的差異（不同組學技術(shù)測量對象、分辨率、動態(tài)范圍不同）；②實驗條件多樣性（樣本來源、處理方式不同）；③數(shù)據(jù)缺失問題（不同組學數(shù)據(jù)缺失率差異大）；④生物學解釋復雜性（整合后的信號可能對應多個生物學過程）；⑤計算復雜性高（整合算法計算量大）。4.簡要說明機器學習模型中的“交叉驗證”（Cross-Validation）是用來解決什么問題的？*答案：交叉驗證主要用于解決使用有限樣本訓練和評估模型時，模型性能評估的可靠性和偏差問題。它通過將數(shù)據(jù)集分成多個子集，輪流使用部分數(shù)據(jù)作為訓練集，剩余數(shù)據(jù)作為驗證集，多次評估模型性能，從而得到更穩(wěn)定、更可靠的模型性能估計，并有助于選擇合適的模型參數(shù)或避免過擬合。5.列舉至少三種在免疫療效預測研究中可以使用的公共數(shù)據(jù)庫，并說明其至少一個主要用途。*答案：①TCGA（TheCancerGenomeAtlas）：主要用途是提供大量癌癥患者的基因組、轉(zhuǎn)錄組、臨床信息數(shù)據(jù)，用于研究癌癥發(fā)生發(fā)展機制和尋找生物標志物。②GEO（GeneExpressionOmnibus）：主要用途是存儲和共享各種類型的生物信息學實驗數(shù)據(jù)（如基因表達譜），可供研究人員下載用于分析。③ImmPort（ImmuneMonitoringCore）：主要用途是存儲免疫治療（包括腫瘤免疫治療）研究中的臨床試驗數(shù)據(jù)、生物樣本和免疫監(jiān)測結(jié)果，用于療效和生物標志物研究。三、論述題（每題15分，共30分。請結(jié)合所學知識，詳細闡述下列問題）1.論述利用生物信息學策略預測免疫檢查點抑制劑療效的主要方法和面臨的挑戰(zhàn)。*答案：利用生物信息學策略預測免疫檢查點抑制劑（如PD-1/PD-L1抑制劑）療效的主要方法包括：①基于基因組學的方法：分析腫瘤相關(guān)基因突變（如MSI-H、TMB）、PD-L1基因表達或拷貝數(shù)變異等。②基于轉(zhuǎn)錄組學的方法：分析腫瘤免疫微環(huán)境相關(guān)基因（如免疫檢查點基因、效應性T細胞標志物、抑制性細胞標志物）的表達譜，構(gòu)建評分模型（如免疫組學評分IBI/IMPDx）。③基于蛋白質(zhì)組學和免疫組學的方法：分析PD-L1蛋白表達、免疫細胞亞群（通過CITE-seq等）浸潤情況。④基于多組學整合的方法：整合基因、轉(zhuǎn)錄組、表觀遺傳學、蛋白質(zhì)組學等多維度數(shù)據(jù)，構(gòu)建更全面的預測模型。⑤基于機器學習的方法：應用隨機森林、支持向量機、深度學習等算法，從各種數(shù)據(jù)中挖掘復雜的非線性關(guān)系。⑥利用臨床隨訪數(shù)據(jù)構(gòu)建生存分析模型進行預測。面臨的挑戰(zhàn)包括：①數(shù)據(jù)異質(zhì)性和整合難度：不同來源、不同類型的數(shù)據(jù)質(zhì)量和實驗條件差異大，整合困難。②腫瘤異質(zhì)性：腫瘤內(nèi)部和不同患者之間存在高度異質(zhì)性，導致預測困難。③免疫微環(huán)境的復雜性：免疫微環(huán)境動態(tài)變化，包含多種細胞和分子相互作用，難以全面捕捉。④模型泛化能力：在特定數(shù)據(jù)集上構(gòu)建的模型在其他隊列中可能表現(xiàn)不佳。⑤臨床因素整合：將腫瘤分期、治療歷史等重要的臨床信息有效整合到模型中仍有挑戰(zhàn)。⑥缺乏大規(guī)模獨立驗證。2.假設你正在設計一個研究項目，旨在利用生物信息學方法發(fā)現(xiàn)能夠預測PD-1/PD-L1抑制劑療效的新的生物標志物組合。請詳細描述你的研究策略，包括數(shù)據(jù)來源選擇、樣本分組、生物標志物篩選方法、模型構(gòu)建與驗證步驟等。*答案：研究策略如下：*數(shù)據(jù)來源選擇：從公共數(shù)據(jù)庫如TCGA或GEO下載包含腫瘤組織基因表達譜（RNA-seq）、臨床隨訪信息（包括PD-1/PD-L1抑制劑治療響應，如客觀緩解率ORR或無進展生存期PFS）和患者基本特征的樣本數(shù)據(jù)。若數(shù)據(jù)量或質(zhì)量有限，可考慮聯(lián)合多個數(shù)據(jù)庫。同時收集可用的免疫組學數(shù)據(jù)（如免疫細胞浸潤評分）或臨床數(shù)據(jù)（如腫瘤分期、既往治療）。*樣本分組：根據(jù)患者對PD-1/PD-L1抑制劑的治療反應將樣本分為“響應組”和“非響應組”（或使用更嚴格的定義如CR/PRvsPD/SD）。確保兩組在基線臨床特征（如年齡、性別、腫瘤類型、分期）上具有可比性（可通過統(tǒng)計方法調(diào)整）。*生物標志物篩選方法：①數(shù)據(jù)預處理：對RNA-seq數(shù)據(jù)進行標準化和歸一化，過濾低質(zhì)量基因。②特征選擇：使用統(tǒng)計方法（如單因素生存分析識別與生存期或療效顯著相關(guān)的基因）或機器學習方法（如LASSO回歸進行正則化，篩選重要的特征）。③構(gòu)建標志物組合：基于篩選出的單個標志物，或利用聚類、相關(guān)性分析、或基于算法（如隨機森林特征重要性）等方法，識別能夠協(xié)同預測療效的基因組合?？梢詷?gòu)建一個綜合評分（如線性組合或基于機器學習的評分）。*模型構(gòu)建：選擇合適的機器學習分類算法（如隨機森林、支持向量機、梯度提升樹）或生存分析模型（如Cox比例風險模型）來構(gòu)建基于篩選出的生物標志物組合（或評分）的預測模型。模型訓練使用響應組和非響應組的樣本數(shù)據(jù)。*模型驗證：①內(nèi)部驗證：在訓練數(shù)據(jù)集中使用交叉驗證（如10折交叉驗證）評估模型的性能和穩(wěn)定性。②外部驗證：如果可能，使用來自不同數(shù)據(jù)集（如另一個GEO系列或合作研究數(shù)據(jù)）的獨立樣本集驗證模型的預測能力。評估指標包括AUC（ROC曲線下面積）、準確率、敏感性、特異性、校準曲線等。③（可選）探索性分析：分析模型中哪些標志物組合最重要，解釋其潛在的生物學機制。四、案例分析題（15分）某研究團隊發(fā)表了一篇論文，聲稱通過分析晚期非小細胞肺癌（NSCLC）患者的腫瘤組織轉(zhuǎn)錄組數(shù)據(jù)，構(gòu)建了一個包含5個基因的表達模式，能夠以85%的準確率預測患者對PD-1抑制劑治療的反應。他們使用的是TCGA數(shù)據(jù)庫中的公開數(shù)據(jù)，并采用了邏輯回歸模型進行預測。請分析該研究聲稱的預測模型可能存在的局限性或需要進一步驗證的關(guān)鍵點。*答案：該研究聲稱的預測模型可能存在的局限性和需要進一步驗證的關(guān)鍵點包括：1.數(shù)據(jù)來源單一性和時效性：僅使用TCGA數(shù)據(jù)庫的公開數(shù)據(jù)，該數(shù)據(jù)可能存在局限