2025年大學《神經(jīng)科學》專業(yè)題庫——神經(jīng)科學的生物信息學分析考試時間：______分鐘總分：______分姓名：______一、選擇題（每題2分，共20分。請將正確選項的首字母填入括號內(nèi)）1.以下哪個數(shù)據(jù)庫主要收錄人類大腦的神經(jīng)元三維結構數(shù)據(jù)？(A)GenBank(B)PubMed(C)NeuroMorpho(D)PDB2.在fMRI數(shù)據(jù)分析中，常用的空間標準化方法是將個體腦圖像注冊到哪個標準空間？(A)MNI(MontrealNeurologicalInstitute)(B)MRI(C)PET(D)fMRI3.單細胞RNA測序（scRNA-seq）技術能夠實現(xiàn)的主要目標是？(A)測量整個基因組DNA序列(B)測量特定基因的DNA拷貝數(shù)(C)測量單個細胞群體的整體基因表達譜(D)測量單個細胞的全長RNA序列4.以下哪種生物信息學分析方法通常用于探索基因表達數(shù)據(jù)中富集的生物學通路或功能？(A)主成分分析（PCA）(B)基因集富集分析（GSEA）(C)K-means聚類(D)卷積神經(jīng)網(wǎng)絡（CNN）5.神經(jīng)影像學中的“連接組”通常指的是？(A)腦部血管網(wǎng)絡(B)腦區(qū)之間的功能或結構連接(C)單個腦區(qū)的神經(jīng)遞質系統(tǒng)(D)大腦皮層厚度圖譜6.在使用機器學習進行阿爾茨海默病診斷時，從患者大腦中提取哪些特征最可能作為輸入？(A)血液生化指標(B)腦脊液蛋白水平(C)PET掃描中的Amyloid-β或Tau蛋白信號(D)患者年齡和性別7.神經(jīng)元形態(tài)學分析中，“樹突棘”通常被認為是？(A)神經(jīng)元細胞核(B)接收信息的主要區(qū)域(C)神經(jīng)元軸突末梢(D)神經(jīng)元之間的突觸連接8.對大規(guī)?；虮磉_數(shù)據(jù)進行降維的主要目的是？(A)增加數(shù)據(jù)量(B)減少數(shù)據(jù)維度，保留主要變異信息(C)對原始數(shù)據(jù)進行加密(D)直接進行分類預測9.以下哪個工具或庫通常用于進行神經(jīng)科學數(shù)據(jù)的可視化和處理？(A)TensorFlow(B)Keras(C)Neuroml(D)Scikit-learn10.生物信息學在神經(jīng)科學研究中面臨的主要挑戰(zhàn)之一是？(A)數(shù)據(jù)量過于龐大(B)缺乏足夠的計算資源(C)難以將計算結果轉化為生物學解釋(D)軟件安裝過于復雜二、填空題（每空1分，共15分。請將答案填入橫線處）1.fMRI測量的是大腦中變化的______信號，它通常與神經(jīng)活動的______變化相關。2.單細胞測序技術的發(fā)展使得我們能夠研究______水平的基因表達異質性。3.神經(jīng)元形態(tài)學分析中，常用的軟件包括______和______。4.功能性連接指的是不同腦區(qū)之間通過______在功能上的同步性變化。5.在生物信息學分析流程中，數(shù)據(jù)______是確保后續(xù)分析結果可靠性的關鍵步驟。6.機器學習模型需要通過______過程來避免過度擬合訓練數(shù)據(jù)。7.神經(jīng)科學領域常用的公共基因表達數(shù)據(jù)庫有______和______。8.神經(jīng)影像學數(shù)據(jù)處理中，______是指將不同掃描時間點或不同被試的腦圖像對齊到一起。9.對神經(jīng)元電生理信號進行特征提取時，常用的參數(shù)包括______、______和鋒電位幅值等。三、簡答題（每題5分，共20分。請簡要回答下列問題）1.簡述從原始fMRI數(shù)據(jù)到提取腦區(qū)激活圖的基本處理流程。2.解釋什么是單細胞測序，并簡述其在研究神經(jīng)發(fā)育中的作用。3.描述神經(jīng)元形態(tài)學分析中，至少三種可以測量的關鍵參數(shù)及其生物學意義。4.簡述生物信息學方法在研究神經(jīng)退行性疾?。ㄈ绨柎暮Ｄ。┲械闹饕獞梅较颉Ｋ?、論述題（每題10分，共30分。請結合實例或具體分析，深入闡述下列問題）1.論述如何利用生物信息學方法分析單細胞RNA測序（scRNA-seq）數(shù)據(jù)來研究神經(jīng)環(huán)路構建或功能調(diào)控。請說明涉及的關鍵步驟和可能使用的技術。2.結合具體的神經(jīng)科學問題（如情緒、學習記憶等），論述腦連接組分析（結構或功能）的原理及其在研究中的價值。3.設計一個利用生物信息學工具分析大規(guī)模電生理記錄數(shù)據(jù)的方案。例如，假設你獲得了大量小鼠皮層神經(jīng)元的單細胞膜電位記錄，請描述你將如何進行數(shù)據(jù)處理、特征提取、分析以及可視化，并說明選擇這些方法的理由。試卷答案一、選擇題1.(C)2.(A)3.(C)4.(B)5.(B)6.(C)7.(B)8.(B)9.(C)10.(C)二、填空題1.血氧水平依賴，血流量2.單個細胞3.Neuroml,NMODL4.血氧水平依賴（或fMRI信號）5.質控6.驗證（或交叉驗證）7.GEO,SRA8.配準9.膜電位，輸入電阻，輸出電流三、簡答題1.解析思路：首先要明確fMRI數(shù)據(jù)的噪聲和偽影來源（頭動、生理信號等）。然后按照標準流程回答：數(shù)據(jù)預處理（去除偽影，如頭動校正、回歸去除心跳呼吸信號等）、空間標準化（將個體腦圖對齊到標準模板如MNI）、平滑（提高信噪比）、空間配準（如果有多模態(tài)數(shù)據(jù)或不同時間點數(shù)據(jù)）、統(tǒng)計分析（如t檢驗、相關分析、GLM模型構建等）以及結果的可視化（如生成激活圖、連接圖）。每個步驟都需要簡要說明其目的。2.解析思路：定義單細胞測序（scRNA-seq）是能在單細胞水平測量基因表達的技術。然后闡述其核心優(yōu)勢——解析細胞異質性，特別是在神經(jīng)科學中，可以識別不同類型的神經(jīng)元、神經(jīng)膠質細胞、祖細胞等，追蹤細胞命運決定和發(fā)育過程?？梢耘e例說明，如通過scRNA-seq比較不同腦區(qū)或發(fā)育階段的神經(jīng)元標記物表達，揭示神經(jīng)環(huán)路的形成機制。3.解析思路：列舉至少三種標準形態(tài)學參數(shù)：軸突長度、樹突長度/分支點數(shù)、樹突棘密度/數(shù)量。對每個參數(shù)，簡要解釋其測量方法（通常由神經(jīng)元骨架重建軟件自動計算），并說明其在生物學上的意義。例如，軸突長度可能反映神經(jīng)元連接范圍，樹突分支和棘密度可能與信息接收和處理能力相關。4.解析思路：生物信息學在神經(jīng)退行性疾病研究中應用廣泛?？梢詮臄?shù)據(jù)層面（如分析疾病相關基因表達譜變化）、影像層面（如通過fMRI或PET分析大腦結構或代謝改變）、計算層面（如構建疾病模型、預測藥物靶點）等方面展開。強調(diào)如何利用生物信息學整合多組學數(shù)據(jù)，揭示疾病機制，輔助診斷或尋找治療策略。四、論述題1.解析思路：*概述：首先說明scRNA-seq如何提供單細胞分辨率的空間（或來源）特異性基因表達信息，這對于理解復雜的神經(jīng)回路至關重要。*關鍵步驟：*數(shù)據(jù)預處理（質控、過濾、歸一化、對齊）。*降維（如PCA、t-SNE、UMAP），可視化細胞群體分布，識別主要細胞類型。*聚類分析，定義細胞亞群。*差異表達分析，比較不同細胞類型或狀態(tài)（如發(fā)育階段、疾病狀態(tài)）的基因表達譜。*通路富集分析，理解細胞亞群的功能特性。*關聯(lián)分析，探索不同細胞類型間的相互作用或空間關系（如果結合空間信息）。*實例：可以舉例說明，如在皮層樣本中，通過scRNA-seq分析發(fā)現(xiàn)特定類型的中間神經(jīng)元亞群在學習和記憶任務中表達模式發(fā)生變化，或者在不同疾病模型中，某些膠質細胞亞群（如小膠質細胞）的激活狀態(tài)與神經(jīng)炎癥相關。*總結：強調(diào)生物信息學方法鏈在解析單細胞水平神經(jīng)生物學過程中的核心作用，如何從高維數(shù)據(jù)中提取生物學意義。2.解析思路：*概述：解釋連接組是指大腦不同區(qū)域間的結構或功能連接網(wǎng)絡。連接組分析旨在揭示這些網(wǎng)絡的拓撲結構、動態(tài)變化及其與認知功能、腦疾病的關系。*結構連接組：描述其基于DTI（彌散張量成像）等技術測量白質纖維束的連通性。解釋如何構建腦區(qū)間的連接矩陣或網(wǎng)絡圖，分析網(wǎng)絡參數(shù)（如節(jié)點度、聚類系數(shù)、模塊化）。闡述其應用，如在研究中風后康復、神經(jīng)發(fā)育異常（如自閉癥）時，分析白質損傷或異常對連接網(wǎng)絡的影響。*功能連接組：解釋其基于fMRI等測量腦區(qū)活動同步性的方法（如相關性分析、格蘭杰因果分析）。描述如何構建功能連接矩陣或網(wǎng)絡。闡述其應用，如在研究注意、記憶等認知功能時，分析不同腦區(qū)（如默認模式網(wǎng)絡、突顯網(wǎng)絡）的功能連接模式及其變化。*結合實例：可以提及一些經(jīng)典研究，如利用功能連接組識別出與特定任務相關的腦網(wǎng)絡，或結構連接組研究揭示個體差異與認知能力的關系。*價值與挑戰(zhàn)：總結連接組分析為理解大腦整體運作提供了新視角，但也面臨數(shù)據(jù)整合、網(wǎng)絡解釋等挑戰(zhàn)。3.解析思路：*概述：明確目標——分析大規(guī)模電生理記錄數(shù)據(jù)（假設為單細胞膜電位）。強調(diào)需要結合信號處理、統(tǒng)計分析、機器學習等方法。*方案設計：*數(shù)據(jù)預處理：包括去噪（如帶通濾波、獨立成分分析去除偽跡）、數(shù)據(jù)對齊（如果有多通道或時間序列）、采樣率調(diào)整。*特征提?。哼@是關鍵步驟。需要定義并計算能反映神經(jīng)元電生理特性的特征。例如：*膜電位波動特征：如平均膜電位、自相關函數(shù)、尖峰頻率、鋒電位幅度、閾值crossings等。*單位檢測：區(qū)分有意義的神經(jīng)元信號和噪聲/偽跡。*（如果適用）同步性分析：計算單位間或通道間的spiketrain相關性。*數(shù)據(jù)分析：*統(tǒng)計分析：比較不同實驗組（如不同處理、不同腦區(qū)）的膜電位或特征分布差異（t檢驗、ANOVA）。*機器學習：如果目標是分類（如識別不同狀態(tài)）或預測（如預測行為），可以訓練分類器（如SVM、隨機森林、神經(jīng)網(wǎng)絡）或回歸模型。需要劃分訓練集和測試集進行驗證。*可視化：使用圖表展示特征分布、分類結果、預測準確性等。例如，繪制膜電位特征直方圖、箱線圖，或混淆矩陣。*工具選擇：提及可能使用的編程語言（Python