2025年大學《信息與計算科學》專業(yè)題庫——信息科學與生物科學的交叉領(lǐng)域考試時間：______分鐘總分：______分姓名：______一、簡述生物信息學誕生的背景及其作為交叉學科的重要意義。二、解釋什么是DNA序列，并說明DNA序列中堿基'A'、'T'、'C'、'G'分別代表什么。三、什么是序列比對？簡述全局序列比對和局部序列比對的主要區(qū)別，并各舉一個簡單的應用實例。四、介紹常用的生物大分子數(shù)據(jù)庫至少三種，并說明它們各自的主要收錄內(nèi)容和特點。五、描述K-means聚類算法的基本思想，并簡要說明其在基因表達數(shù)據(jù)分析中可能的應用場景。六、簡述Sanger測序技術(shù)的原理。它與早期的一種測序技術(shù)（如Maxam-Gilbert法）相比，主要優(yōu)點是什么？七、基因組和蛋白質(zhì)組數(shù)據(jù)通常具有高維度、稀疏性的特點。請解釋這兩個術(shù)語的含義，并說明在使用這些數(shù)據(jù)進行分析時可能遇到的主要挑戰(zhàn)。八、解釋什么是主成分分析（PCA）。在生物信息學中，為什么要使用PCA？請?zhí)峁┮粋€使用PCA的例子。九、機器學習在生物信息學中有哪些典型的應用？請列舉至少三個不同的應用領(lǐng)域，并簡要說明其目的。十、假設(shè)你獲得了一組來自不同實驗條件下的基因表達數(shù)據(jù)（矩陣形式），請列出你將采取的步驟來分析這組數(shù)據(jù)，并說明每一步的目的。你的分析過程應至少包含數(shù)據(jù)預處理、維度降低和聚類分析三個環(huán)節(jié)。十一、簡要說明生物信息學研究中數(shù)據(jù)隱私和算法偏見可能帶來的倫理挑戰(zhàn)。試卷答案一、生物信息學是隨著生物數(shù)據(jù)的快速增長和計算機技術(shù)的發(fā)展而誕生的交叉學科。它利用計算機科學和統(tǒng)計學的方法，開發(fā)軟件工具和算法，以獲取、存儲、分析和管理生物數(shù)據(jù)，特別是基因組、蛋白質(zhì)組等大尺度生物數(shù)據(jù)。其重要意義在于：解決了生物數(shù)據(jù)爆炸式增長帶來的挑戰(zhàn)；揭示了生命現(xiàn)象背后的分子機制；推動了藥物研發(fā)、疾病診斷和治療方案的個性化；促進了生物學研究的范式轉(zhuǎn)變，使大規(guī)模、系統(tǒng)化的研究成為可能。二、DNA序列是由四種脫氧核苷酸（A,T,C,G）按照特定順序連接而成的長鏈分子，是存儲遺傳信息的載體。其中，'A'代表腺嘌呤（Adenine），'T'代表胸腺嘧啶（Thymine），'C'代表胞嘧啶（Cytosine），'G'代表鳥嘌呤（Guanine）。在DNA雙螺旋結(jié)構(gòu)中，A與T配對，C與G配對。三、序列比對是指將兩個或多個生物序列（如DNA、RNA或蛋白質(zhì)序列）通過某種算法進行排列，使得相似的區(qū)域（通常是功能或結(jié)構(gòu)上相關(guān)的部分）盡可能對齊，從而發(fā)現(xiàn)序列之間的相似性和差異。全局序列比對旨在將整個序列進行完整對齊，無論序列長度如何，常用于尋找兩個完整基因或蛋白質(zhì)之間的整體相似性。局部序列比對則只尋找序列中相似度最高的區(qū)域，并對其對齊，常用于尋找基因家族成員或蛋白質(zhì)功能域。應用實例：全局比對可用于比較兩個完整基因的序列，以推斷它們的功能關(guān)系或進化關(guān)系；局部比對可用于在大量基因序列數(shù)據(jù)庫中尋找與已知基因具有相似結(jié)構(gòu)域的基因。四、生物大分子數(shù)據(jù)庫是存儲生物大分子（DNA、RNA、蛋白質(zhì)）結(jié)構(gòu)和序列信息的計算機數(shù)據(jù)庫。常見的有：1.NCBI(NationalCenterforBiotechnologyInformation)的GenBank：美國主要的綜合性生物序列數(shù)據(jù)庫，收錄了大量的DNA和蛋白質(zhì)序列、基因注釋信息等。2.EMBL-EBI(EuropeanMolecularBiologyLaboratory-EuropeanBioinformaticsInstitute)的EMBLDatabase：歐洲主要的生物序列數(shù)據(jù)庫，與GenBank和DDBJ共享數(shù)據(jù)。3.DDBJ(DNADataBankofJapan)：日本主要的生物序列數(shù)據(jù)庫，也是三大國際基因序列數(shù)據(jù)庫之一。特點：這些數(shù)據(jù)庫通常具有數(shù)據(jù)量大、更新快、檢索功能強大等特點，并提供多種在線工具和服務，方便研究人員獲取和利用生物數(shù)據(jù)。五、K-means聚類算法的基本思想是將數(shù)據(jù)集劃分為預先設(shè)定的K個簇（Cluster），使得每個數(shù)據(jù)點都屬于與其最近的簇中心（質(zhì)心）對應的簇。算法迭代進行以下兩步：1）分配：將每個數(shù)據(jù)點分配給距離其最近的簇中心，形成K個簇。2）更新：計算每個新簇中所有數(shù)據(jù)點的均值（或中位數(shù)），將簇中心移動到該均值位置。迭代直到簇中心位置不再發(fā)生顯著變化或達到預設(shè)的迭代次數(shù)。在基因表達數(shù)據(jù)分析中，K-means可以用于將具有相似表達模式（基因在不同條件下表達水平的變化趨勢相似）的基因聚類在一起，從而發(fā)現(xiàn)不同實驗條件下活躍的基因組學調(diào)控模塊或識別不同的細胞亞群。六、Sanger測序技術(shù)（鏈終止法測序）的原理是利用帶有放射性同位素或熒光標記的脫氧三磷酸核苷酸（dNTPs）作為終止子，在DNA聚合酶作用下合成互補鏈。在延伸過程中，當DNA聚合酶隨機遇到dNTP或終止子時，合成會停止。通過合成一系列長度不同、終止于不同堿基位置的片段，然后將這些片段按長度進行凝膠電泳分離，根據(jù)放射性或熒光信號可以讀出每個片段末端的堿基序列，從而重建原始DNA片段的全長序列。與Maxam-Gilbert法相比，Sanger測序的主要優(yōu)點是速度快、成本相對較低、自動化程度高、準確率較好，因此成為目前主流的測序技術(shù)。七、基因組數(shù)據(jù)是指一個生物體全部遺傳信息的集合，通常以DNA序列的形式存在，數(shù)據(jù)量巨大。蛋白質(zhì)組數(shù)據(jù)是指一個生物體在特定時間、特定條件下所有蛋白質(zhì)分子的集合，包括表達量、修飾狀態(tài)等，通常通過質(zhì)譜等技術(shù)獲取，數(shù)據(jù)維度（種類）極高，但每種蛋白質(zhì)的絕對數(shù)量可能相對稀疏。高維度指數(shù)據(jù)矩陣中特征（如基因或蛋白質(zhì)）的數(shù)量遠多于樣本（如實驗條件或個體）的數(shù)量。稀疏性指在蛋白質(zhì)組數(shù)據(jù)中，許多蛋白質(zhì)的表達量非常低，矩陣中非零元素很少。主要挑戰(zhàn)包括：數(shù)據(jù)預處理（如噪聲過濾、歸一化）復雜；如何從海量數(shù)據(jù)中提取有效信息，發(fā)現(xiàn)潛在的生物學規(guī)律；計算資源需求巨大；如何建立可靠的模式識別模型等。八、主成分分析（PCA）是一種降維統(tǒng)計方法，旨在將多個相關(guān)的變量（特征）轉(zhuǎn)換為一組線性不相關(guān)的變量（主成分），這些主成分按照方差大小排序，第一個主成分解釋了數(shù)據(jù)最大方差的份額，第二個解釋次大方差，依此類推。在生物信息學中，由于基因表達數(shù)據(jù)、蛋白質(zhì)組數(shù)據(jù)等通常具有高維度和多重共線性，PCA被廣泛用于：1）降維：減少數(shù)據(jù)特征數(shù)量，去除冗余信息，突出主要變異方向。2）可視化：將高維數(shù)據(jù)投影到二維或三維空間進行直觀展示，幫助理解數(shù)據(jù)結(jié)構(gòu)和樣本間的關(guān)系。例如，在腫瘤研究中，PCA可以將患者的基因表達譜數(shù)據(jù)降維，并可視化地展示不同腫瘤亞型或患者預后分組。九、機器學習在生物信息學中有許多典型應用，例如：1.疾病診斷與預測：利用患者的基因表達數(shù)據(jù)、臨床特征等訓練機器學習模型，預測患者患某種疾病的風險或?qū)δ撤N治療的反應。2.藥物發(fā)現(xiàn)與設(shè)計：利用機器學習模型預測化合物的生物活性、毒性等，加速新藥的篩選和設(shè)計過程。例如，使用深度學習模型預測藥物靶點結(jié)合親和力。3.蛋白質(zhì)結(jié)構(gòu)預測：利用深度學習模型（如AlphaFold）根據(jù)蛋白質(zhì)序列預測其三維結(jié)構(gòu)，對理解蛋白質(zhì)功能和藥物設(shè)計有重大意義。4.基因功能注釋：利用機器學習分析基因表達數(shù)據(jù)、蛋白質(zhì)相互作用網(wǎng)絡等，預測基因的功能。5.生物序列分析：使用機器學習識別基因序列中的調(diào)控元件、預測蛋白質(zhì)結(jié)構(gòu)域、識別蛋白質(zhì)亞細胞定位等。十、分析一組基因表達數(shù)據(jù)的步驟：1.數(shù)據(jù)預處理：首先對原始表達矩陣進行標準化處理（如Log轉(zhuǎn)換、Z-score標準化等），以消除不同實驗條件或平臺帶來的系統(tǒng)性差異，并過濾掉表達量極低的基因（通常設(shè)定閾值），以減少噪聲干擾。2.維度降低：由于基因表達數(shù)據(jù)通常維度很高（基因數(shù)量遠大于樣本數(shù)量），且存在多重共線性，可以使用主成分分析（PCA）或t-SNE等降維技術(shù)。PCA可以提取數(shù)據(jù)的主要變異方向，t-SNE可以將高維數(shù)據(jù)投影到低維空間進行可視化，幫助識別樣本的聚類結(jié)構(gòu)。3.聚類分析：對預處理后的基因表達數(shù)據(jù)或經(jīng)過降維后的數(shù)據(jù)，使用聚類算法（如K-means、層次聚類、基于模型的方法如譜聚類）將具有相似表達模式的基因或樣本分組。例如，可以將表達模式相似的基因聚類在一起，識別出在同一生物學過程中共表達的基因集。4.差異表達分析：對不同組別（如正常與疾病組）的基因表達水平進行比較，識別在特定條件下顯著上調(diào)或下調(diào)的基因。常用的方法有t-test、ANOVA、FoldChange等。5.功能富集分析：對差異表達基因集進行功能注釋和富集分析（如GO富集分析、KEGG通路分析），以推斷這些基因可能參與的生物學過程、通路或功能。十一、生物信息學研究中可能存在的倫理挑戰(zhàn)包括：1.數(shù)據(jù)隱私：基因組等生物特征數(shù)據(jù)高度個人化且敏感，其收集、存儲、共享和使用可能侵犯個人隱私。需要建立嚴格的數(shù)據(jù)訪問控制、匿名化處理和數(shù)據(jù)安全機制，并明確告知數(shù)據(jù)提供者其權(quán)利和風險。2.算法偏見：機器學習模型的性能可能受到訓練數(shù)據(jù)分布偏差的影響。如果訓練數(shù)據(jù)主要來自特定人群（如種族、性別），模型在應用于其他人群時可能表現(xiàn)不佳，導致診斷或治療結(jié)果的不公平性。需要確保訓練數(shù)據(jù)的多樣性，并對模型進行公平性評估和修正。3.責任歸屬：當基于生物信息學分析結(jié)果做出的醫(yī)療診斷或