生物信息技術(shù)基礎(chǔ)課程綱要一、課程定位生物信息技術(shù)基礎(chǔ)是生物科學(xué)、生物技術(shù)、生物信息學(xué)等相關(guān)專業(yè)的核心基礎(chǔ)課程，旨在為學(xué)生搭建“生命科學(xué)問題—信息技術(shù)方法—數(shù)據(jù)分析應(yīng)用”的知識(shí)框架。課程面向大學(xué)本科三年級(jí)或研究生一年級(jí)學(xué)生開設(shè)，要求學(xué)生已系統(tǒng)學(xué)習(xí)分子生物學(xué)、計(jì)算機(jī)基礎(chǔ)（含Python或R編程入門）、統(tǒng)計(jì)學(xué)原理等先修課程，具備生命科學(xué)理論認(rèn)知與基礎(chǔ)編程分析能力。二、課程目標(biāo)（一）知識(shí)目標(biāo)1.理解生物信息學(xué)的學(xué)科內(nèi)涵、發(fā)展脈絡(luò)及在生命科學(xué)研究中的核心價(jià)值，掌握基因組、轉(zhuǎn)錄組、蛋白質(zhì)組等組學(xué)研究的技術(shù)邏輯。2.熟悉生物信息學(xué)核心數(shù)據(jù)庫（如NCBI、EBI、PDB）的架構(gòu)與檢索策略，掌握序列分析（比對、注釋、進(jìn)化樹構(gòu)建）、結(jié)構(gòu)預(yù)測（二級(jí)/三級(jí)結(jié)構(gòu)、功能域分析）的基本原理。3.了解高通量測序（NGS）、單細(xì)胞測序等技術(shù)的數(shù)據(jù)分析流程，掌握BLAST、ClustalW、MEGA、Cytoscape等工具的應(yīng)用場景與操作規(guī)范。（二）能力目標(biāo)1.具備“問題導(dǎo)向”的分析能力：針對基因功能注釋、物種進(jìn)化關(guān)系、疾病分子機(jī)制等科學(xué)問題，能自主設(shè)計(jì)生物信息學(xué)分析路徑（如“序列檢索→比對分析→功能富集→可視化呈現(xiàn)”）。2.掌握跨平臺(tái)工具應(yīng)用能力：能在Linux、Windows環(huán)境下熟練操作生物信息學(xué)軟件，結(jié)合Python/R腳本實(shí)現(xiàn)數(shù)據(jù)清洗、批量分析與結(jié)果可視化（如用Biopython處理FASTA序列、用ggplot2繪制進(jìn)化樹）。3.提升科研協(xié)作與報(bào)告能力：能參與多學(xué)科團(tuán)隊(duì)的生物信息分析項(xiàng)目，通過實(shí)驗(yàn)報(bào)告、學(xué)術(shù)海報(bào)、研究論文等形式清晰呈現(xiàn)數(shù)據(jù)分析邏輯與結(jié)論。（三）素質(zhì)目標(biāo)1.培養(yǎng)“數(shù)據(jù)驅(qū)動(dòng)”的科學(xué)思維：理解生物大數(shù)據(jù)的復(fù)雜性與不確定性，建立“假設(shè)-驗(yàn)證-修正”的科研閉環(huán)意識(shí)。2.強(qiáng)化倫理與合規(guī)意識(shí)：遵守生物數(shù)據(jù)共享規(guī)范（如GEO、SRA數(shù)據(jù)庫的使用準(zhǔn)則），尊重知識(shí)產(chǎn)權(quán)與隱私保護(hù)（如人類遺傳資源管理要求）。三、教學(xué)內(nèi)容與學(xué)時(shí)分配（總學(xué)時(shí)：64，其中理論32+實(shí)踐32）（一）模塊一：生物信息學(xué)導(dǎo)論（理論4+實(shí)踐0）知識(shí)點(diǎn)：學(xué)科定義、發(fā)展里程碑（從人類基因組計(jì)劃到AI輔助藥物設(shè)計(jì)）、核心研究方向（序列分析、結(jié)構(gòu)預(yù)測、系統(tǒng)生物學(xué)）、產(chǎn)業(yè)應(yīng)用（精準(zhǔn)醫(yī)療、合成生物學(xué)、農(nóng)業(yè)育種）。教學(xué)形式：專題講授+經(jīng)典案例研討（如“AlphaFold對結(jié)構(gòu)生物學(xué)的顛覆”“新冠病毒基因組溯源的信息學(xué)策略”）。（二）模塊二：生物數(shù)據(jù)資源與檢索（理論4+實(shí)踐4）知識(shí)點(diǎn)：核酸數(shù)據(jù)庫（GenBank、ENA、DDBJ的結(jié)構(gòu)與數(shù)據(jù)類型）、蛋白質(zhì)數(shù)據(jù)庫（UniProt、PDB的功能分區(qū)）、組學(xué)數(shù)據(jù)庫（GEO、TCGA的檢索邏輯）；（三）模塊三：序列分析基礎(chǔ)（理論6+實(shí)踐6）知識(shí)點(diǎn)：序列特征分析（ORF預(yù)測、啟動(dòng)子分析、重復(fù)序列識(shí)別）；序列比對原理（全局比對<Needleman-Wunsch>、局部比對<Smith-Waterman>、BLAST算法優(yōu)化策略）；多序列比對（ClustalW、MAFFT的算法差異與應(yīng)用場景）、進(jìn)化樹構(gòu)建（鄰接法、最大似然法、MEGA/RAxML工具實(shí)操）。實(shí)踐任務(wù)：對擬南芥與水稻的同源基因家族進(jìn)行多序列比對與進(jìn)化分析，解釋物種分化的分子證據(jù)。（四）模塊四：結(jié)構(gòu)生物信息學(xué)（理論6+實(shí)踐6）知識(shí)點(diǎn)：蛋白質(zhì)結(jié)構(gòu)層次（一級(jí)到四級(jí)結(jié)構(gòu)的信息學(xué)表征）、結(jié)構(gòu)預(yù)測方法（同源建模<Swiss-Model>、從頭預(yù)測<AlphaFold2>、折疊識(shí)別<Phyre2>）；功能域分析（Pfam、InterPro的數(shù)據(jù)庫應(yīng)用）、蛋白質(zhì)-配體相互作用（AutoDockVina的分子對接原理）。實(shí)踐任務(wù)：基于新冠病毒刺突蛋白的突變株序列，預(yù)測其三維結(jié)構(gòu)并分析與ACE2受體的結(jié)合能變化。（五）模塊五：組學(xué)數(shù)據(jù)分析導(dǎo)論（理論6+實(shí)踐6）知識(shí)點(diǎn)：轉(zhuǎn)錄組數(shù)據(jù)分析流程（RNA-seq的質(zhì)控<FastQC>、比對<STAR>、差異基因分析<DESeq2>、功能富集<clusterProfiler>）；單細(xì)胞測序數(shù)據(jù)的降維（PCA、t-SNE、UMAP）與細(xì)胞分群（Seurat的應(yīng)用）；宏基因組學(xué)的物種注釋（Kraken2、MetaPhlAn）與功能分析（HUMAnN）。實(shí)踐任務(wù)：基于公開的癌癥RNA-seq數(shù)據(jù)集，完成“質(zhì)控→比對→差異基因篩選→通路富集”的標(biāo)準(zhǔn)化分析，撰寫分析報(bào)告。（六）模塊六：生物信息學(xué)工具與編程（理論6+實(shí)踐6）知識(shí)點(diǎn)：命令行工具（Samtools、BEDTools的常用命令）、可視化工具（Cytoscape的網(wǎng)絡(luò)分析、Circos的環(huán)形圖繪制）；Python生物信息學(xué)庫（Biopython的序列操作、scikit-learn的機(jī)器學(xué)習(xí)分類）、R生物信息學(xué)包（ggplot2的可視化、DESeq2的差異分析）；云平臺(tái)應(yīng)用（Galaxy、GoogleColab的免安裝分析環(huán)境）。實(shí)踐任務(wù)：用Python腳本批量處理100條病毒基因組序列，提取ORF并統(tǒng)計(jì)密碼子偏好性；用R語言繪制轉(zhuǎn)錄組差異基因的火山圖與熱圖。四、教學(xué)方法與手段1.問題導(dǎo)向教學(xué)：以“如何從新冠病毒基因組中識(shí)別潛在藥物靶點(diǎn)？”“如何解析腫瘤微環(huán)境的單細(xì)胞異質(zhì)性？”等科研問題為驅(qū)動(dòng)，引導(dǎo)學(xué)生拆解分析步驟。2.虛實(shí)結(jié)合實(shí)踐：理論課結(jié)合“案例視頻演示”（如AlphaFold2的結(jié)構(gòu)預(yù)測過程），實(shí)踐課采用“線下機(jī)房操作+線上云平臺(tái)拓展”（如在AWS上部署測序數(shù)據(jù)分析流程）。3.科研項(xiàng)目融入：與實(shí)驗(yàn)室合作開發(fā)“迷你科研項(xiàng)目”（如“植物抗逆基因的進(jìn)化分析”“腸道菌群與疾病的關(guān)聯(lián)研究”），學(xué)生分組完成從數(shù)據(jù)獲取到結(jié)論匯報(bào)的全流程。4.多元評(píng)價(jià)反饋：課堂采用“即時(shí)問答+小組互評(píng)”，實(shí)踐課設(shè)置“操作日志+代碼評(píng)審”，定期邀請生物信息學(xué)企業(yè)工程師開展“行業(yè)需求講座”。五、考核方式過程性考核（60%）：實(shí)驗(yàn)報(bào)告（3次，每次10%）：考察數(shù)據(jù)分析的規(guī)范性與結(jié)論合理性；項(xiàng)目作業(yè)（2次，每次15%）：如“基因組注釋分析報(bào)告”“單細(xì)胞數(shù)據(jù)可視化方案”，考察綜合應(yīng)用能力；課堂參與（10%）：包括案例研討、工具操作演示的表現(xiàn)。終結(jié)性考核（40%）：綜合實(shí)操考試（20%）：限時(shí)完成“序列檢索→比對→進(jìn)化分析→結(jié)構(gòu)預(yù)測”的全流程操作；理論筆試（20%）：側(cè)重原理辨析（如BLAST與HMMER的算法差異）、分析策略設(shè)計(jì)（如“如何驗(yàn)證基因的功能冗余性？”）。六、教材與參考資料（一）核心教材《生物信息學(xué)（第三版）》，陳銘等編著，高等教育出版社（理論體系完整，適合入門）；《BioinformaticsDataSkills》，VinceBuffalo著，O'Reilly（側(cè)重?cái)?shù)據(jù)處理的實(shí)操細(xì)節(jié)）。（二）在線資源Coursera《BioinformaticsSpecialization》：JohnsHopkinsUniversity出品，含Python生物信息學(xué)實(shí)戰(zhàn)；GitHub開源項(xiàng)目（如bioconda、biopython倉庫）：工具安裝與腳本復(fù)用的實(shí)踐參考。（三）前沿文獻(xiàn)《NatureReviewsGenetics》《BriefingsinBioinformatics》：追蹤學(xué)科前沿方法（如AI在蛋白質(zhì)設(shè)計(jì)中的應(yīng)用）；年度綜述（如“2024年單細(xì)胞測序技術(shù)的突破”）：理解技術(shù)迭代對數(shù)據(jù)分析的影響。七、教學(xué)建議1.硬件支持：實(shí)驗(yàn)室需配備高性能工作站（建議CPU≥16核、內(nèi)存≥64G），部署Linux集群或云服務(wù)器（如OpenStack），滿足高通量數(shù)據(jù)的并行分