生物信息学.docx
《生物信息学.docx》由会员分享,可在线阅读,更多相关《生物信息学.docx(20页珍藏版)》请在冰豆网上搜索。
生物信息学
生物信息学
中国科学技术大学
2007--2008学年第1学期考试试卷
考试科目:
生物信息学得分:
__________
学生所在系:
___________姓名:
__________学号:
___________
一、单项选择题(每题3分,共30分)
1.下面哪个数据库不属于核酸的三大数据库之一()
A.GenBankB.EBIC.UniProtD.DDBJ
2.下面哪种算法为双序列比对全局优化算法()
A.Smith-Waterman算法B.GibbsSampler
C.HiddenMarkovModel算法D.Needleman-Wunsch算法
3.下面哪种工具为多序列比对工具()
A.MegaBlastB.MEGA4.0C.GPSD.POA
4.双序列比对中,全局与局部的优化算法,其核心思想是()
A.利用已知数据作为训练集,利用迭代的算法进行反复计算,使得结果收敛;
B.根据已知数据,构建PSSM矩阵,再计算Log-oddratio;
C.采用动态规划算法,计算最优路径,并以此得到比对结果;
D.采用邻接法构建进化树,在进化树的指导下进行双序列比对。
5.下面何种描述适合Baum-Welch算法()
A.双序列比对的局部优化算法;B.Motif发现的方法之一
C.对已知的训练数据,采用Viterbi算法计算最佳路径,并重新计算转移概率矩阵,反复计算直至结果收敛,得到优化的HMM模型;
D.对已知的训练数据,采用Smith-Waterman算法计算最佳路径,并重新计算转移概率矩阵,反复计算直至结果收敛,得到优化的HMM模型;
6.实验学家在大肠杆菌中发现某种基因A,具有重要的转录调控功能,通过ReciprocalBestHits的方法,实验学家用BLAST发现在人中基因B为基因A的高度相似基因。
那么,人中基因A与基因B的关系为()
A.旁系同源物B.趋同进化C.直系同源物D.异同源物
7.下面不属于多序列比对的算法有()
A.最大简约法B.渐进方法C.迭代方法D.部分有向图法
8.下面基于氨基酸的替代模型并进行距离修整的模型有()
A.Jukes-Cantor法B.Kimura两参数法
C.泊松校正D.Nei-Gojobori法
9.下面不属于构建进化树的方法有()
A.最大似然性法B.最大简约法
C.距离法D.点阵法
10.已知密码子CCT,CCC,CCA,CCG都编码Pro(脯氨酸),并且仅该四个密码子都编码Pro。
对于密码子CCC,其潜在的同义位点数目s与非同义位点数目n为
()
A.s=1/3,n=8/3B.s=1,n=2
C.s=1/4,n=11/4D.s=1,n=8/3
二、判断题(每题2分,共20分)
1.PAM250矩阵的构建,其基本假设为当序列变化发生期望上的250%的变化时,氨基酸之间替代的关系,因此,Dayhoff等人选择序列相似性极低的序列,以此构建了通用的PAM250矩阵()
2.我们通常使用UniProt数据库来查找基因的DNA序列,并得到序列的FASTA格式()
3.BLAST采用了一种称为“k-tup”的算法,搜索两条序列的对角线两边有限的空间,因此大大节省了计算时间()
4.MUSCLE是目前被广泛应用的多序列比对工具,其优越性为采用部分有向图的算法,从而使得运算的时间复杂度大为降低()
5.Ka/Ks为表征编码区DNA序列是否受到选择压力的主要手段,对于某对基因A和B,我们通过计算发现Ka/Ks=3.6,并且通过Fisher’sExactText检验后,为统计显著,因此我们可以推测A和B在分化之后受到达尔文的阳性进化选择的压力()
6.隐马尔科夫算法中的“隐”,指的是状态之间的转移概率已知,而状态内的发散概率未知,因此,隐马科夫并不表示所有的概率未知。
()
7.蛋白质上的模体/motif,一般指长度为几个到几十个氨基酸,并且不具有独立的三级结构的氨基酸片段。
例如SUMO化位点的motif,一般可表示为:
ψ-K-X-E.
()
8.估算鸟枪法的覆盖率,使用超几何分布的方法能够相当简便的结算出结果。
()
9.DNA突变的模式有四种:
替代、插入、缺失和倒位。
而DNA替代又分为转换和颠换两种。
()
10.中性进化是由Kimura最早提出,认为绝大多数的突变不好也不坏,并不决定物种的分化。
受达尔文进化所调控的基因约为~1%,这些基因数量虽然很少,却对物种的分化起到了决定性的作用。
()
三、综合题(每题10分,共50分)
1.表观遗传学的研究内容主要包括DNA的甲基化,组蛋白的乙酰化、甲基化及其它修饰,染色体重塑以及SiRNA与MiRNA调控四个方面。
其中DNA的甲基化发生在基因组的特定位置,通常是-CG-序列中的C上,C被化学修饰,引入一个甲基,并很快突变为T。
编码区DNA上游启动子区域的DNA甲基化水平的高低,对基因表达量的高低有着重要的影响,一般低甲基化对应基因的高表达,高甲基化则对应基因的低表达。
实验学家通过实验鉴定了30条平均长度为1000bp的DNA序列,总共鉴定了60个甲基化位点。
生物信息学家基于这些实验数据,构建了预测工具,对于新的两条序列M和N,长度分别为2000bp和1500bp,并预测A和B上分别有3个和9个位点。
那么,对于预测出来的位点,若全部是随机产生的概率为多少?
已知泊松分布的公式为:
A
R
D
Q
E
L
K
P
A
4
-1
-2
-1
-1
-1
-1
-1
R
-1
5
-2
1
0
-2
2
-2
D
-2
-2
6
0
2
-4
-1
-1
Q
-1
1
0
5
2
-2
1
-1
E
-1
0
2
2
5
-3
1
-1
L
-1
-2
-4
-2
-3
4
-2
-3
K
-1
2
-1
1
1
-2
5
-1
P
-1
-2
-1
-1
-1
-3
-1
7
2.对于两条蛋白质序列:
AQPPKKE和LEPKRD,请分别用
(1)Needleman-Wunsch算法;
(2)Smith-Waterman算法对两条序列作比对;对于Gap的罚分为8,线性罚分规则;用图示法表明比对过程,并写出比对结果、得分,对于Smith-Waterman算法,结果表示为单一的比对结果。
打分矩阵采用BLOSUM62矩阵,部分矩阵如下:
3.请用图示法并辅以必要的文字,描述Gibbs采样抽取序列motif的过程。
这里,假设有n条序列,长度k,待抽取的motif长度为m.
4.给定一组DNA序列如下:
CGACCTA
CGACGAT
CGTCGAA
TCTCGAG
(1)根据上述DNA序列,请写出一种PSSM矩阵;
(2)给定一条新的序列CGTCGAG,计算log-oddratio,该例中,四种碱基的背景值都为0.25;
(3)请计算模体中,第三位和第五位所包含的信息量。
5.直系同源物(Ortholog)与旁系同源物(Paralog)之间有什么区别?
请用图示法并辅以必要文字进行描述。
中国科学技术大学
2008--2009学年第1学期考试试卷
考试科目:
生物信息学得分:
__________
学生所在系:
___________姓名:
__________学号:
___________
一、单项选择题(每题3分,共30分)
1.下面哪种方法不是基因共表达相关性的分析方法
()
A.PearsoncorrelationcoefficientB.Kendall'stau
C.T-TestD.Euclideandistance
2.针对DNA序列的同义与非同义的核苷酸替代,若Ka/Ks=1.2,则可能发生了何种进化过程()
A.阳性进化B.达尔文进化
C.阴性进化D.中性进化
3.下面哪种工具不是分子进化树构建工具()
A.T-CoffeeB.MEGA4.0C.PAMLD.PHYLIP
4.隐马尔科夫算法中的Baum-Welch算法,其核心思想是()
E.采用邻接法构建进化树,在进化树的指导下进行双序列比对;
F.利用已知数据作为训练集,利用迭代的算法进行反复计算,使得结果收敛;
G.根据已知数据,构建PSSM矩阵,再计算Log-oddratio;
H.采用动态规划算法,计算最优路径,并以此得到比对结果。
5.不属于DNA突变的模式有()
A.倒位;B.颠换;
C.插入;D.替代。
6.利用点阵法不能够做到或发现()
A.反向回文序列B.自身比对C.重复序列D.序列模体识别
7.下面哪个数据库是蛋白质数据库()
A.RefSeqB.EBIC.DDBJD.GenBank
8.近年,我校学者与复旦大学研究者合作,在芽殖酵母发现了泛素家族的一个分子化石Urm1,稍后有研究者利用BLAST发现了人类的Urm1,那么人类的泛素蛋白质与人类Urm1的关系是()
A.直系同源物B.趋同进化C.旁系同源物D.异同源物
9.下面不属于双序列比对的方法有()
A.Smith-Waterman算法B.距离法
C.Needleman-Wunsch算法D.点阵法
10.已知密码子ATT,ATC,和ATA编码Ile(异亮氨酸),而ATG编码Met(甲硫氨酸)。
则对于密码子ATC,其潜在的同义位点数目s与非同义位点数目n为
()
A.s=2/3,n=7/3B.s=1,n=2
C.s=1/4,n=11/4D.s=1/3,n=8/3
二、填空题(每空2分,共20分)
1.使用多序列工具比对两条序列,发现71%的区域相同,若这两条序列为蛋白质序列,则这两条序列的泊松距离为();若两条序列为核酸序列,则Jukes-Cantor距离为()。
2.给定一组DNA序列如下(碱基的背景值为0.25):
CTACTAGC
CGACATGG
CTACATGG
CTTGAAGC
给定一条新的序列CGACAAGC,其log-oddratio(以2为底计算数值)为();该组DNA序列,其第二位的信息量为(),第八位的信息量为()。
3.实验学家从1000个4bp的DNA序列中鉴定了200个X-box序列,其中第一位T的出现概率为0.97,第二位A出现的概率为0.91,第三位C出现的概率为0.85,第四位A出现的概率为0.80,C出现的概率为0.14。
其他位点出现的概率各自相同。
则序列TACA可能是X-box的概率为(),序列TACC可能是X-box的概率为()。
4.蛋白质磷酸化位点的预测是一个重要的生物信息学问题。
实验学家以405个磷酸化蛋白质为训练数据,包含800个实验验证的磷酸化位点和16000个非磷酸化位点,开发了P工具。
利用P工具做Self-consistency检验,总共预测出1470个阳性结果,则该工具的灵敏度Sn为(),特异性Sp为(),准确性ACC为()。
三、综合题(每题10分,共50分)
3.请用图示法并辅以必要的文字,描述基因表达数据聚类算法K-meansclustering算法的计算流程,假设有N个基因,拟分成M类。
4.基因的5’UTR区域通常包含调控该基因表达的顺式元件,这些元件主要有启动子或称转录因子结合位点、增强子、沉默子以及辅助元件等。
一般实验学家抽取基因的5’UTR区域1000~3000bp的序列,构建到报告基因的5’端,通过分子生物学的方法进行定点突变,从而发现功能性的顺式元件。
某实验室构建了80条平均长度为1500bp的基因5’UTR的DNA序列,总共鉴定了360个顺式元件。
针对两条新的DNA序列A和B,长度分别为1000bp和2000bp,若通过生物信息学的方法预测出A和B上分别有7个和2个位点。
对预测出的位点,若全部是随机产生的概率为多少?
已知泊松分布的公式为:
5.
6.对于两条蛋白质序列:
SQYYRKD和LEYKRK,请分别用
(1)Needleman-Wunsch算法;
(2)Smith-Waterman算法对两条序列作比对;对于Gap的罚分为8,线性罚分规则;用图示法表明比对过程,并写出比对结果、得分,对于Smith-Waterman算法,结果表示为单一的比对结果。
打分矩阵采用BLOSUM62矩阵,部分矩阵如下:
S
R
D
Q
E
L
K
Y
S
3
-1
-3
-1
-1
-1
-1
-1
R
-1
7
-2
1
0
-2
2
-2
D
-3
-2
6
0
2
-4
-1
-1
Q
-1
1
0
5
2
-2
1
-1
E
-1
0
2
2
6
-3
1
-1
L
-1
-2
-4
-2
-3
4
-2
-3
K
-1
2
-1
1
1
-2
5
-1
Y
-1
-2
-1
-1
-1
-3
-1
9
7.
某实验室拟研究正常细胞与癌症细胞的不同,将正常细胞和癌症细胞的样品分别点样到包含23,000个人类基因的芯片上,并发现在癌症细胞中表达显著上调的基因有1,132个。
进一步做功能分析,发现人类基因中总共有1,521个基因具有某种功能GO,而在表达量上调的基因中,有49个基因具有该功能。
问:
该功能GO在表达量显著升高的基因中是显著出现,显著不出现,还是随机出现?
要求:
写出相关的计算公式,并填入实际数据,不计算最终结果。
已知超几何分布的公式:
5.请列举至少两种多序列比对算法,并简要列出算法的计算过程。
一、参考答案
一、单项选择题(每题3分,共30分)
CDDCCCACDB
二、判断题(每题2分,共20分)
××√×√×√×√√
三、综合题(每题10分,共50分)
1.PA≈0.2,PB≈0.0027
2.
(1)Needleman-Wunsch算法
比对结果:
AQPPKKE
LEP-KRD
(2)Smith-Waterman算法
PKKE
PKRD
3.
(1)从每条序列上随即抽取一段序列模体,长度为m;
(2)构建PSSM矩阵;
(3)随机挑选一条序列;
(4)用构建好的PSSM对该序列上所有可能的模体进行打分;
(5)根据似然性的公式进行计算,得到似然性最大的模体,为新的模体;
(6)将新的模体替换原有的序列,更新PSSM矩阵;
(7)反复迭代计算,直至似然性结果与PSSM不再发生变化。
4.
(1)
1
2
3
4
5
6
7
A
0
0
0.5
0
0
0.75
0.5
T
0.25
0
0.5
0
0
0.25
0.25
C
0.75
0.25
0
1
0.25
0
0
G
0
0.75
0
0
0.75
0
0.25
(2)log-oddratio=log2(648)=9.34
(3)H3=1bit
H5=1.19bit
5.直系同源物:
两个基因通过物种形成的时间而产生;
旁系同源物:
两个基因在同一物种中,通过至少一次基因复制时间而产生。
二、参考答案
三、单项选择题(每题3分,共30分)
CDABBDACBA
四、填空题(每题2分,共20分)
1.0.34,0.37
2.7.45,1.19,1
3.0.97,0.87
4.87.50%,95.19%,94.82%
三、综合题(每题10分,共50分)
1.
(1)随机选取M个点,作为每一个类的中心点
(2)计算其他点与这M个中心点的距离,将每个点按照离哪个中心点近,归在哪个类中
(3)针对每一类中的每一个点,计算其与其他点的距离,加和,除以该类点的数目,找到新的中心点,即改点到该类中其他点的平均值最小,从而确定新的M个中心点
(4)重复步骤2,3,直到结果收敛
(5)最终结果:
N个基因表达数据被聚成M类
2.P(A)=0.0216,P(B)=0.0446
3.
(1)Needleman-Wunsch算法
比对结果:
SQYYRKD
LEYKRK-
得分:
13
(2)Smith-Waterman算法
QYYRK
EYKRK
得分:
22
4.
5.
(1)渐进算法:
a.将所有序列两两比对,计算距离矩阵
b.构建邻接进化树(neighbor-joiningtree)/指导树(guidetree)
c.将距离最近的两条序列用动态规划的算法进行比对
d.“渐进”的加上其他的序列
(2)T-coffee算法:
a.采用Clustal程序计算两两序列之间的全局最优比对结果
b.采用LALIGN程序计算两两序列之间的局部最优比对的结果
c.设计加权系统,综合考虑以上两类结果的因素,构建指导库
d.最后,采用渐进式比对算法,得到最终的结果
生物信息学课堂测验
1.蛋白质的磷酸化是最重要的一种翻译后修饰,实验学家最近鉴定了某个激酶X的底物,总共20个底物蛋白质,序列平均长度500aa。
在这些蛋白质上,总共鉴定了50个位点。
基于这些实验数据,生物信息学家构建了相关的计算预测工具。
对于给定的两个蛋白质序列A和B,长度分别为500aa和800aa,计算工具预测这两个蛋白质上分别有10和4个潜在的位点。
考虑到计算工具本身具有一定的错误率,对于A和B,预测出来的位点,若全部是随机产生的概率为多少?
(泊松分布)
2.
发现细胞有丝分裂过程中参与重要功能的基因,可以通过基因芯片的方法进行研究。
某实验室开展了一项工作,对细胞有丝分裂期不加nocodazole以及加nocodazole两种条件下,对人的21,000基因做表达谱分析。
其中发现表达量显著升高的基因为1,532个。
进一步做功能分析,发现总共1,236个基因具有某种功能F,而在表达量显著升高的基因中,有32个基因具有该功能F。
问:
该功能F在表达量显著升高的基因中是显著出现,显著不出现,还是随机出现?
要求:
写出相关的计算公式,并填入实际数据,不计算最终结果。
已知超几何分布的公式:
(超几何分布)
3.实验学家从1500个4bp的DNA序列中鉴定了300个某种X-box序列,其中第一位A的出现概率为0.91,第二位T出现的概率为0.85,第三位A出现的概率为0.97,第四位C出现的概率为0.51,G出现的概率为0.47。
其他位点出现的概率各自相同。
现有两条序列,ATAC和ATAA,两条序列可能是X-box的概率为多少?
(贝叶斯公式)
4.对于两条蛋白质序列:
IDRRPAE和LDRPAW,请分别用
(1)Needleman-Wunsch算法;
(2)Smith-Waterman算法对两条序列作比对;对于Gap的罚分为8,线性罚分规则;用图示法表明比对过程,并写出比对结果、得分。
打分矩阵采用BLOSUM62矩阵,部分矩阵如下:
A
R
D
E
I
L
P
W
A
4
-1
-2
-1
-1
-1
-1
-3
R
-1
5
-2
0
-3
-2
-2
-3
D
-2
-2
6
2
-3
-4
-1
-4
E
-1
0
2
5
-3
-3
-1
-3
I
-1
-3
-3
-3
4
2
-3
-3
L
-1
-2
-4
-3
2
4
-3
-2
P
-1
-2
-1
-1
-3
-3
7
-4
W
-3
-3
-4
-3
-3
-2
-4
11
(全局比对和局部比对)
5.给定一组DNA序列如下:
ACTTCCCA
AGTTCCCA
ACTCGGCA
CCTTCGCA
(1)请根据上述DNA序列,写出两种PSSM;
(2)再给一条新的序列AGTCGCA,计算log-oddratio,该例中,碱基的背景值都为0.25;(3)请分别计算第一位和第六位所包含的信息量
6.请用图示法并辅以必要的文字,描述Gibbs采样抽取序列motif的过程。
这里,假设有n条序列,长度k,待抽取的motif长度为m.
7.请列举至少两种多序列比对算法,并简要列出算法的计算过程。
ClustalX
PRRP
8.请用图示法并辅以必要的文字,描述基因表达数据聚类算法K-meansclustering算法的计算流程,假设有N个基因,拟分成M类。
9.使用多序列工具比对两条序列,发现60%的区域相同,
(1)若这两条序列为蛋白质序列,请计算泊松距离;
(2)若两条序列为核酸序列,请计算Jukes-Cantor距离。
泊松距离:
-ln(0.6)=0.51
Jukes-Cantor距离:
d=-3/4ln(1-4/3p)=0.57
10.给定一组DNA序列如下:
CGACCTC
CACCCTA
CCACCTG
GTACAAC
(1)请根据上述DNA序列,写出两种PSSM;
(2)再给一条新的序列CCACCTC,计算log-oddratio,该例中,碱基的背景值都为0.25;(3)请计算第二位和第三位所包含的信息量。
11.假设基因组上有一种调控信号S,长度和位置不确定。
信号S和基因组序列G的碱基分布频率分别为:
C
G
A
T
S
0.4
0.4
0.1
0.1
G
0.1
0.1
0.4
0.4
S与G之间的转移概率矩阵如下:
S
G
S
0.6
0.4
G
0.6
0.4
请用Viterbi算法计算序列AATCCGTA,预测是否存在该调控信号S,并标出相应的位置。
(马尔科夫模型)
12.如果题目三中,假设转移矩阵并不是最终的优化结果,采用Baum-Welch算法,你如何进行优化?
这里,假设已经给你若干条实验数据作为训练样本。
13.直系同源物(Ortholog)与旁系同源物(Paralog)之间有什么区别?
请用图示法并辅以必要文字进行描述。