生物信息学资料.docx

生物信息学资料.docx

《生物信息学资料.docx》由会员分享，可在线阅读，更多相关《生物信息学资料.docx（14页珍藏版）》请在冰豆网上搜索。

生物信息学资料

生物信息学

中国科学技术大学

装订线答题时不要超过此线

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.

装订线答题时不要超过此线

（）

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：

装订线答题时不要超过此线

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

装订线答题时不要超过此线

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.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

6.

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。