生物信息学.docx

1、生物信息学生物信息学 基因和蛋白质分析实用指南 AndreasD.Baxevanis GenomeTechnologyBranch NationalHumanGenomeResearchInstitute NationalInstitutesofHealth Bethesda,Maryland B.F.FrancisOuellette NationalCenterforBiotechnologyInformation NationalInstituteofHealth Bethesda,Maryland ADB将本书奉献给他的母亲Anastasia，并纪念他的父亲Demetrios，他们的智慧

2、和爱是守护他一生的力量。 BFFO以本书纪念AngelosKalogeropoulos，一位朋友和生物信息学科学家，他的风采令人深深怀念。 序言 过去十年中，全世界的分子生物学家们所收集的原始信息不断激增。在不太久之前，这些信息的分析整理工作只有不情愿的研究生去做，因为他们对摆弄试管比敲击键盘更有兴趣，而现在有很多人已全身心地投入了这个领域。生物信息学正处于新兴萌芽中，它可以不严格地定义为分子生物学和计算生物学的交叉，这个领域中已经产生了大量重要的发现，并有希望揭示更多大自然的奥秘。对大多数人而言，生物信息学的吸引力在于它是生物学中崭新和有待开垦的领域；而对其他人，其吸引力蕴藏在简化论者对化学

3、层次上的细节的热爱和系统遗传学家对了解各物种体系之间内在关系的兴趣之中。 生物信息学的好处早已作为谈资得以广泛宣扬，它被宣称是能解决一切痼疾的仙丹，或是肢解序列数据的强大工具，或简称之为搞科学一条迷人途径。而实际上，生物信息学是在艰难而有意义工作中的一种新的方法。这一领域中，研究方法大多在不断变化并有待发展和完善，与当年生物化学的黄金年代并无不同，那时人们选择各种能溶解和分析目标分子的手段，不象如今生化实验室中所用技术要成熟和精巧得多。然而，在生物信息学被推向前进的竞赛中，一些人曾企图将其从科学分支降级为购买了合适工具包就完成的功能。而维护了生物信息学在科学领域中地位的正是学术用户群体本身，无

4、论他们是在私立大学里还是在政府赞助的研究中心里。生物信息学中已取得的卓越进展就蕴藏在从收集整理原始数据，到开发更新更强的数据处理方法的工作之中，而且一切均处于信息和技术自由共享的环境里。生物信息学群体的独特之处在于，在商业部门之外，其“团体精神”比生物学中许多竞争性领域要开放得多。由此想法，本书试图能让那些想了解更多序列分析方法的科学家跳进书中，来体验令人着迷的科学旅途。通过这本书，我们希望读者能认识到这些方法的严格性，并且明白，与实验并无不同，控制器的运转和弄清哪种方法能解决或不能解决何种问题，是至关重要的。总之，我们鼓励读者不妨一试。 这里，我们要共同感谢许多同仁，若非他们的帮助本书就难以

5、实现。首先要感谢的是分别完成此书各章节的诸位作者。他们专业的见解与专家的观点，以及他们在巨大时间压力下仍友善地配合，使我们感到与这些女士和先生们一同合作十分愉快。 本书中极大部分内容均得益于在NIH的国家生物技术信息中心（NCBI）所开发的工具和数据库，我们要感谢NCBI的全体成员，为他们辛勤的工作，也为了他们耐心负责地维护着这些公共数据库，更重要的是为他们使这些数据库具有最高的质量和更方便地被科学工作者们访问。那些从事计算生物学的科学家们一贯对他们的成果十分慷慨，制作了自由访问的工具和专门数据库。否则，连最基本的序列分析研究也是无法做到的。我们要感谢参与这些项目的所有成员，包括这里未曾特别提

6、及的，因为是他们造就了这个以序列为基础的新生物学时代的许多辉煌成就。 我们还要感谢本书编辑AnnBoyle的耐心帮助、鼓励和支持。这本书也包含了我们的很多第一次，因而在学习出书的里里外外过程中，我们与她建立起了深厚的友谊。我们期待着未来能与她的再次合作。 以下来自BFFO：我要向一贯支持、热爱和信任我的妻子NancyRyder致谢。她对这项工作的尊重，以及她给予了我这项工作所需的空间已超越了任何誓言，我只有以更多的爱作为回报。我还要感谢MarkBoguski在四年前将我介绍至NCBI。Mark还不断引导我留意各种新鲜有趣的项目，这种持续的热情和兴趣将不断赋予我更多灵感。 以下来自ADB：我诚意

7、地感激DavidLandsman的极大支持和鼓励。我与David的交情已有多年，那时他作为一个物理化学家接受作博士后，而当时他对一门称为生物信息学的领域几乎一无所知。我认为1992年的我们都无法猜到我们在教学和研究中的合作会最后会导致一本专著的产生。如果不是他在如何认识计算生物学的问题上，更加强调了生物学对我产生了强烈影响，就不会有这本书。 AndreasD.Baxevanis B.F.FrancisOuellette第一章因特网与生物学家信息来源：本站原创更新时间：2004-9-20 23:39:00 因特网与生物学家随着研究者可用的序列与结构信息的爆炸式增长，生物信息学领域，或更精确地说是

8、计算生物学领域，在基础生物医疗问题的研究中起着越来越大的作用。计算生物学家面临的挑战，尤其是由人类基因组计划以及其它测序工作生成的大量数据带来的挑战，将对发现基因和设计分子模型、定点突变，以及其它有可能发现基因与蛋白质的结构与功能的未知关系的实验有所帮助。在开始实际讨论解决生物问题的计算方法之前，必须先明确一个共同的背景，从而使用户可以访问和使用本书中讨论的算法和工具。我们首先回顾了因特网及其有关术语，并讨论了四种主要的因特网协议族，但不深入涉及协议的技术细节。关于这些协议的内部处理过程的详细描述可以参考（Falk，1994；Krol，1994），这是给外行人看的好书。因特网基础尽管“因特网”

9、听起来象一个单独的实体，但它实际上是一个网络的网络，由超过20,000个分布在100多个国家中的相互连接的本地网或地区网构成。虽然有关远程通讯的工作在六十年代初就已经开始，但因特网的真正起源还是1969年美国国防部远景研究规划局（Advanced Research Projects Agency，ARPA）的网络研究计划ARPANET。ARPANET最初连接了美国西海岸的四个节点，其直接目的是在实验室之间传输有关国防的研究信息。随后又开展了一系列的网络研究项目，并在10年后达到了另一个里程碑式的阶段。1981年引入的BITNET（Because Its Time）在大学之间提供点对点的电子邮件

10、和文件传输，1982年ARPA引入了传输控制协议（TCP）以及因特网协议（IP），TCP/IP使得不同的网络可以连接起来并进行通讯，从而形成了现在的系统。很多文献详细介绍了因特网的发展历程和通讯协议，但大多数用户关心的只是因特网在工作，而非具体的工作原理。当网络中的计算机连接在一起的时候，需要有一种方法来明确表示每一台计算机，从而使消息和文件真正找到它们的接收者。为此，所有与因特网直接相连的计算机都必须有一个IP地址，IP地址是唯一的，标识且只能标识一台计算机。IP地址由四个以点号分隔的数字构成，如美国国立健康研究院（NIH）生物技术信息中心（NCBI）的主文件服务器的IP地址是130.14.

11、25.1。从左到右这些数字表示的是：主域（130.14表示NIH）、子网（.25表示NIH的国家药物实验室），以及这台计算机（.1 ）。虽然采用数字式的IP地址可以帮助计算机定位数据，但用户记忆起来却非常困难，所以IP地址通常都有相对应的正式域名（FQDN），由域名服务器在后台将其动态翻译成IP地址。回到前面NCBI的例子，用户更愿意用ncbi.nlm.nih.gov而不是130.14.25.1来访问NCBI的那台计算机。必须注意的是，从左向右IP地址的定位范围由大到小，而FQDN的定位范围则由小到大。因此，任意指定的计算机的名称都可以看成是具有如下的格式：计算机.域，其中顶级域名（FQDN中

12、最后一个点号后面的部分）分为六个大类（见表1.1）。在美国之外的国家，顶级域名则是用两个字符表示的计算机所在国家（例如，.ca表示加拿大，.uk表示联合王国）。表1.1 顶级域名对因特网规模(即因特网的成功程度)的最具体度量，就是计算物理上接入因特网的计算机的数量。网络Wizards通过运行一个探测器去尽可能地寻找主机，并把探测结果返回到运行探测器的计算机上，从而定期地计算这些计算机（或主机）的数量。主机数量的增长速度非常显著，大约每12个月增加一倍，目前主机总数已经超过了12,000,000台。这一增长的绝大部分来自商业部门，例如万维网等投资于日益大众化的新多媒体广告与通讯平台（图1.1）。

13、由于可能有许多探测器找不到的主机，这一统计数字的绝对数目不会很精确，它只适用于考察因特网的发展趋势，以及和其它数据进行比较研究。例如：有许多计算机被设置在防火墙后面，出于安全的考虑而阻止了公司内部与外部的通讯；其它一些计算机，尤其是家用计算机，只通过调制解调器与因特网短暂相连。所以最好把网络Wizard的搜索结果只看成是代表某一时刻因特网的最小规模。与因特网连接那些不能将他们的计算机通过以太网，10BaseT或类似方式连接到因特网的用户可以有两种主要的方式访问网络：在线服务（Online Service）或因特网提供商(Internet Service Provider, ISP)。在线服务，

14、例如美国在线（AOL）、Compuserve以及Prodigy，提供了大量的交互式数字服务，包括信息提取、电子邮件（E-mail）、公告牌，以及“聊天室”。在聊天室里同时上线的用户可以就任何话题进行交流。虽然现在在线服务也可以访问万维网，但大多数在这一系统中提供的信息服务依然是通过独占的、封闭的网络进行的。一旦在用户计算机和在线服务器之间建立了连接，用户就可以不离开在线系统的主机而访问系统中特定的信息资源。特定的内容可以包括从访问在线旅游预定系统到经常更新的大百科全书，这些项目对于那些没有订购在线服务的用户是无法得到的。服务的内容随价格而异，大多数这些服务都是按小时记费，即使正常的使用也可能会

15、积累很高的费用。因特网提供商采用相反的方式。ISP注重的不是提供内容，而是提供给用户必要的工具以发送和接收邮件，上载和下载文件，以及浏览万维网，发现远程的信息。尽管象AT&T和MCI这样的大公司占据了ISP的主要角色，但不要求提供内容导致了家庭手工业式企业的快速发展，许多小的本地公司也提供与因特网的可靠连接，位于马里兰州巴尔的摩郊外的ClarkNet就是其中之一。从一个500英亩农场的谷仓中的一组调制解调器开始，ClarkNet现在无论从规模还是服务质量上都已发展成为了这个国家最好的地区服务提供商之一。ISP的最大优势在于连接速度，通常小的提供商可以提供比在线服务还快的连接速度。一般ISP按月

16、收费，可以无限使用。现在在线服务与ISP之间的界限已经逐渐模糊，并向在线服务倾斜。AOL最近更改了其收费策略，变为按月而不是按小时收费。使得用户花费和大多数ISP相等的开销，就可以得到全部AOL的专有内容，以及通过ISP所能得到的全部因特网工具。在美国的大多数州，AOL网络的密集程度已经使得访问AOL变得象打本机电话一样方便，用户无论在哪里都可以方便地访问电子邮件，这是本地小ISP不能比拟的。象这样的发展趋势，加上本地电话和电缆公司也开始通过新的高速光纤网提供访问因特网的服务，使得将来终端用户访问因特网将越来越便宜，而且性能将越来越好。电子邮件许多用户是通过使用电子邮件（E-mail）认识因特

17、网的。电子邮件是一个方便快捷的发送、接收及回复消息的媒介，在许多地方实际上已成为不可或缺的工具。它的优势主要有： 比邮政服务快得多。 传送消息比传统电话或面对面交谈要更为清晰明确。 接收者可以有很大的自由度来决定是马上回复、过一会回复还是根本不回复，从而更好地控制自己的工作流程。 提供了一种方便的整理、保存消息的途径。 发送电子邮件的成本很低，或根本不需花费。 虽然这些优势已经使得电子邮件成为了工业界和科学界一种十分重要的个人通讯手段，但用户也必须清楚它的两个主要缺点。第一是安全性问题。邮件在传递到接收者的过程中，可能经过一系列远程节点，在其中任何一处邮件都可能被有较高权限的人（例如系统管理员

18、）所截取和阅读。第二是保密问题。在工业界中，电子邮件通常被认为是只用于办公室通讯的公司财产，因此就必须在管理者的监控之下。而在学院、准学院及研究领域则相反。例如，NIH鼓励个人在公布的准则范围内使用电子邮件，这里的关键是“公布的准则”。无论在什么情况下，电子邮件系统的用户都应该了解本机构的电子邮件使用规则，从而正确有效地使用这一工具。我们强烈推荐一本关于如何有效使用电子邮件的杰出指南。（Lamb and Peek, 1995）发送电子邮件电子邮件地址的格式一般为：用户计算机.域。其中“用户”是个人用户名，“计算机.域”指向电子邮件帐号所在的计算机。和普通邮件一样，电子邮件消息包括“信封”（或称

19、为“信头”）和“正文”。信头的内容包括：收发信人的地址、电子邮件主题行、以及邮件如何从发信人到收信人的信息。信头下面是真正的消息（或“正文”），如同普通信件信封里的内容一样。图1.2显示了一个电子邮件消息的全部组成部分。电子邮件程序千变万化，随使用平台以及用户的需求而不同。通常局域网的属性决定了可以使用哪些邮件程序，而且这一决定往往是由系统管理员而非个人用户做出的。最广泛使用的带有图形用户界面的电子邮件软件包有：用于Macintash的Eudora和用于Mac、Windows和UNIX平台的Microsoft Exchange。基于文本的电子邮件程序有Elm和Pine，这通常需要注册到UNIX

20、帐号来使用。新闻组在图1.2的例子中，电子邮件被发给一个单独的收信人。电子邮件系统的一大优点就是可以把一封电子邮件发给很多人。可以通过使用“别名”来实现这一目的。用户可以在邮件程序中定义一组人，并给这个组一个名字（“别名”）。用户把电子邮件发给这个别名后，邮件程序就会自动地把消息广播给组中的每个人，而不是逐一发送。即使在小规模组中设立别名也可以节省大量时间。这样也可以保证组中的每个人都能真正接收到发到组里的每一封信。“新闻组”则是广播电子邮件消息的另一种方法。和“别名”方法不同的是，订阅新闻组时电子邮件地址列表由远端计算机编排维护，就象杂志维护一份订阅者名单一样。例如，BIOSCI新闻组是流通

21、量最大的新闻组之一，提供了一个在相当大的生物学主题范围内讨论和交换思想的论坛。要开始接收发表在BIOSCI的自动测序讨论组的邮件，用户需要发送一个消息给biosci-server，并在正文中写上subscribe autoseq。新闻组中的全部文章就会发送到新的订户手中，该用户就可以参与讨论了。用户想要退出新闻组时，只需要给相同地址发送消息unsubscribe autoseq就可以了。要得到包括的讨论组完整列表在内的BIOSCI的更多信息，给biosci-server发一封邮件，清空邮件主题行，并在消息正文中写上info faq。BIOSCI服务器会发送一份常见问题表作为回复，其内容包含了B

22、IOSCI管理下的每个新闻组的详细信息。就象邮政信件一样，电子邮件中最近也有一股“垃圾邮件”的浪潮，这些邮件来自某些公司出于商业宣传的目的而编排的大量邮件地址列表。大多数这样的列表都是从联机注册或相似渠道得来的，所以避开这种邮件列表的最好办法就是有选择地给出你的电子邮件地址。大多数新闻组的电子邮件地址是保密的，如果你有疑问的话，不妨先询问一下。电子邮件服务器无论接收者是一个还是很多，到此为止的讨论仅限于发送消息。电子邮件还可以用于从生物数据库中进行预测或读取记录。用户可以用电子邮件给远端的服务器发送消息，以预先定义的格式说明希望进行的操作，服务器就会执行这些操作，并将结果用电子邮件返回给用户。

23、图1.2显示的是电子邮件查询结果的示例，其中服务器是NCBI的查询电子邮件服务器。虽然这种方式不是交互式的，但它将硬件维护和软件升级的工作交给了维护服务器的管理员，使用户更专心于结果而非程序本身。后面章节中将有一些电子邮件服务器的详细论述。日内瓦大学的Amos Bairoch维护着一个优秀的最新电子邮件服务器列表，此列表可以通过匿名文件传输协议（下文介绍）的方式得到。具体做法是：访问expasy.hcuge.ch站点，进入/database/info目录，下载文件serv_ema.txt。对于大多数这样的服务器，给服务器的电子邮件地址发送一个help消息就可以得到服务器的详细指令集，其中包括查

24、询的正确格式。文件传输协议虽然电子邮件传送消息存在很多优点，有经验的用户在传输附加文件时都曾遇到麻烦。问题在于仅仅将文件附加在邮件上并发送出去，并不意味着接收者能真正得到、解码并使用这个文件。虽然已经开发了许多跨平台电子邮件软件（例如Microsoft Exchange），但不同地点的人使用不同的电子邮件软件使得通过邮件发送文件并非有效、安全的方法，至少在近期内如此。对此问题的解决方法之一是使用文件传输协议（FTP）。FTP的使用十分简单，在用户计算机（客户）和远端服务器之间建立起连接，并在整个FTP任务过程中保持连接。文件的传输速度很快，大约每秒510千字节。这一速度随一天中的不同时间、客户

25、与服务器之间的距离，以及网络流通量不同而有所变化。为了建立FTP连接并传输文件，用户必须在远端服务器上有帐号。科研界免费提供了许多文件和程序，访问这些文件并不要求拥有这些程序所在的机器上的帐号，而是用一种称为匿名FTP的系统建立连接。在这个系统下，用户与远端服务器连接时并不输入用户名/口令，而是在用户名中输入“anonymous”，在口令中输入个人电子邮件地址。服务器系统管理员用这些电子邮件地址进行访问统计，这可能会对那些提供文件和程序的人有所帮助。一个UNIX匿名FTP对话的例子如图1.3所示。虽然FTP实际上是在UNIX环境中产生的，但Macintosh和PC用户也可以用基于图形用户界面（

26、GUI）的程序浏览FTP服务器上的UNIX目录。用户不需要了解UNIX指令就可以下载文件，他们可以从弹出式菜单上选取，或在UNIX文件结构中用鼠标移动和点击选取要下载的文件。Fetch是Macintosh上最流行的FTP程序，图1.4给出了Fetch窗口的一个例子，图中显示了基于图形用户界面的程序和图1.3所示的UNIX下FTP的区别。Amos Bairoch同样也维护了一份详细的分子生物学FTP服务器的列表，此列表可以从expacy.houge.ch获得，具体方法为：进入/database/info目录，下载serv_ftp.txt文件。GOPHERFTP用户进入一个特定的目录后，只能看到当

27、前目录下的子目录和文件的名称。要想真正看到文件的内容，用户必须把文件下载到本地计算机。为了节省时间，明尼苏达大学的研究者开发了一个系统，使得不必下载就能阅读文本文件。这一程序按照学校的吉祥物被命名为Gopher，这也是分布式文档发送系统这一类特殊的交互式客户-服务器程序的最早的实例之一。Gopher很容易使用，它不要求用户知道所寻找信息的物理位置或地址。所有不同Gopher站点存贮的信息都以一个固定的层次结构组织起来，用户用鼠标点击就可以浏览这一切。同样用鼠标点击的方法用户还可以在互连的Gopher站点（称作Gopher holes）中从一个站点转到另一个站点。Macintosh上的主要Gop

28、her浏览程序叫做Turbo Gopher，如图1.5所示。万维网尽管Gopher解决了很多信息传输的问题，但只能用于发布文本。Gopher还从概念上启发了一个重要的思想，从而导致了下一代可以传送图象、声音以及影象的文档传送系统的开发。欧洲原子能研究委员会1989年开始的研究提供了万维网的基础，从此一种新的可以处理多种非文本材料的媒体诞生了。漫游和Gopher相比，在网页中漫游不需要用户知道有关所查找信息的详细地址。只要单击特定的文本、按钮或图片就可以进行漫游，这些可点击的元素总称为超文本链接。一旦点击了一个超文本链接，用户就会被带到其它的网点。与Gopher不同的是，这个新的地点不一定是一个

29、层次结构的上一个或下一个地点，超文本链接可以将用户带到同一个网站的其它地方或世界另一边的网点。WEB上的每一个文档称作一个网页，一个专门的服务器上的所有网页总称为一个网站。严格地用超文本链接进行漫游也被称为WEB冲浪。用户可以通过键入地址来更为直接的找到信息。WEB的一大特点就是：用户用来浏览网页的程序（浏览器）也可以同样的用于访问Gopher和FTP站点，从而在一定程度上避免了对专门的Gopher和FTP应用程序的需求。为此引入了一个统一的命名规则，它不仅可以告诉浏览器远距离站点的位置，更为重要的是可以告诉浏览器远距离站点信息的类型，使得浏览器可以正确显示。这种标准格式的地址就称为统一资源定

30、位器（简称URL），其一般格式为：协议：/计算机.域。其中协议表示站点的类型，计算机.域表示站点的位置（见表1.2）。网站URL中的http代表超文本传输协议，是主机向客户传送网络文件的方法之一。浏览器之战浏览网页的浏览器是连接远距离站点的客户服务器应用程序，它从所连接的站点中下载用户请求的信息，并显示在用户监视器上，然后断开连接。从远距离主机上所获得的信息以一种与平台无关的格式存在，这种格式称为超文本标识语言（简称HTML）。HTML代码是纯文本代码，文档中所有的图形和声音都以单独的、通用的文件格式存在（例如：图形以GIF格式保存和传送，GIF是CompuServe开发的用于快速有效地传送图

31、形的格式）。正因为如此，浏览器才可以显示任何类型（Macintosh、PC或UNIX）计算机上的所有网页。浏览器总是先显示网页的文本内容，然后再显示正在下载的页面的其它内容。只要这些平台使用的是同一个公司的浏览器，同样的网页就会以大体相同的模样显示，很少有例外。“浏览器之战”的主角是网景公司的航海家（Navigator），目前占据了大约80%的浏览器市场。网景是Marc Andreesen和其同事开发出来的，它是NCSA Telnet（第一个被广泛使用的网络浏览器）的派生产品。网景开发队伍中的大多数人来自NCSA，他们在意识到开发WEB技术的重要商业意义之后离开了NCSA。通过多年来让客户免费

32、使用浏览器，只是依靠WEB服务器和其它产品赢利的战略，网景获得了现有的市场占有率。现在网景还可以从其站点免费下载，但新版本只能免费使用90天，而且用于教育机构时可以免费。网景有一些公认的缺点，例如笨拙的书签系统、难以显示和定位采用框架结构的网页、经常性的停止或崩溃，但是它已经可以满足大多数用户浏览页面的要求。网景最主要的竞争对手来自微软公司，微软的浏览器产品IE(Internet Explorer)正在挑战网景市场份额第一的地位。微软的战略是把IE作为免费的软件让用户直接从其网站下载。IE在取代目前的AOL专利浏览器后也会获得一些份额。AOL专利浏览器已经被公认为毫无是处、缺陷多多，AOL宁愿把IE给自己的用户，也不愿意重新设计新的浏览器，这使得IE立即获得了一千万用户。另外，IE已经和Windows95操作系统捆绑起来，微软进一步计划将IE集成到操作系统中去，从而使得Windows95用户实际上将IE作为他们的桌面。相比网景，IE有一些主要的优点：页面装入较快、浏览器更加稳定、处理多框架页面效果更好。随着这两种浏览器版本的提高，用户将会发现两