生物信息学王晶晶蔡赫编著北京

Size: px

Start display at page:

Download "生物信息学王晶晶蔡赫编著北京"

海权史
5 years ago
Views:

1 BIOINFORMATICS 王晶晶蔡赫编著出版社

2 生物信息学王晶晶蔡赫编著北京

3 内容简介本书从生物信息学的发展史着手, 系统介绍了生物信息学的生物学基础数据库及检索序列对比分子进化与系统发生分析蛋白质的结构预测蛋白质组信息学基因芯片和药物基因组学等内容本书可作为对生物信息学感兴趣的学生和刚接触生物信息学领域的研究人员的参考书, 也可以为计算机领域的研究人员补充生物学的相关知识本书封面贴有清华大学出版社防伪标签, 无标签者不得销售版权所有, 侵权必究侵权举报电话 : 图书在版编目 (CIP) 数据生物信息学 / 王晶晶, 蔡赫编著. 北京 : 清华大学出版社,2014 ISBN Ⅰ. 1 生 Ⅱ. 1 王 2 蔡 Ⅲ. 1 生物信息论 Ⅳ. 1Q 中国版本图书馆 CIP 数据核字 (2014) 第号责任编辑 : 崔伟马遥遥封面设计 : 牛艳敏版式设计 : 方加青责任校对 : 曹阳责任印制 : 出版发行 : 清华大学出版社网址 : 地址 : 北京清华大学学研大厦 A 座邮编 : 社总机 : 邮购 : 投稿与读者服务 : ,c-service@tup.tsinghua.edu.cn 质量反馈 : ,zhiliang@tup.tsinghua.edu.cn 印刷者 : 装订者 : 经销 : 全国新华书店开本 :148mm 210mm 印张 :7.75 字数 :212 千字版次 :2014 年 6 月第 1 版印次 :2014 年 6 月第 1 次印刷定价 :28.00 元产品编号 :

4 前言生物信息学是一门交叉学科, 其实质是利用数理知识信息和计算机科学与技术来研究生物学信息的组织传递和表达规律等问题, 从事这方面工作的研究者需要掌握一定程度的生物学和计算机科学的相关知识, 而这两门学科的差别很大, 因此计算机科学领域的研究人员需要补充一些生物学知识, 生物学领域的研究人员也需要学习信息分析理论计算机技术及常用的分析工具近年来, 随着生物学各领域研究的不断进步, 生物学的各类数据激增, 庞大的数据量蕴含着大量的生物分子序列的信息结构与功能的信息, 如何利用这些数据去探究隐藏其后的人类尚不了解的知识, 是生物信息学面临的严峻挑战编著本书的目的是为那些对生物信息学感兴趣或刚接触生物信息学领域的研究人员提供参考, 也为计算机领域的研究人员补充生物学的相关知识全书共分 9 章 : 第 1 章主要介绍了生物信息学的产生发展研究内容应用和生物信息学相关研究人员应具备的基本知识和技能 ; 第 2 章介绍了生物学的基础知识, 包括生物学的模式生物生物大分子及其结构中心法则和基因组的结构 ; 第 3 章介绍了生物信息学的核酸数据库蛋白质数据库大分子结构数据库及数据库的搜索和集成等 ; 第 4 章介绍了序列的相似性序列的两两对比和多重对比 ; 第 5 章介绍了分子进化系统发生分析系统发生树的构建方法及其可靠性 ; 第 6 章介绍了蛋白质的二级结构预测和空间结构预测 ; 第 7 章介绍了蛋白质组信息学及

5 生物信息学其相关资源和应用 ; 第 8 章介绍了基因芯片及其数据分析 ; 第 9 章介绍了药物基因组学计算机辅助药物设计及基因诊断和治疗其中王晶晶 ( 牡丹江师范学院 ) 编写了第 1~4 章的内容, 蔡赫 ( 牡丹江师范学院 ) 编写了第 5~9 章的内容, 全书循序渐进, 由浅入深, 希望对不同层次的读者提供帮助, 为生物信息学的普及研究和应用起到积极的推动作用感谢清华大学出版社的支持和帮助, 在书稿完成之际, 也对家人和同事的无私支持表示由衷的谢意本书引用了一些本学科的相关专著和教材, 主要有孙啸陆祖宏和谢建明 (2005) 的生物信息学基础陶士珩 (2007) 的生物信息学叶子弘 (2011) 的生物信息学李巍 (2004) 的生物信息学导论张阳德 (2004) 的生物信息学和蔡禄 (2007) 的生物信息学教程, 在此对这些文献的作者致以衷心的感谢同时, 由于水平有限, 书中难免有错误和疏漏之处, 敬请读者给予指正王晶晶蔡赫 2014 年 3 月 II

6 目录第 1 章生物信息学引论生物信息学的产生和发展生物信息学的研究内容生物分子数据库序列对比基因表达数据的分析蛋白质结构预测生物信息学的应用获取生物的完整基因组发现新的基因基因单核苷酸多态性分析研究基因组中非编码蛋白质区域的结构与功能在基因组水平研究生物进化全基因组的比较研究蛋白质组学研究基因功能预测新药设计遗传疾病的研究生物芯片 16

7 生物信息学 1.4 生物信息学研究人员应具备的基本知识和技能生物学基础数学统计方法掌握常用的分析工具适应在使用命令行的计算机环境下工作掌握计算机编程技能动态规划机器学习与模式识别技术数据库技术人工神经网络技术专家系统分子模型化技术生物分子的计算机模拟 22 第 2 章生物学基础模式生物华美广杆线虫黑腹果蝇斑马鱼大肠埃希菌酿酒酵母拟南芥小鼠生物大分子及其结构蛋白质的结构和功能遗传信息载体 DNA 分子生物学中心法则 DNA 的复制转录 53 IV

8 目录翻译 mrna 的反转录与 cdna 基因组结构染色体结构基因的结构原核生物基因组真核生物基因组 58 第 3 章生物信息数据库及其信息检索生物信息数据库概述核酸数据库 GenBank EMBL-Bank DDBJ 基因组数据库表达序列标记数据库 dbest 序列标记位点数据库 dbsts 面向基因聚类数据库 UniGene 蛋白质数据库 PIR SWISS-PROT TrEMBL 生物大分子结构数据库 PDB MMDB 其他数据库数据库的搜索和集成数据库的搜索数据库的集成 84 V

9 生物信息学第 4 章序列对比序列的相似性两两对比核酸得分矩阵蛋白质得分矩阵两两比对算法多重对比 109 第 5 章分子进化与系统发生分析分子进化中性突变遗传漂变分子进化速率与分子钟分子系统发生分析系统发生树的构建方法距离法最大简约法最大似然法系统发生树的可靠性自举检验参数检验 137 第 6 章蛋白质结构预测蛋白质二级结构预测 Chou-Fasman 方法 GOR 方法基于氨基酸疏水性的预测方法最邻近方法综合法 152 VI

10 目录 6.2 蛋白质空间结构预测同源模型化方法线索化方法从头预测方法预测方法评价 166 第 7 章蛋白质组信息学蛋白质组学概述蛋白质组信息学蛋白质序列数据库蛋白质序列二次数据库蛋白质结构数据库蛋白质结构二次数据库蛋白质组资源数据库蛋白质组信息学相关资源与应用前景 179 第 8 章基因芯片基因芯片概述基因芯片数据分析差异基因表达分析聚类分析判别分析其他分析 198 第 9 章药物基因组学药物基因组学概述药物个体反应性的遗传基础药物遗传性状的鉴定方法药物研发的基本过程 206 VII

11 生物信息学 9.2 计算机辅助药物设计间接药物设计直接药物设计基因诊断与治疗基因诊断基因治疗 223 参考文献 232 VIII

12 第 1 章生物信息学引论

13 生物信息学生物信息学是跨越生命科学和信息科学两大领域的学科, 是计算机生物数学等多学科交叉的新兴学科分支, 它主要利用应用数学信息学统计学和计算机科学的方法研究生物学的问题目前的生物信息学基本上只是分子生物学与信息技术 ( 尤其是互联网技术 ) 的结合体生物信息学的研究材料和结果就是各种各样的生物学数据, 其研究工具是计算机, 研究方法包括对生物学数据的搜索 ( 收集和筛选 ) 处理( 编辑整理管理和显示 ) 及利用 ( 计算模拟 ) 目前主要的研究方向有 : 序列比对基因识别基因重组蛋白质结构预测基因表达蛋白质反应的预测, 以及建立进化模型生物信息学是 20 世纪 80 年代末随着人类基因组计划的启动而兴起的一门新的交叉学科, 最初常被称为基因组信息学广义地说, 生物信息学是用数理和信息科学的理论技术和方法去研究生命现象组织和分析呈现指数增长的生物数据的一门学科目前该学科主要涉及的生物数据是遗传物质的载体 DNA 及其编码的大分子蛋白质生物信息学以计算机为主要工具, 发展各种软件, 对逐日增长的浩如烟海的 DNA 和蛋白质的序列及结构进行收集整理储存发布提取加工分析和研究, 目的在于通过这样的分析逐步认识生命的起源进化遗传和发育的本质, 破译隐藏在 DNA 序列中的遗传语言, 揭示生物体生理和病理过程的分子基础, 为探索生命的奥秘提供最合理和有效的方法或途径生物信息学已经成为生物医学农学遗传学细胞生物学等学科发展的强大推动力量, 也是药物设计环境监测的重要组成部分生物信息学作为采用计算机技术和信息论方法研究生命科学中各种生物信息的表达采集储存传递检索分析和解读等的一门科学, 发展十分迅速, 研究内容日益扩展, 新的研究方法不断涌现, 成为 2

14 第 1 章生物信息学引论了 21 世纪生物科学研究的热点 1.1 生物信息学的产生和发展生物信息学这一名词最早出现在 1956 年美国田纳西州的 Gatlinburg 召开的首次生物学中的信息理论讨论会上 1987 年, 林华安博士正式把这一学科命名为生物信息学 (Bioinformatics) 美国人类基因组计划实施五年后的总结报告中, 对生物信息学作了以下定义 : 生物信息学是一门交叉科学, 它包含了生物信息的获取处理存储分发分析和解释等在内的所有方面, 综合运用数学计算机科学和生物学的各种工具, 来阐明和理解大量数据所包含的生物学意义 1962 年,Zucherkandl 和 Pauling 开创了一个全新的研究领域分子进化, 主要研究分析序列变化与进化之间的关系 ;1967 年,Dayhoff 收集了已知的氨基酸序列, 即蛋白质序列与结构图册, 该图册后来演变为著名的蛋白质信息源 PIR, 这一时期被认为是生物信息学形成的雏形 20 世纪 70 年代初期到 80 年代初期, 随着生物化学技术的迅速发展,DNA 测序方法的出现产生了许多生物分析序列的数据, 随之出现了一系列著名的序列比对方法和生物信息分析方法 1970 年,Needlenman-Wunsch 序列比对算法的提出是生物信息学发展中最重要的里程碑 ; 同年,Gibbs 和 McIntyre 提出矩阵打点作图法 ; 1972 年,Gatlin 将信息论引入序列分析 ;Dayhoff 提出基于点突变模型的 PAM 矩阵 ;1975 年,Pipas 和 McMahon 提出可以运用计算机技术预测 RNA 的二级结构 ;1977 年,Staden 利用计算机软件分析 DNA 序列 ;1978 年,Gingeras 等研发出核酸序列中限制性酶切位点的识别软件 ;1980 年, Science 第 209 卷发表了关于计算分子生物学的综述 ;1981 年,Smith 和 Waterman 提出了著名的公共子序列识别算法 ; 同年,Doolittle 提出了序列模序的概念 ;1982 年,λ- 噬菌体基因组被测序 ;1983 年,Wilbur 和 Lipman 提出了数据库相似序列搜索算法 ;1985 年, 出现了快速的蛋白质序列搜 3

15 生物信息学索算法 FASTP/FASTN;1988 年,Person 和 Lipman 发表了序列比对算法 FASTA;1990 年, 快速相似序列搜索算法 BLAST 问世 ;1991 年, 表达序列标签 (EST) 概念被提出, 从此开创 EST 测序 ;1997 年,BLAST 的改进版本 PSI-BLAST 进入实际应用 ;1998 年,PhilGreen 等人研制的自动测序组装系统 Phred-Phrap-Consed 系统正式发布 20 世纪 80 年代以后, 大批生物信息服务机构和生物信息数据库陆续出现 1982 年, 公开发行核酸数据库 GenBank;1986 年, 日本核酸序列数据库 DDBJ 诞生 ; 同年, 蛋白质数据库 SWISS-PROT 开始使用 ;1988 年, 美国国家卫生研究所和美国国家图书馆成立国家生物技术信息中心 NCBI; 同年, 成立欧洲分子生物学网络 (EMBnet), 三大核酸数据库 (GenBank EMBL 和 DDBJ) 开始国际合作截至 2000 年年底, 数据库数据达到了 100 亿, 大量生物 ( 包括我们人类自身 ) 的整个基因组序列被测定完成或正在进行中, 遍布世界各地的实验室的大型测序仪日夜不停地运转, 每天都有成千上万的数据被源源不断地输入相应的生物信息库中 20 世纪 90 年代以后, 科学家们开始大规模的基因组研究 1986 年, 出现基因组学概念 ;1990 年, 被誉为生命科学的阿波罗登月计划的国际人类基因组计划启动 ;1993 年, 专门从事基因组研究的 Sanger 中心启动 ;1995 年, 第一个细菌基因组被完全测序 ;1996 年, 酵母基因组被完全测序 ; 同年,Affymetrix 生产出第一块 DNA 芯片 ;1998 年, 第一个多细胞生物线虫的基因组被完全测序 ;1999 年, 果蝇的基因组被完全测序 ;1999 年年底, 国际人类基因组计划联合研究小组宣布人类第一次获得一对完整的人类染色体第 22 对染色体的遗传序列 2000 年 6 月 24 日, 人类基因组计划协作组的 6 个国家研究机构在全球同一时间宣布已完成人类基因组的工作框架图图 1.1 为 2001 年 2 月 15 日和 16 日 Nature 和 Science 的人类基因组专刊封面, 其中 Science 封面上的 5 位成年人分别为 Celera 公司人类基因组测序计划基因材料的提供者图 1.2 描绘了从 1973 年以来生物医学文献数据库 PubMed 中收集的与生物信息学相关论文的历年统计结果, 清楚地通过有 4

第 1 章生物信息学引论关生物信息学论文数量的变化展示了生物信息学的形成初期和迅速发展期表 1.

1 Nature 和 Science 人类基因组专刊封面图 1.2 PubMed 中与生物信息学相关论文统计表 1.

Needleman and Wunsch,1970 Lee and Richards,1971 Chou and Fasman,1974 论文 First use of molecular sequences

16 第 1 章生物信息学引论关生物信息学论文数量的变化展示了生物信息学的形成初期和迅速发展期表 1.1 是 Ouzounis 和 Valencia 在 2003 年总结的截止到 20 世纪 90 年代初影响生物信息学发展的 20 篇经典文章图 1.1 Nature 和 Science 人类基因组专刊封面图 1.2 PubMed 中与生物信息学相关论文统计表 1.1 截止到 20 世纪 90 年代初影响生物信息学发展的 20 篇经典文章作者 Zuckerkandl and Pauling,1965b Fitch and Margoliash,1967 Needleman and Wunsch,1970 Lee and Richards,1971 Chou and Fasman,1974 论文 First use of molecular sequences for evolutionary studies Use of molecular sequences to build trees First implementation of dynamic programming for protein sequence comparison Calculation of accessibility on protein structures First secondary structure prediction method 5

17 生物信息学作者 Tanaka and Scheraga,1975 Dayhoff,1978 Hagler and Honig,1978 Doolittle,1981 Felsenstein,1981 Richardson,1981a Kabsch and Sander,1984 Novotny et al.,1984 Chothia and Lesk,1986 Doolittle,1986 Feng and Doolittle,1987 Lathrop et al.,1987 Ponder and Richards,1987 Altschul et al.,1990 Bowie et al.,1991 论文 Simulation of protein folding First collection of protein sequences ( 续表 ) 表 One of the first statistical treatments of evolutionary tree construction S e m i n a l p a p e r e x a m i n i n g d i v e rg e n c e a n d convergence on protein evolution One of the first statistical treatments of evolutionary tree constrction The most comprehensive description of protein structure to that date Discovery with profoud implications for model building by homology and structure prediction The inability of distinguishing correct from incorrect stuctures threw back structure prediction approaches for a long while Examination of divergence between sequence and structure Influential book on sequence analysis The first approach for an efficient multiple sequence alignment procedure,later implemented in CLUSTAL One of the frist application of Artificial Intelligence in protein structure analysis and perdiction The very first threading approach,using sequence enumeration The implementation of a sequence matching algorithm based on Karlin s statistical work The first implementation of protein structure prediction using threading 1.2 生物信息学的研究内容生物信息学的主要任务是研究生物分子数据的获取存贮和查询, 6

18 第 1 章生物信息学引论发展数据分析方法主要包括三个方面 : 第一是收集和管理生物分子数据, 使得生物学研究人员能够方便地使用这些数据, 并为信息分析和数据挖掘打下基础生物分子数据来自于生物学实验, 应用信息学技术收集和管理这些数据, 将各种数据以一定的表示形式存放在计算机中, 建立数据库系统, 并提供数据查询搜索和数据通讯工具第二是进行数据处理和分析通过数据分析, 发现数据之间的关系, 认识数据的本质, 进而上升为生物学知识并在此基础上, 解释与生物分子信息复制传递和表达有关的生物过程, 解释在生物过程中出现的信息变化与疾病的关系, 帮助发现新的药物作用目标, 设计新的药物分子, 为进一步的研究和应用打下基础生物分子信息处理流程见图 1.3 目前生物信息学的主要研究对象是 DNA 和蛋白质在 DNA 分析方面, 着重分析 DNA 序列中的基因信息及基因表达调控信息, 并分析基因之间的相互作用关系, 比较不同种属的基因组, 研究基因组中非编码区域的生物学功能在蛋白质分析方面, 着重分析蛋白质序列与蛋白质结构及功能之间的关系, 预测蛋白质的结构和功能, 研究蛋白质的进化关系图 1.3 生物信息处理流程生物信息学研究的第三个方面是开发分析工具和实用软件, 解决具体的问题, 为具体的生物信息学应用服务例如, 开发生物分子序列比较工具基因识别工具生物分子结构预测工具基因表达数据分析工具等生物分子数据库目前, 已经获得 100 多万个蛋白质的序列, 已被测定空间结构的蛋白 7

19 生物信息学质也达到 2 万多个, 海量核酸序列数据的收集和管理是其他后续工作的基础, 世界各国研究人员建立了专门的机构进行这项工作并共享这些研究成果对于核酸序列数据库, 欧洲的 EMBL(European Molecular Biology Laboratory, 位于英国剑桥 ) 美国的 GenBank( 位于美国国家卫生研究院 ) 和日本的 DDBJ(DNA Databank of Japan) 最具权威, 这三个大型数据库于 1988 年达成协议, 组成合作联合体它们每天交换信息, 并对数据库 DNA 序列记录的统一标准达成一致每个机构负责收集来自不同地理分布的数据 (EMBL 负责欧洲,GenBank 负责美洲,DDBJ 负责亚洲等 ), 然后将来自各地的所有信息汇总在一起,3 个数据库共同享有并向全世界开放, 故这三个数据库又被称为公共序列数据库 DNA 序列数据库的增长是飞速的,EMBL 核酸数据近 20 年的增长情况充分说明了这一点, 如表 1.2 所示从历史上看, 每 22 个月, 数据库的数据规模将翻一番, 而且随着表达序列标签 (EST) 数据的迅猛增长, 这一速率已快速递增为了有效地管理如此庞大的数据, 数据库数据根据物种分为几类, 每个记录都被严格地归入某一类中每一类用 3 个字母代码表示 ( 见表 1.3), 同时每一类的数据文件往往又分成一定的亚类, 如 EST 类数据文件 ( 见表 1.4) 这些分类有助于我们便捷地进入数据库的相关部分这些分类并非一成不变, 随着时间的推移可能进行一定的修正表 1.2 EMBL 数据库 DNA 序列数据增长情况数据库报告释放日期记录数核苷酸数 Release 年 6 月 Release 年 12 月 Release 年 11 月 Release 年 12 月 Release 年 12 月 Release 年 12 月 Release 年 12 月

20 第 1 章生物信息学引论 ( 续表 ) 表数据库报告释放日期记录数核苷酸数 Release 年 12 月 Release 年 12 月 Release 年 12 月 Release 年 12 月 Release 年 12 月 Release 年 12 月 Release 年 12 月 Release 年 12 月 Release 年 12 月 Release 年 12 月表 1.3 EMBL 数据库 2004 年 12 月数据状况 (Release 81) 类别代码记录数核苷酸数表达序列标签 (ESTs) EST 真菌 (Fungi) FUN 基因组检测序列 (Genome Survey Sequenecs) GSS 高通量基因组 (High Throughput Genome) HTG 人 (Human) HUM 无脊椎动物 (Invertebrates) INY 其他哺乳动物 (Other Mammals) MAM 细胞器 (Organelles) ORG 专利 (Patents) 噬菌体 (Bacteriophage) PHG 植物 (Plants) PLN 原核生物 (Prokaryotes) PRO 啮齿类动物 (Rodents) ROD 序列标签位点 (STSs) STS 合成 (Synthetic) SYN 未分类 (Unclassified) UNC 病毒 (Viruses) VRL 其他脊椎动物 (Other Vertebrates) VRT 总和 (Total)

21 生物信息学表 1.4 EMBL 数据库 EST 数据文件分类情况 (Release 81) 亚类数据文件名说明 Est_fun.dat Est_fun05.dat 真菌 EST Est_hum.dat Est_hum57.dat 人 EST Est_inv.dat Est_inv31.dat 无脊椎动物 EST Est_mam.dat Est_mam11.dat 哺乳动物 EST Est_pln.dat Est_pln55.dat 植物 EST Est_pro.dat Est_pro01.dat 原核生物 EST Est_rod.dat Est_rod07.dat 啮齿类动物 EST Est_vrt.dat Est_vrt27.dat 脊椎动物 EST 对于蛋白质序列数据库, 美国的 PIR 瑞士的生物信息学研究所和欧洲各分子生物学实验室共同维护的 SWISS-PROT 最著名, 目前这两个数据库在 EMBL 和 GenBank 数据库上均建立了镜像站点 SWISS- PROT 数据库包括了从 EMBL 翻译而来的蛋白质序列, 这些序列均经过检验和注释, 该数据库主要由日内瓦大学医学生物化学系和欧洲生物信息学研究所 (EBI) 合作维护但是 SWISS-PROT 的数据存在一个滞后问题, 即把 EMBL 的 DNA 序列准确地翻译成蛋白质序列并进行注释需要一定的时间, 一大批含有开放阅读框 (ORF) 的 DNA 序列尚未列入 SWISS- PROT 为了解决这一问题,TREMBL(Translated EMBL) 被建立了起来 TREMBL 也是一个蛋白质数据库, 它包括了所有 EMBL 库中的蛋白质编码区序列, 提供了一个非常全面的蛋白质序列数据源, 但这势必导致其注释质量的下降 PIR 数据库的数据由美国国家生物技术信息中心 (NCBI) 翻译自 GenBank 的 DNA 序列 PIR 根据注释程度 ( 质量 ) 分为 4 个等级 ( 见表 1.5) 表 1.5 PIR 数据库的分类情况 (Release 80) 分类名称说明记录数 PIR1 分类并注释 (Classified and annotated) PIR2 注释 (Annotated) PIR3 未核实 (Unverified) 24 PIR4 未翻译 (Unencoded or untranslater)

22 第 1 章生物信息学引论蛋白质结构数据库中以美国 Brookhaven 实验室的 PDB 大分子数据库最著名,PDB 贮存有由 X 射线和核磁共振 (NMR) 确定的结构数据,NRL- 3D 数据库提供了贮存在 PDB 库中蛋白质的序列, 它可以进行与已知结构的蛋白质序列的比较对来自 PDB 中每个已知三维结构的蛋白质序列进行多序列同源性比较的结果, 被贮存在 HSSP 数据库中被列为同源的蛋白质序列很有可能具有相同的三维结构,HSSP 因此根据同源性给出了 SWISS-PROT 数据库中所有蛋白质序列最有可能的三维结构除了这些数据库, 还有表达序列标记数据库序列标记位点数据库蛋白质序列功能位点数据库等具有专门功能的数据库对于新获得的分子序列, 研究人员可以通过相应的数据库搜索到与其同源的已知序列, 从而推测其生物功能, 进而确定 DNA 序列的编码区域预测蛋白质的结构和功能等序列对比序列对比是把两个序列的字符按照对应或置换关系进行对比排列, 目的是找出两个序列共有的排列顺序, 即在什么部位两个序列相似, 在什么部位两个序列存在差别目前在序列搜索方面 BLAST 和 FASTA 是效率较高的两个程序, 它们能够根据所给定的目标序列, 从 DNA 序列数据库或蛋白质序列数据库中快速地找出相似序列, 目前它们已被广泛地应用于 DNA 或蛋白质的序列分析多重序列比对研究的是多个序列的共性, 序列的多重比对可用来搜索基因组序列的功能区域, 也可用于研究一组蛋白质之间的进化关系在蛋白质研究方面, 除序列数据库搜索之外, 还有结构数据库搜索, 两个序列不相似的蛋白质有可能具有相似的空间结构基因表达数据的分析最早的生物信息学数据分析的对象只是单个或几个分子, 而现在一块生物芯片的信息含量就有几千个, 数据处理量剧增, 研究高效准确 11

23 生物信息学的基因表达数据的分析方法也是今后生物信息学发展的一个重要方向现在的处理方式主要是进行聚类分析, 即将表达模式相似的基因聚类, 分析其功能, 但这种方法只能发现基因之间的线性关系最近建立的一些数学模型如布尔网络模型线性关系网络模型微分方程模型等为今后更深层次的研究奠定了基础蛋白质结构预测一切生命活动都与蛋白质有关, 分析蛋白质的数据预测蛋白质的结构对研究其功能具有重要意义蛋白质的结构预测分为二级结构预测和空间结构预测, 研究表明, 二级结构的形成与氨基酸残基的存在方式 ( 即它是处于 α 螺旋还是 β 折叠 ) 有关目前预测二级结构较成功的软件是基于神经网络的 PHDsec 系统, 该系统使用了序列的局部信息和进化信息, 但其准确率仅仅超过 70%, 预测二级结构的准确率仍有待于提高在空间结构的预测方面, 较成功的是同源模型法, 其原理是相似序列的蛋白质折叠成类似的三维空间结构, 如果一个未知结构的蛋白质序列与一个已知结构的蛋白质序列相似, 就可以根据已知蛋白质的结构为未知蛋白质建立近似的三维结构模型, 通过这种方法可以完成所有蛋白质 10%~30% 的空间结构的预测工作综上, 从生物分子数据的整理到数据库搜索, 从基因组序列和基因表达数据分析到蛋白质结构与功能的研究形成了生物信息学研究的主线生物信息学在计算机相关技术的有力支持下, 已经使生物分子信息的获取存储以及查询等问题基本得到了解决今后, 研究工作将着重于生物分子信息的处理分析和解释, 以期发现新的理论分析方法 12

第 1 章生物信息学引论 1.3 生物信息学的应用 1.3.1 获取生物的完整基因组现在生物信息学提供了自动而高速地拼接序列的算法, 即根据 Lander-Waterman 模型利用鸟枪法进行测序, 再将大量随机测序的片段用计算机进行自动拼接图 1.

24 第 1 章生物信息学引论 1.3 生物信息学的应用获取生物的完整基因组现在生物信息学提供了自动而高速地拼接序列的算法, 即根据 Lander-Waterman 模型利用鸟枪法进行测序, 再将大量随机测序的片段用计算机进行自动拼接图 1.4 为美国华盛顿大学的 Phil Green 教授, 他所研制的自动测序组装系统 Phred-Phrap-Consed 被广泛应用于鸟枪法测序, 其中包括人类基因组计划图 1.4 Phil Green 教授基因组研究的目标是获得所有物种的整套遗传密码, 生物信息学提供了自动高效率的拼接序列的算法, 避免了亚克隆排序所需的大量繁琐工作, 以及导致序列具有的一定冗余性, 从而保证了序列中每个碱基的准确性这是计算量庞大的工作, 需要高性能计算机的大规模并行运算, 因此, 此类工作只有一些高水平测序中心能够完成发现新的基因生物信息学是发现新基因的重要手段之一 EST(Expressed Sequence Tag) 序列是随机产生的, 属于同一基因的很多 EST 序列间必然有大量重复 13

25 生物信息学的小片段, 利用这些小片段作为标志就可以把不同的 EST 连起来, 直到获得全长基因此外, 通过计算分析也可以从基因组 DNA 序列中确定新基因编码区基因单核苷酸多态性分析由于基因单核苷酸多态性 (SNP) 的存在, 生物表型对环境外源物质和药物的反应等各不相同 SNP 在人类基因组中每 300 碱基对就出现一次, 大量存在的 SNP 位点, 使人们有机会通过研究发现与疾病相关的基因组突变并用于高危群体的发现疾病相关基因的鉴定药物的设计测试以及生物学的相关研究等研究基因组中非编码蛋白质区域的结构与功能非编码蛋白质区约占人类基因组的 95%, 其生物学意义尚不明确, 仅推测与基因表达的时空调控有关从事人类基因组编码蛋白质区相关研究的几十位学者获得了诺贝尔奖, 非编码蛋白质区域的编码特征信息调节和表达规律是未来相当长时间内的研究热点在基因组水平研究生物进化随着基因组序列数据的大量增加, 人们对生物的进化方式也有了更深入的研究, 科学家发现了基因可以在同时存在的种群间迁移, 其结果虽然能够导致序列差异, 但这种差异与进化无关在物种演化的漫长历史中, 具有重要作用的是基因组整体而不是个别基因, 因此, 从基因组整体的结构功能来进行基因组整体的进化研究, 将是揭示物种真实演化历史的最佳途径全基因组的比较研究对不同生物的全基因组进行比较分析, 发现基因组之间的差异, 揭 14

26 第 1 章生物信息学引论示其遗传奥秘, 进而探索和解释更多的生物学问题, 如生命的起源进化等全基因组的比较研究使生物信息学的研究更为全面和客观通过比较全基因组科学家们发现 : 基因可以按照功能和系统发生分为与复制转录翻译分子伴侣能量产生离子转运各种代谢相关的若干类基因, 维持生命活动需要最少 250 个基因, 某些核糖体蛋白排列顺序的差异能反映出物种间的亲缘关系, 亲缘关系越近, 基因排列顺序越接近蛋白质组学研究蛋白质组学的研究主要基于二维凝胶电泳技术质谱测序技术和日渐成熟的蛋白质芯片技术二维凝胶电泳技术可以获得某一时间截面上蛋白质组的表达情况, 质谱测序技术可以得到这些蛋白质的序列组成, 而蛋白质芯片技术可以用于研究蛋白质的表达调控信号传导和药物先导化合物的筛选等蛋白质组学研究工作的重点是发现并鉴定在不同生理条件下和不同外界条件下蛋白质组中有差异的蛋白质组分基因功能预测蛋白质的功能是通过其三维高级结构来执行的, 在行使功能的过程中, 其结构也会相应地有所改变, 结构相似的两种蛋白比序列相似的两种蛋白更可能是具有相同生物学功能的两个蛋白质目前蛋白质三维数据库中的数据较少, 因此, 得到大量完整精确和动态的蛋白的三维结构就成为一个紧迫的任务目前获取蛋白质三维结构的方式主要有 X 射线晶体结构分析核磁共振 (NMR) 电子显微镜二维晶体三维重构和计算机辅助预测等方法新药设计了解蛋白质与人类疾病之间的关系是人类基因组计划的目的之一, 15

27 生物信息学近年来随着结构生物学的飞速发展, 许多蛋白质核酸多糖的三维结构得以确定, 生物信息学也成为新药设计的重要辅助手段之一缩短了新药研发的周期, 降低了研发成本, 因此, 生物信息学辅助下的新药设计仍会是未来的研究热点之一遗传疾病的研究有研究表明与癌症相关的基因约有 1000 个, 抑癌基因约有 100 个, 约有 6000 种以上的人类疾病与各种人类基因的变化相关, 图 1.5 描述了通过定位克隆技术寻找疾病基因的过程将遗传和非遗传性疾病的研究与分子基因信息结合, 了解人类全部基因在染色体上的位置序列特征表达规律和产物特征后, 就可以确定各种疾病的分子机制, 最终达到防治疾病的目的图 1.5 通过定位克隆技术寻找疾病基因的过程生物芯片狭义的生物芯片专指基因芯片, 也叫 DNA 微阵列分析, 通过光引导蚀刻平版印刷和分子印章等技术, 实现了以薄片或硅片为载体的极高 16

28 第 1 章生物信息学引论密度的点样, 它具有高度并行化多样化微型化和自动化等特点通过基因芯片技术获得的大量实验数据为生物信息学提供了大量的研究对象, 被广泛应用于基因转录调控基因突变核苷酸序列多态性和序列测定的研究综上所述, 生物信息学研究面广泛, 但远远不止于此相信随着数学相关理论的深入探索和计算机技术的发展, 基于生物信息学的可研究内容必将更为广泛和深入 1.4 生物信息学研究人员应具备的基本知识和技能生物信息学涉及生物学计算机学数学和统计学等多门学科, 从事生物信息学相关研究的工作者可以来自以上任何一个领域而侧重于生物信息学的不同方面生物信息学飞速发展的今天正需要具备各种知识背景的研究人员, 集思广益来应对生物信息学给我们带来的史无前例的挑战, 而作为生物信息学工作者, 也必须具备一些基本的知识和技能生物学基础生物信息学研究者应该具备一定的生物学知识背景, 如生物化学分子生物学分子物理学和分子模型等由于生物信息学归根结底是一门生物学科, 所以必须能够掌握一定的生物学知识并能理解所要解决的生物学问题, 应当带着问题去寻求解决它的方法, 本书的第二章将为缺少生物学背景的读者介绍基本的生物学知识数学统计方法生物学研究需要对大量实验数据进行统计分析, 通过综合分析建立合理的数学模型, 进而描述生物活动过程活动规律或者本质特征数 17

29 生物信息学据统计因素分析多元回归分析是生物学研究必备的工具, 其中, 隐马尔科夫模型 (Hidden Markov Models) 在序列分析方面有着重要的应用, 与隐马尔科夫模型相关的技术是马尔科夫链 (Markov Chain) 对于生物分子序列分析, 马尔科夫链是一个很好的数学统计模型, 因为马尔科夫链本身就是相继发生事件的序列, 其特征是对于事件序列中的任何一个事件都有一个发生概率, 而这个概率依赖于该事件之前的若干个事件掌握常用的分析工具生物信息学研究者应该熟悉生物信息学常用的分析工具, 如 BLAST CLUSTAL HMM 等, 了解主要基因组浏览器的基本原理, 了解生物信息学网站如 NCBI 和 EBI 等, 掌握一两种主要分子生物学软件包的使用, 如用于序列分析的 GCG 和 VECTOR NTI 等此外, 最好掌握一些生物统计中的概率论原理及一些常用的统计软件, 如微软的 EXCEL S+ Sigma Plus SPSS 和 SAS 等适应在使用命令行的计算机环境下工作最早的大中型计算机都使用 Unix 操作系统, 大多数计算生物学的软件工具也是为 Unix 所写的,Unix 具有可塑性好便于自动化软件发放简单的优点, 但它对计算机硬件有着严格的要求, 无法在个人计算机上使用 Linux 是近十几年发展起来的操作系统, 它属于源程序开放的 Unix 操作系统, 因此, 它具备 Unix 的所有优点同时, 对硬件无特殊要求, 在个人机上也可以使用, 因此,Linux 自推出后备受推崇, 可以将多台计算机构成一个机组, 用于平行计算, 提供强大的计算能力, 因此, 掌握 Linux 对从事生物信息学的研究者来说是十分必要的掌握计算机编程技能尽管大多数生物信息学相关研究者的工作不是编写复杂的计算机程 18

30 第 1 章生物信息学引论序, 但是由于平时接触到的数据往往来自不同的格式, 经常需要互相转换为特殊的固定格式, 因此, 掌握一定程度的编程技能是必要的, 如 C/ C++ PERL 和 PYTHON 等 PERL 具有易学使用方便擅长长字符串的处理属于开放源程序等优点而在生物信息学研究中最为流行, 适用于各平台的 PERL 软件均可以从上免费获取由于开放源程序运动的结果, 大量常用的 PERL 模块和对象已由非营利的 BIOPERL 机构免费提供, 其网址是和为生物信息学的研究提供了极大的方便动态规划动态规划是一种解决多阶段决策问题的最优化方法, 或复杂空间的优化搜索方法, 它将一个问题的全局解分解为局部解, 顺序递推求出局部最优解随着执行过程的推进, 局部逐渐接近全局, 最终获得全局最优解动态规划是生物信息学中一种基本的优化方法, 在 DNA 序列或者蛋白质序列的比对基因识别 RNA 结构预测隐马尔科夫模型求解生物分子探针优化设计等方面有着重要的应用机器学习与模式识别技术机器学习属于人工智能技术, 是以计算机为工具, 模拟人类的学习过程从而获取知识积累经验, 重点在于研究计算机获取知识的过程在具体应用中, 必须首先写好机器学习程序, 通过对训练数据的分析和反馈, 不断提高解决问题的能力模式识别是利用计算机对客体进行鉴别, 将相同或者相似的客体归入同种类别中模式识别的关键是通过数据分析, 提取分类对象的本质特征, 建立分类特征模型, 在此基础上设计模式分类规则和分类器, 判别待识别模式的分类情况模式识别主要有两种方法, 一种是根据对象的统计特征进行识别, 另一种是根据对象的结构特征进行识别在生物 19

31 生物信息学信息学中, 无论是基因识别, 还是 DNA 序列上的功能位点和特征信号的识别, 或者是蛋白质序列特征分析, 都需要用到模式识别数据库技术数据库是将从多个内容相关物理和逻辑上相互独立的数据源中提取的面向主题的数据, 通过 Internet 将其复制到数据存储中心, 并重新组织与集成数据仓库为特定的应用提供服务, 提供统一的用户接口, 用户可以借助于数据仓库直接完成对多种数据的查询分析和决策数据挖掘, 是指从大量不完全的有噪声的模糊的或者随机的数据中提取潜在的人们事先不知道但又有用的信息和知识, 是数据仓库技术最重要的特点, 主要采用人工智能中的机器学习知识处理神经网络等技术, 将传统统计分析算法计算智能方法与数据库技术相结合数据挖掘过程如图 1.6 所示, 应用领域的不同, 数据的类型也不相同, 如关系数据结构化数据超文本数据多媒体数据空时数据等一个强大的数据挖掘系统应能高效地处理这些纷杂的数据类型图 1.6 数据挖掘过程人工神经网络技术人工神经网络 (Artificial Neural Network,ANN) 是通过模拟人脑神经元的特性以及人脑的大规模并行结构信息的分布式和并行处理等机制建立的一种数学模型人工神经网络具有智能信息处理的特点, 它利用计算机来模拟生物体中神经网络的某些结构和功能, 采集数据, 建立数学模型, 以此完成模式特征的提取分类和识别等功能人工神经网络是一个高度复杂的非线性动力学系统, 它具有较强的自学习自组织自适应记忆联 20

32 第 1 章生物信息学引论想和推理等能力, 并能处理噪声数据, 具有自容错性在生物信息学中, 使用最多的神经网络模型是反向传播神经网络 (Back Propagation Neural Network,BP 网 ) BP 网被认为是稳定性和鲁棒性较强的人工神经网络之一, 而且属于有监督学习的网络模型标准的 BP 网由三层神经元组成 : 输入层隐藏层和输出层输入层是从外界环境接受信息 ; 输出层则给出神经网络系统对外界环境的反应 ; 隐藏层不像输入输出层那样和外界有着直接的联系, 它从网络内部接受信息, 所产生的输出也只用于神经网络系统中的其他处理单元, 主要是完成整个网络的非线性特征提取专家系统专家系统 (Expert System) 是一种基于知识的智能系统, 它将领域专家的经验用一定的知识表示方法表示出来, 并放入知识库中, 供推理机使用专家系统一般由六个部分组成 : 知识库数据库知识获取部分推理机解释机构和使用界面知识库用于存储从专家处得到的关于某一特定领域的专门知识和经验 ; 数据库用于存储有关领域问题的事实数据初始状态和推理过程中得到的各种中间数据及中间目标 ; 知识获取是由知识工程师向领域专家采集或利用机器抽取出有用的新知识 ; 推理机是按一定的推理策略, 根据当前输入的数据和知识来解决问题 ; 解释机构用于向用户解释系统的结论并回答用户提出的各种问题 ; 使用界面用于向专家收集新知识和接受用户信息, 并将系统处理结果返回用户分子模型化技术分子模型化是利用计算机模拟分子结构研究分子之间相互作用的一种技术, 主要基于分子图形学来构建分子模型分子图形学运用计算机图形学的方法和技术, 以用线状模型球棒 21

33 生物信息学模型空间填充模型等显示分子的三维结构理化特性电子学特性分子间的相互作用, 可以直观地观察 DNA 的双螺旋结构双链走向碱基间的氢键配对, 也可以看到蛋白质分子的结构骨架外观形状等生物分子的计算机模拟生物分子的计算机模拟就是从分子或者原子水平上的相互作用出发, 建立分子体系的数学模型, 利用计算机进行模拟实验, 预测生物分子的结构和功能, 预测动力学及热力学等方面的性质计算机模拟的过程是首先为待模拟的分子体系建立模型, 然后进行模拟实验, 最后分析模拟结果, 与已知的实验现象对照比较, 验证并改进直至模型合理, 最后进入计算机模拟实验 22

Microsoft Word - FM{new}.doc

Microsoft Word - FM{new}.doc Lanczos 方法 Louis Komzsik 著张伟廖本善译演变与应用清华大学出版社北京内容简介 Lanczos 方法是 20 世纪计算数学方向最有影响的方法之一, 并且已经在工程中得到了广泛应用. 本书兼顾了 Lanczos 方法的理论演变和工程中的实际应用, 其内容分为两部分 : 第一部分阐述了方法的演变, 并提供了具体算法 ; 第二部分讨论了工业中的实际应用, 包括常用的模态分析

生物信息学 王晶晶蔡赫编著 北 京

生物信息学王晶晶蔡赫编著北京