《生物信息学导论》算法和分析研究题目

《生物信息学导论》算法和分析研究题目

“生物学中有着至少500年也解决不完的有趣问题。”

——Donnald E. Knuth

经过近一个学期的共同学习，我们对几种基本的生物信息学算法已经有所了解。透过一扇小小的窗户，遥望了这个生机蓬勃、充满魅力的新型交叉学科领域。“问渠哪得清如许？为有源头活水来。”生物信息学/系统生物学之所以成为当今广泛应用的“时髦”学科，主要来源于现代生命科学在过去半个世纪的迅速发展和伟大成就，以及由此产生的呈爆炸性增长的生物分子数据。更重要的是，探索生命奥秘的动力使得越来越多的科学家和未来的科学家深刻地认识到：我们今天取得的科学成就在神圣的生命和灿烂的星空面前，仍然显得那么渺小和微不足道。今后的生命科学研究，应该摒弃门户的偏见，以博大的胸怀接纳每一个有创新思想、有关怀意识的青年天才，不管他是来自生物学背景还是物理、数学或计算机等学科背景；唯一的评判标准就是这种多学科的交叉、渗透和参与，能否推动生命科学的发展，能否使得我们对生命奥秘的认识更进一步。

生物序列分析作为计算生物学的源头性问题之一，也同样包含了许多经典的生物信息学算法及其应用。古人云：“纸上得来终觉浅，绝知此事要躬行。”为了以管窥豹，我们选取了两类序列数据，作为本课程的算法实践对象。一类是大肠杆菌（Escherichia coli K-12 MG1655）的全基因组序列，作为DNA序列的一个典型例子；一类是经过筛选的900多个蛋白质序列（主要来自高等真核生物的结构基因数据），作为氨基酸序列的一个典型例子。同学们可以二者选其一，作为自己研究的对象，并完成一份研究实践报告。

数据1：DNA序列（从本课程网页下载）

首先请阅读该文件夹中的ReadMe.txt文件，以了解所提供的数据和数据格式。

本问题的研究对象是大肠杆菌（Escherichia coli K-12 MG1655）的全基因组序列（共长4,639,221bp），以及GenBank提供的所有编码区位点信息。

我们定义在DNA序列上一个（三联码）密码子序列“XTG……STP”为ORF（Open reading frame，开放阅读框），这里XTG代表原核生物中常用的基因起始密码子ATG、CTG、GTG和TTG，STP代表常用的基因终止密码子TAA、TGA和TAG，且序列内部不存在任何与XTG同相位的STP密码子。假如一个ORF中的XTG是距离与它同相位的5’端前一个STP最近的XTG，我们定义它为LORF（Longest ORF，最长ORF）。

我们还定义：当某个LORF的STP位点与GenBank注释的任意一个基因的终止位点STP 吻合时，我们认为该LORF是编码的；反之，是非编码的LORF。

这里只考虑长度大于或等于90bp的LORF。

请根据上述约定完成下列研究工作：

（1）、分析大肠杆菌全基因组序列的A、C、G、T碱基的含量（频率），以及G+C的碱基含量；

（2）、找出所有编码LORF和非编码LORF，并分析这两类LORF的碱基含量，分析它们与全基因组碱基含量的区别；

（3）、考察两类LORF（编码、非编码）的长度分布特征，并根据长度这一属性变量设计一个判别方案，用以识别编码与非编码的LORF，并分析识别精度；

在完成上述规定任务的基础上，你可以进一步考虑以下的研究任务（选择部分完成）：（4）、综合碱基含量、长度以及其它你可以构造的属性（比如二核苷酸、密码子、氨基

酸、六联码等的频率……），设计多元的判别方案，并考察你的识别方案的精度；

（5）、考察两类LORF的1阶Matkov链（可以是核苷酸序列、密码子序列或氨基酸序列），请算出它们的转移概率矩阵，并据此设计一个判别方案，同时分析识别精度；你还可以结合长度这一属性，设计你的基因识别方案；

（6）、你还可以运用HMM、人工神经网络、支持向量机等更复杂的算法完成你构造的上述任意一个基因识别问题。

数据2：氨基酸序列（从本课程网页下载）

首先请阅读该文件夹中的ReadMe.txt文件，以了解所提供的数据和数据格式。

本问题的研究对象是PDB数据库提供的947个结构基因的氨基酸序列，它们的长度不等。同时还有根据DSSP等注释的这些序列的二级结构位点信息，即序列上某一位点的氨基酸是属于H区域（alpha-螺旋）、E区域（beta-折叠）还是C区域（其它）。

请根据上述约定完成下列研究工作：

（1）、统计所有蛋白质序列中20种氨基酸的含量（频率）；统计所有蛋白质序列中H 区域、E区域和C区域三种区域的20种氨基酸含量，以及这三种区域的长度分布特征；

（2）、假如将氨基酸序列变换成二级结构序列（即等长度的H、E、C符号序列），请考察所有二级结构序列的H、E、C的含量（亦即长度分布特征）；

（3）、请根据氨基酸含量、长度等属性变量，设计一种三类总体的判别方案，并分析识别精度；

在完成上述规定任务的基础上，你可以进一步考虑以下的研究任务（选择部分完成）：（4）、构造这三种区域氨基酸序列的1阶Markov过程模型，并计算它们各自的转移概率矩阵；然后构造一种判别方案，并分析判别精度；

（5）、考虑长度、氨基酸含量以及1阶Markov链等多种属性，构造一种判别方案，并分析判别精度；

（6）、考察二级结构序列（即等长度的H、E、C符号序列）的1阶Markov过程模型，计算其概率转移矩阵。以此为基础，结合问题（5），构造HMM方法，设计二级结构的预测方案，分析预测精度。

具体要求

1、你可以从上述两个问题中选择其一进行你的研究。每个问题的前3个任务是规定完成的，之后的任务视你的能力和精力而为，你还可以根据你所掌握的其它知识和工具进行提示任务之外的研究，鼓励创新、立异；

2、你可以单独完成研究工作，也可以与选修本课程的同学组合成小组共同研究一个问题，但一个小组最多2名同学；

3、研究结果必须以报告的形式提交，打印成册，格式如下：

（1）封面标题：《生物信息学导论》研究实践报告

同时注明你的院系、学号、姓名（若2人合作，同时署名，交1份报告即可）（2）摘要：简要阐述你的研究工作，不超过1页。

（3）报告正文：写作要严谨、详实，结构清晰，图表要清楚。要写明使用的程序、工具（例如用何种程序语言开发），要对结果进行分析、评论、讨论。

4、教师根据提交的报告进行评分，占学期总成绩的60%。合作完成者，得分相同。