生物信息学

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． GenBank B. EBI C. UniProt D. 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. Gibbs Sampler

C. Hidden Markov Model算法 D. Needleman-Wunsch算法

3. 下面哪种工具为多序列比对工具？ ( )

A. MegaBlast B. MEGA 4.0 C. GPS D. 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-odd ratio； 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Reciprocal Best Hits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=8/3 B. s=1, n=2 C. s=1/4, n=11/4 D. 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’s Exact Text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. ( )

欢迎下载 2

—

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

e()x是随机产生的概率为多少？已知泊松分布的公式为：f(x)

x!

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：

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

欢迎下载 3

—

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-odd ratio，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

欢迎下载

4

—

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． Pearson correlation coefficient B. Kendall's tau

C. T-Test D. Euclidean distance

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-Coffee B. MEGA 4.0 C. PAML D. 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-odd ratio； 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

欢迎下载

5

—

7. 下面哪个数据库是蛋白质数据库 ( )

A. RefSeq B. EBI C. DDBJ D. 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=7/3 B. s=1, n=2 C. s=1/4, n=11/4 D. 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-odd ratio (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

欢迎下载 6

—

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-means clustering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:

e()xf(x)

x!

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

欢迎下载 7

—

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。

欢迎下载

8

—

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；

欢迎下载 9

—

(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)

A T C G 1 2 0 0 0.25 0 0.75 0.25 0 0.75 3 0.5 0.5 0 0 4 5 6 7 0 0 0.75 0.5 0 0 0.25 0.25 1 0.25 0 0 0 0.75 0 0.25

(2) log-odd ratio=log2(648)=9.34

(3) H3=1 bit H5=1.19 bit

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. 2. 3. 4.

0.34, 0.37 7.45, 1.19, 1 0.97, 0.87

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

欢迎下载

10

—

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

欢迎下载 11

4.

49152121479pvalueP(m'm)m'1132m'm'023000 1132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-joining tree)/指导树(guide tree) 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

欢迎下载 —

12

—

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）

MNM mnm P(m)N n 

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 A

R D E I L P W

4 -1 -2 -1 -1 -1 -1 -3

-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

欢迎下载 13

—

log-odd ratio，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-means clustering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-odd ratio，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：

S G C 0.4 0.1 S G G 0.4 0.1 S 0.6 0.6 A 0.1 0.4 G 0.4 0.4 T 0.1 0.4 S与G之间的转移概率矩阵如下： 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。

欢迎下载 14