Bioinfomatic

Bioinfomatic

说明：生物信息学课程总结、笔记
课程链接：
https://www.icourse163.org/learn/SDU-1001907001?tid=1450236461#/learn/content?type=detail&id=1214471915&cid=1218216835

什么是生物信息学？

概念

生物信息学就是用计算机解决生物学问题

研究对象

学什么？

生物数据库

生物数据库

收集——查看——整理

生物数据库分类

常用

• PubMed：文献数据库（包含200多万生物医学文献
  显示格式分为多种，选择MEDLINE格式可以查看数据库内部存储结构）
  关键字[TI]：定位关键字
• 一级核苷酸数据库
  NCBI（GenBank）：隶属于美国国立卫生研究院（NIH）
  结构：
  EMBL（ENA）：欧洲核苷酸序列数据集
  DDBJ：日本DNA数据库
  Ensemble：从染色体入手找具体的基因
  JCVI（微生物宏基因组数据库）
• 二级核酸数据库
• 一级蛋白质序列数据库
  UniProt：http://www.uniport.org
  -一级蛋白质结构数据库
  
  PDB:Protein Data Bank
  存储蛋白质氨基酸原子的3D坐标
• 二级蛋白质数据库
  蛋白质一般是由一个或多个功能区域组成。这些功能区域称为结构域（domain）。在不同蛋白质结构中以不同组合的形式出现，形成蛋白质的多样性。
  *pfam：蛋白质结构域家族的集合http://www.pfam.org
  查找某条序列上有哪些结构域
  *CATH-Gene3D：蛋白质结构域分类（使用计算机程序+人工检查）
  属于同一个结构域分类的蛋白质的聚类图以及挑选出来的蛋白质的3D图
  *scop2:和CATH同，更多考虑蛋白质结构的进化

序列比较（第一部分）

• 认识序列：寻找相似序列，构建进化树（相似序列意味着相似结构和相似功能）

• 序列相似性：一致性（identity）、相似性（similarity）

• 替换记分矩阵：

  • DNA
  1. 等价矩阵（unitary matrix）：相同为1，不同为0
  2. 转换-颠换矩阵（transition-transvehrsion matrix):转换为-1（A、G）、颠换为-5（C、T）
  3. blast矩阵：相同为4，不同为-5

  • 蛋白质
    

    亲缘关系较远：BLOSUM-
    亲缘关系较近：PAM-
    常用：BLOSUM-62

  4. 遗传密码子矩阵
  5. 疏水矩阵：疏水大

• 比较两个序列的方法：打点法
  相同打点，若多对角线元素相连的子序列，则相似性高
  序列自身比较可以找出序列中的重复片段
  常用软件：Dotlet

• 比较两个长度不同的序列的方法：序列比对法

  • 定义（alignment）：通过插入空格（gap）的方式，产生最大相似度得分的排列方式
  • 分类

    • 双序列比对

      • 全局比对：用于 比较长度相似的序列
        

      • 局部比对 ：用于比对长短差异大的序列
        

    • 多序列比对

• 一致性和相似度
  （一致或相似字符的个数/全局比对长度）*100%
  无论序列是否相同，都要先做双序列全局比对，然后计算

• 在线双序列比对工具

  • EMBL
    gap参数设置：开头和延长（根据需要设置）

• blast比对
  基本局部序列比对：寻找片段对O(n)
  
  

序列比对（第二部分）

多序列比对的介绍

1. 确认：一个未知的序列是否在某个家族里
2. 建立：系统发育树，查看物种与序列之间的关系
3. 模式识别：通过多序列比对找到相对保守的片段（对应重要的功能区
4. 已知推未知：已知有特殊功能的序列片段通过多序列做成模型，推测未知序列
5. 其他：蛋白质/RNA二级结构的预测
   
   保存格式：html、clustalw(文本格式、fasta、phylip

多序列比对的编辑软件

Jalview：基于java环境

寻找保守区域

• weblogo 3:在线软件
• MEME：自动从一组相关的DNA或蛋白质序列中发现序列基序的软件（原始序列）
  基序：序列中特定模式的序列片段
• PRINTS：指纹图谱，一组保守的序列基序，刻画蛋白质家族的特征。由多序列比对杰哥获得
  对于一个陌生的蛋白质，看它的序列是否符合某个家族的图谱就能对它进行分类和预测功能

分子进化和系统发育

分子进化

基本概念

1. 分子进化：通过分子结构研究物种进化
2. 不同的同源
   同源：来源于共同祖先的相似序列
   直系同源
   旁系同源
   异同源：水平方向的复制（共生和病毒感染）

系统发生树

意义

1. 确认：确定亲缘关系
2. 预测：预测基因和蛋白质功能以及分子走势
3. 溯源
   
   序列一致度大于70%，用DNA序列构建系统发育树，否则用蛋白质序列构建

蛋白质结构

蛋白质的二级结构

已知结构

• DSSP蛋白质二级结构定义字典：已经解析出三级结构的蛋白质指认其二级结构（H：alpha螺旋，E：beta折片）
  输入PDB，输出DSSP文件
• PDB查看二级结构
• Biotools网站

未知结构

• 预测二级结构
  • PSIPRED

蛋白质的三级结构

整条多肽链的三维空间结构，包括骨架和侧链在内的所有原子的空间排列

• X-ray Crystallography：x射线衍射法
• Nuclear Magnetic Resonance：核磁共振法

蛋白质三维结构可视化软件

• PyMOL
• VMD

计算方法预测三级结构

1. 同源建模法：SWISS-MODEL（一致度>30%）
2. 穿线法：I-TASSER（不要求一致性）
   
3. 从头计算法：QUARK（计算量巨大、长度200以内）
4. 综合法：ROBETTA
5. 模型质量评估软件（MQAPs）：从空间几何学，立体化学和能量分布评估
   UCLA、PROq、ModFold

三级结构对比

• 结构比对：对蛋白质三维空间结构的相似性进行比较
  1. 用于探索蛋白质进化及同源关系
  2. 改进序列比对精度
  3. 改进蛋白质结构预测工具
  4. 为蛋白质结构分类提供依据
  5. 帮助了解蛋白质功能
• 结构比对工具（PMSD参数衡量）
  1. ExPASy
  2. SuperPose

蛋白质表面性质

1. 表面形状（surf ）
2. 表面电荷分布（electrostatic potential）
3. 表面残基可溶性（solvent accessibility）：残基与溶剂接触程度。内部、表面、中间

蛋白质的四级结构

获取蛋白质四级结构

独立的三级结构单元（亚基、单体monomer）聚集形成的复合物。dimer、trimer…
DIP、BioGRID、STRING…

蛋白质-蛋白质分子对接

条件：形状互补、亲疏水性、表面电荷分布
分类：刚性对接、柔性对接
软件：ZDOCK

蛋白质-小分子化合物 分子对接

AutoDock（基于python）

虚拟筛选

分子对接：虚拟筛选virtual screening
在计算机上对小分子进行预筛选，降低实际化合物的数目
ZINC：化合物小分子数据库

反向对接（Target Fishing）

通过把一个小分子与多个靶标蛋白质进行分子对接，寻找潜在的靶标
scPDB

分子动力学模拟

NAMD、CHARMM、DESMOND、GAUSS

高通量测序（high throughput sequencing)

高通量测序技术在精准医学中的应用

1. 识别新的疾病基因
2. 基于基因组学的疾病的筛查（eg：新生儿耳聋筛查、唐氏综合征）
3. 精准诊断

生物信息学面临的问题

1. 数据规模庞大
   海量数据的计算和挖掘成为主要瓶颈（计算节点+大内存）：云平台
   数据存储和可视化
2. 数据类型复杂
3. 方法学不成熟
   测序偏差、错误：错误矫正
4. 技术门槛高
5. 可重复性不强

统计基础

贝叶斯公式及其在生物学上的应用

贝叶斯方法在蛋白质耐热性分类中的研究（paper）

二元预测的灵敏度和特异度

eg：地震预测
eg：生物学例子
二者很难兼得

序列算法

序列算法：为研究生物序列而开发的计算复杂度尽可能低的算法
eg：序列匹配（找重复序列

• 构建后缀树
  1. 查找字符串是否在s中
  2. 查找字符串重复出现的次数（有多少树叶）
  3. 找字符串中最长重复子序列（非叶子结点找最长）
  4. $用于标识出独立的叶片
• 最高分子序列
  应用1:预测蛋白质序列跨膜区域（亲疏水性）
  应用2:预测DNA序列中富含GC的区域
  算法：动态规划O(n2)>分而治之O(nlogn)>聪明算法O(n)

数据挖掘

什么是数据挖掘？

big data：大、快、杂、疑
eg：尿不湿和啤酒

数据库系统

数据库（DB）+数据库管理系统（DBMS）
数据库：关系型数据库（MySQL）
面对对象型数据库（eXist-db）

机器学习

1. 设计分析计算机可以自动学习的算法。从一类数据中获取规律，利用规律对未知数据进行预测。

2. 用向量表述物体

3. 任务：分类、聚类、回归

4. k次交叉检验（检验模型的常用方法）

5. 机器学习算法

   • 贝叶斯算法(Bayes theorem)：利用
   • 最近邻居法(neighbor Joining)：将已知物体根据自己的特征属性标记在坐标系中，再将新物体根据自身属性特征标记在坐标系中。新物体离哪个物体近，就属于哪种已知物体
   • 决策树(Decision tree)：它表示对象属性和对象值之间的一种映射，树中的每个节点表示对象属性的判断条件，其分支表示符合节点条件的对象。树中的叶子节点表示预测的结果。
   • 支持向量机（SVM）：二分类模型，也可拓展为多分类。其基于间隔最大化特点可以使它更加灵活的处理线性和非线形问题
   • 人工神经网络
   • 遗传算法

WEKA(Waikato Environment for Knowledge Analysis)

1. 文件格式(ARFF):纯文本文件，可转换成表格

2. 术语：实例（行、属性（列、关系（结果

3. 文件内容：头、属性声明、数据

4. 属性类型

   • 数值型：numeric
   • 标称型：nominal-specification
   • 字符串型：string
   • 时间日期型：date

5. 格式转换
   Excel-csv-arff

6. Explorer 界面：数据挖掘界面

   • 数据预处理（增、减、修改属性等
   • 执行挖掘任务（选择算法
   • 衡量模型准确度 （k次交叉检验结果、TP，TN等）

Perl语言

基本语法规则

常用函数

if语句

for循环

获取下载页面