中国科学技术大学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. DDBJ2. 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 SamplerC. 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. MegaBlastB. MEGAC. GPSD. POA4. 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=2C. s=1/4, n=11/4D. 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=, 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.( )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，若全部是随机产生的概率为多少已知泊松分布的公式为：!)()(x e x f x μμ-=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：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；(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 tauC. T-TestD. Euclidean distance2. 针对DNA序列的同义与非同义的核苷酸替代，若Ka/Ks=，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-CoffeeB. MEGAC. PAMLD. PHYLIP4. 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7. 下面哪个数据库是蛋白质数据库( )A. RefSeqB. EBIC. DDBJD. GenBank8. 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=2C. s=1/4, n=11/4D. 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）：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，第二位A 出现的概率为，第三位C 出现的概率为，第四位A 出现的概率为，C 出现的概率为。
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。