2025年大学《生物信息学》专业题库—— 基因表达调控网络结构分析技术.docxVIP

2025年大学《生物信息学》专业题库——基因表达调控网络结构分析技术

考试时间：______分钟总分：______分姓名：______

一、名词解释（每题3分，共15分）

1.基因表达调控网络(GeneRegulatoryNetwork,GRN)

2.节点度(NodeDegree)

3.聚集系数(ClusteringCoefficient)

4.格兰杰因果检验(GrangerCausalityTest)

5.模块(Module)

二、简答题（每题5分，共25分）

1.简述利用基因表达谱数据推断调控网络的主要思路和常用方法。

2.解释什么是WGCNA（加权关联网络分析），并简述其主要步骤。

3.比较基于表达谱数据的相关性分析和格兰杰因果检验在推断调控方向上的主要区别。

4.网络拓扑学参数“节点度”和“聚集系数”分别反映了网络节点的什么特性？两者有何不同？

5.在进行基因表达调控网络分析时，整合多组学数据（如ChIP-Seq和RNA-Seq）相比于仅使用表达谱数据有哪些潜在优势？

三、论述题（每题10分，共30分）

1.详细说明选择合适的GRN推断算法或软件工具时需要考虑哪些因素？

2.论述单细胞转录组测序技术为基因表达调控网络结构分析带来了哪些新的机遇和挑战。

3.假设你获得了一组来自特定细胞类型的基因表达数据，请设计一个包含网络构建和分析步骤的实验方案，以探究该细胞类型中的主要调控模块和关键调控节点。

试卷答案

一、名词解释

1.基因表达调控网络(GeneRegulatoryNetwork,GRN):指由基因（作为节点）以及它们之间的调控关系（作为边）组成的网络结构，用于调控基因表达的时间和空间模式。

2.节点度(NodeDegree):在网络中，一个节点（通常是基因）连接的边的数量。它可以反映该基因与其他基因交互作用的频率。

3.聚集系数(ClusteringCoefficient):衡量网络中节点与其邻居节点之间连接紧密程度的指标。高聚集系数的节点周围形成一个“团”，表明这些基因可能功能相关或受共同调控。

4.格兰杰因果检验(GrangerCausalityTest):一种统计方法，用于检验一个时间序列（自变量）是否能够预测另一个时间序列（因变量）的未来变化，常用于分析基因表达时间序列数据中的调控关系。

5.模块(Module):指网络中一个紧密连接的子集，其中的节点之间连接比节点与其他部分节点的连接更为频繁，通常代表功能相关的基因群或调控单元。

二、简答题

1.简述利用基因表达谱数据推断调控网络的主要思路和常用方法。

思路：基于“功能相关的基因倾向于共同表达”的假设，通过计算基因间的表达模式相似性或依赖性，识别基因间的潜在调控关系，并构建网络。

常用方法：

*基于距离/相似性的方法：计算基因表达向量间的距离（如欧氏距离、曼哈顿距离）或相似性（如皮尔逊相关系数、斯皮尔曼秩相关系数），将相似性高的基因配对连接。

*基于依赖性的方法：计算基因表达间的统计依赖性，如互信息、格兰杰因果检验、线性回归系数等，将具有显著依赖关系的基因连接。

*聚类方法：将表达模式相似或相关的基因聚类成模块，模块内的基因通常存在更密集的连接。

2.解释什么是WGCNA（加权关联网络分析），并简述其主要步骤。

WGCNA是一种基于基因共表达模块识别的GRN分析方法。它不直接计算基因对之间的距离或依赖性，而是首先将基因聚类成模块，然后计算模块与模块之间的相关性，构建模块间的关系网络。其主要步骤：

*数据预处理：对基因表达数据进行标准化。

*距离计算：计算基因间或基因与基因间的距离（常用1-平均绝对差）。

*聚类构建：使用层次聚类方法（如平均连接法）将基因聚类成模块。

*模块探针选择：为每个模块选择代表性的“探针”基因。

*模块相关性计算：计算不同模块之间探针基因表达矩阵的相关性，得到模块间相关性矩阵。

*网络构建：将模块视为网络中的节点，模块间相关性的绝对值作为边的权重，构建无向加权网络。

*网络分析：分析网络拓扑结构（如模块富集分析、Hub模块识别），识别关键模块和模块间的重要连接。

3.比较基于表达谱数据的相关性分析和格兰杰因果检验在推断调控方向上的主要区别。

主要区别在于：

*相关性分析（如皮尔逊相关系数）衡量的是两个基因表达水平变化方向和程度的一致性或一致性，结果是一个数值（相关系数），表示同步变化的强度和方