生物信息建模大赛试题指南与答案.docxVIP

第PAGE页共NUMPAGES页

生物信息建模大赛试题指南与答案

一、选择题（每题2分，共10题）

说明：本部分考察基础概念与常用工具知识，涉及生物信息学常用数据库、算法及软件。

1.下列哪个数据库主要用于存储基因表达谱数据？

A.GenBank

B.STRING

C.GEO

D.UniProt

2.K-means聚类算法属于哪种类型的聚类方法？

A.层次聚类

B.划分聚类

C.密度聚类

D.模型聚类

3.在RNA-seq数据分析中，哪个工具常用于差异基因表达分析？

A.BLAST

B.Samtools

C.DESeq2

D.Bowtie2

4.以下哪种算法适用于预测蛋白质结构？

A.PageRank

B.HiddenMarkovModel(HMM)

C.RandomForest

D.K-nearestNeighbor(KNN)

5.生物信息学中常用的序列比对工具ClustalW属于哪种算法？

A.Smith-Waterman

B.Needleman-Wunsch

C.BLAST

D.MaximumLikelihood

二、填空题（每空1分，共5题）

说明：本部分考察对生物信息学核心概念的掌握程度。

6.__________是一种基于概率模型的序列比对算法，常用于局部比对。

7.在系统发育树构建中，__________方法假设进化速率在所有分支上保持一致。

8.机器学习中的__________算法通过迭代优化损失函数来寻找最佳模型参数。

9.GEO数据库中，__________是一种存储批次化实验数据的标准化格式。

10.CRISPR-Cas9技术的核心机制依赖于__________序列的识别与切割功能。

三、简答题（每题5分，共5题）

说明：本部分考察对生物信息学实验流程的理解与描述能力。

11.简述RNA-seq数据分析的主要步骤及其常用工具。

12.解释什么是系统发育树，并说明其构建过程中的关键参数。

13.描述机器学习在药物筛选中的应用场景及常用模型。

14.说明蛋白质结构预测中AlphaFold方法的创新点。

15.阐述生物信息学中“批次效应”的概念及其解决方案。

四、计算题（每题10分，共2题）

说明：本部分考察实际计算与数据分析能力。

16.假设有以下基因表达数据（log2FoldChange）：

|Gene|Sample1|Sample2|

||||

|A|2.5|1.0|

|B|-1.2|-0.8|

|C|0.0|3.0|

请计算每个基因的p值（假设使用t检验，显著性水平α=0.05）。

17.已知某蛋白质序列的氨基酸组成如下：

-甘氨酸（G）：20%

-丙氨酸（A）：15%

-赖氨酸（K）：10%

请使用简并密码子规则估算该蛋白质的mRNA序列中，起始密码子（ATG）的预期频率。

五、论述题（每题15分，共2题）

说明：本部分考察对生物信息学前沿技术的理解与批判性思考能力。

18.论述深度学习在基因组变异检测中的应用优势与局限性。

19.结合实例，分析生物信息学数据共享平台的重要性及其面临的挑战。

答案与解析

一、选择题答案

1.C（GEO是基因表达综合数据库，存储大量表达谱数据。）

2.B（K-means属于划分聚类，将数据划分为多个簇。）

3.C（DESeq2是RNA-seq差异表达分析的常用工具。）

4.B（HMM可用于蛋白质结构预测，如隐马尔可夫模型。）

5.B（ClustalW基于Needleman-Wunsch全局比对算法。）

二、填空题答案

6.Smith-Waterman

7.Jukes-Cantor

8.梯度下降

9.SeriesMatrix

10.间隔重复序列

三、简答题答案

11.RNA-seq数据分析步骤：

-数据预处理（质量控制、过滤）；

-对齐（如使用STAR）；

-计数（如使用featureCounts）；

-差异表达分析（如DESeq2）；

-功能富集分析（如GO/KEGG）。

12.系统发育树：

-树状结构，表示物种或基因的进化关系；

-关键参数：树长、分支长度、根节点。

13.机器学习在药物筛选：

-应用：预测药物靶点、优化分子结构；

-模型：随机森林、支持向量机。

14.AlphaFold创新点：

-结合深度学习与物理约束；

-预测蛋白质全结构，精度高。

15.批次效应：

-不同实验批次间技术差异导致数据不一致；

-解决方案：批次效应校正（如SVA）。

四、计算题答案

16.t检验计算：

-Samp