生物信息学的综述可以从哪些方面入手

生物信息学的综述的范围可是真的有点大，你确定没有明确的侧重点吗？

现在简单说说生物信息学的研究范围，希望能帮到你，最好能给个侧重点详细说。

生物信息学的定义分好几种，可以分开讲

研究方向：序列比对、比对预测、分子进化、基因注释、药物设计、建模仿真、蛋白质和RNA结构预测、功能预测、生物图像、引物分析、基因表达谱分析、代谢网络分析、基因芯片设计和蛋白质组学数据分析等

研究方法： 数据库的建立、 生物学数据的检索、 生物学数据的处理、 生物学数据的利用、计算生物学、统计学方法、机器学习方法、优化算法等

还有生物信息学的应用、现状、发展等

生物信息学的范围太大了，所以如果不是写书 的话，最好不要写这么大的题目。

>

生物信息学(Bioinformatics)是研究生物信息的采集、处理、存储、传播，分析和解释等各方面的学科，也是随着生命科学和计算机科学的迅猛发展，生命科学和计算机科学相结合形成的一门新学科。

它通过综合利用生物学，计算机科学和信息技术而揭示大量而复杂的生物数据所赋有的生物学奥秘。

生物信息学经历的阶段：

1、前基因组时代（20世纪90年代前）这一阶段主要是各种序列比较算法的建立、生物数据库的建立、检索工具的开发以及DNA和蛋白质序列分析等。

2、基因组时代（20世纪90年代后至2001年）这一阶段主要是大规模的基因组测序，基因识别和发现，网络数据库系统地建立和交互界面工具的开发等。

3、后基因组时代（2001至今）随着人类基因组测序工作的完成，各种模式生物基因组测序的完成，生物科学的发展已经进入了后基因组时代，基因组学研究的重心由基因组的结构向基因的功能转移。

扩展资料：

生物信息学专业：

主干课程：普通生物学、生物化学、分子生物学、遗传学、生物信息学、计算生物学、基因组学、生物芯片原理与技术、蛋白质组学、模式识别与预测、数据库系统原理、Linux基础及应用、生物软件及数据库、Perl编程基础等。

就业前景：学生毕业后可在各级生物信息学的研究机构、高等学校、企事业单位以及在研究和成果产业化过程中涉及到生物信息学的相关部门，从事科学研究、教学和管理工作。

学生主要学习生物信息学的基本理论和方法，受到相关科学实验和科学思维的基本训练，具有较好的分子生物学、计算机科学与技术、数学和统计学素养，具备生物信息的收集、分析、挖掘、利用等方面的基本能力，具有较好的业务素质。

参考资料：

百度百科-生物信息学

百度百科-生物信息学专业

深圳市大鹏新区大鹏街道下沙片区禾塘仔，这里依山傍海，环境优美，背山面海的几栋白色的建筑并不起眼，但令人难以置信的是，庞大的数据如同螺旋一般，每天从这里源源不断地涌出。这些白色的梯田造型的建筑就是中国首个获批筹建的国家基因库，也是目前全球最大的综合性基因库。

国家基因库项目一期占地面积475万平方米，拥有基因测序房、超级计算房以及冷冻资源房，相较于其庞大的建筑规模，它丰富的内容更是令人瞠目结舌：国家基因库目前已存储多种生物资源样本1000万份，可检索生物信息条目数已经超过一个亿，我国更是计划把它打造成为中国的诺亚方舟，建立一个巨大的生物活体库，保护和保存世界约三十万种植物、百万种动物、近千万种微生物活体资源。如此大手笔、高规格的项目究竟什么来头？建立国家基因库的意义何在？下面就让我们一起走进关于国家基因库的专业解读。

图1 位于深圳市大鹏新区的国家基因库一期项目

“干”“湿”“活”三位一体

在我国建立基因库之前，美国、欧洲和日本就已经建立了大型基因数据库，而且这三大库里的生物信息数据几乎涵盖所有已知的脱氧核糖核酸、核糖核酸和蛋白质数据。中国国家基因库与这三大库的不同就在于，它不仅仅是数据库，而是国际上现有的各类生物样本库、数据库、生物多样性库、疾病库等的综合升级版。除了所谓的“干库”，——基因、蛋白、分子、影像等多组学生物信息数据库，和“湿库”——多样性生物样本和物种遗传资源库之外，中国的国家基因库还引入了“活库”，也就是生物活体库，将存储的内容扩展到动物资源、植物资源、微生物资源和海洋资源。同时，该基因库不仅面向科研，还面向推动中国精准医学、精准农业的发展，利用对基因信息的掌控推动产业的发展。

图2 国家基因库中的生物信息数据库

基因的“国库”

2011年，国家发改委等4部委批复同意深圳依托华大基因研究院组建国家基因库，今年9月，国家基因库正式投入运营，这是中国首个获批筹建的国家基因库，同时也是目前为止的唯一一个。

国家基因库有“超测”、“超算”、“超存”的能力：其中，人类资源方面基因库主要保存血液样本、组织样本、细胞系、细胞和尿液等，将为重大疾病的前瞻性研究提供样本资源支撑，为疾病诊断与预测及个性化医疗等奠定基础。在动物资源方面，基因库主要保存珍稀动物及具有重要经济价值的动物组织、细胞等。此外，国家基因库除了存储人类资源、动物资源以外，还存储植物资源、海洋资源和微生物资源。这些都可以为日后的研究工作收集大量的信息。这个建设中的基因“国库”，数据规模到底有多大？打个形象化的比方，目前深圳国家基因库已建成20 Pb数据的可访问能力，以一部**约500Mb计算，20Pb相当于四千万部**，一个人一天看一部**，至少需要10万年才能看完。

存储健康的“生命银行”

2015年1月，美国总统奥巴马在国情咨文演讲中谈到“人类基因组计划”所取得的成果，并宣布新的项目——— 精准医疗计划。更有专家表示，精准医疗计划在时间上是承接人类基因组计划，在本质上是对现行的以药物治疗为主体的医疗进行改革。科学家们认为，绝大多数的疾病都可以通过基因测序得以提前防范和管理。那么，基因测序究竟如何“锁定”疾病？以一个形象化的比喻来解释，一个D N A的正常表达可以理解为一段文字，如果该文字中出现一个错别字，可能就失去其正确意义。测序就是要与正常序列比对，找出哪个细胞哪里出错。通过测序结果，分析基因突变的部分，就能够找到某个疾病对应的基因，方便对症下药。事实上，每个人一生中所有关键阶段的标本都应该永久保存起来：比如出生时的干细胞，20岁时的免疫细胞，30岁时的生殖细胞等等……而国家基因库，就是储存这些样本和数据的地方，它就像是人类的“生命银行”一般。通过有意识地存储自己的健康数据，让人们对自己身体变化状况了如指掌，并且根据这些数据设计自己的饮食、运动和生活节奏，“对抗”衰老。

深圳国家基因库建成后，这个巨型“生命银行”将为中国生命科学研究和生物产业发展提供基础性和支撑性服务平台，储存和管理中国特有的遗传资源、生物信息和基因数据。同时，以生物资源为依托，形成从资源到科研到产业的全贯穿、全覆盖模式，实现大资源、大数据、大科学、大产业的整合与应用。

图3 国家基因库的工作人员将细胞样品放入液氮中保存

在农业时代，一个国家拥有的耕地越多优势越大；在工业时代，拥有的石油、矿产等能源越多优势越大；而在生命时代，拥有更多基因资源同时能对基因资源进行认知和利用，则意味着更大的优势。国家基因库的成立，正在为我国积累全新的优势。目前，国家基因库已与联合国粮食及农业组织、国际农业研究磋商小组、国际生物及环境样本库协会、挪威斯瓦尔巴全球种子库、美国自然历史博物馆等100多个组织和科研机构建立战略合作关系，将在人类健康、生物多样性、生物进化机制等方面开展合作研究。

出品：科普中国

制作：爱科范儿团队

监制：中国科学院计算机网络信息中心

“科普中国”是中国科协携同社会各方利用信息化手段开展科学传播的科学权威品牌。

本文由科普中国融合创作出品，转载请注明出处。

一, 生物信息学发展简介

生物信息学是建立在分子生物学的基础上的,因此,要了解生物信息学,就

必须先对分子生物学的发展有一个简单的了解研究生物细胞的生物大分子的结

构与功能很早就已经开始,1866年孟德尔从实验上提出了假设:基因是以生物

成分存在[1],1871年Miescher从死的白细胞核中分离出脱氧核糖核酸(DNA),

在Avery和McCarty于1944年证明了DNA是生命器官的遗传物质以前,人们

仍然认为染色体蛋白质携带基因,而DNA是一个次要的角色

1944年Chargaff发现了著名的Chargaff规律,即DNA中鸟嘌呤的量与胞嘧

定的量总是相等,腺嘌呤与胸腺嘧啶的量相等与此同时,Wilkins与Franklin

用X射线衍射技术测定了DNA纤维的结构1953年James Watson 和Francis

Crick在Nature杂志上推测出DNA的三维结构(双螺旋)DNA以磷酸糖链形

成发双股螺旋,脱氧核糖上的碱基按Chargaff规律构成双股磷酸糖链之间的碱基

对这个模型表明DNA具有自身互补的结构,根据碱基对原则,DNA中贮存的

遗传信息可以精确地进行复制他们的理论奠定了分子生物学的基础

DNA双螺旋模型已经预示出了DNA复制的规则,Kornberg于1956年从大

肠杆菌(Ecoli)中分离出DNA聚合酶I(DNA polymerase I),能使4种dNTP连接

成DNADNA的复制需要一个DNA作为模板Meselson与Stahl(1958)用实验

方法证明了DNA复制是一种半保留复制Crick于1954年提出了遗传信息传递

的规律,DNA是合成RNA的模板,RNA又是合成蛋白质的模板,称之为中心

法则(Central dogma),这一中心法则对以后分子生物学和生物信息学的发展都起

到了极其重要的指导作用

经过Nirenberg和Matthai(1963)的努力研究,编码20氨基酸的遗传密码

得到了破译限制性内切酶的发现和重组DNA的克隆(clone)奠定了基因工程

的技术基础

正是由于分子生物学的研究对生命科学的发展有巨大的推动作用,生物信息

学的出现也就成了一种必然

2001年2月,人类基因组工程测序的完成,使生物信息学走向了一个高潮

由于DNA自动测序技术的快速发展,DNA数据库中的核酸序列公共数据量以每

天106bp速度增长,生物信息迅速地膨胀成数据的海洋毫无疑问,我们正从一

个积累数据向解释数据的时代转变,数据量的巨大积累往往蕴含着潜在突破性发

现的可能,"生物信息学"正是从这一前提产生的交叉学科粗略地说,该领域

的核心内容是研究如何通过对DNA序列的统计计算分析,更加深入地理解DNA

序列,结构,演化及其与生物功能之间的关系,其研究课题涉及到分子生物学,

分子演化及结构生物学,统计学及计算机科学等许多领域

生物信息学是内涵非常丰富的学科,其核心是基因组信息学,包括基因组信

息的获取,处理,存储,分配和解释基因组信息学的关键是"读懂"基因组的核

苷酸顺序,即全部基因在染色体上的确切位置以及各DNA片段的功能;同时在

发现了新基因信息之后进行蛋白质空间结构模拟和预测,然后依据特定蛋白质的

功能进行药物设计[2]了解基因表达的调控机理也是生物信息学的重要内容,根

据生物分子在基因调控中的作用,描述人类疾病的诊断,治疗内在规律它的研

究目标是揭示"基因组信息结构的复杂性及遗传语言的根本规律",解释生命的遗

传语言生物信息学已成为整个生命科学发展的重要组成部分,成为生命科学研

究的前沿

二, 生物信息学的主要研究方向

生物信息学在短短十几年间,已经形成了多个研究方向,以下简要介绍一些

主要的研究重点

1,序列比对(Sequence Alignment)

序列比对的基本问题是比较两个或两个以上符号序列的相似性或不相似

性从生物学的初衷来看,这一问题包含了以下几个意义[3]:

从相互重叠的序列片断中重构DNA的完整序列

在各种试验条件下从探测数据(probe data)中决定物理和基因图

存贮,遍历和比较数据库中的DNA序列

比较两个或多个序列的相似性

在数据库中搜索相关序列和子序列

寻找核苷酸(nucleotides)的连续产生模式

找出蛋白质和DNA序列中的信息成分

序列比对考虑了DNA序列的生物学特性,如序列局部发生的插入,删除(前

两种简称为indel)和替代,序列的目标函数获得序列之间突变集最小距离加权

和或最大相似性和,对齐的方法包括全局对齐,局部对齐,代沟惩罚等两个

序列比对常采用动态规划算法,这种算法在序列长度较小时适用,然而对于海

量基因序列(如人的DNA序列高达109bp),这一方法就不太适用,甚至采用算

法复杂性为线性的也难以奏效因此,启发式方法的引入势在必然,著名的

BALST和FASTA算法及相应的改进方法均是从此前提出发的

2, 蛋白质结构比对和预测

基本问题是比较两个或两个以上蛋白质分子空间结构的相似性或不相似性

蛋白质的结构与功能是密切相关的,一般认为,具有相似功能的蛋白质结构一般

相似蛋白质是由氨基酸组成的长链,长度从50到1000~3000AA(Amino Acids),

蛋白质具有多种功能,如酶,物质的存贮和运输,信号传递,抗体等等氨基酸

的序列内在的决定了蛋白质的3维结构一般认为,蛋白质有四级不同的结构

研究蛋白质结构和预测的理由是:医药上可以理解生物的功能,寻找docking

drugs的目标,农业上获得更好的农作物的基因工程,工业上有利用酶的合成

直接对蛋白质结构进行比对的原因是由于蛋白质的3维结构比其一级结构

在进化中更稳定的保留,同时也包含了较AA序列更多的信息

蛋白质3维结构研究的前提假设是内在的氨基酸序列与3维结构一一对应

(不一定全真),物理上可用最小能量来解释

从观察和总结已知结构的蛋白质结构规律出发来预测未知蛋白质的结构同

源建模(homology modeling)和指认(Threading)方法属于这一范畴同源建模用

于寻找具有高度相似性的蛋白质结构(超过30%氨基酸相同),后者则用于比较

进化族中不同的蛋白质结构

然而,蛋白结构预测研究现状还远远不能满足实际需要

3, 基因识别,非编码区分析研究

基因识别的基本问题是给定基因组序列后,正确识别基因的范围和在基因组

序列中的精确位置非编码区由内含子组成(introns),一般在形成蛋白质后被丢

弃,但从实验中,如果去除非编码区,又不能完成基因的复制显然,DNA序

列作为一种遗传语言,既包含在编码区,又隐含在非编码序列中分析非编码

区DNA序列目前没有一般性的指导方法

在人类基因组中,并非所有的序列均被编码,即是某种蛋白质的模板,已

完成编码部分仅占人类基因总序列的3~5%,显然,手工的搜索如此大的基因序

列是难以想象的

侦测密码区的方法包括测量密码区密码子(codon)的频率,一阶和二阶马尔

可夫链,ORF(Open Reading Frames),启动子(promoter)识别,HMM(Hidden

Markov Model)和GENSCAN,Splice Alignment等等

4, 分子进化和比较基因组学

分子进化是利用不同物种中同一基因序列的异同来研究生物的进化,构建进

化树既可以用DNA序列也可以用其编码的氨基酸序列来做,甚至于可通过相

关蛋白质的结构比对来研究分子进化,其前提假定是相似种族在基因上具有相似

性通过比较可以在基因组层面上发现哪些是不同种族中共同的,哪些是不同的

早期研究方法常采用外在的因素,如大小,肤色,肢体的数量等等作为进化

的依据近年来较多模式生物基因组测序任务的完成,人们可从整个基因组的角

度来研究分子进化在匹配不同种族的基因时,一般须处理三种情况:

Orthologous: 不同种族,相同功能的基因

Paralogous: 相同种族,不同功能的基因

Xenologs: 有机体间采用其他方式传递的基因,如被病毒注入的基因

这一领域常采用的方法是构造进化树,通过基于特征(即DNA序列或蛋白

质中的氨基酸的碱基的特定位置)和基于距离(对齐的分数)的方法和一些传统

的聚类方法(如UPGMA)来实现

5, 序列重叠群(Contigs)装配

根据现行的测序技术,每次反应只能测出500 或更多一些碱基对的序列,

如人类基因的测量就采用了短q(shortgun)方法,这就要求把大量的较短的序列

全体构成了重叠群(Contigs)逐步把它们拼接起来形成序列更长的重叠群,直

至得到完整序列的过程称为重叠群装配从算法层次来看,序列的重叠群是一个

NP-完全问题

6, 遗传密码的起源

通常对遗传密码的研究认为,密码子与氨基酸之间的关系是生物进化历史上

一次偶然的事件而造成的,并被固定在现代生物的共同祖先里,一直延续至今

不同于这种"冻结"理论,有人曾分别提出过选择优化,化学和历史等三种学说

来解释遗传密码随着各种生物基因组测序任务的完成,为研究遗传密码的起源

和检验上述理论的真伪提供了新的素材

7, 基于结构的药物设计

人类基因工程的目的之一是要了解人体内约10万种蛋白质的结构,功能,

相互作用以及与各种人类疾病之间的关系,寻求各种治疗和预防方法,包括药物

治疗基于生物大分子结构及小分子结构的药物设计是生物信息学中的极为重要

的研究领域为了抑制某些酶或蛋白质的活性,在已知其蛋白质3级结构的基础

上,可以利用分子对齐算法,在计算机上设计抑制剂分子,作为候选药物这一

领域目的是发现新的基因药物,有着巨大的经济效益

8, 其他

如基因表达谱分析,代谢网络分析;基因芯片设计和蛋白质组学数据分析等,

逐渐成为生物信息学中新兴的重要研究领域;在学科方面,由生物信息学衍生的

学科包括结构基因组学,功能基因组学,比较基因组学,蛋白质学,药物基因组

学,中药基因组学,肿瘤基因组学,分子流行病学和环境基因组学

从现在的发展不难看出,基因工程已经进入了后基因组时代我们也有应对

与生物信息学密切相关的如机器学习,和数学中可能存在的误导有一个清楚的认

识

三, 生物信息学与机器学习

生物信息的大规模给数据挖掘提出了新课题和挑战,需要新的思想的加入

常规的计算机算法仍可以应用于生物数据分析中,但越来越不适用于序列分析问

题究竟原因,是由于生物系统本质上的模型复杂性及缺乏在分子层上建立的完

备的生命组织理论

西蒙曾给出学习的定义:学习是系统的变化,这种变化可使系统做相同工作

时更有效[4]机器学习的目的是期望能从数据中自动地获得相应的理论,通过采

用如推理,模型拟合及从样本中学习,尤其适用于缺乏一般性的理论,"噪声"

模式,及大规模数据集因此,机器学习形成了与常规方法互补的可行的方法

机器学习使得利用计算机从海量的生物信息中提取有用知识,发现知识成为可能

[5]

机器学习方法在大样本,多向量的数据分析工作中发挥着日益重要的作用,

而目前大量的基因数据库处理需要计算机能自动识别,标注,以避免即耗时又花

费巨大的人工处理方法早期的科学方法—观测和假设----面对高数据的体积,

快速的数据获取率和客观分析的要求---已经不能仅依赖于人的感知来处理了因

而,生物信息学与机器学习相结合也就成了必然

机器学习中最基本的理论框架是建立在概率基础上的,从某种意义来说,是

统计模型拟合的延续,其目的均为提取有用信息机器学习与模式识别和统计推

理密切相关学习方法包括数据聚类,神经网络分类器和非线性回归等等隐马

尔可夫模型也广泛用于预测DNA的基因结构目前研究重心包括:1)观测和

探索有趣的现象目前ML研究的焦点是如何可视化和探索高维向量数据一般

的方法是将其约简至低维空间,如常规的主成分分析(PCA),核主成分分析

(KPCA),独立成分分析(Independent component analysis),局部线性嵌套(Locally

Linear embedding)2)生成假设和形式化模型来解释现象[6]大多数聚类方法可

看成是拟合向量数据至某种简单分布的混合在生物信息学中聚类方法已经用于

microarray数据分析中,癌症类型分类及其他方向中机器学习也用于从基因数

据库中获得相应的现象解释

机器学习加速了生物信息学的进展,也带了相应的问题机器学习方法大多

假定数据符合某种相对固定的模型,而一般数据结构通常是可变的,在生物信息

学中尤其如此,因此,有必要建立一套不依赖于假定数据结构的一般性方法来寻

找数据集的内在结构其次,机器学习方法中常采用"黑箱" *** 作,如神经网络

和隐马尔可夫模型,对于获得特定解的内在机理仍不清楚

四, 生物信息学的数学问题

生物信息学中数学占了很大的比重统计学,包括多元统计学,是生物信息

学的数学基础之一;概率论与随机过程理论,如近年来兴起的隐马尔科夫链模型

(HMM),在生物信息学中有重要应用;其他如用于序列比对的运筹学;蛋白质

空间结构预测和分子对接研究中采用的最优化理论;研究DNA超螺旋结构的拓

扑学;研究遗传密码和DNA序列的对称性方面的群论等等总之,各种数学理

论或多或少在生物学研究中起到了相应的作用

但并非所有的数学方法在引入生物信息学中都能普遍成立的,以下以统计学

和度量空间为例来说明

1, 统计学的悖论

数学的发展是伴随悖论而发展的对于进化树研究和聚类研究中最显著的悖

论莫过于均值了,如图1:

图1 两组同心圆的数据集

图1是两组同心圆构成的数据集,显然,两组数据集的均值均在圆点,这也

就说明了要采用常规的均值方法不能将这两类分开,也表明均值并不能带来更多

的数据的几何性质那么,如果数据呈现类似的特有分布时,常有的进化树算法

和聚类算法(如K-均值)往往会得错误的结论统计上存在的陷阱往往是由于

对数据的结构缺乏一般性认识而产生的

2, 度量空间的假设

在生物信息学中,进化树的确立,基因的聚类等都需要引入度量的概念举

例来说,距离上相近或具有相似性的基因等具有相同的功能,在进化树中满足分

值最小的具有相同的父系,这一度量空间的前提假设是度量在全局意义下成立

那么,是否这种前提假设具有普适性呢

我们不妨给出一般的描述:假定两个向量为A,B,其中,

,则在假定且满足维数间线性无关的前提下,两个

向量的度量可定义为:

(1)

依据上式可以得到满足正交不变运动群的欧氏度量空间,这也是大多数生物信息

学中常采用的一般性描述,即假定了变量间线性无关

然而,这种假设一般不能正确描述度量的性质,尤其在高维数据集时,不考

虑数据变量间的非线性相关性显然存在问题,由此,我们可以认为,一个正确的

度量公式可由下式给出:

(2)

上式中采用了爱因斯坦和式约定,描述了变量间的度量关系后者在满足

(3)

时等价于(1),因而是更一般的描述,然而问题在于如何准确描述变量间的非线

性相关性,我们正在研究这个问题

五, 几种统计学习理论在生物信息学中应用的困难

生物信息学中面对的数据量和数据库都是规模很大的,而相对的目标函数却

一般难以给出明确的定义生物信息学面临的这种困难,可以描述成问题规模的

巨大以及问题定义的病态性之间的矛盾,一般从数学上来看,引入某个正则项来

改善性能是必然的[7]以下对基于这一思想产生的统计学习理论[8],Kolmogorov

复杂性[98]和BIC(Bayesian Information Criterion)[109]及其存在的问题给出简要介

绍

支持向量机(SVM)是近来较热门的一种方法,其研究背景是Vapnik的统计

学习理论,是通过最大化两个数据集的最大间隔来实现分类,对于非线性问题则

采用核函数将数据集映射至高维空间而又无需显式描述数据集在高维空间的性

质,这一方法较之神经方法的好处在于将神经网络隐层的参数选择简化为对核函

数的选择,因此,受到广泛的注意在生物信息学中也开始受到重视,然而,核

函数的选择问题本身是一个相当困难的问题,从这个层次来看,最优核函数的选

择可能只是一种理想,SVM也有可能象神经网络一样只是机器学习研究进程中

又一个大气泡

Kolmogorov复杂性思想与统计学习理论思想分别从不同的角度描述了学习

的性质,前者从编码的角度,后者基于有限样本来获得一致收敛性Kolmogorov

复杂性是不可计算的,因此由此衍生了MDL原则(最小描述长度),其最初只

适用于离散数据,最近已经推广至连续数据集中,试图从编码角度获得对模型参

数的最小描述其缺陷在于建模的复杂性过高,导致在大数据集中难以运用

BIC准则从模型复杂性角度来考虑,BIC准则对模型复杂度较高的给予大的

惩罚,反之,惩罚则小,隐式地体现了奥卡姆剃刀("Occam Razor")原理,近

年也广泛应用于生物信息学中BIC准则的主要局限是对参数模型的假定和先验

的选择的敏感性,在数据量较大时处理较慢因此,在这一方面仍然有许多探索

的空间

六, 讨论与总结

人类对基因的认识,从以往的对单个基因的了解,上升到在整个基因组水平

上考察基因的组织结构和信息结构,考察基因之间在位置,结构和功能上的相互

关系这就要求生物信息学在一些基本的思路上要做本质的观念转变,本节就这

些问题做出探讨和思索

启发式方法:

Simond在人类的认知一书中指出,人在解决问题时,一般并不去寻找最优

的方法,而只要求找到一个满意的方法因为即使是解决最简单的问题,要想得

到次数最少,效能最高的解决方法也是非常困难的最优方法和满意方法之间的

困难程度相差很大,后者不依赖于问题的空间,不需要进行全部搜索,而只要能

达到解决的程度就可以了正如前所述,面对大规模的序列和蛋白质结构数据集,

要获得全局结果,往往是即使算法复杂度为线性时也不能够得到好的结果,因此,

要通过变换解空间或不依赖于问题的解空间获得满意解,生物信息学仍需要人工

智能和认知科学对人脑的进一步认识,并从中得到更好的启发式方法

问题规模不同的处理:

Marvin Minsky在人工智能研究中曾指出:小规模数据量的处理向大规模数

据量推广时,往往并非算法上的改进能做到的,更多的是要做本质性的变化这

好比一个人爬树,每天都可以爬高一些,但要想爬到月球,就必须采用其他方法

一样在分子生物学中,传统的实验方法已不适应处理飞速增长的海量数据同

样,在采用计算机处理上,也并非依靠原有的计算机算法就能够解决现有的数据

挖掘问题如在序列对齐(sequence Alignment)问题上,在小规模数据中可以采用

动态规划,而在大规模序列对齐时不得不引入启发式方法,如BALST,FASTA

乐观中的隐扰

生物信息学是一门新兴学科,起步于20世纪90年代,至今已进入"后基因

组时代",目前在这一领域的研究人员均呈普遍乐观态度,那么,是否存在潜在

的隐扰呢

不妨回顾一下早期人工智能的发展史[11],在1960年左右,西蒙曾相信不出

十年,人类即可象完成登月一样完成对人的模拟,造出一个与人智能行为完全相

同的机器人而至今为止,这一诺言仍然遥遥无期尽管人工智能研究得到的成

果已经渗入到各个领域,但对人的思维行为的了解远未完全明了从本质来看,

这是由于最初人工智能研究上定位错误以及没有从认识论角度看清人工智能的

本质造成的;从研究角度来看,将智能行为还原成一般的形式化语言和规则并不

能完整描述人的行为,期望物理科学的成功同样在人工智能研究中适用并不现

实

反观生物信息学,其目的是期望从基因序列上解开一切生物的基本奥秘,从

结构上获得生命的生理机制,这从哲学上来看是期望从分子层次上解释人类的所

有行为和功能和致病原因这类似于人工智能早期发展中表现的乐观行为,也来

自于早期分子生物学,生物物理和生物化学的成就然而,从本质上来讲,与人

工智能研究相似,都是希望将生命的奥秘还原成孤立的基因序列或单个蛋白质的

功能,而很少强调基因序列或蛋白质组作为一个整体在生命体中的调控作用我

们因此也不得不思考,这种研究的最终结果是否能够支撑我们对生物信息学的乐

观呢 现在说肯定的话也许为时尚早

综上所述,不难看出,生物信息学并不是一个足以乐观的领域,究竟原因,

是由于其是基于分子生物学与多种学科交叉而成的新学科,现有的形势仍表现为

各种学科的简单堆砌,相互之间的联系并不是特别的紧密在处理大规模数据方

面,没有行之有效的一般性方法;而对于大规模数据内在的生成机制也没有完全

明了,这使得生物信息学的研究短期内很难有突破性的结果那么,要得到真正

的解决,最终不能从计算机科学得到,真正地解决可能还是得从生物学自身,从

数学上的新思路来获得本质性的动力

毫无疑问,正如Dulbecco1986年所说:"人类的DNA序列是人类的真谛,

这个世界上发生的一切事情,都与这一序列息息相关"但要完全破译这一序列

以及相关的内容,我们还有相当长的路要走

（来源 ------[InfoBioorg | 生物信息学研讨组]）>

以上就是关于生物信息学的综述可以从哪些方面入手全部的内容，包括:生物信息学的综述可以从哪些方面入手、什么是NCBI。有什么用途、生物信息学是干什么的等相关内容解答，如果想了解更多相关内容，可以关注我们，你们的支持是我们更新的动力！