“生物信息学”的版本间的差异
来自医学百科
（建立内容为“{{Infobox | bodystyle = width: 300px; float: right; clear: right; margin: 0 0 1em 1em; border: 1px solid #a2a9b1; background: #f9f9f9; | abovestyle = backgro…”的新页面） |
|||
| （未显示同一用户的1个中间版本） | |||
| 第4行： | 第4行： | ||
| headerstyle = background: #eeeeee; font-weight: bold; | | headerstyle = background: #eeeeee; font-weight: bold; | ||
| − | | above = 生物信息学<br><small> | + | | above = 生物信息学<br><small>Bioinformatics</small> |
| image = {{#if:{{{image|}}}|[[File:{{{image}}}|frameless|center|250px]]}} | | image = {{#if:{{{image|}}}|[[File:{{{image}}}|frameless|center|250px]]}} | ||
| caption = {{{caption|}}} | | caption = {{{caption|}}} | ||
| 第12行： | 第12行： | ||
| label2 = 涉及领域 | | label2 = 涉及领域 | ||
| − | | data2 = [[生物学]]、[[计算机科学]]、<br>[[统计学]]、[[数学 | + | | data2 = [[生物学]]、[[计算机科学]]、<br>[[统计学]]、[[数学]] |
| label3 = 核心对象 | | label3 = 核心对象 | ||
| 第18行： | 第18行： | ||
| label4 = 主要应用 | | label4 = 主要应用 | ||
| − | | data4 = [[基因组学]]、[[药物设计]]、<br>[[ | + | | data4 = [[基因组学]]、[[药物设计]]、<br>[[精准医疗]] |
| label5 = 常用工具 | | label5 = 常用工具 | ||
| − | | data5 = [[BLAST]]、Bioconductor、<br>[[AlphaFold]] | + | | data5 = [[BLAST]]、Bioconductor、<br>[[AlphaFold]] |
| label6 = 早期先驱 | | label6 = 早期先驱 | ||
| − | | data6 = 玛格丽特·戴霍夫 | + | | data6 = 玛格丽特·戴霍夫 |
}} | }} | ||
| − | '''生物信息学''' | + | '''生物信息学'''（Bioinformatics）是一门利用[[计算机科学]]、[[统计学]]和[[数学]]的方法来分析和解释生物学数据（特别是分子生物学数据）的[[交叉学科]]。它致力于开发算法和软件工具，以从大规模复杂的生物数据中提取知识。 |
| − | + | 该学科是现代生物学和医学研究的核心支柱，特别是在[[人类基因组计划]]完成后，海量数据的解读需求使得生物信息学成为[[精准医疗]]和新药研发的关键驱动力。<ref name="Mount2004">Mount, David W. (2004). ''Bioinformatics: Sequence and Genome Analysis'' (2nd ed.). Cold Spring Harbor Laboratory Press. ISBN 978-0-87969-712-9.</ref> | |
== 定义与范畴 == | == 定义与范畴 == | ||
| − | + | 生物信息学的研究范畴主要包括三个层面： | |
| − | # '''数据管理''' | + | # '''数据管理'''：建立数据库以存储、检索和组织海量的生物数据（如[[GenBank]]、[[UniProt]]）。 |
| − | # '''数据分析''' | + | # '''数据分析'''：利用计算方法挖掘数据中的生物学意义（如差异表达分析、变异检测）。 |
| − | # '''工具开发''' | + | # '''工具开发'''：编写软件和管道（Pipeline）以自动化处理生物学问题。 |
== 主要研究领域 == | == 主要研究领域 == | ||
=== 序列分析 === | === 序列分析 === | ||
| − | + | 这是生物信息学的基础。通过序列比对（Sequence Alignment）算法（如[[BLAST]]），研究人员比较不同物种的[[DNA]]、[[RNA]]或[[蛋白质]]序列，推断进化关系或预测基因功能。2001年人类基因组草图的发布是序列分析史上的里程碑。<ref name="Lander2001">Lander, E. S., et al. (2001). Initial sequencing and analysis of the human genome. ''Nature'', 409(6822), 860–921. [https://doi.org/10.1038/35057062 doi:10.1038/35057062]</ref> | |
=== 结构生物信息学 === | === 结构生物信息学 === | ||
| − | + | 致力于预测生物大分子的三维结构。传统的X射线晶体衍射耗时耗力，而计算方法带来了革命性突破。2021年，DeepMind发布的基于深度学习的'''[[AlphaFold]]'''能够以原子级精度从氨基酸序列预测蛋白质结构，解决了困扰生物学界50年的难题。<ref name="AlphaFold2021">Jumper, J., et al. (2021). Highly accurate protein structure prediction with AlphaFold. ''Nature'', 596(7873), 583–589. [https://doi.org/10.1038/s41586-021-03819-2 doi:10.1038/s41586-021-03819-2]</ref> | |
=== 基因组学与转录组学 === | === 基因组学与转录组学 === | ||
| − | * '''[[基因组学]]''' | + | * '''[[基因组学]]'''：组装基因组，寻找疾病相关的单核苷酸多态性（[[SNP]]）和结构变异（SV）。 |
| − | * '''[[转录组学]]''' | + | * '''[[转录组学]]'''：利用[[RNA测序]]（RNA-Seq）技术，分析基因在特定生理或病理状态下的表达水平变化。 |
| − | === | + | == 在医学中的应用 == |
| − | + | === 临床生物信息学与精准医疗 === | |
| + | 生物信息学是将基因组数据转化为临床决策的桥梁。通过分析患者的遗传背景，医生可以实现“量体裁衣”式的治疗。这在罕见遗传病诊断和药物基因组学中尤为重要。<ref name="ReviewMed">Duffy, D. J. (2016). Problems, challenges and promises: perspectives on precision medicine and bioinformatics. ''Briefings in Bioinformatics'', 17(3), 494–504. [https://doi.org/10.1093/bib/bbv060 doi:10.1093/bib/bbv060]</ref> | ||
| − | == | + | === 肿瘤生物信息学 === |
| − | + | 在癌症研究中，生物信息学被用于识别驱动突变（Driver Mutations）和肿瘤微环境特征。例如，基于[[TCGA]]（癌症基因组图谱）的大规模泛癌种分析揭示了不同器官肿瘤之间共享的分子特征，重新定义了癌症的分子分类。<ref name="CancerBioinfo">Hoadley, K. A., et al. (2018). Cell-of-Origin Patterns Dominate the Molecular Classification of 10,000 Tumors from 33 Types of Cancer. ''Cell'', 173(2), 291–304. [https://doi.org/10.1016/j.cell.2018.03.022 doi:10.1016/j.cell.2018.03.022]</ref> | |
| − | |||
=== 药物发现 === | === 药物发现 === | ||
| − | * '''计算机辅助药物设计''' | + | * '''计算机辅助药物设计'''（CADD）：模拟药物分子与靶点的结合。 |
| − | * '''AI制药'''：利用[[大型语言模型]] | + | * '''AI制药'''：利用[[大型语言模型]]（LLM）生成全新的药物分子结构，显著缩短研发周期。 |
| − | == | + | == 常用工具与数据库 == |
| − | * '''数据库'''： | + | * '''数据库'''：[[NCBI]] (GenBank, PubMed), [[EBI]], [[PDB]] (蛋白质结构), [[TCGA]] (癌症数据)。 |
| − | |||
| − | |||
| − | |||
| − | |||
* '''编程语言'''：[[Python]] (Biopython), [[R语言]] (Bioconductor), [[Linux]] Shell。 | * '''编程语言'''：[[Python]] (Biopython), [[R语言]] (Bioconductor), [[Linux]] Shell。 | ||
| 第71行： | 第67行： | ||
* [[医学信息学]] | * [[医学信息学]] | ||
* [[人工智能]] | * [[人工智能]] | ||
| − | * [[ | + | * [[系统生物学]] |
== 参考资料 == | == 参考资料 == | ||
2025年12月23日 (二) 15:43的最新版本
| 生物信息学 Bioinformatics | |
|---|---|
| 学科类型 | 交叉学科 |
| 涉及领域 |
生物学、计算机科学、 统计学、数学 |
| 核心对象 | DNA、RNA、蛋白质 |
| 主要应用 |
基因组学、药物设计、 精准医疗 |
| 常用工具 |
BLAST、Bioconductor、 AlphaFold |
| 早期先驱 | 玛格丽特·戴霍夫 |
生物信息学（Bioinformatics）是一门利用计算机科学、统计学和数学的方法来分析和解释生物学数据（特别是分子生物学数据）的交叉学科。它致力于开发算法和软件工具，以从大规模复杂的生物数据中提取知识。
该学科是现代生物学和医学研究的核心支柱，特别是在人类基因组计划完成后，海量数据的解读需求使得生物信息学成为精准医疗和新药研发的关键驱动力。[1]
定义与范畴[编辑 | 编辑源代码]
生物信息学的研究范畴主要包括三个层面：
- 数据管理：建立数据库以存储、检索和组织海量的生物数据（如GenBank、UniProt）。
- 数据分析：利用计算方法挖掘数据中的生物学意义（如差异表达分析、变异检测）。
- 工具开发：编写软件和管道（Pipeline）以自动化处理生物学问题。
主要研究领域[编辑 | 编辑源代码]
序列分析[编辑 | 编辑源代码]
这是生物信息学的基础。通过序列比对（Sequence Alignment）算法（如BLAST），研究人员比较不同物种的DNA、RNA或蛋白质序列，推断进化关系或预测基因功能。2001年人类基因组草图的发布是序列分析史上的里程碑。[2]
结构生物信息学[编辑 | 编辑源代码]
致力于预测生物大分子的三维结构。传统的X射线晶体衍射耗时耗力，而计算方法带来了革命性突破。2021年，DeepMind发布的基于深度学习的AlphaFold能够以原子级精度从氨基酸序列预测蛋白质结构，解决了困扰生物学界50年的难题。[3]
基因组学与转录组学[编辑 | 编辑源代码]
在医学中的应用[编辑 | 编辑源代码]
临床生物信息学与精准医疗[编辑 | 编辑源代码]
生物信息学是将基因组数据转化为临床决策的桥梁。通过分析患者的遗传背景，医生可以实现“量体裁衣”式的治疗。这在罕见遗传病诊断和药物基因组学中尤为重要。[4]
肿瘤生物信息学[编辑 | 编辑源代码]
在癌症研究中，生物信息学被用于识别驱动突变（Driver Mutations）和肿瘤微环境特征。例如，基于TCGA（癌症基因组图谱）的大规模泛癌种分析揭示了不同器官肿瘤之间共享的分子特征，重新定义了癌症的分子分类。[5]
药物发现[编辑 | 编辑源代码]
- 计算机辅助药物设计（CADD）：模拟药物分子与靶点的结合。
- AI制药：利用大型语言模型（LLM）生成全新的药物分子结构，显著缩短研发周期。
常用工具与数据库[编辑 | 编辑源代码]
- 数据库：NCBI (GenBank, PubMed), EBI, PDB (蛋白质结构), TCGA (癌症数据)。
- 编程语言：Python (Biopython), R语言 (Bioconductor), Linux Shell。
参见[编辑 | 编辑源代码]
参考资料[编辑 | 编辑源代码]
- ↑ Mount, David W. (2004). Bioinformatics: Sequence and Genome Analysis (2nd ed.). Cold Spring Harbor Laboratory Press. ISBN 978-0-87969-712-9.
- ↑ Lander, E. S., et al. (2001). Initial sequencing and analysis of the human genome. Nature, 409(6822), 860–921. doi:10.1038/35057062
- ↑ Jumper, J., et al. (2021). Highly accurate protein structure prediction with AlphaFold. Nature, 596(7873), 583–589. doi:10.1038/s41586-021-03819-2
- ↑ Duffy, D. J. (2016). Problems, challenges and promises: perspectives on precision medicine and bioinformatics. Briefings in Bioinformatics, 17(3), 494–504. doi:10.1093/bib/bbv060
- ↑ Hoadley, K. A., et al. (2018). Cell-of-Origin Patterns Dominate the Molecular Classification of 10,000 Tumors from 33 Types of Cancer. Cell, 173(2), 291–304. doi:10.1016/j.cell.2018.03.022