生物信息学的研究进展范例

生物信息学的研究进展范文1

关键词： 农业研究领域 应用

“生物信息学”是英文单词“bioinformatics”的中文译名，其概念是1956年在美国田纳西州gatlinburg召开的“生物学中的信息理论”讨论会上首次被提出的［1］，由美国学者lim在1991年发表的文章中首次使用。生物信息学自产生以来，大致经历了前基因组时代、基因组时代和后基因组时代三个发展阶段［2］。2003年4月14日，美国人类基因组研究项目首席科学家collins f博士在华盛顿隆重宣布人类基因组计划（human genome project，hgp）的所有目标全部实现［3］。这标志着后基因组时代（post genome era，pge）的来临，是生命科学史中又一个里程碑。生物信息学作为21世纪生物技术的核心，已经成为现代生命科学研究中重要的组成部分。研究基因、蛋白质和生命，其研究成果必将深刻地影响农业。本文重点阐述生物信息学在农业模式植物、种质资源优化、农药的设计开发、作物遗传育种、生态环境改善等方面的最新。

1.生物信息学在农业模式植物研究领域中的应用

1997年5月美国启动国家植物基因组计划（npgi），旨在绘出包括玉米、大豆、小麦、大麦、高粱、水稻、棉花、西红柿和松树等十多种具有经济价值的关键植物的基因图谱。国家植物基因组计划是与人类基因组工程（hgp）并行的庞大工程［4］。近年来，通过各国科学家的通力合作，植物基因组研究取得了重大进展，拟南芥、水稻等模式植物已完成了全基因组测序。人们可以使用生物信息学的方法系统地研究这些重要农作物的基因表达、蛋白质互作、蛋白质和核酸的定位、代谢物及其调节网络等，从而从分子水平上了解细胞的结构和功能［5］。目前已经建立的农作物生物信息学数据库研究平台有植物转录本（ta）集合数据库tigr、植物核酸序列数据库plantgdb、研究玉米遗传学和基因组学的mazegdb数据库、研究草类和水稻的gramene数据库、研究马铃薯的pomamo数据库，等等。

2.生物信息学在种质资源保存研究领域中的应用

种质资源是农业生产的重要资源，它包括许多农艺性状（如抗病、产量、品质、环境适应性基因等）的等位基因。植物种质资源库是指以植物种质资源为保护对象的保存设施。至1996年，全世界已建成了1300余座植物种质资源库，在我国也已建成30多座作物种质资源库。种质入库保存类型也从单一的种子形式，发展到营养器官、细胞和组织，甚至dna片段等多种形式。保护的物种也从有性繁殖植物扩展到无性繁殖植物及顽拗型种子植物等［6］。近年来，人们越来越多地应用各种分子标记来鉴定种质资源。例如微卫星、aflp、ssap、rbip和snp等。由于对种质资源进行分子标记产生了大量的数据，因此需要建立生物信息学数据库和采用分析工具来实现对这些数据的查询、统计和计算机分析等［7］。

3.生物信息学在农药设计开发研究领域中的应用

传统的药物研制主要是从大量的天然产物、合成化合物，以及矿物中进行筛选，得到一个可供临床使用的药物要耗费大量的时间与金钱。生物信息学在药物研发中的意义在于找到病理过程中关键性的分子靶标、阐明其结构和功能关系，从而指导设计能激活或阻断生物大分子发挥其生物功能的治疗性药物，使药物研发之路从过去的偶然和盲目中找到正确的研发方向。生物信息学为药物研发提供了新的手段［8，9］，导致了药物研发模式的改变［10］。目前，生物信息学促进农药研制已有许多成功的例子。itzstein等设计出两种具有与唾液酸酶结合化合物：4-氨基-neu5ac2en和4-胍基-neu5ac2en。其中，后者是前者与唾液酸酶的结合活性的250倍［11］。目前，这两种新药已经进入临床试验阶段。tang sy等学者研制出新一代抗aids药物saquinavir［12］。pungpo等已经设计出几种新型高效的抗hiv-1型药物［13］。杨华铮等人设计合成了十多类数百个除草化合物，经生物活性测定，部分化合物的活性已超过商品化光合作用抑制剂的水平［14］。

现代农药的研发已离不开生物信息技术的参与，随着生物信息学技术的进一步完善和发展，将会大大降低药物研发的成本，提高研发的质量和效率。

4.生物学信息学在作物遗传育种研究领域中的应用

随着主要农作物遗传图谱精确度的提高，以及特定性状相关分子基础的进一步阐明，人们可以利用生物信息

学的方法，先从模式生物中寻找可能的相关基因，然后在作物中找到相应的基因及其位点。农作物的遗传学和分子生物学的研究积累了大量的基因序列、分子标记、图谱和功能方面的数据，可通过建立生物信息学数据库来整合这些数据，从而比较和分析来自不同基因组的基因序列、功能和遗传图谱位置［15］。在此基础上，育种学家就可以应用计算机模型来提出预测假设，从多种复杂的等位基因组合中建立自己所需要的表型，然后从大量遗传标记中筛选到理想的组合，从而培育出新的优良农作物品种。

5.生物信息学在生态环境平衡研究领域中的应用

在生态系统中，基因流从根本上影响能量流和物质流的循环和运转，是生态平衡稳定的根本因素。生物信息学在环境领域主要应用在控制环境污染方面，主要通过数学与计算机的运用构建遗传工程特效菌株，以降解目标基因及其目标污染物为切入点，通过降解污染物的分子遗传物质核酸 dna，以及生物大分子蛋白质酶，达到催化目标污染物的降解，从而维护空气［16］、水源、土地等生态环境的安全。

美国农业研究中心（ars） 的农药特性信息数据库（ppd） 提供 334 种正在广泛使用的杀虫剂信息，涉及它们在环境中转运和降解途径的16种最重要的物化特性。日本丰桥技术大学（toyohashi university of technology） 多环芳烃危险性有机污染物的物化特性、色谱、紫外光谱的谱线图。美国环保局综合风险信息系统数据库（iris） 涉及 600种化学污染物，列出了污染物的毒性与风险评价参数，以及分子遗传毒性参数［17］。除此之外，生物信息学在生物防治［18］中也起到了重要的作用。网络的普及，情报、信息等学科的资源共享，势必会创造出一个环境微生物技术信息的高速发展趋势。

6.生物信息学在食品安全研究领域中的应用

食品在加工制作和存储过程中各种细菌数量发生变化，传统检测方法是进行生化鉴定，但所需时间较长，不能满足检验检疫部门的要求，运用生物信息学方法获得各种致病菌的核酸序列，并对这些序列进行比对，筛选出用于检测的引物和探针，进而运用pcr法［19］、rt-pcr法、荧光rt-pcr法、多重pcr［20］和多重荧光定量pcr等技术，可快速准确地检测出细菌及病毒。此外，对电阻抗、放射测量、elisa法、生物传感器、基因芯片等［21-25］技术也是未来食品病毒检测的发展方向。

转基因食品检测是通过设计特异性的引物对食品样品的dna提取物进行扩增，从而判断样品中是否含有外源性基因片段［26］。通过对转基因农产品数据库信息的及时更新，可准确了解各国新出现和新批准的转基因农产品，便于查找其插入的外源基因片段，以便及时对检验方法进行修改。目前由于某些通过食品传播的病毒具有变异特性，以及检测方法的不完善等因素影响，生物信息学在食品领域的应用还比较有限，但随着食品安全检测数据库的不断完善，相信相关的生物信息学技术将在食品领域发挥越来越重要的作用。

。。

参考文献：

［1］yockey hp，platzman rp，quastler h.symposium on information.theory in biology.pergamon press，new york，london，1958.

［2］郑国清，张瑞玲.生物信息学的形成与发展［j］.河南农业科学，2002，（11）：4-7.

［3］骆建新，郑崛村，马用信等.人类基因组计划与后基因组时代.中国生物工程杂志，2003，23，（11）：87-94.

［4］曹学军.基因研究的又一壮举——美国国家植物基因组计划［j］.国外科技动态，2001，1：24-25.

［5］michael b.genomics and plantcells：application ofgenomics strategies to arabidopsis cellbiology［j］.philostransr soc lond b bio sci，2002，357（1422）：731-736.

［6］卢新雄.植物种质资源库的设计与建设要求［j］.植物学通报，2006，23，（1）：119-125.

［7］guy d

，noel e，mike a.using bioinformatics to analyse germplasm collections ［j］.springer netherlands，2004：39-54.

［8］郑衍，王非.药物生物信息学，化学化工出版社，2004.1：214-215.

［9］俞庆森，邱建卫，胡艾希.药物设计.化学化工出版社，2005.1：160-1.

［10］austen m，dohrmann c.phenotype—first screening for the identification of novel drug targets.drug discov today，2005，10，（4）：275-282.

［11］arun agrawal，ashwini chhatre.state involvement and forest cogovernance：evidence from the indianhmi alayas.stcomp international developmen.t sep 2007：67-86.

［12］tang sy.institutionsand collective action：self-governance in irrigation ［m］.san francisco，ca：icspress，1999.

［13］pungpo p，saparpakorn p，wolschann p，et a.l computer-aided moleculardesign of highly potenthiv-1 rt inhibitors：3d qsar and moleculardocking studies of efavirenz derivatives［j］.sar qsar environres，2006，17，（4）：353-370.

［14］杨华铮，刘华银，邹小毛等.计算机辅助设计与合成除草剂的研究［j］.计算机与应用化学，1999，16，（5）：400.

［15］vassilev d，leunissen j，atanassov a.application of bioinformatics in plant breeding［j］.biotechnology & biotechnological equipment，2005，3：139-152.

［16］王春华，谢小保，曾海燕等.深圳市空气微生物污染状况监测分析［j］.微生物学杂志，2008，28，（4）：93-97.

［17］程树培，严峻，郝春博等.环境生物技术信息学进展［j］.环境污染治理技术与设备，2002，3，（11）：92-94.

［18］史应武，娄恺，李春.植物内生菌在生物防治中的应用［j］.微生物学杂志，2009，29，（6）：61-.

［19］赵玉玲，张天生，张巧艳.pcr 法快速检测肉食品污染沙门菌的实验研究［j］.微生物学杂志，2010，30，（3）：103-105.

［20］徐义刚，崔丽春，李苏龙等.多重pcr方法快速检测4种主要致腹泻性大肠埃希菌［j］.微生物学杂志，2010，30，（3） ：25-29.

［21］索标，汪月霞，艾志录.食源性致病菌多重分子生物学检测技术研究进展［j］.微生物学杂志，2010，30，（6）：71-75

［22］朱晓娥，袁耿彪.基因芯片技术在基因突变诊断中的应用及其前景［j］.重庆医学，2010，（22）：3128-3131.

［23］陈彦闯，辛明秀.用于分析微生物种类组成的微生物生态学研究方法［j］.微生物学杂志，2009，29，（4）：79-83.

［24］王大勇，方振东，谢朝新等.食源性致病菌快速检测技术研究进展［j］.微生物学杂志，2009，29，（5）：67-72.

生物信息学的研究进展范文2

在1956年美国召开的首次“生物学中的信息理论研讨会”上人们提出了生物信息学的概念[1]。近几年，随着人类基因组计划(HGP)的迅猛发展，各种数学软件以及生物分析软件的出现，将之前积累的大量不同生物基因序列、蛋白质氨基酸残基序列、不同生物种属之间基因序列、蛋白质以及结构序列的保守结构位点进行整合，并据此建立了庞大的数据库系统。而对于这些数据的分析，必须依靠计算机分析技术的不断发展，所以就形成了一门由生物科学、计算机科学、信息科学、应用数学、统计学等多门学科相互交叉的学科——生物信息学技术[2-4]。

生物信息学的基础是各种数据库的建立和分析工具的发展。迄今为止，生物学数据库总数已达500个以上。归纳起来可分为4大类：即基因组数据库、核酸和蛋白质一级结构数据库、生物大分子三维空间结构数据库，以及以上述3类数据库和文献资料为基础构建的二级数据库[7]。常用生物信息学数据库[8-10]：

European Molecular Biology Laboratory(EMBL)——欧洲分子生物学实验室http：//ebi.ac.uk/ebi_docs/embl_db/ebi/topembl.html

UK Human Genome Mapping Project-Resource Center(HGMP-RC)——英国医学研究委员会所属人类基因组图谱资源中心 http：//hgmp.mrc.ac.uk/default.htm

SeqNet：UK Node of European Molecular Biology Network(EMBNet)——欧洲分子生物学信息网http：//seqnet.dl.ac.uk/default.htm

GenBank——美国国家生物技术信息中心(NCBI)所维护的供公众自由读取的、带注释的DNA序列的总数据库http：//ncbi.nlm.nih.gov/Web/Search/index.html

National Center for Biotechnology Information(NCBI)——美国国家生物技术信息中心http：//ncbi.nlm.nih.gov/

DNA Databank of Japan(DDBJ)——日本核酸数据库http：//ddbj.nig.ac.jp/default.htm

Genome Sequence DataBase(GSD)——美国国家基因组资源中心维护的DNA序列关系数据库http：//seqsim.ncgr.org/default.htm

Online Mendelian Inheritance in Man(OMIM)——在线人类孟德尔遗传数据库http：//www3.ncbi.nlm.nih.gov/Omim/searchomim.html

European Drosophila Genome Project http：//edgp.ebi.ac.uk/default.htm

The Institute for Genomic Research(TIGR)——美国基因组研究所http：//tigr.org/default.htm

The Sanger Centre http：//sanger.ac.uk/default.htm

Swiss Institute of Bioinformatics(Expasy)http：//expasy.ch/default.htm

GenomeNet(Japan)http：//genome.ad.jp/default.htm

Australian National Genomic Information Service(ANGIS)http：//morgan.angis.su.oz.au/default.htm

Bioinformatics and Biology Resources on the Internet

List of other Genome Sites http：//hgmp.mrc.ac.uk/GenomeWeb/default.htm

Brunel University Online Teaching Programme http：//brunel.ac.uk/depts/bl/project/front.htm

Whitehead Institute for Biomedical Research(WI)http：//wi.mit.edu/

WICGR(WI/MIT Center for Genome Research)http：//www-genome.wi.mit.edu/

Cold Spring Harbor Laboratory(CSHL)——冷泉港实验室http：//clio.cshl.org/

SMI(Stanford Medical Informatics)http：//www-smi.stanford.edu/projects/helix/

BNL(Brookhaven National Laboratory)——美国布鲁克海文国家实验室http：//genome1.bio.bnl.gov/

Weizmann Institute of Science——以色列魏兹曼科学研究所 http：//bioinformatics.weizmann.ac.il/

中国科学院上海生命科学院生物信息中心(BioSino)http：//biosino.org.cn/

北京大学生物信息中心(CBI或PKUCBI)http：//cbi.pku.edu.cn/

中事医学科学院情报研究所 http：//bmi.ac.cn/bio/

1 生物信息学在寄生虫基础研究中的现状

随着HGP的开展[11-12]，人体寄生虫基因组研究也受到了广泛的重视。1993年美国人类基因组研究中心对HGP 作了修订，修订后的HGP 将模式生物基因组列入了HGP的内容[13]，认为通过对较为简单的模式生物基因组的研究，可为人类基因的功能鉴定提供线索，并可从简单的基因组分析入手建立技术积累经验。人体寄生虫是一类结构较简单的单细胞生物如原虫或多细胞生物如蠕虫[14]，是研究模式生物较理想的材料。因此，人体寄生虫基因组计划也已成为人类基因组计划中模式生物基因组研究重要内容之一[15-16]。其中，基因序列测定和新基因的发现是人体寄生虫基因组计划的首要任务。目前应用生物信息学对下列人体寄生虫基因组进行了研究[17-18]：

1.1 恶性疟原虫 基因组计划开展较早，研究表明恶性疟原虫的基因组大小约30Mb，含15000～17000个基因。在GenBank 中已记载的恶性原虫5031个基因顺序资料中，有3755个为抗原/蛋白质的编基因序列。

1.2 利什曼原虫 基因组大小约为35Mb，通过构建利什曼原虫不同时期特异性cDNA文库和长片段基因组文库，已经获得了2000多个EST 序列。

1.3 美洲锥虫 基因组大小为55 Kb，已建立了标化cDNA 文库，BAC 文库和YAC 文库。现已完成了7000个EST序列的测定，3号和4号染色体序列已测定。

1.4 丝虫 基因组大小为100Mb(以马来丝虫代表)，至目前为止，在GenBank 中EST 序列已达到16500个，鉴定出新基因6000个，占预测基因总数的1/3。

1.5 硕大利什曼原虫 已有约500个EST 序列进入数据库，均是从含有引导序列的全长cDNA的5端测出的序列，对利什曼原虫的目标是测出至少1500个新序列。

1.6 血吸虫 基因组大小为270 Mb，估计基因数为20000个。血吸虫基因组计划始于1995年，早期研究工作主要是新基因的发现和绘制低分辨率的物理图谱。目前在GenBank中已有的血吸虫基因EST序列超过45900条，3500 个新基因已被鉴定，占基因总数的15%。

2 生物信息学在包虫基础研究中的应用前景

包虫病是一个世界性的流行病，其防治工作倍受各国研究者重视。包虫生活史复杂，同一包虫的不同种株，以及在同一种株的不同发育阶段，不同组织，甚至随着环境的改变，其基因表达变化很大。目前有关包虫的研究还不是很多，研究资源主要集中于研究包虫单个基因的序列及其功能，随着后基因组时代的发展，以及生物信息学的兴起，包虫的研究将从单个基因和功能向全基因组和功能研究转变，从局部向整体转变，从而使有目的地大规模研究疫苗和药物相关基因成为可能。

目前，应用生物信息学在对血吸虫的基础研究中取得了很大的进展。这便给了我们一个提示，可以应用生物信息学对包虫进行基础研究。。

核酸序列线粒体

内核酸线粒体

外核酸总核酸

序列数Nucleotide5625321097相关EST01000210002GSS077

2.1 基因功能预测 一个新基因得到后，接下来的工作就是寻找该基因的功能。序列同源比较是预测基因功能的第一步。利用同源比较算法，将待检测的新基因序列从DNA和蛋白质序列数据库中进行同源检索后，就可以得到一系列与新基因同源性较高的基因或片段。这些基因和片段的已知功能信息就为进一步分析新基因功能提供了具有相当参考价值的导向。最主要的生物学数据库是核酸、蛋白质序列数据库及其三维结构数据库[20]。

2.2 寻找蛋白质家族保守序列 通过同源检索，寻找新基因中包含的该蛋白质家族的保守序列，为进一步深入研究其功能作好准备。多重序列同源比较，被用来寻找基因家族或蛋白质家族中的保守部分[21-22]。由于保守部分常常与家族成员的功能密切相关，蛋白质家族数据库能够帮助科学家更好地认识基因的功能。最具代表性的蛋白质家族保守序列的数据库有PRINTS、BLOCKS、Sbase 和Prosite等。这些数据库可以帮助我们把新基因所属的蛋白质家族及其保守部分找出来，并提供该家族其他成员的结构和功能信息[23]。

2.3 蛋白质结构的预测 如果一个可能的新基因通过同源检索后没有同源性，就成为孤独基因了。孤独基因可以通过结构同源比较，寻找结构同源的基因或直接预测其高级结构来推测其可能的功能。有很多蛋白质高级结构数据库提供结构同源比较的检索[20]。

目前，在后基因组时代，研究者们面对的不仅是序列和基因，也有越来越多的完整基因组。对不同种株包虫基因组之间的比较性研究很可能会得到大量有用信息，而对同一种包虫生活史不同阶段基因组的比较性研究可能会使人们对于该物种的认识更加深入。因此，随着生物信息学的迅速发展和后基因组计划的深入，包虫的基础研究必将得到极大地发展。人们能够期望从对基因和基因的生物学功能研究着手，发现更有效的抗包虫的药物靶位或疫苗[24-25]，并为彻底揭开包虫的奥秘以及有效的治疗与预防包虫病打下基础。

参考文献

[1] 陈颖健.生物信息学[J]. 国外科技动态，2002，10(399)：39-41.

[2] Ezio Bartocci，Flavio Corradini，Emanuela Merelli.BioWMS：a web-based Workflow Management System for bioinformatics[J]. BMC Bioinformatics，2007，8(Suppl 1)：S2.

[3] Stephen H，Wefer Keith Sheppard.Bioinformatics in High School Biology Curricula：A Study of State Science Standards[J]. CBE-Life Sciences Education，2008，7：155-162.

[4] 冯毅.生物信息学在药物研发中的应用与展望[J].西部医学，2007，19(5)：971-973

[5] 孙敏，马月辉.生物信息学研究进展[J].家畜生态学报，2006，27(1)：6-10.

[6] 汪凡军.生物信息学在医学上的应用[J].国际检验医学杂志，2006，27(2)：161-163.

[7] Yang Yong Mei.Application Development of Bioinformatics in Medicine Study[J]. Medical Recapitulate，2007，13(22)：1681-1683.

[8] Michelle D，Brazas BF，Francis Ouellette.2008 update on the Bioinformatics Links Directory[J]. Nucl Acid Res，2008，36：W2-W4.

[9] Benson D，Karsch-Mizrachi I，Lipman D，et al.Gen-Bank：update[J]. Nucleic Acids Res，2004，6：23-26.

[10] Apweiler R，Bairoch A，Wu C，et al.UniProt：the Universal Protein knowledgebase[J]. Nucleic Acids Res，2004，6：115-119.

[11] International Human Genome Sequencing Consortium：Initial sequencing and analysis of the human genome[J]. Nature，2001，409：860-921.

[12] Pennisi E.The sequence of the human genome[J]. Science，2001，291：1173-1180.

[13] Collins F，Galas D.Human genome[J]. Science，1993，262(130)：43-46.

[14] Alan F，Cowman Brendan S.Functional genomics：identifying drug targets for parasitic diseases[J]. Crabb Trends Parasitology，2003，19(11)：538-543.

[15] Rick L，Tarleton Jessica Kissinger.Parasite genomics：current status and future prospects[J]. Current Opinion in Immunology，2001，13(4)：395-402.

[16] David A，Johnston Mark L.Genomics and the biology of parasites[J]. BioEssays，2008，21(2)：131-147

[17] Sara E，Melville Christiane，Neil Hall.Methods in Molecular Biology Parasite Genomics Protocols[M]. Humana Press，2004：

[18] Yvan Strahm，David Powell，Christophe Lefebvre.EST-PAC a web package for EST annotation and protein sequence prediction[J]. Source Code for Biology and Medicine，2006，(1)：2

[19] Samuel Karlin.Statistical signals in bioinformatics[J]. PNAS，2005，102(38)：13355-13362.

[20] Sebastien Ribrioux，Adrian Brüngger.Bioinformatics prediction of overlapping frameshifted translation products in mammalian transcripts[J]. BMC Genomics，2008，9：122.

[21] Catherine H，Schein Ovidiu Ivanciuc，Werner Braun. Bioinformatics Approaches to Classifying Allergens and Predicting Cross-Reactivity[J]. Immunol Allergy Clin North Am，2007，27(1)：1-27.

[22] Chua Kek Heng，Rofina Yasmin Othman.Bioinformatics in molecular immunology laboratories demonstrated：Modeling an anti-CMV scFv antibody[J]. Bioinformation，2006，1(4)：118-120.

[23] Omar J，Jabado Sean Conlan P. Comprehensive viral oligonucleotide probe design using conserved protein regions[J]. Nucl Acid Res，2008，36(1)：10.

生物信息学的研究进展范文3

>> 丹参类贝壳杉烯氧化酶（SmKOL）基因全长克隆及其生物信息学分析 红白忍冬SABATH甲基转移酶基因克隆及其生物信息学分析 雷公藤贝壳杉烯酸氧化酶基因的全长cDNA克隆与表达分析 丹参SmNAC1基因的克隆和生物信息学分析 黄芩葡萄糖醛酸水解酶基因的克隆、生物信息学分析及表达 太子参分解代谢关键酶8′羟化酶基因的克隆及生物信息学分析 人组蛋白去乙酰化酶11的克隆表达与生物信息学分析 金铁锁糖基转移酶PtT1的克隆与生物信息学分析 平邑甜茶MhWRKY15基因cDNA克隆及其生物信息学分析 茶陵野生稻冷响应基因OrCr3的克隆及其生物信息学分析 唇形科植物脚6基脚6基焦磷酸合酶编码基因及其氨基酸序列的生物信息学分析 棉铃虫类胰蛋白酶的生物信息学分析 玉米谷胱甘肽过氧化物酶的生物信息学分析 黔北麻羊RERGL基因cDNA克隆与生物信息学分析 小菜蛾p38MAPK基因的克隆与生物信息学分析 高丛越桔UFGT基因电子克隆和生物信息学分析 小菜蛾PxALP1基因的克隆与生物信息学分析 希金斯炭疽菌腺苷酸环化酶生物信息学分析 黄瓜DVR基因的生物信息学分析 FZ6基因及其蛋白的生物信息学分析 常见问题解答 当前所在位置：l）查找开放阅读框（ORF）。生物信息学分析主要采用一些网上软件包进行分析，如采用Interpro （http：//ebi.ac.uk/tools/interproscan）进行结构域比对，ExPASy在线服务器的Compute pI/Mw工具（http：///compute_pi/）预测相对分子质量与理论等电点，TargetP1.1 server （http： //cbs.dtu. dk /serv- ices/targetP/）进行信号肽分析，Psort （http：//psort.hgc.jp/）及WOLFPSORT （http：///）分析亚细胞定位，TRMHMM server v 2.0 （http：// cbs. dtu.dk/services/TMHMM-2.0/）进行跨膜域分析，Predictprotein （https：///）进行二级结构预测，SWISS-MODEL （http：//swissmodel.expasy. org/）进行二级结构分析和结构域的三维同源建模。使用DNAMAN软件对序列进行多重比对，用ClustalW分析软件与其他植物的MCS氨基酸序列进行同源比对，根据分析结果选择17种植物的MCS氨基酸用MEGA 5.1软件构建进化树。

2.4 SmKOL基因的表达分析 取0.1 g毛状根样品采用Trizol试剂盒提取总RNA，用Takara反转录试剂盒反转录成cDNA。其过程为：总RNA模板1 μL（约200 ng），dNTP 1 μL， Radom 6 mers 2 μL，不含RNase的去离子水至10 μL，离心，置于PCR仪上，65 ℃ 5 min，之后冰上急冷。然后加入5×PrimerScript Buffer 4 μL，RNase Inhibitor 0.5 μL，PrimerScript Rtase 1 μL，RNase free H2O 4.5 μL。PCR反应条件为30 ℃ 10 min，42 ℃ 60 min，70 ℃ 15 min，所得cDNA用于Real-time PCR。根据丹参内参β-actin和目标基因SmKOL的核苷酸序列设计引物。其中β-actin上游引物为5′ -AGGAACCACCGATCCAGACA-3′，下游引物为5′ -GGTGCCCTGAGGTCCTGTT-3′；SmKOL上游引物为5′ -GCTTCTGGCAAGGCAATCAAC-3′，下游引物为5′ -CTTTTCCTCGTTGAGTTGGTCG-3′。转录后的cDNA用管家基因引物β-actin进行普通PCR反应，用于反转录质量控制，待目的基因引物及管家基因引物检测合格后，在ABI7300 RT-PCR仪上进行荧光定量检测，反应体系为：5 μL Power SYBR Green PCR Master Mix，0.2 μL引物F，0.2 μL引物R，1.0 μL cDNA，3.6 μL ddH2O。PCR反应条件为95 ℃ 30 s；95 ℃ 5 s；60 ℃ 34 s，40个扩增循环；检测溶解曲线。反应结束后分析荧光值变化曲线和溶解曲线。每个反应重复3次，采用2-ΔΔCT法分析结果。

3 结果

3.1 丹参毛状根SmKOL基因的全长克隆及序列分析 将基因cDNA序列进行Blast比对分析，结果表明测得的片段与其他植物中的KO基因有70%左右的同源性，并有相似的保守区域。将所得的片段进行拼接，获得基因全长序列，共1 884 bp核苷酸，命名为SmKOL，GenBank登录号为KJ606394，DNAMAN软件结合ORF Finder在线软件对SmKOL基因全长cDNA序列进行分析，推测编码519个氨基酸的蛋白质，并含有完整的开放阅读框（open reading frame， ORF），SmKOL基因的开放阅读框位于23～1 582 bp，序列的1～22 bp为5′非翻译区（5′UTR），1 583～1 884 bp为3′非翻译区（3′UTR）。

Blast结果显示SmKOL基因与甜橙Citrus sinensis的KO基因有68%相似， 西洋梨Pyrus communis的KO基因有66%相似、苜蓿Medicago truncatula的KO基因有67%相似、葡萄Vitis vinifera的KO基因有65%相似、拟南芥Arabidopsis thaliana的KO基因有%相似、粳稻Oryza sativa Japonica Group的KOL基因有57%相似。KOL具有比较保守的结构域，用DNAMAN程序对比葡萄（AFD54196.1）、苜蓿（XP_003637273.1）、西洋梨（AEK01241.1）、粳稻（AAT81230.1）拟南芥（AED93499.1）的氨基酸序列进行多序列比对（图1）。结果表明家族具有较高同源性。使用Interpro结构域比对，结果表明SmKOL具有与IPR001128的Cytochrome P450 domain和IPR017972的Cytochrome P450相同保守位点（图2）。

3.2 KOL氨基酸序列的分子系统进化树分析 将SmKOL与GenBank中的17种植物的17种蛋白进行比对分析，在软件MEGA 。SmKOL与阿拉比卡种小果咖啡KOL聚为一类，两者在本文所选蛋白中的亲缘关系最近。

3.3 理化性质和3D结构预测 使用ExPASy在线服务器的Compute pI/Mw工具预测，SmKOL蛋白的相对分子质量为58.88 kDa，等电点pI 7.62。亚细胞定位结果表明可能定位于细胞质或者细胞核。信号肽分析表明为分泌蛋白，前23个氨基酸可能是信号肽，跨膜域分析可能为膜蛋白。SmKOL蛋白的二级结构预测结果显示，α螺旋结构占50.10%、β折叠结构占6.36%、无规则卷曲结构占43.55%。蛋白质的功能很大程度上取决于其空间结构，无规则卷曲结构决定了蛋白质，尤其是酶的功能部位常常位于这种构象区域，而α螺旋主要对蛋白质骨架起稳定作用，通过对蛋白质二级与三级结构预测和分析，有助于理解蛋白质功能与结构的关系[10]。使用Swiss Model进行同源建模，以人Cytochrome P450 2R1蛋白A链（PDB注册号3czh.1.A）作为同源模板，用于建模的氨基酸序列残基为46～511位，序列相似性为23.56%，模型质量得分（GMQE）0.55（图4）。

3.4 SmKOL受茉莉酸甲酯（MeJA）诱导的诱导表达分析 实时荧光定量PCR实验数据结果采用2-ΔΔCT法进行相对定量表达分析，即确定目标基因（SmKOL）和参照基因（β-actin）有相近的扩增效率，就可以确定不同样本中目标基因表达水平的相对差异。不同时段MeJA诱导的丹参毛状根中SmKOL相对表达发现，MeJA能明显诱导丹参毛状根中SmKOL基因mRNA的表达。实验检测了丹参毛状根经MeJA处理12，24，36，120 h后SmKOL基因的诱导表达情况，结果显示经MeJA处理后的SmKOL基因的诱导表达水平在0～36 h逐渐升高，在36 h时达到最大值，随后120 h时SmKOL基因的表达量下降（图5）。

4 讨论

由于丹参毛状根具有遗传稳定性高、产率高等优点，近年来常应用于次生代谢产物的生产。本研究首次从丹参毛状根中克隆得到了赤霉素代谢途径上的KOL基因，获得含有完整ORF的基因全长，并利用生物信息学的方法对其核酸及其推测的蛋白序列组成进行分析。结果表明，该基因与其他物种中的KO基因有较高的同源性，命名为SmKOL，它具有Cytochrome P450 domain，这在所有的家族成员中都是保守的。

同时，SmKOL基因诱导表达结果表明，经诱导子MeJA诱导后，SmKOL的mRNA表达量逐渐上调，在36 h达到最大值，之后表达量下降。随着丹参赤霉素生物合成途径中基因的不断挖掘，为在分子水平上认识赤霉素合成途径中的编码基因、方式、酶反应动力学及其代谢调节的分子机制奠定基础[11]。SmKOL基因的克隆为进一步研究该基因的功能和丹参赤霉素生物合成及其次生代谢机制提供了靶基因。

[参考文献]

[1] Ogawa M， Kusano T， Koizumi N， et al. Gibberellin-responsive genes： high level of transcript accumulation in leaf sheath meristematic tissue from Zea mays L[J]. Plant Mol Biol， 1999， 40（4）： 5.

[2] 虞慧芳， 曹家树， 王永勤. 植物矮化突变体的激素[J].生命科学，2002， 14（2）：85.

[3] Wang Q， Hillwig M L， Wu Y S， et al. CYP701A8： a rice ent-kaurene oxidase paralog diverted to more specialized diterpenoid metabolism[J]. Plant Physiol， 2012， 158（3）： 1418.

[4] 李节法， 田义轲， 王彩虹， 等. 梨贝壳杉烯氧化酶基因PpKO的克隆及生物信息学分析[J]. 园艺学报， 2012， 10： 1575.

[5] Miyazaki S， Katsumata T，Natsume M， et al. The CYP701B1 of Physcomitrella patens is an ent-kaurene oxidase that resists inhibition by uniconazole-P[J]. FEBS Lett， 2011， 585（12）： 1879.

[6] Lei L， Fan Z R， Tang L， et al. Molecular cloning and identification of tissue-specific expression of ent-kaurene oxidase gene in Momordica charantia[J]. Afr J Biotechnol， 2011， 10（70）： 15724.

[7] Ko K W， Lin F Q， Katsumata T， et al. Functional identification of a rice ent-kaurene oxidase， OsKO2， using the pichia pastoris expression system[J]. Biosci Biotechnol Biochem， 2008， 72（12）： 3285.

[8] Song J， Guo B J， Song F W， et al. Genome-wide identification of gibberellins metabolic enzyme genes and expression profiling analysis during seed germination in maize[J]. Gene， 2011， 482（1-2）： 34.

[9] Morrone D， Chen X M， Coates R M， et al. Characterization of the kaurene oxidase CYP701A3， a multifunctional cytochrome P450 from gibberellin biosynthesis[J]. Biochem J， 2010， 431： 337.

[10] Zhou X Y， Li J Y， Fan Z Q. Cloning and expression analysis of chalcone isomerase gene cDNA from Camellia nitidissima[J]. Forest Res， 2012， 25： 93.

[11] 谈心， 马欣荣. 赤霉素生物合成途径及其相关研究进展[J]. 应用与环境生物学报，2008， 14（4）： 571.

Cloning and bioinformatics analysis of ent-kaurene oxidase

synthase gene in Salvia miltiorrhiza

HU Ya-ting1， GAO Wei2， LIU Yu-jia2， CHENG Qi-qing2， SU Ping2， LIU Yu-zhong1， CHEN Min1*

（1. State Key Laboratory of Dao-di Herbs， National Resource Center for

Chinese Materia Medica， China Academy of Chinese Medical Sciences， Beijing 100700， China；

2. School of Traditional Chinese Medicine， Capital Medical University， Beijing 100069， China）

[Abstract] Based on the transcriptome database of Salvia miltiorrhiza， specific primers were designed to clone a full-length cDNA of ent-kaurene oxidase synthase （SmKOL） using the RACE strategy. ORF Finder was used to find the open reading frame of SmKOL cDNA， and ClustalW has been performed to analysis the multiple amino acid sequence alignment. Phylogenetic tree has been constructed using MEGA 5.1. The transcription level of SmKOL from the hairy roots induced by elicitor methyl jasmonate （MeJA） was qualified by real-time quantitative PCR. The full length of SmKOL cDNA was of 1 884 bp nucleotides encoding 519 amino acids. The molecular weight of the SmKOL protein was about 58.88 kDa with isoelectric point （pI） of 7.62. Results of real-time quantitative PCR analyses indicated that the level of SmKOL mRNA expression in hairy roots was increased by elicitor oMeJA，and reached maximum in 36 h. The full-length cDNA of SmKOL was cloned from S. miltiorrhiza hairy root， which provides a target gene for further studies of its function， gibberellin biosynthesis and regulation of secondary metabolites.

生物信息学的研究进展范文4

【关键词】 药物靶标 药物设计 靶向治疗

所谓药物靶标（drug target）是指细胞内与药物相互作用，并赋予药物效应的特定分子。98%以上的药物靶标属于蛋白质。其中几乎50%以上属于G蛋白耦联受体（GPCRs）、丝氨酸、苏氨酸和酪氨酸蛋白激酶、锌金属肽酶、丝氨酸蛋白酶、核激素受体以及磷酸二酯酶等6个家族。从理论上说，作为药物靶标的蛋白质必须能以适当的化学特性和亲和力结合小分子化合物，并与疾病相关。具体来说，作为药物靶标的蛋白质必须在病变细胞或组织中表达，并且在细胞培养体系中可以通过调节靶标活性产生特定的效应，最后这些效应必须在动物模型中再现。最终，证明药物在人体内有效之后，才能真正确证药物靶标的价值［1］。只要找到了药物作用的靶标分子就能根据其特点开发和设计药物，以及进行靶向治疗。近年来大量分子生物学技术的出现，尤其是基因组学、生物信息学、蛋白质组学、质谱联用技术及生物大分子相互作用分析技术（BIA）等推动了从纷繁复杂的细胞内生物大分子中发现特异性的药物作用靶标分子的进程。

1 药物靶标的发现

1.1 (global strategy) 和致病蛋白质部分表征的靶标专一策略 (target – specific strategy) ［2］。前者注重于对致病相关基因序列、蛋白质序列等分子信息的分析，包括计算机同源校准（在宿主和病原基因组之间进行同源性比较分析，进而找出致病基因序列）、差别基因表达分析及整体蛋白组分析；后者侧重于对疾病相关基因（靶基因）功能的分析，包括基因敲除(gene knockout)，反义mRNA 和核酶抑制以及计算机模拟对基因产物结构和功能的预示［3］。

另外，基因组学技术在靶标的验证方面也有重要作用。人类遗传学(human genetics)、生物信息学( bioinformatics )、表达图谱( expression profiling )、代谢途径分析(pathway analysis)、基因敲除(gene knockout)、过量表达(overexpression)、基因筛选(gene-to -screen) 等技术可以在基因组水平上高通量大规模筛选和确证靶基因及疾病相关遗传标记［4］。

在生物信息学方面，应用INVDOCK软件进行计算机搜寻药物靶标是一个很便捷的途径，此软件可同时寻找数个中草药有效成分的治疗靶标，并同已知实验结果进行比较。研究结果显示该软件具有实际应用潜力及在普及型计算机上可进行运算的可行性。此方法除用于研究药物或先导化合物的未知靶标外，亦可用来研究中草药的作用机理［5］。

1.2 以蛋白质组学为基础发现药物靶标研究表明，人体内可能存在的药物作用靶标约有3 000～15 000个，而统计结果显示，目前发现的药物靶标不到500个，这说明还有大量的药物作用靶标未被发现［6］。大多数药物靶标都是在生命活动中扮演重要角色的蛋白质，如酶、受体、激素等。通过蛋白质组学的方法比较疾病状态和正常生理状态下蛋白质表达的差异，就有可能找到有效的药物作用靶标，其中应用较多的是二维凝胶电泳（2-DE）和质谱分析（MS）技术。在2-DE中，蛋白质样品根据其等电点和相对分子质量的不同而分离，在得到的电泳图谱中，疾病状态和正常生理状态的蛋白质染色斑点的分布会出现差异，以此为线索，可以发现新的药物靶标［7］。例如Hanash 等［8］用2-DE分析急性淋巴细胞性白血病(ALL) ， 发现一个高表达的多肽Op18 有磷酸化和非磷酸化两种形式。研究证明，抑制Op18 的表达和磷酸化能有效地抑制肿瘤细胞的增殖［9］。因而，有希望以Op18 为靶标构建合适的药物治疗ALL。

质谱分析（MS）技术具有高通量、敏感性强的特点，能根据相关序列识别蛋白质。其主要作用是识别不同样品中大量相关蛋白质的差异，根据这些差异来筛选可能的疾病相关蛋白，然后与临床实验作比较，以确定真正的靶标蛋白［7］。

。如样品的制备和分离技术、蛋白质结构的分析技术、生物信息学技术等。利用蛋白质组学技术发现药物靶标的一般流程是：样品制备（sample preparation）分离（fractionation）质谱分析（mass spectrometry）蛋白质阵列（protein arrays）计算生物学（computational biology）结构蛋白质组学（structural proteomics）结合特征分析（binding characteristics）［8］。

另外，酵母双杂交技术也是发现药物靶标的重要途径。该技术能够通过报告基因的表达产物敏感地检测到蛋白质之间相互作用的路径。对于能够引发疾病反应的蛋白互作，可以采取药物干扰的方法，阻止它们的相互作用以达到治疗疾病的目的。例如Dengue病毒能引起黄热病、肝炎等疾病，研究发现它的病毒RNA复制与依赖于RNA的RNA聚合酶（NS5）、拓扑异构酶NS3、以及细胞核转运受体β-importin的相互作用有关。如果能找到相应的药物阻断这些蛋白之间的相互作用，就可以阻止RNA病毒的复制，从而达到治疗这种疾病的目的［10］。

1.3 以中草药单分子化合物为探针发现药物靶标 近年来兴起的生物分子相互作用分析技术（biomolecular interaction analysis，BIA）可以将中草药单分子化合物作为探针，通过跟踪监测它与蛋白质分子之间的相互作用来发现药物靶标。BIA 是基于表面等离子共振(surface plasmon resonance，SPR)技术来实时跟踪生物分子间的相互作用。操作时先将一种生物分子（如药物分子）作为探针固定在传感器芯片表面，将与之相互作用的分子（如配体蛋白质）溶于溶液流过芯片表面，检测器能跟踪检测溶液中的分子与芯片表面的分子结合和解离的整个过程。该技术系统主要由传感器芯片、SPR 光学检测系统和微射流卡盘3 个核心部分组成［11］。这种方法也被称作“配体垂钓”，通过配体垂钓不仅可以发现药物作用的靶标分子，也可以将靶标分子作为固定相用来发现中草药中的活性成分。

2 基于靶标的药物设计

基于靶标分子结构的药物设计指的是利用生物大分子靶标及相应的配体-靶标复合物三维结构的信息设计新药。其基本过程是：①确定药物作用的靶标分子（如蛋白质、核酸等）；②对靶标分子进行分离纯化；③确定靶标分子的三维结构，提出一系列假定的配体与靶分子复合物的三维结构；④依据这些结构信息，利用相关的计算机程序和法则如DOCK 进行配体分子设计， 模拟出最佳的配体结构模型；⑤合成这些模拟出来的结构，进行活性测试。若对测试结果感到满意，可进入前临床实验研究阶段，反复重复以上过程，直至满意为止［12］。

基于靶标分子结构的药物设计需要采用X射线衍射分析和核磁共振波谱（NMR）等结构生物学的研究手段，对靶标蛋白质的分子结构进行深入研究，获得相关信息，借助计算机技术建立靶标的蛋白质结构模型。如治疗艾滋病的安瑞那韦(amprenavir ， Agenerase) 和奈非那韦( nelfinavir ，Viracept) 就是利用人类免疫缺陷病毒（HIV） 蛋白酶的晶体结构开发的药物［13］。

3 药物靶标在药物开发及疾病治疗中的应用

在疾病相关的靶标分子被发现和确认以后，即可根据这些靶标分子的特点设计出相关的药物进行靶向治疗。例如，世界性的疑难病症阿尔茨海默病(Alzheimerps disease，AD) 是一种常见的神经退行性病变，发病率较高，已成为现代社会严重威胁老年人健康的疾病之一。 AD的病因复杂，发病涉及许多环节，包括神经递质与受体、淀粉样蛋白沉积、tau蛋白磷酸化、炎症反应及其他环节，这些环节为药物靶标的发现和选择提供了多种靶点，据此人们找到了针对这些靶点的相关药物，如胆碱酯酶抑制剂类主要有多奈哌齐( donepezil) 、加兰他敏( galantamine) 、石杉碱甲( huperzine A)等；N -甲基-D -天冬氨酸( NMDA)受体阻滞剂如美金刚(memantine) ［14］。

在利用药物靶标进行疾病的靶向治疗方面，应用最多的是对肿瘤的治疗。抗癌药大多数为直接攻击DNA或抑制其合成的化合物，对肿瘤细胞缺乏特异性。为了研制出具有特异性的药物，需要找到在癌的病因学和病理过程中起作用的特异的靶标分子，其中包括细胞周期相关成分、信号转导通路元件、细胞凋亡因子、端粒酶、细胞的黏附和运动因子等。设计出针对这些靶标分子的特异性药物，并结合纳米生物学技术给药物分子装配“制导”装置，进行针对癌细胞的靶向治疗。这样就大大降低了抗癌药物对正常细胞的毒性作用，提高了病灶部位的药物浓度，从而极大地提高了治疗效果。如小分子STI571和单抗Herceptin 等［15］药物直接攻击致癌病因，选择性强，临床效果显著且副作用小，多药联合使用时常能增强传统化疗药物的作用。可以预计在未来的肿瘤化疗发展中，针对分子靶标的新一代抗肿瘤药物将成为主要的发展方向。

4 结语

通过发现药物靶标来开发和设计特异性药物是创新性药物研发的重要途径。靶标的筛选和识别需要基因组学、蛋白质组学、生物信息学等研究领域的深入发展和现代生物技术手段如质谱、生物大分子相互作用分析（BIA）及生物芯片等技术的综合应用。药物靶标的确证及其在药物开发和疾病治疗中的应用，需要进行反复的药理实验及临床研究。欲进一步普及基于靶标的药物研发及靶向治疗，需要多个领域的进一步深入研究和相互配合。

参考文献

［1］ 陈国强， 徐娅蓓， 郭 萌. 药物靶标和创新药物:机遇与挑战［J］. 国外医学·生理、病理科学与临床分册，2004，24(3): 206.

［2］ Lenz G R， Nash H M ， Jindal S. Chemical ligands，genomics and drug discovery［J］. Drug Discovery Today， 2000， 5 (4) : 145.

［3］ 王宝雷， 李正名， 臧洪俊. 基因组学对基于结构的药物设计的影响［J］. 化学进展， 2002 ， 15(6): 505 .

［4］ Cockott M， D racopoli N， Sigal E. Applied genomics: integration of the technology within pharmaceutical research and development［J］. Curr Opin Biotech， 2000， 11: 602.

［5］ 陈宇综， Ung Chong Yung. 计算机辅助药物靶标搜寻在探索中草药有效成分机制方面的应用［J］. 中国药物化学杂志， 2001， 11 (3):145.

［6］ Dreus J. Drug discovery : a historical perspective［J］. Sience， 2000， 287: 1 960.

［7］ Timothy D， Veenstra. Proteomic approaches in drug discovery［J］. Drug Discovery Today， 2006， 3(4): 433.

［8］ Hanash S M， Madoz-Gurpide J ， Misek D E. Identification of novel targets for cancer therapy using expression proteomics［J］. Leukemia ， 2002 ，16 : 478.

［9］ Melhem R， Hailat N， Knick R， et al. Quantitative analysis of Op18 phosphorylation in childhood acute leukemia［J］. Leukemia， 1997， 11:1 690.

［10］ Ying Huang， Kirk Staschke. Phosphorylation of hepatitis C virus NS5A nonstructural protein : A new paradigm for phosphorylation –dependent viral RNA replication? ［J］. Virology， 2007， 3:1.

［11］ Baird C L ， Myszka D G.Current and emerging commercial optical biosensors［J］. J Mol Recognit ， 2001， 14(5) :261.

［12］ McCarthy D J. Computational approaches to structure-based ligand design［J］. Pharmacol Ther， 1999， 84(2): 179.

［13］ 彭 涛， 王 林. 结构生物学与药物发现［J］. Foreign Medical Sciences Section of Pharmacy ， 2006， 33(1):56.

［14］ 王 杉， 蒋 宁， 周文霞，等. 阿尔茨海默病防治药物靶标的研究进展［J］. 中国新药杂志， 2007， 16( 11): 831.

生物信息学的研究进展范文5

【摘要】理论免疫学用数学的方法来研究和解决免疫学问题，以及对免疫学相关的数学方法进行理论研究的一门科学。随着高通量方法和基因组数据的出现，理论免疫学从受体交联和免疫原理、Jerne的相互作用网络和自我选择等经典建模方法开始向信息学、空间扩展模型、免疫遗传学和免疫信息学、进化免疫学、分子生物信息学和表遗传学、高通量研究方法和免疫组学等方面转变。

【关键词】免疫学, 理论；数学模型；生物数学

Advances of theoretical immunology

JIN Yan

（Basic medical college, Liaoning Universtity of Traditional Chinese Medicine, LIAONING Shenyang, 110032,）

【Abstracts】Theoretical immunology is to develop mathematical methods that help to investigate the immunological problems, and to study the mathematical theory on immunology. With the advent of high-throughput methods and genomic data, immunological modeling of theoretical immunology shifted from receptor cross linking, Jerne interaction networks and self-non self selection, toward the informatics, spatially extended models, immunogenetics and immunoinformatics, evolutionary immunology, innate immunity and epigenetics, high-throughput research methods and Immunomics. Immunology, Theoretical; Mathematical Models; biomathematics

理论免疫学[1]（Theoretical Immunology）是指用数学的方法来研究和解决免疫学问题，以及对免疫学相关的数学方法进行理论研究的一门科学。理论免疫学是免疫学与数学交叉的边缘学科，也称数学免疫学（Mathematical Immunology），是生物数学的一个分支。由于免疫现象复杂，从免疫学中提出的数学问题往往也十分复杂，需要进行大量计算工作，因此从近年兴起的复杂系统研究的角度来讲[2]，理论免疫学也称复杂免疫学（Complex Immunology）。理论免疫学的任务就是揭示免疫系统运行的规律和机制，及其病理机制。数学模型（Mathematical Models）和数据分析是理论免疫学的主要方法，计算机是研究和解决理论免疫学问题的重要工具。

虽然从上个世纪中期，数学模型已经开始应用于免疫学，但传统的模型大部分是基于微分方程[3]、差分模型和元胞自动机（Cellular Automata）[4]。这些传统模型以少数成份（一种受体和一种抗原，或两个T细胞群之间等）参与的简单动力学为主要研究内容。直到2000年，人们才开始对免疫学的复杂性进行数学建模。随着高通量方法（High Throughput Methods）和基因组数据（Genomic Data）的出现，理论免疫学开始转向信息学（Informatics）方面[5]。与分子免疫学的生物信息学（Bioinformatics）分析一样，当前免疫学研究中与复杂性有关的主要研究目标大多集中在高通量测量计划和系统免疫学（System Immunology）或免疫组学（Immunomics）计划。在数学模型水平上，分析方法也从以微分方程为主的简单系统转向广泛应用Monte Carlo模拟（Monte Carlo simulations）。这种向更多分子和更多计算的转变态势与复杂系统涉及的所有研究领域出现的转变极为相似。。

1理论免疫学经典模型

免疫学是生物学的一个领域，很早就认识到了数学建模和数学分析方法的作用。早在上个世纪60年代和70年代，数学模型已经应用于免疫学的不同领域，例如：抗原-受体的相互作用、T和B细胞群动力学、疫苗接种、生发中心动力学、病毒动力学和免疫系统对病毒的清除[6]等。现在的许多免疫学原理和观点都是数学模型的结果。

1.1 受体交联和免疫原理

受体交联[7-9]（Receptor Cross Linking）和免疫原理（Immunon Theory）是由Alan Perelson提出、Carla Wofsy作了进一步分析。这个原理根据的事实是，低价抗原不能激活B细胞，而高价抗原（即抗原拥有多个重复基序）即使在抗原密度非常低（3-4目）的情况下也能够激活B细胞。Sulzer和Perelson[10-13]据此发展了这个理论和数学模型并提出，抗原能够聚集B细胞受体，从而激活B细胞。这个结论是B细胞免疫的基础之一。

尽管数学模型对免疫学发展的贡献的例子还有很多，但是免疫网络（Immunological Networks）的概念和自我选择（Self-Non Self Selection）问题占有相当重要的地位。

1.2 Jerne的相互作用网络

假设受体库（Receptor Repertoire）是满的，即受体库中每一个分子都有其相对应的受体，并且这些受体可以特异性地与其它受体相互作用。Jerne据此提出免疫调节网络[14]（Regulatory Immune Networks）的存在。抗原激活的淋巴细胞可产生新受体，这些受体对于其它淋巴细胞来说是抗原，等等，以此类推。这个网络的概念对理论学家来说很有吸引力，特别是在提出神经网络（Neural Networks）中的认知行为（Cognitive Behavior）概念之后，提出了更多的免疫网络模型[15][16]。有人用元胞自动机和布尔网络（Boolean networks）建立大尺度行为（Large Scale Behavior）模型，有人用常微分方程（ODEs）来建立自身调节网络模型（Local Regulatory Networks）。随着时间的推移，人们对Jerne网络学说逐渐失去了兴趣，其主要原因是Jerne网络学说的理论模型和实际的实验证据没有很好的相关性。

1.3 自我选择

调节性网络实际上是理论免疫学中自我选择这个大课题的一部分。假设表达自身反应性受体的淋巴细胞被机体清除（阴性选择）。大多数阴性选择可能是由于中枢性耐受（Central Tolerance）所导致的（T细胞在胸腺，人和小鼠的B细胞在骨髓）。阴性选择机制失败可导致自身免疫性疾病。人们通过多种途径对自我选择展开研究。有人从分子的角度和基于特殊的选择机制来研究，而有人则建立了更为复杂的模型，例如Polly Matzinger的危险模型[17][18]（Danger Model）和Irun Cohen的侏儒模型[19-27]（Homunculus Model）。这些模型都是想反映真实的复杂系统，尽管仅通过检测免疫系统的成分，人们是无法接近问题的实质，但是他们的尝试拓宽了我们的视野。直到今天，关于获得和打破（自身免疫性疾病）耐受的途径，也没有一个公认的解释。

2理论免疫学的现代模型

理论免疫学的模型和问题现在正逐渐向分子理论免疫学方向发展。这种理论方向的演变与大量基因组全序列的检测、分子生物学工具的巨大进展、高通量测量技术的发展、空间分布（Spatial Distribution）作用的测量和建模能力的发展等实验技术的发展是分不开的。同时，计算机处理能力和建模技术的发展也是影响现论免疫学的重要因素。

2.1 Immsim、Simmune和其它复杂模型

免疫学中，最大胆的尝试可能就是建立一个免疫系统的系统模型。第一个建立这样模型的尝试是上世纪80年代由IBM公司Philip Seiden开发的IMMSIM模型[28-31]。其设计的主要目的是为了在计算机上进行免疫应答试验。IMMSIM采用了克隆选择原理的基本观点，认为免疫细胞和免疫分子地识别抗原，免疫细胞被竞争地选择，以产生更好的识别抗原的克隆种类。IMMSIM模型的基础是空间扩展的元胞自动机，它用位串（或比特流，Bitstrings）代表受体、抗原和MHC分子的可变性。到目前为止，抗原和受体多样性的位串表示方法已被许多其他研究者[32,33,34]所采用。IMMSIM包括了适应性免疫系统的所有主要成份：CD4和CD8 T细胞、B细胞及其相应的受体，MHC Ⅰ类和Ⅱ类分子和一些细胞因子。但是IMMSIM模型仍然是对免疫系统的粗略描述。因此，人们在此基础上又进行了其它的开发。

第一个较有影响的是由Martin. Meier-Schellersheim开发的Simmune[35-36]。这个系统尝试建立一个足够宽广和复杂的平台，从而能够对免疫学的任意实际过程进行模拟。它不仅是一个特殊模型，更是一个建模技术或语言。

还有应用了Monte Carlo模拟[37-38]或称免疫模拟（Immunosi m）、状态图[39]（State-Charts）等多种数学模型，试图涵盖免疫系统所有可能细节并建立动力学模型。在这个方向上，最有影响的是Sol Eforni的模型。此模型尝试提供胸腺空间扩展动力学的完全模拟，并以此来研究细胞选择[40]。这些综合模拟的优势在于他们涵盖了当前免疫学的所有细节。但是这些模型也有缺点，他们过于复杂，因此对于所观察到的动力学变化，我们无法充分理解其原因及模型对参数变化的敏感性。

2.2 空间扩展模型

从分子水平上讲，免疫学复杂系统分析的最大进展是细胞内分子定位[41]（Molecule Localization）测量技术。免疫突触（Synapses）的发现就是利用了该技术。人们建立了多个细胞膜动力学模型，用来解释突触的形成以及突触的分子动力学。细胞膜动力学模型也应用于B细胞。这些模型中，有的是假设一个固定的细胞膜在二维晶格上（2D Lattice），有的假设一个自由漂浮的细胞膜[42-44]。另一个研究方向的是受体动力学，以及受体与其它细胞膜成份，比如Src家族激酶和脂筏[45]（Lipid Rafts），之间的相互作用。目前此领域的所有模型都是以广泛的数值模拟（Numerical Simulation）为基础的。

空间扩展模拟的另一个领域是生发中心动力学的模拟。经典模型主要采用ODEs来描述一或两个总体的均匀动力学[46]（Homogenous Dynamics），而现代模拟主要应用Monte Carlo模拟[47-49]来研究多空间扩展或者均匀总体之间的相互作用，但是也有一些是采用ODEs。

2.3 免疫遗传学和免疫信息学

不同基因组的排列和不同等位基因的序列使免疫遗传（Immunogenetic）数据库得到了全面的发展[50-51]。免疫遗传数据库IMGT储存了多个物种的T和B细胞受体基因序列（B细胞H链和T细胞β/δ链的V、D和J基因，L链/α链/γ链的V和J基因）。该库也包括了最新的MHC分子的基因序列（包括经典和非经典的）。另外，IMGT数据库还包括了大量的淋巴细胞受体重排序列。

这样庞大的数据库是伴随着免疫信息学（Immunoinfor matics）工具的大量发展而建立的。其中包括用于junction分析[52]、免疫基因对准（Immunogene Alignment）以及系统发育的工具[53-55]。所有这些工具的基础都是将生物信息学理念应用于免疫学。免疫遗传数据库日渐显现的重要性表明，免疫学建模逐渐向基因化方向转变。

2.4 进化免疫学

与B细胞重排受体多重序列的测量一样，多细胞生物中免疫基因的不断积累，使免疫系统发育学（Immuno-Phylogenetics）得以快速发展。目前研究的主要焦点是适应性免疫系统的起源。适应性免疫是免疫系统的一部分，通过随机基因重组以适应新病原体。很明显，在软骨鱼类（Cartilaginous Fish）分化之前，适应性免疫最早出现于有腭脊椎动物（Jawed Vertebrates）。。T细胞受体结构域（Receptor Domain）和B细胞受体结构域之间的相似性、RAG1和RAG2分子（RAG1和RAG2可起到随机连接基因的作用，又称重组激活基因）在重排过程中的关键作用及其物理性相邻（Physical Proximity），使许多研究者认为，淋巴细胞受体重排的起源是转座子（Transposon）横向转移到原始免疫受体（Primeval Immune Receptor）中。这个领域中使用的主要工具是系统发育分析（Phylogeny Analysis）及其相关的所有数学模型[56]。

另一个系统发育概念和方法的应用是B细胞的体超变异[57]（Somatic Hyper Mutations，SHM）分析。在生发中心反应过程中，通过活化诱导胞嘧啶脱氨酶（Activation-Induced Cytidine Deaminase，AID），B细胞的受体基因发生超变异。随着克隆性增殖，B细胞受体基因平均每一次就发生一次超变异，导致突变克隆的产生。这些克隆表现为微进化（Micro-Evolution），可以很容易地在实验室中研究。对B细胞系统发育树（Phylogenetic）以及它们与其它因素关系的分析，比如老化和自身免疫疾病，也已开始研究[58]。

2.5分子生物信息学和表遗传学

在分子生物信息学（Molecular Bioinformatics）和表遗传学（Epigenetics）的研究过程中[59]，随着分子信息研究水平不断提高，在免疫学中应用模型水平的精细程度也不断提高。免疫学的一个特殊方面是需要将信号转导（Signal Transduction）与基因重排结合起来建模。现已建立了不同条件下的B和T细胞内的基因重排过程和淋巴细胞信息转导的模型[60-61]。从分子角度来讲，另一个重要的分子建模是在抗原提呈给T细胞之前，对抗原处理过程的分析。

2.6高通量研究方法

免疫学是典型的、以免疫假说和免疫原理为基础的研究领域。免疫学是最晚转向以数据为基础的、目前已在其它生物学领域中应用的高通量方法。近5年，在这一领域已取得了很大的进展。这些进展是依靠来自生物学其它领域的经典基因表达的自适应和定位技术[62][63]，以及针对免疫学的新技术的发展取得的。免疫学领域主要依靠实验手段，但实验所取得的结果却是应当属于理论免疫学的范畴，并且与复杂科学密切相关。

在基因重排过程中应用荧光原位杂交技术[]（FISH techniques）来定位基因是一个令人兴奋的、对免疫学来说更具有针对性的研究进展。这些测量手段使我们在研究基因重排过程中，能够确定受体不同部分之间的相互作用。

另一个对免疫系统来说具有针对性的工具是抗原芯片（Antigen Chips）的发展。这些芯片可同时测量B细胞对成百上千种抗原的应答，并提供整个免疫系统的系统表达[65]。在这类分析中使用的主要数学工具是聚类方法（Clustering Methods）。

2.7 免疫组学

目前，在理论免疫学中，最璀璨的研究领域可能就是新产生的免疫组学。这个年轻的学科已经拥有了自己的杂志《immunomic research》(省略)。免疫组学的主要目标是全方位地研究免疫系统[66][67]。这个领域采用实验与理论相结合的工具。免疫组学目前正在研究的项目有：全部T细胞抗原决定基检测；全B细胞抗体库的定义及其在不同情况下的变化方式；自身免疫性疾病相关的所有基因位点的检测。这个新生领域的成果还有限，但是在不到10年内，免疫学建模将会从基于预定假设（Predefined Hypotheses）的理论问题研究转向对免疫系统受体和靶目标充分认识的、具有针对性的建模。

当前，理论免疫尚处于探索和发展阶段，许多方法和理论还很不完善，它的应用虽然取得某些成功，但仍是低水平、粗略，甚至是勉强的。许多更复杂的免疫学问题至今未能找到相应的数学方法进行研究，还有一些免疫核心问题还存在争议。。

参考文献

[1] 漆安慎, 杜婵英. 免疫的非线性模型. 上海: 上海科技教育出版社, 1998:iv.

[2] Raina S. Robeva, James R. Kirkwood, Robin L. Davies, et. al. An Invitation to Biomathematics. 北京: 科学出版社, 53-129.

[3] 马知恩. 种群生态学的数学建模与研究. 安徽: 安徽教育出版社, 1996: 5-40.

[4] 陈兰荪, 孟新柱, 焦建军. 生物动力学. 北京: 科学出版社, 2009: 77-177.

[5] 李涛. 计算机免疫学. 北京: 电子工业出版社, 2004: 147-203.

[6] 陆征一, 周义仓. 北京: 科学出版社, 2004: 58-73.

[7] A. S. Perelson and C. DeLisi. Receptor clustering on a cell surface. I. Theory of receptor cross-linking by ligands bearing two chemically identical functional groups. Math. Biosci. 1980, 48:71.

[8] A. S. Peielson. Receptor clustering on a cell surface. II. Theory of receptor cross-linking by ligands heaiing two chemically distinct functional groups. Math. Biosci. 1980, 49:87.

[9] A. S. Perelsoii. Receptor clustering on a cell surface. III. Theory of receptor cross-linking by multivalent ligands: descriptioii by ligand states. Math. Biosci. 1981, 53:1.

[10] Perelson, A. S., and C. DeLisi. Receptor clustering on a cell surface. I. Theory of receptor cross-linking by ligands bearing two chemically identical functional groups. Math. Biosci. 1980, 48:71110.

[11] Perelson, A. S. Receptor clustering on a cell surface. II. Theory of receptor cross-linking by ligands bearing two chemically distinct functional groups. Math. Biosci. 1980, 49:87110.

[12] Perelson, A. S. Receptor clustering on a cell surface. III. Theory of receptor cross-linking by multivalent ligands: description by ligand states. Math. Biosci. 1981, 53:139.

[13] Perelson, A. S. Some mathematical models of receptor clustering by multivalent ligands. In Cell Surface Dynamics: Concepts and Models. A. S. Perelson, C. DeLisi, and F. W. Wiegel, editors. Marcel Dekker, New York. 1984, 223276.

[14] N. K. Jerne. Towards a network theory of the immune system. Ann. Immunol. (Inst. Pasteur), 1974(125C), 373-3.

[15] Coutinho A. "The network theory: 21 years later". Scand. J. Immunol. 1995, 42 (1): 38.

[16] Campelo F, Guimares FG, Igarashi H, Ramírez JA, Noguchi S. "A Modified Immune Network Algorithm for Multimodal Electromagnetic Problems". IEEE Trans. Magnetics2006,42 (4): 11111114.

[17] Polly Matzinger and Galadriel Mirkwood. In a fully H-2 incompatible chimera, T cells of donor origin can respond to minor histocompatibility antigens in association with either donor or host H-2 type. Journal of Experimental Medicine, 1978(148): 84-92. [18] Matzinger P. The danger model: a renewed sense of self. Science 2002; 296: 3015.

[19] Cohen IR, Young DB. "Autoimmunity, microbial immunity and the immunological homunculus." Immunol Today 1991; 12(4):105-10.

[20] Cohen IR. "The immunological homunculus and autoimmune disease," in Molecular Autoimmunity, ed. Talal N., Academic Press, USA 1991, pp.438-453.

[21] Cohen IR. "The cognitive paradigm and the immunological homunculus." Immunol Today 1992; 13(12):490-4.

[22] Cohen IR. "The meaning of the immunological homunculus." Isr J Med Sci 1993; 29(2-3):173-4.

[23] Cohen IR. "Kadishman’s Tree, Escher’s Angels, and the Immunological Homunculus," in Autoimmunity: Physiology and Disease, eds. Coutinho A, Kazatchkine MD. Wiley-Liss, Inc.1994 pp.7-18.

[24] Cohen IR. "Peptide therapy for Type I diabetes: the immunological homunculus and the rationale for vaccination." Diabetologia 2002 Oct;45(10):1468-74.

[25] Gonzalez G, Montero E, Leon K, Cohen IR, Lage A. "Autoimmunization to epidermal growth factor, a component of the immunological homunculus." Autoimmun Rev. 2002 Feb;1(1-2):-95.

[26] Cohen IR. "Immune system computation and the immunological homunculus." MoDELS 2006, in O. Niestrasz et al. (Eds). Springer-Verlag, Berlin, pp. 499-512, 2006.

[27] Cohen IR. (2007) "Biomarkers, self-antigens and the immunological homunculus." J. Autoimmun., 2007 Dec;29(4):246-9.

[28] Roberto Puzone, B. Kohler, P. Seiden, Franco Celada: A Discrete Models of Cellular/Humoral Responses. ACRI 2000: 117-125.

[29] Roberto Puzone, B. Kohler, P. Seiden, Franco Celada: IMMSIM, a flexible model for in machina experiments on immune system responses. Future Generation Comp. Syst. 2002, 18(7): 961-972

[30] Stefania Bandini, Franco Celada, Sara Manzoni, Roberto Puzone, Giuseppe Vizzari: Modelling the Immune System with Situated Agents. WIRN/NAIS 2005: 231-243.

[31] Stefania Bandini, Franco Celada, Sara Manzoni, Giuseppe Vizzari: Modelling the immune system: the case of situated cellular agents. Natural Computing 2007, 6(1): 19-32.

[32] De Boer, R.J. and A.S. Perelson (1994) T cell repertoires and competitive exclusion. J. theor. Biol. 169, 375-390.

[33] Perelson, A. S.19. Immune network theory. Immunological Reviews 110, 5-36.

[34] Sulzer, B., De Boer, R.J. and A.S. Perelson (1996) Crosslinking reconsidered. I Binding and crosslinking fields and the cellular response. Biophys. J. 70, 1154-1168.

[35] Meier-Schellersheim M, et al. Key role of local regulation in chemosensing revealed by a new molecular interaction-based modeling method. PLoS Comput Biol. 2006;2(7):e82.

[36] M. Meier-Schellersheim, G. Mack. SIMMUNE, a tool for simulating and analyzing immune system behavior. 1999 cs.MA/9903017.

[37] Meyer-Hermann M. A mathematical model for the germinal center morphology and affinity maturation. J Theor Biol 2002;216:273300.

[38] Kleinstein SH, Singh JP. Why are there so few key mutant clones? The influence of stochastic selection and blocking on affinity maturation in the germinal center. Int Immunol 2003;15:871884.

[39] Efroni S, Harel D, Cohen IR. Toward rigorous comprehension of biological complexity: modeling, execution, and visualization of thymic T-cell maturation. Genome Res 2003;13:24852497.

[40] Efroni, E., Harel, D. & Cohen, I. R. 2003 Towards rigorous comprehension of biological complexity: modelling, execution and visualization of Thymic T cell maturation. Genome Res. 13, 24852497.

[41] Alexandros Pertsinidis, Yunxiang Zhang, Steven Chu. Subnanometre single-molecule localization, registration and distance measurements. Nature, 2010 466(7), 7651

[42] Nudelman G, Louzoun Y. The role of lipid rafts in cell surface BCR antigen binding dynamics. EMBC 2004. Conference Proceedings, 26th Annual International Conference of the Engineering in Medicine and Biology Society.

[43] Nudelman G, Louzoun Y. Cell surface dynamics: the balance between diffusion, aggregation and endocytosis. Syst Biol (Stevenage) 2006;153:3442.

[44] Chakraborty A. How and why does the immunological synapse form? Physical chemistry meets cell biology. Sci STKE 2002;2002:PE10.

[45] Li QJ, et al. CD4 enhances T cell sensitivity to antigen by coordinating Lck accumulation at the immunological synapse. Nat Immunol 2004;5:791799.

[46] Kesmir C, De Boer RJ. A mathematical model on germinal center kinetics and termination. J Immunol 1999;163:24632469.

[47] Kleinstein SH, Singh JP. Toward quantitative simulation of germinal center dynamics: biological and modeling insights from experimental validation. J Theor Biol 2001;211:253275.

[48] Meyer-Hermann M, Beyer T. Conclusions from two model concepts on germinal center dynamics and morphology. Dev Immunol 2002;9:203214.

[49] Meyer-Hermann ME, Maini PK. Cutting edge: back to ‘‘one-way’’ germinal centers. J Immunol 2005;174:242493.

[50] Lefranc MP. Nomenclature of the human immunoglobulin kappa (IGK) genes. Exp Clin Immunogenet 2001;18:161174.

[51] Bromley SK, et al. The immunological synapse. Annu Rev Immunol 2001;19: 375396.

[52] Monod MY, Giudicelli V, Chaume D, Lefranc MP. IMGT/JunctionAnalysis: the first tool for the analysis of the immunoglobulin and T cell receptor complex V-J and V-D-J JUNCTIONs. Bioinformatics 2004; 20(Suppl.):I379I385.

[53] Ruiz M, Pallares N, Contet V, Barbi V, Lefranc MP. The human immunoglobulin heavy diversity (IGHD) and joining (IGHJ) segments. Exp Clin Immunogenet 1999;16:173184.

[54] Ruiz M, et al. IMGT, the international ImMunoGeneTics database. Nucleic Acids Res 2000;28:219221.

[55] Lefranc MP, et al. IMGT, the international ImMunoGeneTics database. Nucleic Acids Res 1999;27:209212.

[56] Mehr AJ, Ardakani MJ, Hedayati M, Shahraz S, Mehr EJ, Zali MR. Age-specific seroprevalence of hepatitis A infection among children visited in pediatric hospitals of Tehran, Iran. Eur J Epidemiol 2004;19:275278.

[57] Kleinstein SH, Louzoun Y, Shlomchik MJ. Estimating hypermutation rates from clonal tree data. J Immunol 2003;171:463949.

[58] Eason DD, Cannon JP, Haire RN, Rast JP, Ostrovd DA, Litman GW. Mechanisms of antigen receptor evolution. Semin Immunol 2004;16:215226.

[59] Gay NJ, Gangloff M, Weber AN. Toll-like receptors as molecular switches. Nat Rev Immunol 2006;6:693698.

[60] Mehr R. Modeling the meta-dynamics of lymphocyte repertoires. Arch Immunol Ther Exp (Warsz) 2001;49:111120.

[61] Mehr R, Edelman H, Sehgal D, Mage R. Analysis of mutational lineage trees from sites of primary and secondary Ig gene diversification in rabbits and chickens. J Immunol 2004;172:47904796.

[62] Argyropoulos C, et al. Mining microarray data to identify transcription factors expressed in naive resting but not activated T lymphocytes. Genes Immun 2004;5: 1625.

[63] Choi YL, et al. DNA microarray analysis of natural killer cell-type lymphoproliferative disease of granular lymphocytes with purified CD3-CD56? fractions. Leukemia 2004;18:556565.

[] Singh N, Bergman Y, Cedar H, Chess A. Biallelic germline transcription at the kappa immunoglobulin locus. J Exp Med 2003; 197:743750.

[65] Quintana FJ, Hagedorn PH, Elizur G, Merbl Y, Domany E, Cohen IR. Functional immunomics: microarray analysis of IgG autoantibody repertoires predicts the future response of mice to induced diabetes. Proc Natl Acad Sci USA 2004;101(Suppl.): 1461514621.

[66] Lauwerys BR, Wakeland EK. Genetics of lupus nephritis. Lupus 2005;14:212.

生物信息学的研究进展范文6

关键词: 基因组学 教学实践 教学模式

人类基因组计划的成功实施与完成标志着基因组学的诞生,她是一门新兴起的生命科学边缘学科。以人类基因组测序完成为标志,基因组生物学的研究重点由结构基因组学转向以蛋白质组学为重要研究领域之一的功能基因组学。基因组学与蛋白质组学研究的实施与发展又孕育了生物信息学这一新兴交叉学科的产生与发展。基因组学、蛋白质组学、生物信息学是基因组生物学的非常重要的研究领域,它们的发展息息相关,相辅相成,且与人类起源、疾病(如癌症、肌营养不良症、家族遗传病等)预测诊断治疗、新药物新疫苗开发、生物武器鉴定、长寿与衰老死亡等许多方面有着重要关系,成为当今生命科学的热点与前沿。广义上,基因组学包含了结构基因组学、功能基因组学、比较基因组学、生物信息学等方面的内容。因此,该课程是一门生物学前沿课程和交叉课程,对于丰富生物技术等相关专业学生知识面,完善知识结构和提高创新能力都有着重要影响。我就近几年来关于基因组学的教学实践谈几点体会,并对革新课堂教学模式进行了初步尝试。

一、教材

教材是一门课程的主要教学参考书,是确保教学过程系统性、规范性的关键,对教学效果有重要影响。基因组学是一门新兴起的生命科学边缘学科,我国许多高校的生物技术等相关专业课程设置中都将其设为专业限选课或选修课,如华中农业大学、天津医科大学、重庆邮电大学等。本课程也是我校生物技术专业的一门专业限选课。在考察了有关基因组研究的众多参考资料和兄弟院校的开课实际后,我们选了结构体系比较完整、内容深浅适宜、覆盖面较全的复旦大学杨金水编著的《基因组学(第二版)》(高等教育出版社,2007年)为主要教材。此外,选用了袁建刚等翻译的、BrownTA编著的《基因组2》(科学出版社,2006年)及其英文版原著Genomes2(BIOS Scientific Publishers Ltd)为重要参考教材。中英文对应的参考教材的使用更方便了学生对专业名词的理解和把握,有助于学生对专业英文文献的查阅和利用,便于跟踪学科前沿,扩充知识面,丰富学生视野。

二、教学内容

基因组学是从整体上对生物基因组中所有DNA进行测序、拼装和序列分析的一门科学,其研究对象涉及包括原核生物和真核生物在内的所有生命体。基因组测序的前提是进行基因组作图,包括遗传图谱、物理图谱、转录本图谱制作。测序后核苷酸序列分析主要是进行序列阐释,包括基因预测、各种类型重复序列鉴定与功能性MicroRNA的预测,等等。最后是进行各种功能性元件如基因、MicroRNA等功能分析。因此,基因组学的主要教学内容包括基因组的基本结构及组成,遗传图谱与物理图谱制作,基因组测序,基因组序列解读,基因组内基因的表达和,染色质的结构与基因表达,基因组活性的,不同生物基因组比较序列分析,基因组进化,等等,并结合当今基因组学研究的前沿进行有选择性的、重点的专题介绍,使学生不但能系统学习基因组学的必备知识,而且能对本学科发展方向及目前重大研究与突破有所了解,以丰富学生的相关知识并拓宽学生的知识面,为今后的就业与创业打下良好的基础。

三、教学方法

近年来我国多数高校本科各专业培养方案普遍采取的是多课程、少学时的模式,使多数课程学时严重不足[1-2]。就基因组学课程来讲,多数内容是生命科学研究的前沿与热点,而且对于多数本科生来说不容易理解和接受,这客观上需增加学时进行详细阐述。一方面教学大纲规定的学时严重不足,而另一方面教学实践上又确实需要增加学时来完成“解惑”的任务,怎样解决这一棘手的矛盾呢?这就需要根据学生已经学过的相关课程,对课程内容进行精选而且课程骨架知识体系又不被破坏,制定详细的教学计划,讲课方法根据内容进行有针对性选取,教学手段以多媒体辅助教学为主,并辅以必要的板书。

我在讲课实践中采取的是重点内容(如基因组作图与测序、功能基因组学中的表观遗传学部分、基因组进化中的端粒复制与基因组稳定性及基因组进化的机制与模式等)以讲授法为主,特别重要的知识点上辅以启示法、讨论法教学,如在讲到表观遗传学的座位控制区LCR(Locus Control 。这样边讲解、边启示、边讨论,最后让学生自己总结出共性的东西的综合教学法,极大地提高了学生课堂参与的积极性、主动性和创造性,取得了很好的教学效果。期末,学生的成绩较好,而且学生对教学效果评价很高,达到优秀等次。

对于基因组学课程和分子生物学、生物化学等相关课程相交叉的内容,则以提问法为主要讲课手段,以将知识点前后贯通为主要目标进行教学,并适当加快教学进度。对于一些次要的、扩充性内容则以课堂讲授法为主,点到为止,但要求学生课下自读。对于一些最近发展起来的新技术、新方法、新领域,则以专题的形式进行教学,以1―4学时的时间为宜,并以国内外权威期刊杂志如《科学通报》、《中国农业科学》、Nature、Science、PNAS、Plant Cell等近几年尤其是近2年刊登的主要教学参考资料,确保专题教学的新颖性、权威性。

四、教学模式

教学模式是围绕教学目标在一定的教育思想指导下形成的相对稳定的教学范型,是人们在长期的教学实践中不断总结、改进而逐步形成的,对教学效果有着重要影响。[3]近些年来,随着新的教育教学思想不断涌现,以及人们对教育教学认识的不断深化,许多新的教学模式产生了,如愉快教学模式、自学辅导教学模式、探究研讨教学模式、主体性教学模式等。[4]虽然这些教学模式体现了新时期素质教育的要求,但仍拘泥于固定场所的课堂教学模式。

1969年,美国的神经病学教授Barrows在加拿大的McMaster大学创立了PBL教学模式,即以问题为学习基础(Problem-Based Learning,PBL)的教学模式[5]。PBL教学模式以具体疾病为基础,紧密结合临床实践,提倡以学生为中心、教师为引导的小组讨论式教学。其核心问题由多学科教学人员和相关临床专科人员共同设计,建立完善的学习模块,制定出某一病例的PBL手册,提供给各讨论小组。根据讨论的问题与学习深度的不同将教学分为初级、中级、高级三个水平,初级水平的病例为模拟的标准病人(Standard Patient,SP),中高级的病例则为真实病人(Real Patient,RP)。在教室或医院,由教师、学生、模拟病人(或真实病人)组成学习的虚拟或真实场景,进行三段讨论式教学,即提出问题,讨论自学建立假设,讨论自学解疑,论证假设。每一模块学习结束后进行测试、考核,最后进行总评。不难看出,与传统的知识传授型教学模式相比,PBL教学模式调动了学生主动学习的积极性,有利于提高学生的表达能力、沟通技巧和人际交流能力;有利于培养学生团队精神和协作能力;有利于培养学生的临床思维;PBL教学模式使实用性知识的传授更加得到重视;由于评估体系科学,能准确评估教学效果。目前,该教学模式已被世界上许多大学的医学专业教育所广泛采纳。

受该教学模式启发,我认为基因组学少部分教学内容可以进行专题讨论式教学模式探讨。具体来讲,就是首先与相关教师一块儿设计每一个专题的核心问题,并提出应达到的目标要求,带到课堂让学生讨论、发表意见,确定问题;之后,学生通过利用图书馆、网络、知识讲座等进行自学解疑,整理并写出问题的解决方法,再进行课堂交流、讨论;最后,通过讨论进行归纳总结。当通过课堂讨论提出核心问题之后,学生甚至可以分组到相关实验室参观学习,有条件的可以让学生参与部分科研工作,这样既可以让学生将理论与实践相结合,直接接触前沿课题研究实际,又可以减轻教师科研中一些简单的重复性劳动,提高科研设备的使用率。

五、结语

基因组学是伴随着人类基因组计划而诞生的一门新兴学科,是当今生命科学研究的前沿,与人类重大疾病分子机理、生物起源演化、新药物新疫苗开发等许多重要问题息息相关,对人类社会生活的许多方面都有重要影响。在我国许多高校的生物技术及其相关专业中基因组学是必开的一门课程,我就近几年来的基因组学授课实践经验进行了概括介绍,并就教学模式创新、改革提出了建议,希望能对兄弟院校相关专业学生的培样及相关课程的任课老师有所裨益。

参考文献:

[1]张琛.酶工程课程的教学方法的探讨与体会[J].科教文汇(上旬刊),2009,(1):223.

[2]梁红波,钟卫,熊磊.高分子物理课程的教学体会[J].高教论坛,2009,(1):80-81.

[3]方展勇.浅论课堂教学模式[J].广西教育学院学报,2001,(3):35-39.

[4]维国.当代教学模式理论与实践的新进展[J].内蒙古师范大学学报(教育科学版),2008,(11):42-45.