摘要: 多序列比对（Multiple Sequence Alignment, MSA）是生物信息学中用于同时比对三条及以上生物序列（通常为DNA、RNA或蛋白质序列）的方法。其核心目标是通过引入空位（gap），使同源位点在垂直方向上对齐，以揭示序列间的进化关系、保守区域和功能位点。MSA是进化生物学、结构生物学和功能基因组学的基础工具，广泛应用于系统发育重建、蛋白质结构预测、保守基序识别、引物设计及药物靶点发现。MSA的算法主要分为渐进比对（如Clustal系列）、迭代比对（如MAFFT）和一致性比对（[阅读全文:]
摘要: Ka/Ks比率（非同义替换率与同义替换率之比）是分子进化中衡量蛋白质编码基因所受选择压力的核心指标。Ka代表非同义替换率，反映氨基酸改变对蛋白质功能的影响；Ks代表同义替换率，近似反映中性突变速率。Ka/Ks = 1 表示中性进化，>1 指示正选择（有利突变被固定），[阅读全文:]
摘要: iTRAQ（相对与绝对定量同重标签）是一种高通量体外化学标记技术，用于定量蛋白质组学。它通过等重异位标签标记肽段，使最多8个样品在一次质谱分析中同时鉴定和定量。核心原理是不同通道的试剂整体质量相同，但在MS/MS中产生质量不同的报告离子，其强度反映肽段相对丰度。技术优势包括高通量、高精度、减少批次效应；主要挑战是报告离子压缩导致比值低估。iTRAQ广泛应用于疾病标志物发现、药物机制研究、翻译后修饰分析及植物微生物蛋白质组学。[阅读全文:]
摘要: 单细胞组学是一系列在单细胞分辨率上对基因组、转录组、表观基因组、蛋白质组等进行高通量测序或测量的技术、方法学和数据分析领域的统称。它代表了生物学研究范式的重大转变，从传统基于群体平均的测量转向解析细胞异质性，从而揭示细胞类型、状态、谱系关系和功能机制的精细图谱。核心技术包括单细胞RNA测序（scRNA-seq）、单细胞ATAC测序（scATAC-seq）、单细胞DNA测序和单细胞蛋白质组等。应用领域涵盖细胞图谱绘制、发育生物学、肿瘤微环境、免疫学、神经科学和微生物学等。挑战包括技术噪音、数据分析[阅读全文:]
摘要: 模型生物数据库（MOD）是专为特定模式生物（如酿酒酵母、秀丽隐杆线虫、黑腹果蝇、小鼠、大鼠、斑马鱼、拟南芥、疟原虫、爪蟾等）构建的高度专业化生物信息学资源。其核心目标是将基因组序列、基因注释、突变体、表型、表达谱、蛋白质互作及文献等多种数据类型深度整合，并由生物信息学专家进行人工审阅和标准化注释，确保高质量。MOD提供基因页面、基因组浏览器、突变体目录、表型本体描述、表达数据、互作网络及BLAST、API等分析工具，成为功能基因组学、人类疾病模型、实验设计与数据解读、数据标准化与共享、以及教育培[阅读全文:]
摘要: 蛋白质注释是利用实验数据、计算预测和文献知识对蛋白质的物理化学性质、结构、功能、亚细胞定位、相互作用及翻译后修饰等特征进行系统描述和分类的过程，旨在为每个蛋白质提供全面、准确且机器可读的功能档案。核心意义包括解码蛋白质组、支持功能假设、赋能组学数据分析和促进药物发现。主要注释维度涵盖基础信息与理化性质、结构与域特征、功能与活性、亚细胞定位与表达、相互作用与翻译后修饰等。关键数据库包括UniProtKB、Pfam/InterPro、PDB、STRING、KEGG/Reactome。证据等级分为实验[阅读全文:]
摘要: 基因功能注释是利用实验证据、计算预测和文献挖掘等方法，对基因组中特定基因或其产物的生物学功能进行描述、分类和标记的过程。其核心目标是回答“基因做什么”这一问题，并将信息结构化存储在生物数据库中。注释类型包括基于基因本体论（GO）的分子功能、生物学过程和细胞组件注释，以及通路、蛋白质结构域和表型注释。证据来源从高到低包括实验证据、计算分析、作者陈述和电子注释。主要数据库有UniProtKB、Ensembl、GO联盟、KEGG等。当前挑战包括注释不完整、偏差、上下文特异性、非编码RNA注释困难及自动[阅读全文:]
摘要: GO编号（GO ID）是基因本体论（Gene Ontology）中为每个标准术语分配的唯一、稳定且持久的标识符。其格式为“GO:”加7位数字，例如GO:0008150代表“生物过程”。GO编号是连接本体、基因注释和分析工具的关键纽带，确保了基因功能描述的一致性和可追溯性。本文详细介绍了GO编号的结构、核心功能、使用方法、示例及注意事项。[阅读全文:]
摘要: 有向无环图（DAG）是一种图论结构，由顶点和有向边组成，且不包含任何有向环。它天然定义了偏序关系，允许一个子节点拥有多个父节点（多继承性），比树结构更具表达能力。在生物信息学中，DAG是基因本体论（GO）的核心数据结构，用于表示术语间的“is a”和“part of”关系，支持高效的语义推理。在计算机科学中，DAG广泛应用于任务调度（拓扑排序）、版本控制（如Git）、数据流编程和动态规划。核心算法包括线性时间内的拓扑排序、最长/最短路径求解及可达性分析。DAG因无环特性，避免了循环依赖，成为建模[阅读全文:]
摘要: 批次效应（Batch effect）是指在高通量组学实验中，由于非生物学的技术性因素（如样本制备、检测平台、操作者、环境条件等）在不同实验批次间引入的系统性变异。这种变异叠加在真实生物学信号上，可能导致数据不可重复和错误发现。批次效应具有系统性、非生物学来源、可叠加性和普遍性等特征，常见于微阵列、RNA测序、蛋白质组学和代谢组学等研究。识别方法包括主成分分析（PCA）和层次聚类热图等无监督工具，以及方差分析等有监督方法。校正策略分为实验设计阶段的预防（随机化、平衡设计、引入对照）和数据分析阶段的[阅读全文:]