摘要: 代谢网络是指生物体内所有代谢反应、代谢物以及催化反应的酶/蛋白之间通过底物-产物关系相互连接构成的复杂、高度组织化的系统。它超越了单一代谢通路的线性概念，强调各通路之间通过共享代谢物和能量载体实现的动态交互与整合。代谢网络展现小世界、无标度、模块化和冗余性等拓扑特征，可通过化学计量矩阵、通量平衡分析等数学模型进行定量研究。在基础生物学、生物技术、医学等领域有广泛应用，如代谢工程优化细胞工厂、疾病机制研究和药物靶点发现。[阅读全文:]
摘要: 人类代谢组数据库（HMDB）是一个全面注释的人类代谢物在线数据库，于2007年首次发布，由加拿大阿尔伯塔大学David Wishart团队开发维护。截至2022年发布的5.0版本，收录超过217,000个代谢物条目，涵盖内源性代谢物、药物代谢物、环境化学物等。每个条目提供化学结构、物理化学性质、生物学功能、临床关联、分析谱图（NMR、MS）、代谢通路等深度数据。HMDB通过搜索引擎、谱图预测器、代谢物定位工具等功能支持代谢组学研究、生物标志物发现、临床诊断和系统生物学建模。数据库与DrugBan[阅读全文:]
摘要: 高度保守性（High conservation）是指在分子进化与比较基因组学中，特定的DNA序列、蛋白质序列、蛋白质结构或调控元件在不同物种间长期保持极低变化率的现象。这种保守性源于纯化选择（负选择），即任何改变关键功能的突变均严重降低生物体适应度而被清除。观测层次涵盖序列、结构、共线性及非编码区保守性。经典例子包括核糖体RNA、组蛋白、细胞色素c、Hox基因及微小RNA等。高度保守性在鉴定功能元件、推断进化关系、理解基因功能及疾病研究中具有重要应用。[阅读全文:]
摘要: 同义替换率分布（Ks分布）是比较基因组学和进化基因组学中的核心工具，通过分析直系同源基因对的同义替换率（Ks）生成频率分布图，用于检测全基因组复制事件、估算物种分化时间及推断基因家族的进化模式。该方法基于同义替换近似中性的特性，通过计算Ks值并绘制分布图，以显著峰指示WGD事件，峰的位置和宽度反映事件发生时间和基因丢失速率。应用包括经典WGD检测（如酵母、水稻、拟南芥）和分子钟定年。注意事项包括Ks饱和、旁系同源污染及速率变异等局限性。常用软件如PAML、KaKs_Calculator。[阅读全文:]
摘要: 共线性分析是比较基因组学的核心方法，用于识别不同基因组间同源基因排列顺序的保守性，从而推断基因组进化历史、辅助注释、鉴定功能元件及研究物种形成。其基本概念包括共线性、微共线性及共线性区块。分析流程涵盖数据输入、同源基因配对、区块构建及可视化（如点阵图、Circos图）。常用工具有MCScanX、JCVI、SynMap等。应用实例包括人类-小鼠、水稻-玉米、拟南芥-油菜的比较。局限包括旁系同源干扰、小规模重排及计算复杂度。[阅读全文:]
摘要: 系统发育分析是利用生物的遗传、形态或行为等特征数据，推断其进化历史并构建系统发育树的计算与统计方法学。其核心目标是重建物种或基因之间的共同祖先关系，揭示生命之树的拓扑结构和分支时序。分析基于分子序列、形态或行为等特征，使用距离法、最大简约法、最大似然法和贝叶斯推断等方法构建系统发育树。关键步骤包括多序列比对、模型选择、树搜索与评估，通过自举法或后验概率评估支持度。广泛应用于分类学、比较基因组学、分子钟估算、流行病学追踪和保护生物学等领域。[阅读全文:]
摘要: 多组学整合（Multi-Omics Integration）是一种通过计算与统计学方法，系统性地融合基因组、表观基因组、转录组、蛋白质组、代谢组等多种组学数据的研究策略。其核心目的是突破单一组学局限，揭示基因型与表型之间的复杂因果链和分子网络。本文综述了多组学整合的核心层级、整合策略（串联分析、并行整合、基于知识的整合）及其在神经科学中的关键应用，包括解析脑细胞异质性、揭示神经发育与可塑性、阐明精神分裂症、阿尔茨海默病等疾病的分子机制，并发现生物标志物与治疗靶点。同时讨论了技术流程、主要挑战（如[阅读全文:]
摘要: 衰老时钟（Aging Clocks）是基于生物标志物（如DNA甲基化、端粒长度、血浆蛋白质、基因表达谱、代谢物等）构建的数学模型，用于量化生物学年龄或评估衰老速度。其核心类型包括表观遗传时钟（如Horvath时钟、Hannum时钟）、端粒时钟、蛋白质组时钟、转录组时钟、代谢组时钟及复合时钟。典型模型如Horvath时钟（2013年，基于353个CpG位点）、PhenoAge（整合临床指标预测死亡率）和DunedinPoAm（评估衰老速率）。衰老时钟应用于早衰症筛查、慢性病风险预测、抗衰老干预效果[阅读全文:]
摘要: 序列比对是生物信息学的核心方法，用于比较DNA、RNA或蛋白质序列的相似性和同源性。通过插入空位优化匹配，全局比对（Needleman-Wunsch）适用于全长序列，局部比对（Smith-Waterman）用于寻找保守区域。多序列比对（如Clustal Omega）可同时处理多条序列，识别保守位点并构建进化树。替换矩阵（PAM/BLOSUM）和空位罚分（仿射罚分）是评分关键。工具包括BLAST、MAFFT等，应用于基因注释、突变分析、进化研究和结构预测。面临的挑战包括计算复杂度、远缘序列比对和重[阅读全文:]
摘要: 循环神经网络（RNN）是一种专门处理序列数据的深度学习模型，其核心在于通过循环连接引入记忆能力，使网络能够利用历史信息预测后续内容。RNN广泛应用于自然语言处理（如文本生成、机器翻译）、时间序列分析（如股价预测、天气预测）和语音识别等领域。基础RNN通过隐藏状态在时间步间传递信息，但面临梯度消失/爆炸问题，难以捕捉长期依赖。为此，长短时记忆网络（LSTM）和门控循环单元（GRU）等变体通过门控机制有效缓解了该问题，成为实际应用中的主流选择。本文系统阐述RNN的核心思想、基础结构、训练算法（BPT[阅读全文:]