前言：中文期刊網精心挑選了生物信息學的研究進展范文供你參考和學習，希望我們的參考范文能激發你的文章創作靈感，歡迎閱讀。
生物信息學的研究進展范文1
關鍵詞： 生物信息學 農業研究領域 應用
“生物信息學”是英文單詞“bioinformatics”的中文譯名，其概念是1956年在美國田納西州gatlinburg召開的“生物學中的信息理論”討論會上首次被提出的［1］，由美國學者lim在1991年發表的文章中首次使用。生物信息學自產生以來，大致經歷了前基因組時代、基因組時代和后基因組時代三個發展階段［2］。2003年4月14日，美國人類基因組研究項目首席科學家collins f博士在華盛頓隆重宣布人類基因組計劃（human genome project，hgp）的所有目標全部實現［3］。這標志著后基因組時代（post genome era，pge）的來臨，是生命科學史中又一個里程碑。生物信息學作為21世紀生物技術的核心，已經成為現代生命科學研究中重要的組成部分。研究基因、蛋白質和生命，其研究成果必將深刻地影響農業。本文重點闡述生物信息學在農業模式植物、種質資源優化、農藥的設計開發、作物遺傳育種、生態環境改善等方面的最新研究進展。
1.生物信息學在農業模式植物研究領域中的應用
1997年5月美國啟動國家植物基因組計劃（npgi），旨在繪出包括玉米、大豆、小麥、大麥、高粱、水稻、棉花、西紅柿和松樹等十多種具有經濟價值的關鍵植物的基因圖譜。國家植物基因組計劃是與人類基因組工程（hgp）并行的龐大工程［4］。近年來，通過各國科學家的通力合作，植物基因組研究取得了重大進展，擬南芥、水稻等模式植物已完成了全基因組測序。人們可以使用生物信息學的方法系統地研究這些重要農作物的基因表達、蛋白質互作、蛋白質和核酸的定位、代謝物及其調節網絡等，從而從分子水平上了解細胞的結構和功能［5］。目前已經建立的農作物生物信息學數據庫研究平臺有植物轉錄本（ta）集合數據庫tigr、植物核酸序列數據庫plantgdb、研究玉米遺傳學和基因組學的mazegdb數據庫、研究草類和水稻的gramene數據庫、研究馬鈴薯的pomamo數據庫，等等。
2.生物信息學在種質資源保存研究領域中的應用
種質資源是農業生產的重要資源，它包括許多農藝性狀（如抗病、產量、品質、環境適應性基因等）的等位基因。植物種質資源庫是指以植物種質資源為保護對象的保存設施。至1996年，全世界已建成了1300余座植物種質資源庫，在我國也已建成30多座作物種質資源庫。種質入庫保存類型也從單一的種子形式，發展到營養器官、細胞和組織，甚至dna片段等多種形式。保護的物種也從有性繁殖植物擴展到無性繁殖植物及頑拗型種子植物等［6］。近年來，人們越來越多地應用各種分子標記來鑒定種質資源。例如微衛星、aflp、ssap、rbip和snp等。由于對種質資源進行分子標記產生了大量的數據，因此需要建立生物信息學數據庫和采用分析工具來實現對這些數據的查詢、統計和計算機分析等［7］。
3.生物信息學在農藥設計開發研究領域中的應用
傳統的藥物研制主要是從大量的天然產物、合成化合物，以及礦物中進行篩選，得到一個可供臨床使用的藥物要耗費大量的時間與金錢。生物信息學在藥物研發中的意義在于找到病理過程中關鍵性的分子靶標、闡明其結構和功能關系，從而指導設計能激活或阻斷生物大分子發揮其生物功能的治療性藥物，使藥物研發之路從過去的偶然和盲目中找到正確的研發方向。生物信息學為藥物研發提供了新的手段［8，9］，導致了藥物研發模式的改變［10］。目前，生物信息學促進農藥研制已有許多成功的例子。itzstein等設計出兩種具有與唾液酸酶結合化合物：4-氨基-neu5ac2en和4-胍基-neu5ac2en。其中，后者是前者與唾液酸酶的結合活性的250倍［11］。目前，這兩種新藥已經進入臨床試驗階段。tang sy等學者研制出新一代抗aids藥物saquinavir［12］。pungpo等已經設計出幾種新型高效的抗hiv-1型藥物［13］。楊華錚等人設計合成了十多類數百個除草化合物，經生物活性測定，部分化合物的活性已超過商品化光合作用抑制劑的水平［14］。
現代農藥的研發已離不開生物信息技術的參與，隨著生物信息學技術的進一步完善和發展，將會大大降低藥物研發的成本，提高研發的質量和效率。
4.生物學信息學在作物遺傳育種研究領域中的應用
隨著主要農作物遺傳圖譜精確度的提高，以及特定性狀相關分子基礎的進一步闡明，人們可以利用生物信息
學的方法，先從模式生物中尋找可能的相關基因，然后在作物中找到相應的基因及其位點。農作物的遺傳學和分子生物學的研究積累了大量的基因序列、分子標記、圖譜和功能方面的數據，可通過建立生物信息學數據庫來整合這些數據，從而比較和分析來自不同基因組的基因序列、功能和遺傳圖譜位置［15］。在此基礎上，育種學家就可以應用計算機模型來提出預測假設，從多種復雜的等位基因組合中建立自己所需要的表型，然后從大量遺傳標記中篩選到理想的組合，從而培育出新的優良農作物品種。
5.生物信息學在生態環境平衡研究領域中的應用
在生態系統中，基因流從根本上影響能量流和物質流的循環和運轉，是生態平衡穩定的根本因素。生物信息學在環境領域主要應用在控制環境污染方面，主要通過數學與計算機的運用構建遺傳工程特效菌株，以降解目標基因及其目標污染物為切入點，通過降解污染物的分子遺傳物質核酸 dna，以及生物大分子蛋白質酶，達到催化目標污染物的降解，從而維護空氣［16］、水源、土地等生態環境的安全。
美國農業研究中心（ars） 的農藥特性信息數據庫（ppd） 提供 334 種正在廣泛使用的殺蟲劑信息，涉及它們在環境中轉運和降解途徑的16種最重要的物化特性。日本豐橋技術大學（toyohashi university of technology） 多環芳烴危險性有機污染物的物化特性、色譜、紫外光譜的譜線圖。美國環保局綜合風險信息系統數據庫（iris） 涉及 600種化學污染物，列出了污染物的毒性與風險評價參數，以及分子遺傳毒性參數［17］。除此之外，生物信息學在生物防治［18］中也起到了重要的作用。網絡的普及，情報、信息等學科的資源共享，勢必會創造出一個環境微生物技術信息的高速發展趨勢。
6.生物信息學在食品安全研究領域中的應用
食品在加工制作和存儲過程中各種細菌數量發生變化，傳統檢測方法是進行生化鑒定，但所需時間較長，不能滿足檢驗檢疫部門的要求，運用生物信息學方法獲得各種致病菌的核酸序列，并對這些序列進行比對，篩選出用于檢測的引物和探針，進而運用pcr法［19］、rt-pcr法、熒光rt-pcr法、多重pcr［20］和多重熒光定量pcr等技術，可快速準確地檢測出細菌及病毒。此外，對電阻抗、放射測量、elisa法、生物傳感器、基因芯片等［21-25］技術也是未來食品病毒檢測的發展方向。
轉基因食品檢測是通過設計特異性的引物對食品樣品的dna提取物進行擴增，從而判斷樣品中是否含有外源性基因片段［26］。通過對轉基因農產品數據庫信息的及時更新，可準確了解各國新出現和新批準的轉基因農產品，便于查找其插入的外源基因片段，以便及時對檢驗方法進行修改。目前由于某些通過食品傳播的病毒具有變異特性，以及檢測方法的不完善等因素影響，生物信息學在食品領域的應用還比較有限，但隨著食品安全檢測數據庫的不斷完善，相信相關的生物信息學技術將在食品領域發揮越來越重要的作用。
生物信息學廣泛用于農業科學研究的各個領域，但是僅有信息資源是不夠的，選出符合自己需求的生物信息就需要情報部門，以及信息中介服務機構提供相關服務，通過出版物、信息共享平臺、數字圖書館、電子論壇等信息媒介的幫助，科研工作者可快速有效地找到符合需要的信息。目前我國生物信息學發展還很不均衡，與國際前沿有一定差距，這需要從事信息和科研的工作者們不斷交流，使得生物信息學能夠更好地為我國農業持續健康發展發揮作用。
參考文獻：
［1］yockey hp，platzman rp，quastler h.symposium on information.theory in biology.pergamon press，new york，london，1958.
［2］鄭國清，張瑞玲.生物信息學的形成與發展［j］.河南農業科學，2002，（11）：4-7.
［3］駱建新，鄭崛村，馬用信等.人類基因組計劃與后基因組時代.中國生物工程雜志，2003，23，（11）：87-94.
［4］曹學軍.基因研究的又一壯舉——美國國家植物基因組計劃［j］.國外科技動態，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］盧新雄.植物種質資源庫的設計與建設要求［j］.植物學通報，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］鄭衍，王非.藥物生物信息學，化學化工出版社，2004.1：214-215.
［9］俞慶森，邱建衛，胡艾希.藥物設計.化學化工出版社，2005.1：160-164.
［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］楊華錚，劉華銀，鄒小毛等.計算機輔助設計與合成除草劑的研究［j］.計算機與應用化學，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］王春華，謝小保，曾海燕等.深圳市空氣微生物污染狀況監測分析［j］.微生物學雜志，2008，28，（4）：93-97.
［17］程樹培，嚴峻，郝春博等.環境生物技術信息學進展［j］.環境污染治理技術與設備，2002，3，（11）：92-94.
［18］史應武，婁愷，李春.植物內生菌在生物防治中的應用［j］.微生物學雜志，2009，29，（6）：61-64.
［19］趙玉玲，張天生，張巧艷.pcr 法快速檢測肉食品污染沙門菌的實驗研究［j］.微生物學雜志，2010，30，（3）：103-105.
［20］徐義剛，崔麗春，李蘇龍等.多重pcr方法快速檢測4種主要致腹瀉性大腸埃希菌［j］.微生物學雜志，2010，30，（3） ：25-29.
［21］索標，汪月霞，艾志錄.食源性致病菌多重分子生物學檢測技術研究進展［j］.微生物學雜志，2010，30，（6）：71-75
［22］朱曉娥，袁耿彪.基因芯片技術在基因突變診斷中的應用及其前景［j］.重慶醫學，2010，（22）：3128-3131.
［23］陳彥闖，辛明秀.用于分析微生物種類組成的微生物生態學研究方法［j］.微生物學雜志，2009，29，（4）：79-83.
［24］王大勇，方振東，謝朝新等.食源性致病菌快速檢測技術研究進展［j］.微生物學雜志，2009，29，（5）：67-72.
生物信息學的研究進展范文2
在1956年美國召開的首次“生物學中的信息理論研討會”上人們提出了生物信息學的概念[1]。近幾年，隨著人類基因組計劃(HGP)的迅猛發展，各種數學軟件以及生物分析軟件的出現，將之前積累的大量不同生物基因序列、蛋白質氨基酸殘基序列、不同生物種屬之間基因序列、蛋白質以及結構序列的保守結構位點進行整合，并據此建立了龐大的數據庫系統。而對于這些數據的分析，必須依靠計算機分析技術的不斷發展，所以就形成了一門由生物科學、計算機科學、信息科學、應用數學、統計學等多門學科相互交叉的學科——生物信息學技術[2-4]。
生物信息學的基礎是各種數據庫的建立和分析工具的發展。迄今為止，生物學數據庫總數已達500個以上。歸納起來可分為4大類：即基因組數據庫、核酸和蛋白質一級結構數據庫、生物大分子三維空間結構數據庫，以及以上述3類數據庫和文獻資料為基礎構建的二級數據庫[7]。常用生物信息學數據庫[8-10]：
European Molecular Biology Laboratory(EMBL)——歐洲分子生物學實驗室http：//ebi.ac.uk/ebi_docs/embl_db/ebi/topembl.html
UK Human Genome Mapping Project-Resource Center(HGMP-RC)——英國醫學研究委員會所屬人類基因組圖譜資源中心 http：//hgmp.mrc.ac.uk/default.htm
SeqNet：UK Node of European Molecular Biology Network(EMBNet)——歐洲分子生物學信息網http：//seqnet.dl.ac.uk/default.htm
GenBank——美國國家生物技術信息中心(NCBI)所維護的供公眾自由讀取的、帶注釋的DNA序列的總數據庫http：//ncbi.nlm.nih.gov/Web/Search/index.html
National Center for Biotechnology Information(NCBI)——美國國家生物技術信息中心http：//ncbi.nlm.nih.gov/
DNA Databank of Japan(DDBJ)——日本核酸數據庫http：//ddbj.nig.ac.jp/default.htm
Genome Sequence DataBase(GSD)——美國國家基因組資源中心維護的DNA序列關系數據庫http：//seqsim.ncgr.org/default.htm
Online Mendelian Inheritance in Man(OMIM)——在線人類孟德爾遺傳數據庫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)——美國基因組研究所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 http：//aeiveos.wa.com/biology/index.html
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)——冷泉港實驗室http：//clio.cshl.org/
SMI(Stanford Medical Informatics)http：//www-smi.stanford.edu/projects/helix/
BNL(Brookhaven National Laboratory)——美國布魯克海文國家實驗室http：//genome1.bio.bnl.gov/
Weizmann Institute of Science——以色列魏茲曼科學研究所 http：//bioinformatics.weizmann.ac.il/
中國科學院上海生命科學院生物信息中心(BioSino)http：//biosino.org.cn/
北京大學生物信息中心(CBI或PKUCBI)http：//cbi.pku.edu.cn/
中國軍事醫學科學院情報研究所 http：//bmi.ac.cn/bio/
1 生物信息學在寄生蟲基礎研究中的現狀
隨著HGP的開展[11-12]，人體寄生蟲基因組研究也受到了廣泛的重視。1993年美國人類基因組研究中心對HGP 作了修訂，修訂后的HGP 將模式生物基因組列入了HGP的內容[13]，認為通過對較為簡單的模式生物基因組的研究，可為人類基因的功能鑒定提供線索，并可從簡單的基因組分析入手建立技術積累經驗。人體寄生蟲是一類結構較簡單的單細胞生物如原蟲或多細胞生物如蠕蟲[14]，是研究模式生物較理想的材料。因此，人體寄生蟲基因組計劃也已成為人類基因組計劃中模式生物基因組研究重要內容之一[15-16]。其中，基因序列測定和新基因的發現是人體寄生蟲基因組計劃的首要任務。目前應用生物信息學對下列人體寄生蟲基因組進行了研究[17-18]：
1.1 惡性瘧原蟲 基因組計劃開展較早，研究表明惡性瘧原蟲的基因組大小約30Mb，含15000～17000個基因。在GenBank 中已記載的惡性原蟲5031個基因順序資料中，有3755個為抗原/蛋白質的編基因序列。
1.2 利什曼原蟲 基因組大小約為35Mb，通過構建利什曼原蟲不同時期特異性cDNA文庫和長片段基因組文庫，已經獲得了2000多個EST 序列。
1.3 美洲錐蟲 基因組大小為55 Kb，已建立了標化cDNA 文庫，BAC 文庫和YAC 文庫。現已完成了7000個EST序列的測定，3號和4號染色體序列已測定。
1.4 絲蟲 基因組大小為100Mb(以馬來絲蟲代表)，至目前為止，在GenBank 中EST 序列已達到16500個，鑒定出新基因6000個，占預測基因總數的1/3。
1.5 碩大利什曼原蟲 已有約500個EST 序列進入數據庫，均是從含有引導序列的全長cDNA的5端測出的序列，對利什曼原蟲的目標是測出至少1500個新序列。
1.6 血吸蟲 基因組大小為270 Mb，估計基因數為20000個。血吸蟲基因組計劃始于1995年，早期研究工作主要是新基因的發現和繪制低分辨率的物理圖譜。目前在GenBank中已有的血吸蟲基因EST序列超過45900條，3500 個新基因已被鑒定，占基因總數的15%。
2 生物信息學在包蟲基礎研究中的應用前景
包蟲病是一個世界性的流行病，其防治工作倍受各國研究者重視。包蟲生活史復雜，同一包蟲的不同種株，以及在同一種株的不同發育階段，不同組織，甚至隨著環境的改變，其基因表達變化很大。目前有關包蟲的研究還不是很多，研究資源主要集中于研究包蟲單個基因的序列及其功能，隨著后基因組時代的發展，以及生物信息學的興起，包蟲的研究將從單個基因和功能向全基因組和功能研究轉變，從局部向整體轉變，從而使有目的地大規模研究疫苗和藥物相關基因成為可能。
目前，應用生物信息學在對血吸蟲的基礎研究中取得了很大的進展。這便給了我們一個提示，可以應用生物信息學對包蟲進行基礎研究。首先，可以通過生物信息學的相關網站得到目前已知的包蟲的基因或蛋白序列。目前報道包蟲的核酸序列共11106條[美國國立生物技術信息中心(NCBI)數據庫]，見下表：
核酸序列線粒體
內核酸線粒體
外核酸總核酸
序列數Nucleotide5625321097相關EST01000210002GSS077 之后可以通過生物信息學相關工具做以下工作[19]：
2.1 基因功能預測 一個新基因得到后，接下來的工作就是尋找該基因的功能。序列同源比較是預測基因功能的第一步。利用同源比較算法，將待檢測的新基因序列從DNA和蛋白質序列數據庫中進行同源檢索后，就可以得到一系列與新基因同源性較高的基因或片段。這些基因和片段的已知功能信息就為進一步分析新基因功能提供了具有相當參考價值的導向。最主要的生物學數據庫是核酸、蛋白質序列數據庫及其三維結構數據庫[20]。
2.2 尋找蛋白質家族保守序列 通過同源檢索，尋找新基因中包含的該蛋白質家族的保守序列，為進一步深入研究其功能作好準備。多重序列同源比較，被用來尋找基因家族或蛋白質家族中的保守部分[21-22]。由于保守部分常常與家族成員的功能密切相關，蛋白質家族數據庫能夠幫助科學家更好地認識基因的功能。最具代表性的蛋白質家族保守序列的數據庫有PRINTS、BLOCKS、Sbase 和Prosite等。這些數據庫可以幫助我們把新基因所屬的蛋白質家族及其保守部分找出來，并提供該家族其他成員的結構和功能信息[23]。
2.3 蛋白質結構的預測 如果一個可能的新基因通過同源檢索后沒有同源性，就成為孤獨基因了。孤獨基因可以通過結構同源比較，尋找結構同源的基因或直接預測其高級結構來推測其可能的功能。有很多蛋白質高級結構數據庫提供結構同源比較的檢索[20]。
目前，在后基因組時代，研究者們面對的不僅是序列和基因，也有越來越多的完整基因組。對不同種株包蟲基因組之間的比較性研究很可能會得到大量有用信息，而對同一種包蟲生活史不同階段基因組的比較性研究可能會使人們對于該物種的認識更加深入。因此，隨著生物信息學的迅速發展和后基因組計劃的深入，包蟲的基礎研究必將得到極大地發展。人們能夠期望從對基因和基因的生物學功能研究著手，發現更有效的抗包蟲的藥物靶位或疫苗[24-25]，并為徹底揭開包蟲的奧秘以及有效的治療與預防包蟲病打下基礎。
參考文獻
[1] 陳穎健.生物信息學[J]. 國外科技動態，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] 馮毅.生物信息學在藥物研發中的應用與展望[J].西部醫學，2007，19(5)：971-973
[5] 孫敏，馬月輝.生物信息學研究進展[J].家畜生態學報，2006，27(1)：6-10.
[6] 汪凡軍.生物信息學在醫學上的應用[J].國際檢驗醫學雜志，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.
生物信息學的研究進展范文3
>> 丹參類貝殼杉烯氧化酶（SmKOL）基因全長克隆及其生物信息學分析 紅白忍冬SABATH甲基轉移酶基因克隆及其生物信息學分析 雷公藤貝殼杉烯酸氧化酶基因的全長cDNA克隆與表達分析 丹參SmNAC1基因的克隆和生物信息學分析 黃芩葡萄糖醛酸水解酶基因的克隆、生物信息學分析及表達 太子參分解代謝關鍵酶8′羥化酶基因的克隆及生物信息學分析 人組蛋白去乙?；?1的克隆表達與生物信息學分析 金鐵鎖糖基轉移酶PtT1的克隆與生物信息學分析 平邑甜茶MhWRKY15基因cDNA克隆及其生物信息學分析 茶陵野生稻冷響應基因OrCr3的克隆及其生物信息學分析 唇形科植物腳6基腳6基焦磷酸合酶編碼基因及其氨基酸序列的生物信息學分析 棉鈴蟲類胰蛋白酶的生物信息學分析 玉米谷胱甘肽過氧化物酶的生物信息學分析 黔北麻羊RERGL基因cDNA克隆與生物信息學分析 小菜蛾p38MAPK基因的克隆與生物信息學分析 高叢越桔UFGT基因電子克隆和生物信息學分析 小菜蛾PxALP1基因的克隆與生物信息學分析 希金斯炭疽菌腺苷酸環化酶生物信息學分析 黃瓜DVR基因的生物信息學分析 FZ6基因及其蛋白的生物信息學分析 常見問題解答 當前所在位置：l）查找開放閱讀框（ORF）。生物信息學分析主要采用一些網上軟件包進行分析，如采用Interpro （http：//ebi.ac.uk/tools/interproscan）進行結構域比對，ExPASy在線服務器的Compute pI/Mw工具（http：///compute_pi/）預測相對分子質量與理論等電點，TargetP1.1 server （http： //cbs.dtu. dk /serv- ices/targetP/）進行信號肽分析，Psort （http：//psort.hgc.jp/）及WOLFPSORT （http：///）分析亞細胞定位，TRMHMM server v 2.0 （http：// cbs. dtu.dk/services/TMHMM-2.0/）進行跨膜域分析，Predictprotein （https：///）進行二級結構預測，SWISS-MODEL （http：//swissmodel.expasy. org/）進行二級結構分析和結構域的三維同源建模。使用DNAMAN軟件對序列進行多重比對，用ClustalW分析軟件與其他植物的MCS氨基酸序列進行同源比對，根據分析結果選擇17種植物的MCS氨基酸用MEGA 5.1軟件構建進化樹。
2.4 SmKOL基因的表達分析 取0.1 g毛狀根樣品采用Trizol試劑盒提取總RNA，用Takara反轉錄試劑盒反轉錄成cDNA。其過程為：總RNA模板1 μL（約200 ng），dNTP 1 μL， Radom 6 mers 2 μL，不含RNase的去離子水至10 μL，離心，置于PCR儀上，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反應條件為30 ℃ 10 min，42 ℃ 60 min，70 ℃ 15 min，所得cDNA用于Real-time PCR。根據丹參內參β-actin和目標基因SmKOL的核苷酸序列設計引物。其中β-actin上游引物為5′ -AGGAACCACCGATCCAGACA-3′，下游引物為5′ -GGTGCCCTGAGGTCCTGTT-3′；SmKOL上游引物為5′ -GCTTCTGGCAAGGCAATCAAC-3′，下游引物為5′ -CTTTTCCTCGTTGAGTTGGTCG-3′。轉錄后的cDNA用管家基因引物β-actin進行普通PCR反應，用于反轉錄質量控制，待目的基因引物及管家基因引物檢測合格后，在ABI7300 RT-PCR儀上進行熒光定量檢測，反應體系為：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反應條件為95 ℃ 30 s；95 ℃ 5 s；60 ℃ 34 s，40個擴增循環；檢測溶解曲線。反應結束后分析熒光值變化曲線和溶解曲線。每個反應重復3次，采用2-ΔΔCT法分析結果。
3 結果
3.1 丹參毛狀根SmKOL基因的全長克隆及序列分析 將基因cDNA序列進行Blast比對分析，結果表明測得的片段與其他植物中的KO基因有70%左右的同源性，并有相似的保守區域。將所得的片段進行拼接，獲得基因全長序列，共1 884 bp核苷酸，命名為SmKOL，GenBank登錄號為KJ606394，DNAMAN軟件結合ORF Finder在線軟件對SmKOL基因全長cDNA序列進行分析，推測編碼519個氨基酸的蛋白質，并含有完整的開放閱讀框（open reading frame， ORF），SmKOL基因的開放閱讀框位于23～1 582 bp，序列的1～22 bp為5′非翻譯區（5′UTR），1 583～1 884 bp為3′非翻譯區（3′UTR）。
Blast結果顯示SmKOL基因與甜橙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、擬南芥Arabidopsis thaliana的KO基因有64%相似、粳稻Oryza sativa Japonica Group的KOL基因有57%相似。KOL具有比較保守的結構域，用DNAMAN程序對比葡萄（AFD54196.1）、苜蓿（XP_003637273.1）、西洋梨（AEK01241.1）、粳稻（AAT81230.1）擬南芥（AED93499.1）的氨基酸序列進行多序列比對（圖1）。結果表明家族具有較高同源性。使用Interpro結構域比對，結果表明SmKOL具有與IPR001128的Cytochrome P450 domain和IPR017972的Cytochrome P450相同保守位點（圖2）。
3.2 KOL氨基酸序列的分子系統進化樹分析 將SmKOL與GenBank中的17種植物的17種蛋白進行比對分析，在軟件MEGA 5.1上采用相鄰鏈接法構建KOL進化樹，進行聚類分析（圖3）。SmKOL與阿拉比卡種小果咖啡KOL聚為一類，兩者在本文所選蛋白中的親緣關系最近。
3.3 理化性質和3D結構預測 使用ExPASy在線服務器的Compute pI/Mw工具預測，SmKOL蛋白的相對分子質量為58.88 kDa，等電點pI 7.62。亞細胞定位結果表明可能定位于細胞質或者細胞核。信號肽分析表明為分泌蛋白，前23個氨基酸可能是信號肽，跨膜域分析可能為膜蛋白。SmKOL蛋白的二級結構預測結果顯示，α螺旋結構占50.10%、β折疊結構占6.36%、無規則卷曲結構占43.55%。蛋白質的功能很大程度上取決于其空間結構，無規則卷曲結構決定了蛋白質，尤其是酶的功能部位常常位于這種構象區域，而α螺旋主要對蛋白質骨架起穩定作用，通過對蛋白質二級與三級結構預測和分析，有助于理解蛋白質功能與結構的關系[10]。使用Swiss Model進行同源建模，以人Cytochrome P450 2R1蛋白A鏈（PDB注冊號3czh.1.A）作為同源模板，用于建模的氨基酸序列殘基為46～511位，序列相似性為23.56%，模型質量得分（GMQE）0.55（圖4）。
3.4 SmKOL受茉莉酸甲酯（MeJA）誘導的誘導表達分析 實時熒光定量PCR實驗數據結果采用2-ΔΔCT法進行相對定量表達分析，即確定目標基因（SmKOL）和參照基因（β-actin）有相近的擴增效率，就可以確定不同樣本中目標基因表達水平的相對差異。不同時段MeJA誘導的丹參毛狀根中SmKOL相對表達發現，MeJA能明顯誘導丹參毛狀根中SmKOL基因mRNA的表達。實驗檢測了丹參毛狀根經MeJA處理12，24，36，120 h后SmKOL基因的誘導表達情況，結果顯示經MeJA處理后的SmKOL基因的誘導表達水平在0～36 h逐漸升高，在36 h時達到最大值，隨后120 h時SmKOL基因的表達量下降（圖5）。
4 討論
由于丹參毛狀根具有遺傳穩定性高、產率高等優點，近年來常應用于次生代謝產物的生產。本研究首次從丹參毛狀根中克隆得到了赤霉素代謝途徑上的KOL基因，獲得含有完整ORF的基因全長，并利用生物信息學的方法對其核酸及其推測的蛋白序列組成進行分析。結果表明，該基因與其他物種中的KO基因有較高的同源性，命名為SmKOL，它具有Cytochrome P450 domain，這在所有的家族成員中都是保守的。
同時，SmKOL基因誘導表達結果表明，經誘導子MeJA誘導后，SmKOL的mRNA表達量逐漸上調，在36 h達到最大值，之后表達量下降。隨著丹參赤霉素生物合成途徑中基因的不斷挖掘，為在分子水平上認識赤霉素合成途徑中的編碼基因、調控方式、酶反應動力學及其代謝調節的分子機制奠定基礎[11]。SmKOL基因的克隆為進一步研究該基因的功能和丹參赤霉素生物合成及其次生代謝調控機制提供了靶基因。
[參考文獻]
[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）： 645.
[2] 虞慧芳， 曹家樹， 王永勤. 植物矮化突變體的激素調控[J].生命科學，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] 李節法， 田義軻， 王彩虹， 等. 梨貝殼杉烯氧化酶基因PpKO的克隆及生物信息學分析[J]. 園藝學報， 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] 談心， 馬欣榮. 赤霉素生物合成途徑及其相關研究進展[J]. 應用與環境生物學報，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.
生物信息學的研究進展范文4
【關鍵詞】 藥物靶標 藥物設計 靶向治療
所謂藥物靶標（drug target）是指細胞內與藥物相互作用，并賦予藥物效應的特定分子。98%以上的藥物靶標屬于蛋白質。其中幾乎50%以上屬于G蛋白耦聯受體（GPCRs）、絲氨酸、蘇氨酸和酪氨酸蛋白激酶、鋅金屬肽酶、絲氨酸蛋白酶、核激素受體以及磷酸二酯酶等6個家族。從理論上說，作為藥物靶標的蛋白質必須能以適當的化學特性和親和力結合小分子化合物，并與疾病相關。具體來說，作為藥物靶標的蛋白質必須在病變細胞或組織中表達，并且在細胞培養體系中可以通過調節靶標活性產生特定的效應，最后這些效應必須在動物模型中再現。最終，證明藥物在人體內有效之后，才能真正確證藥物靶標的價值［1］。只要找到了藥物作用的靶標分子就能根據其特點開發和設計藥物，以及進行靶向治療。近年來大量分子生物學技術的出現，尤其是基因組學、生物信息學、蛋白質組學、質譜聯用技術及生物大分子相互作用分析技術（BIA）等推動了從紛繁復雜的細胞內生物大分子中發現特異性的藥物作用靶標分子的進程。
1 藥物靶標的發現
1.1 以基因組學、生物信息學為基礎發現藥物靶標基因組學技術在藥物靶標發現中的應用主要體現在以下兩個方面：確認致病蛋白質的綜合策略 (global strategy) 和致病蛋白質部分表征的靶標專一策略 (target – specific strategy) ［2］。前者注重于對致病相關基因序列、蛋白質序列等分子信息的分析，包括計算機同源校準（在宿主和病原基因組之間進行同源性比較分析，進而找出致病基因序列）、差別基因表達分析及整體蛋白組分析；后者側重于對疾病相關基因（靶基因）功能的分析，包括基因敲除(gene knockout)，反義mRNA 和核酶抑制以及計算機模擬對基因產物結構和功能的預示［3］。
另外，基因組學技術在靶標的驗證方面也有重要作用。人類遺傳學(human genetics)、生物信息學( bioinformatics )、表達圖譜( expression profiling )、代謝途徑分析(pathway analysis)、基因敲除(gene knockout)、過量表達(overexpression)、基因篩選(gene-to -screen) 等技術可以在基因組水平上高通量大規模篩選和確證靶基因及疾病相關遺傳標記［4］。
在生物信息學方面，應用INVDOCK軟件進行計算機搜尋藥物靶標是一個很便捷的途徑，此軟件可同時尋找數個中草藥有效成分的治療靶標，并同已知實驗結果進行比較。研究結果顯示該軟件具有實際應用潛力及在普及型計算機上可進行運算的可行性。此方法除用于研究藥物或先導化合物的未知靶標外，亦可用來研究中草藥的作用機理［5］。
1.2 以蛋白質組學為基礎發現藥物靶標研究表明，人體內可能存在的藥物作用靶標約有3 000～15 000個，而統計結果顯示，目前發現的藥物靶標不到500個，這說明還有大量的藥物作用靶標未被發現［6］。大多數藥物靶標都是在生命活動中扮演重要角色的蛋白質，如酶、受體、激素等。通過蛋白質組學的方法比較疾病狀態和正常生理狀態下蛋白質表達的差異，就有可能找到有效的藥物作用靶標，其中應用較多的是二維凝膠電泳（2-DE）和質譜分析（MS）技術。在2-DE中，蛋白質樣品根據其等電點和相對分子質量的不同而分離，在得到的電泳圖譜中，疾病狀態和正常生理狀態的蛋白質染色斑點的分布會出現差異，以此為線索，可以發現新的藥物靶標［7］。例如Hanash 等［8］用2-DE分析急性淋巴細胞性白血病(ALL) ， 發現一個高表達的多肽Op18 有磷酸化和非磷酸化兩種形式。研究證明，抑制Op18 的表達和磷酸化能有效地抑制腫瘤細胞的增殖［9］。因而，有希望以Op18 為靶標構建合適的藥物治療ALL。
質譜分析（MS）技術具有高通量、敏感性強的特點，能根據相關序列識別蛋白質。其主要作用是識別不同樣品中大量相關蛋白質的差異，根據這些差異來篩選可能的疾病相關蛋白，然后與臨床實驗作比較，以確定真正的靶標蛋白［7］。
在蛋白質組學研究中，進行2-DE和MS研究還需要使用許多其他相關技術。如樣品的制備和分離技術、蛋白質結構的分析技術、生物信息學技術等。利用蛋白質組學技術發現藥物靶標的一般流程是：樣品制備（sample preparation）分離（fractionation）質譜分析（mass spectrometry）蛋白質陣列（protein arrays）計算生物學（computational biology）結構蛋白質組學（structural proteomics）結合特征分析（binding characteristics）［8］。
另外，酵母雙雜交技術也是發現藥物靶標的重要途徑。該技術能夠通過報告基因的表達產物敏感地檢測到蛋白質之間相互作用的路徑。對于能夠引發疾病反應的蛋白互作，可以采取藥物干擾的方法，阻止它們的相互作用以達到治療疾病的目的。例如Dengue病毒能引起黃熱病、肝炎等疾病，研究發現它的病毒RNA復制與依賴于RNA的RNA聚合酶（NS5）、拓撲異構酶NS3、以及細胞核轉運受體β-importin的相互作用有關。如果能找到相應的藥物阻斷這些蛋白之間的相互作用，就可以阻止RNA病毒的復制，從而達到治療這種疾病的目的［10］。
1.3 以中草藥單分子化合物為探針發現藥物靶標 近年來興起的生物分子相互作用分析技術（biomolecular interaction analysis，BIA）可以將中草藥單分子化合物作為探針，通過跟蹤監測它與蛋白質分子之間的相互作用來發現藥物靶標。BIA 是基于表面等離子共振(surface plasmon resonance，SPR)技術來實時跟蹤生物分子間的相互作用。操作時先將一種生物分子（如藥物分子）作為探針固定在傳感器芯片表面，將與之相互作用的分子（如配體蛋白質）溶于溶液流過芯片表面，檢測器能跟蹤檢測溶液中的分子與芯片表面的分子結合和解離的整個過程。該技術系統主要由傳感器芯片、SPR 光學檢測系統和微射流卡盤3 個核心部分組成［11］。這種方法也被稱作“配體垂釣”，通過配體垂釣不僅可以發現藥物作用的靶標分子，也可以將靶標分子作為固定相用來發現中草藥中的活性成分。
2 基于靶標的藥物設計
基于靶標分子結構的藥物設計指的是利用生物大分子靶標及相應的配體-靶標復合物三維結構的信息設計新藥。其基本過程是：①確定藥物作用的靶標分子（如蛋白質、核酸等）；②對靶標分子進行分離純化；③確定靶標分子的三維結構，提出一系列假定的配體與靶分子復合物的三維結構；④依據這些結構信息，利用相關的計算機程序和法則如DOCK 進行配體分子設計， 模擬出最佳的配體結構模型；⑤合成這些模擬出來的結構，進行活性測試。若對測試結果感到滿意，可進入前臨床實驗研究階段，反復重復以上過程，直至滿意為止［12］。
基于靶標分子結構的藥物設計需要采用X射線衍射分析和核磁共振波譜（NMR）等結構生物學的研究手段，對靶標蛋白質的分子結構進行深入研究，獲得相關信息，借助計算機技術建立靶標的蛋白質結構模型。如治療艾滋病的安瑞那韋(amprenavir ， Agenerase) 和奈非那韋( nelfinavir ，Viracept) 就是利用人類免疫缺陷病毒（HIV） 蛋白酶的晶體結構開發的藥物［13］。
3 藥物靶標在藥物開發及疾病治療中的應用
在疾病相關的靶標分子被發現和確認以后，即可根據這些靶標分子的特點設計出相關的藥物進行靶向治療。例如，世界性的疑難病癥阿爾茨海默病(Alzheimerps disease，AD) 是一種常見的神經退行性病變，發病率較高，已成為現代社會嚴重威脅老年人健康的疾病之一。 AD的病因復雜，發病涉及許多環節，包括神經遞質與受體、淀粉樣蛋白沉積、tau蛋白磷酸化、炎癥反應及其他環節，這些環節為藥物靶標的發現和選擇提供了多種靶點，據此人們找到了針對這些靶點的相關藥物，如膽堿酯酶抑制劑類主要有多奈哌齊( donepezil) 、加蘭他敏( galantamine) 、石杉堿甲( huperzine A)等；N -甲基-D -天冬氨酸( NMDA)受體阻滯劑如美金剛(memantine) ［14］。
在利用藥物靶標進行疾病的靶向治療方面，應用最多的是對腫瘤的治療。抗癌藥大多數為直接攻擊DNA或抑制其合成的化合物，對腫瘤細胞缺乏特異性。為了研制出具有特異性的藥物，需要找到在癌的病因學和病理過程中起作用的特異的靶標分子，其中包括細胞周期相關成分、信號轉導通路元件、細胞凋亡因子、端粒酶、細胞的黏附和運動因子等。設計出針對這些靶標分子的特異性藥物，并結合納米生物學技術給藥物分子裝配“制導”裝置，進行針對癌細胞的靶向治療。這樣就大大降低了抗癌藥物對正常細胞的毒性作用，提高了病灶部位的藥物濃度，從而極大地提高了治療效果。如小分子STI571和單抗Herceptin 等［15］藥物直接攻擊致癌病因，選擇性強，臨床效果顯著且副作用小，多藥聯合使用時常能增強傳統化療藥物的作用?？梢灶A計在未來的腫瘤化療發展中，針對分子靶標的新一代抗腫瘤藥物將成為主要的發展方向。
4 結語
通過發現藥物靶標來開發和設計特異性藥物是創新性藥物研發的重要途徑。靶標的篩選和識別需要基因組學、蛋白質組學、生物信息學等研究領域的深入發展和現代生物技術手段如質譜、生物大分子相互作用分析（BIA）及生物芯片等技術的綜合應用。藥物靶標的確證及其在藥物開發和疾病治療中的應用，需要進行反復的藥理實驗及臨床研究。欲進一步普及基于靶標的藥物研發及靶向治療，需要多個領域的進一步深入研究和相互配合。
參考文獻
［1］ 陳國強， 徐婭蓓， 郭 萌. 藥物靶標和創新藥物:機遇與挑戰［J］. 國外醫學·生理、病理科學與臨床分冊，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］ 王寶雷， 李正名， 臧洪俊. 基因組學對基于結構的藥物設計的影響［J］. 化學進展， 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］ 陳宇綜， Ung Chong Yung. 計算機輔助藥物靶標搜尋在探索中草藥有效成分機制方面的應用［J］. 中國藥物化學雜志， 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， 364:1.
［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 濤， 王 林. 結構生物學與藥物發現［J］. Foreign Medical Sciences Section of Pharmacy ， 2006， 33(1):56.
［14］ 王 杉， 蔣 寧， 周文霞，等. 阿爾茨海默病防治藥物靶標的研究進展［J］. 中國新藥雜志， 2007， 16( 11): 831.
生物信息學的研究進展范文5
【摘要】理論免疫學用數學的方法來研究和解決免疫學問題，以及對免疫學相關的數學方法進行理論研究的一門科學。隨著高通量方法和基因組數據的出現，理論免疫學從受體交聯和免疫原理、Jerne的相互作用網絡和自我選擇等經典建模方法開始向信息學、空間擴展模型、免疫遺傳學和免疫信息學、進化免疫學、分子生物信息學和表遺傳學、高通量研究方法和免疫組學等方面轉變。
【關鍵詞】免疫學, 理論；數學模型；生物數學
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
理論免疫學[1]（Theoretical Immunology）是指用數學的方法來研究和解決免疫學問題，以及對免疫學相關的數學方法進行理論研究的一門科學。理論免疫學是免疫學與數學交叉的邊緣學科，也稱數學免疫學（Mathematical Immunology），是生物數學的一個分支。由于免疫現象復雜，從免疫學中提出的數學問題往往也十分復雜，需要進行大量計算工作，因此從近年興起的復雜系統研究的角度來講[2]，理論免疫學也稱復雜免疫學（Complex Immunology）。理論免疫學的任務就是揭示免疫系統運行的規律和機制，及其病理機制。數學模型（Mathematical Models）和數據分析是理論免疫學的主要方法，計算機是研究和解決理論免疫學問題的重要工具。
雖然從上個世紀中期，數學模型已經開始應用于免疫學，但傳統的模型大部分是基于微分方程[3]、差分模型和元胞自動機（Cellular Automata）[4]。這些傳統模型以少數成份（一種受體和一種抗原，或兩個T細胞群之間等）參與的簡單動力學為主要研究內容。直到2000年，人們才開始對免疫學的復雜性進行數學建模。隨著高通量方法（High Throughput Methods）和基因組數據（Genomic Data）的出現，理論免疫學開始轉向信息學（Informatics）方面[5]。與分子免疫學的生物信息學（Bioinformatics）分析一樣，當前免疫學研究中與復雜性有關的主要研究目標大多集中在高通量測量計劃和系統免疫學（System Immunology）或免疫組學（Immunomics）計劃。在數學模型水平上，分析方法也從以微分方程為主的簡單系統轉向廣泛應用Monte Carlo模擬（Monte Carlo simulations）。這種向更多分子和更多計算的轉變態勢與復雜系統涉及的所有研究領域出現的轉變極為相似。同時，理論免疫學中另一個重要轉變是，人們關注焦點從對外源性的適應性免疫系統的轉向更多考慮固有免疫系統的平衡。
1理論免疫學經典模型
免疫學是生物學的一個領域，很早就認識到了數學建模和數學分析方法的作用。早在上個世紀60年代和70年代，數學模型已經應用于免疫學的不同領域，例如：抗原-受體的相互作用、T和B細胞群動力學、疫苗接種、生發中心動力學、病毒動力學和免疫系統對病毒的清除[6]等。現在的許多免疫學原理和觀點都是數學模型的結果。
1.1 受體交聯和免疫原理
受體交聯[7-9]（Receptor Cross Linking）和免疫原理（Immunon Theory）是由Alan Perelson提出、Carla Wofsy作了進一步分析。這個原理根據的事實是，低價抗原不能激活B細胞，而高價抗原（即抗原擁有多個重復基序）即使在抗原密度非常低（3-4目）的情況下也能夠激活B細胞。Sulzer和Perelson[10-13]據此發展了這個理論和數學模型并提出，抗原能夠聚集B細胞受體，從而激活B細胞。這個結論是B細胞免疫的基礎之一。
盡管數學模型對免疫學發展的貢獻的例子還有很多，但是免疫網絡（Immunological Networks）的概念和自我選擇（Self-Non Self Selection）問題占有相當重要的地位。
1.2 Jerne的相互作用網絡
假設受體庫（Receptor Repertoire）是滿的，即受體庫中每一個分子都有其相對應的受體，并且這些受體可以特異性地與其它受體相互作用。Jerne據此提出免疫調節網絡[14]（Regulatory Immune Networks）的存在?？乖せ畹牧馨图毎僧a生新受體，這些受體對于其它淋巴細胞來說是抗原，等等，以此類推。這個網絡的概念對理論學家來說很有吸引力，特別是在提出神經網絡（Neural Networks）中的認知行為（Cognitive Behavior）概念之后，提出了更多的免疫網絡模型[15][16]。有人用元胞自動機和布爾網絡（Boolean networks）建立大尺度行為（Large Scale Behavior）模型，有人用常微分方程（ODEs）來建立自身調節網絡模型（Local Regulatory Networks）。隨著時間的推移，人們對Jerne網絡學說逐漸失去了興趣，其主要原因是Jerne網絡學說的理論模型和實際的實驗證據沒有很好的相關性。
1.3 自我選擇
調節性網絡實際上是理論免疫學中自我選擇這個大課題的一部分。假設表達自身反應性受體的淋巴細胞被機體清除（陰性選擇）。大多數陰性選擇可能是由于中樞性耐受（Central Tolerance）所導致的（T細胞在胸腺，人和小鼠的B細胞在骨髓）。陰性選擇機制失敗可導致自身免疫性疾病。人們通過多種途徑對自我選擇展開研究。有人從分子的角度和基于特殊的選擇機制來研究，而有人則建立了更為復雜的模型，例如Polly Matzinger的危險模型[17][18]（Danger Model）和Irun Cohen的侏儒模型[19-27]（Homunculus Model）。這些模型都是想反映真實的復雜系統，盡管僅通過檢測免疫系統的成分，人們是無法接近問題的實質，但是他們的嘗試拓寬了我們的視野。直到今天，關于獲得和打破（自身免疫性疾?。┠褪艿耐緩?，也沒有一個公認的解釋。
2理論免疫學的現代模型
理論免疫學的模型和問題現在正逐漸向分子理論免疫學方向發展。這種理論方向的演變與大量基因組全序列的檢測、分子生物學工具的巨大進展、高通量測量技術的發展、空間分布（Spatial Distribution）作用的測量和建模能力的發展等實驗技術的發展是分不開的。同時，計算機處理能力和建模技術的發展也是影響現論免疫學的重要因素。
2.1 Immsim、Simmune和其它復雜模型
免疫學中，最大膽的嘗試可能就是建立一個免疫系統的系統模型。第一個建立這樣模型的嘗試是上世紀80年代由IBM公司Philip Seiden開發的IMMSIM模型[28-31]。其設計的主要目的是為了在計算機上進行免疫應答試驗。IMMSIM采用了克隆選擇原理的基本觀點，認為免疫細胞和免疫分子獨立地識別抗原，免疫細胞被競爭地選擇，以產生更好的識別抗原的克隆種類。IMMSIM模型的基礎是空間擴展的元胞自動機，它用位串（或比特流，Bitstrings）代表受體、抗原和MHC分子的可變性。到目前為止，抗原和受體多樣性的位串表示方法已被許多其他研究者[32,33,34]所采用。IMMSIM包括了適應性免疫系統的所有主要成份：CD4和CD8 T細胞、B細胞及其相應的受體，MHC Ⅰ類和Ⅱ類分子和一些細胞因子。但是IMMSIM模型仍然是對免疫系統的粗略描述。因此，人們在此基礎上又進行了其它的開發。
第一個較有影響的是由Martin. Meier-Schellersheim開發的Simmune[35-36]。這個系統嘗試建立一個足夠寬廣和復雜的平臺，從而能夠對免疫學的任意實際過程進行模擬。它不僅是一個特殊模型，更是一個建模技術或語言。
還有應用了Monte Carlo模擬[37-38]或稱免疫模擬（Immunosi m）、狀態圖[39]（State-Charts）等多種數學模型，試圖涵蓋免疫系統所有可能細節并建立動力學模型。在這個方向上，最有影響的是Sol Eforni的模型。此模型嘗試提供胸腺空間擴展動力學的完全模擬，并以此來研究細胞選擇[40]。這些綜合模擬的優勢在于他們涵蓋了當前免疫學的所有細節。但是這些模型也有缺點，他們過于復雜，因此對于所觀察到的動力學變化，我們無法充分理解其原因及模型對參數變化的敏感性。
2.2 空間擴展模型
從分子水平上講，免疫學復雜系統分析的最大進展是細胞內分子定位[41]（Molecule Localization）測量技術。免疫突觸（Synapses）的發現就是利用了該技術。人們建立了多個細胞膜動力學模型，用來解釋突觸的形成以及突觸的分子動力學。細胞膜動力學模型也應用于B細胞。這些模型中，有的是假設一個固定的細胞膜在二維晶格上（2D Lattice），有的假設一個自由漂浮的細胞膜[42-44]。另一個研究方向的是受體動力學，以及受體與其它細胞膜成份，比如Src家族激酶和脂筏[45]（Lipid Rafts），之間的相互作用。目前此領域的所有模型都是以廣泛的數值模擬（Numerical Simulation）為基礎的。
空間擴展模擬的另一個領域是生發中心動力學的模擬。經典模型主要采用ODEs來描述一或兩個總體的均勻動力學[46]（Homogenous Dynamics），而現代模擬主要應用Monte Carlo模擬[47-49]來研究多空間擴展或者均勻總體之間的相互作用，但是也有一些是采用ODEs。
2.3 免疫遺傳學和免疫信息學
不同基因組的排列和不同等位基因的序列使免疫遺傳（Immunogenetic）數據庫得到了全面的發展[50-51]。免疫遺傳數據庫IMGT儲存了多個物種的T和B細胞受體基因序列（B細胞H鏈和T細胞β/δ鏈的V、D和J基因，L鏈/α鏈/γ鏈的V和J基因）。該庫也包括了最新的MHC分子的基因序列（包括經典和非經典的）。另外，IMGT數據庫還包括了大量的淋巴細胞受體重排序列。
這樣龐大的數據庫是伴隨著免疫信息學（Immunoinfor matics）工具的大量發展而建立的。其中包括用于junction分析[52]、免疫基因對準（Immunogene Alignment）以及系統發育的工具[53-55]。所有這些工具的基礎都是將生物信息學理念應用于免疫學。免疫遺傳數據庫日漸顯現的重要性表明，免疫學建模逐漸向基因化方向轉變。
2.4 進化免疫學
與B細胞重排受體多重序列的測量一樣，多細胞生物中免疫基因的不斷積累，使免疫系統發育學（Immuno-Phylogenetics）得以快速發展。目前研究的主要焦點是適應性免疫系統的起源。適應性免疫是免疫系統的一部分，通過隨機基因重組以適應新病原體。很明顯，在軟骨魚類（Cartilaginous Fish）分化之前，適應性免疫最早出現于有腭脊椎動物（Jawed Vertebrates）。然而，這樣一個復雜系統起源的來源還不清楚。T細胞受體結構域（Receptor Domain）和B細胞受體結構域之間的相似性、RAG1和RAG2分子（RAG1和RAG2可起到隨機連接基因的作用，又稱重組激活基因）在重排過程中的關鍵作用及其物理性相鄰（Physical Proximity），使許多研究者認為，淋巴細胞受體重排的起源是轉座子（Transposon）橫向轉移到原始免疫受體（Primeval Immune Receptor）中。這個領域中使用的主要工具是系統發育分析（Phylogeny Analysis）及其相關的所有數學模型[56]。
另一個系統發育概念和方法的應用是B細胞的體超變異[57]（Somatic Hyper Mutations，SHM）分析。在生發中心反應過程中，通過活化誘導胞嘧啶脫氨酶（Activation-Induced Cytidine Deaminase，AID），B細胞的受體基因發生超變異。隨著克隆性增殖，B細胞受體基因平均每分裂一次就發生一次超變異，導致突變克隆的產生。這些克隆表現為微進化（Micro-Evolution），可以很容易地在實驗室中研究。對B細胞系統發育樹（Phylogenetic）以及它們與其它因素關系的分析，比如老化和自身免疫疾病，也已開始研究[58]。
2.5分子生物信息學和表遺傳學
在分子生物信息學（Molecular Bioinformatics）和表遺傳學（Epigenetics）的研究過程中[59]，隨著分子信息研究水平不斷提高，在免疫學中應用模型水平的精細程度也不斷提高。免疫學的一個特殊方面是需要將信號轉導（Signal Transduction）與基因重排結合起來建?！，F已建立了不同條件下的B和T細胞內的基因重排過程和淋巴細胞信息轉導的模型[60-61]。從分子角度來講，另一個重要的分子建模是在抗原提呈給T細胞之前，對抗原處理過程的分析。
2.6高通量研究方法
免疫學是典型的、以免疫假說和免疫原理為基礎的研究領域。免疫學是最晚轉向以數據為基礎的、目前已在其它生物學領域中應用的高通量方法。近5年，在這一領域已取得了很大的進展。這些進展是依靠來自生物學其它領域的經典基因表達的自適應和定位技術[62][63]，以及針對免疫學的新技術的發展取得的。免疫學領域主要依靠實驗手段，但實驗所取得的結果卻是應當屬于理論免疫學的范疇，并且與復雜科學密切相關。
在基因重排過程中應用熒光原位雜交技術[64]（FISH techniques）來定位基因是一個令人興奮的、對免疫學來說更具有針對性的研究進展。這些測量手段使我們在研究基因重排過程中，能夠確定受體不同部分之間的相互作用。
另一個對免疫系統來說具有針對性的工具是抗原芯片（Antigen Chips）的發展。這些芯片可同時測量B細胞對成百上千種抗原的應答，并提供整個免疫系統的系統表達[65]。在這類分析中使用的主要數學工具是聚類方法（Clustering Methods）。
2.7 免疫組學
目前，在理論免疫學中，最璀璨的研究領域可能就是新產生的免疫組學。這個年輕的學科已經擁有了自己的雜志《immunomic research》(省略)。免疫組學的主要目標是全方位地研究免疫系統[66][67]。這個領域采用實驗與理論相結合的工具。免疫組學目前正在研究的項目有：全部T細胞抗原決定基檢測；全B細胞抗體庫的定義及其在不同情況下的變化方式；自身免疫性疾病相關的所有基因位點的檢測。這個新生領域的成果還有限，但是在不到10年內，免疫學建模將會從基于預定假設（Predefined Hypotheses）的理論問題研究轉向對免疫系統受體和靶目標充分認識的、具有針對性的建模。
當前，理論免疫尚處于探索和發展階段，許多方法和理論還很不完善，它的應用雖然取得某些成功，但仍是低水平、粗略，甚至是勉強的。許多更復雜的免疫學問題至今未能找到相應的數學方法進行研究，還有一些免疫核心問題還存在爭議。這就需要未來的醫學工作者具備更多的數學知識，對免疫學和數學都有更深入的了解，這樣才有可能讓免疫學研究更多地借助數學的威力，進入更高的境界。
參考文獻
[1] 漆安慎, 杜嬋英. 免疫的非線性模型. 上海: 上?？萍冀逃霭嫔? 1998:iv.
[2] Raina S. Robeva, James R. Kirkwood, Robin L. Davies, et. al. An Invitation to Biomathematics. 北京: 科學出版社, 53-129.
[3] 馬知恩. 種群生態學的數學建模與研究. 安徽: 安徽教育出版社, 1996: 5-40.
[4] 陳蘭蓀, 孟新柱, 焦建軍. 生物動力學. 北京: 科學出版社, 2009: 77-177.
[5] 李濤. 計算機免疫學. 北京: 電子工業出版社, 2004: 147-203.
[6] 陸征一, 周義倉. 北京: 科學出版社, 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), 373-389.
[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):89-95.
[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.1989. 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), 647651
[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;174:24892493.
[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;171:46394649.
[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.
[64] 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.
生物信息學的研究進展范文6
關鍵詞: 基因組學 教學實踐 教學模式
人類基因組計劃的成功實施與完成標志著基因組學的誕生,她是一門新興起的生命科學邊緣學科。以人類基因組測序完成為標志,基因組生物學的研究重點由結構基因組學轉向以蛋白質組學為重要研究領域之一的功能基因組學?；蚪M學與蛋白質組學研究的實施與發展又孕育了生物信息學這一新興交叉學科的產生與發展。基因組學、蛋白質組學、生物信息學是基因組生物學的非常重要的研究領域,它們的發展息息相關,相輔相成,且與人類起源、疾病(如癌癥、肌營養不良癥、家族遺傳病等)預測診斷治療、新藥物新疫苗開發、生物武器鑒定、長壽與衰老死亡等許多方面有著重要關系,成為當今生命科學的熱點與前沿。廣義上,基因組學包含了結構基因組學、功能基因組學、比較基因組學、生物信息學等方面的內容。因此,該課程是一門生物學前沿課程和交叉課程,對于豐富生物技術等相關專業學生知識面,完善知識結構和提高創新能力都有著重要影響。我就近幾年來關于基因組學的教學實踐談幾點體會,并對革新課堂教學模式進行了初步嘗試。
一、教材
教材是一門課程的主要教學參考書,是確保教學過程系統性、規范性的關鍵,對教學效果有重要影響?；蚪M學是一門新興起的生命科學邊緣學科,我國許多高校的生物技術等相關專業課程設置中都將其設為專業限選課或選修課,如華中農業大學、天津醫科大學、重慶郵電大學等。本課程也是我校生物技術專業的一門專業限選課。在考察了有關基因組研究的眾多參考資料和兄弟院校的開課實際后,我們選了結構體系比較完整、內容深淺適宜、覆蓋面較全的復旦大學楊金水編著的《基因組學(第二版)》(高等教育出版社,2007年)為主要教材。此外,選用了袁建剛等翻譯的、BrownTA編著的《基因組2》(科學出版社,2006年)及其英文版原著Genomes2(BIOS Scientific Publishers Ltd)為重要參考教材。中英文對應的參考教材的使用更方便了學生對專業名詞的理解和把握,有助于學生對專業英文文獻的查閱和利用,便于跟蹤學科前沿,擴充知識面,豐富學生視野。
二、教學內容
基因組學是從整體上對生物基因組中所有DNA進行測序、拼裝和序列分析的一門科學,其研究對象涉及包括原核生物和真核生物在內的所有生命體。基因組測序的前提是進行基因組作圖,包括遺傳圖譜、物理圖譜、轉錄本圖譜制作。測序后核苷酸序列分析主要是進行序列闡釋,包括基因預測、各種類型重復序列鑒定與功能性MicroRNA的預測,等等。最后是進行各種功能性元件如基因、MicroRNA等功能分析。因此,基因組學的主要教學內容包括基因組的基本結構及組成,遺傳圖譜與物理圖譜制作,基因組測序,基因組序列解讀,基因組內基因的表達和調控,染色質的結構與基因表達調控,基因組活性的調控,不同生物基因組比較序列分析,基因組進化,等等,并結合當今基因組學研究的前沿進行有選擇性的、重點的專題介紹,使學生不但能系統學習基因組學的必備知識,而且能對本學科發展方向及目前重大研究與突破有所了解,以豐富學生的相關知識并拓寬學生的知識面,為今后的就業與創業打下良好的基礎。
三、教學方法
近年來我國多數高校本科各專業培養方案普遍采取的是多課程、少學時的模式,使多數課程學時嚴重不足[1-2]。就基因組學課程來講,多數內容是生命科學研究的前沿與熱點,而且對于多數本科生來說不容易理解和接受,這客觀上需增加學時進行詳細闡述。一方面教學大綱規定的學時嚴重不足,而另一方面教學實踐上又確實需要增加學時來完成“解惑”的任務,怎樣解決這一棘手的矛盾呢?這就需要根據學生已經學過的相關課程,對課程內容進行精選而且課程骨架知識體系又不被破壞,制定詳細的教學計劃,講課方法根據內容進行有針對性選取,教學手段以多媒體輔助教學為主,并輔以必要的板書。
我在講課實踐中采取的是重點內容(如基因組作圖與測序、功能基因組學中的表觀遺傳學部分、基因組進化中的端粒復制與基因組穩定性及基因組進化的機制與模式等)以講授法為主,特別重要的知識點上輔以啟示法、討論法教學,如在講到表觀遺傳學的座位控制區LCR(Locus Control Region)功能的內容時,我設計了圖片(圖1、2),在講解時PPT演示按圖1、2所示分步驟一一顯示的,之后進行討論,最后推而廣之――研究一段待測DNA的功能時大都可以采取類似的方法。這樣邊講解、邊啟示、邊討論,最后讓學生自己總結出共性的東西的綜合教學法,極大地提高了學生課堂參與的積極性、主動性和創造性,取得了很好的教學效果。期末,學生的成績較好,而且學生對教學效果評價很高,達到優秀等次。
對于基因組學課程和分子生物學、生物化學等相關課程相交叉的內容,則以提問法為主要講課手段,以將知識點前后貫通為主要目標進行教學,并適當加快教學進度。對于一些次要的、擴充性內容則以課堂講授法為主,點到為止,但要求學生課下自讀。對于一些最近發展起來的新技術、新方法、新領域,則以專題的形式進行教學,以1―4學時的時間為宜,并以國內外權威期刊雜志如《科學通報》、《中國農業科學》、Nature、Science、PNAS、Plant Cell等近幾年尤其是近2年刊登的相關文章主要教學參考資料,確保專題教學的新穎性、權威性。
四、教學模式
教學模式是圍繞教學目標在一定的教育思想指導下形成的相對穩定的教學范型,是人們在長期的教學實踐中不斷總結、改進而逐步形成的,對教學效果有著重要影響。[3]近些年來,隨著新的教育教學思想不斷涌現,以及人們對教育教學認識的不斷深化,許多新的教學模式產生了,如愉快教學模式、自學輔導教學模式、探究研討教學模式、主體性教學模式等。[4]雖然這些教學模式體現了新時期素質教育的要求,但仍拘泥于固定場所的課堂教學模式。
1969年,美國的神經病學教授Barrows在加拿大的McMaster大學創立了PBL教學模式,即以問題為學習基礎(Problem-Based Learning,PBL)的教學模式[5]。PBL教學模式以具體疾病為基礎,緊密結合臨床實踐,提倡以學生為中心、教師為引導的小組討論式教學。其核心問題由多學科教學人員和相關臨床專科人員共同設計,建立完善的學習模塊,制定出某一病例的PBL手冊,提供給各討論小組。根據討論的問題與學習深度的不同將教學分為初級、中級、高級三個水平,初級水平的病例為模擬的標準病人(Standard Patient,SP),中高級的病例則為真實病人(Real Patient,RP)。在教室或醫院,由教師、學生、模擬病人(或真實病人)組成學習的虛擬或真實場景,進行三段討論式教學,即提出問題,討論自學建立假設,討論自學解疑,論證假設。每一模塊學習結束后進行測試、考核,最后進行總評。不難看出,與傳統的知識傳授型教學模式相比,PBL教學模式調動了學生主動學習的積極性,有利于提高學生的表達能力、溝通技巧和人際交流能力;有利于培養學生團隊精神和協作能力;有利于培養學生的臨床思維;PBL教學模式使實用性知識的傳授更加得到重視;由于評估體系科學,能準確評估教學效果。目前,該教學模式已被世界上許多大學的醫學專業教育所廣泛采納。
受該教學模式啟發,我認為基因組學少部分教學內容可以進行專題討論式教學模式探討。具體來講,就是首先與相關教師一塊兒設計每一個專題的核心問題,并提出應達到的目標要求,帶到課堂讓學生討論、發表意見,確定問題;之后,學生通過利用圖書館、網絡、知識講座等進行自學解疑,整理并寫出問題的解決方法,再進行課堂交流、討論;最后,通過討論進行歸納總結。當通過課堂討論提出核心問題之后,學生甚至可以分組到相關實驗室參觀學習,有條件的可以讓學生參與部分科研工作,這樣既可以讓學生將理論與實踐相結合,直接接觸前沿課題研究實際,又可以減輕教師科研中一些簡單的重復性勞動,提高科研設備的使用率。
五、結語
基因組學是伴隨著人類基因組計劃而誕生的一門新興學科,是當今生命科學研究的前沿,與人類重大疾病分子機理、生物起源演化、新藥物新疫苗開發等許多重要問題息息相關,對人類社會生活的許多方面都有重要影響。在我國許多高校的生物技術及其相關專業中基因組學是必開的一門課程,我就近幾年來的基因組學授課實踐經驗進行了概括介紹,并就教學模式創新、改革提出了建議,希望能對兄弟院校相關專業學生的培樣及相關課程的任課老師有所裨益。
參考文獻:
[1]張琛.酶工程課程的教學方法的探討與體會[J].科教文匯(上旬刊),2009,(1):223.
[2]梁紅波,鐘衛,熊磊.高分子物理課程的教學體會[J].高教論壇,2009,(1):80-81.
[3]方展勇.淺論課堂教學模式[J].廣西教育學院學報,2001,(3):35-39.
[4]刁維國.當代教學模式理論與實踐的新進展[J].內蒙古師范大學學報(教育科學版),2008,(11):42-45.
