生物信息的研究方向
2009-11-28 18:53:11| 分类：
生物信息学
| 标签：
|举报
|字号大中小 订阅
生物信息的研究方向
随着后基因组时代（post-genome era）的到来，生命科学研究逐渐以生物大分子的功能研究为重点，蛋白质组学、功能
基因组学等成为研究热点。为实验研究服务的生物信息学在研究内容和方法上也有了很大的发展。从早期的海量基因序列
数据的存储、整理、分析和可视化扩展到多个研究方向。其中重要的研究方可以分为以下4个方面：
（1） 实验数据分析和挖掘。各种生物实验技术是观测生物系统的手段，是生命科学研究的原始动力。生物信息学一个重
要的研究方向就是从复杂的生物实验观测得到的物 理信号中提取生物系统的状态信息。这些实验技术包括：质谱（mass
spectrometry）、微阵列（microarray）、电泳（electrophoresis）、核磁共振（nuclear magnetic resonance）等。在
2006年和2007年，Nature Methods以两期专刊发表了一系列文章，分别集中阐述了基因芯片数据和质谱数据分析的多个
方面的问题。西雅图系统生物学研究所（Institute for Systems Biology，ISB）的Alexey和Ruedi等人从2004年开始，发表
了一系列的综述来阐述蛋白质组数据分析，特别是质谱数据分析的发展和问题 （Drug Discov Today, 2004, 173-81；
Methods Mol Biol, 2007，87-119；Nat Methods，2007, 787-97）。实验数据的挖掘主要是为了从大量的实验数据中发现
生物信息。例如，质谱数据的挖掘包括新肽段的鉴定（Mol Syst Biol，2007，3:102）、未知修饰分析（Nat Biotechnol，
2005，1562-7）、编码SNP寻找（Nature Methods, 2007，465-466）等多个方面。实验数据分析相关的研究还包括数据
标准的 制定（Nat Biotechnol，2005， 373-6）和各种数据库的构建（Nucleic Acids Res，2006，D655-8）。具体的研究
包括信号分析（Bioinformatics，2005，4054-9），信息提取和翻译和数据质量控制 （Anal Chem，2007，4325-43）等
内容。甚至还包括实验设计和实验技术改进、优化等。核酸研究（Nucleic Acids Research）每年发表的算法专刊、数据
库专刊和网络服务器专刊中有很多文章是介绍实验数据的分析和发展的。
（2） 生物信息学数据的整理、关联分析和建模。生物大分子的研究是从多个方面展开的，将多个方面的信息建立联系并
总结规律是了解生物系统的必须步骤。例如，蛋白质 的序列和3维结构（Protein J，2007，183-92）、亚细胞定位之间的
联系（BMC Bioinformatics， 2007，2:S12）；基因序列的密码子 偏性与基因的表达、进化等的关系（PLoS ONE，
2007，1065）；蛋白质的结构和功能的对应等。从而产生生物信息学的一些重要的研究课题：蛋白质-蛋白相互作用预测
（BMC Bioinformatics，2007，391），蛋白质亚细胞定位预测（BMC Bioin- formatics， 2007，2:S12），蛋白质或基因
序列中重要的模体（Motif）、结构域（Domain）的寻找（BMC Bioinformatics，2007，385），SNP的发现和功能分析
（Bioinformatics，2007，e5-12），RNA二级结构的 预测等（BMC Bioin- formatics，2006，7:221）。还包括生物网络
的拓扑结构、功能和进化等（BMC Bioinformatics，2007，8:297）。蛋白质和基因的序列比对，聚类等（Comput Syst
Bioinformatics Conf， 2007，237-47）。由于很多生物知识是以文献形 式给出的，文献的挖掘和整理也成了重要的信息
整理方式（Pac Symp Biocomput，2007，28-39）。另外，多种异质实验数据的相关分析和相互验证也是信息整理的重要
方面（J Proteome Res，2007，3581-603）。信息整理的结果可以建立各种数据库，将知识“数据化“，以便进行大规模的
数据挖掘和在更高层次上建模。
（3） 生物系统的建模和仿真。随着大规模实验技术的发展和数据累积，从全局和系统水平研究和分析生物学系统，揭示
其发展规律已经成为后基因组时代的另外一个研究 热点-系统生物学。目前来看，其研究内容包括生物系统的模拟（Curr
Opin Rheumatol，2007，463-70），系统稳定性分析（Nonlinear Dynamics Psychol Life Sci，2007，413-33），系统鲁
棒性分析（Ernst Schering Res Found Workshop， 2007，69-88）等方面。以SBML（Bioinformatics，2007，1297-8）
为代表的建模语言在迅速发展之中，以布尔网络 （PLoS Comput Biol，2007，e163）、微分方程（Mol Biol Cell，
2004，3841-62）、随机过程（Neural Comput，2007，3262-92）、离散动态事件系统等（Bioinformatics，2007，336-
43）方法在系统分析中已经得到应 用。很多模型的建立借鉴了电路和其它物理系统建模的方法，很多研究试图从信息流、
熵和能量流等宏观分析思想来解决系统的复杂性问题（Anal Quant Cytol Histol，2007，296-308）。当然，建立生物系统
的理论模型还需要很长时间的努力，现在实验观测数据虽然在海量增加，但是生物系统的模型辨 识所需要的数据远远超过
了目前数据的产出能力。例如，对于时间序列的芯片数据，采样点的数量还不足以使用传统的时间序列建模方法，巨大的
实验代价是目前系 统建模主要困难。系统描述和建模方法也需要开创性的发展。
（4） 生物信息学技术方法的研究。生物信息学不仅仅是生物学知识的简单整理和、数学、物理学、信息科学等学科知识
的简单应用。海量数据和复杂的背景导致机器学习、统 计数据分析和系统描述等方法需要在生物信息学所面临的背景之中
迅速发展。巨大的计算量、复杂的噪声模式、海量的时变数据给传统的统计分析带来了巨大的困难， 需要像非参数统计
（BMC Bioinformatics，2007，339）、聚类分析（Qual Life Res，2007，1655-63）等更加灵活的数据分析技术。高维
数据的分析需要偏最小二乘（partial least squares，PLS）等特征空间的压缩技术。在计算机算法的开发中，需要充分考
虑算法的时间和空间复杂度，使用并行计算、网格计算等技术来拓展算法的 可实现性。
总之，随着生命科学研究的发展，生物信息学研究必然会得到更大的发展空间，有大量的理论和应用问题等待解决。随着
个体化医疗，生理虚拟人，虚拟细胞等远大目标的提出，生物信息学的研究方向将更为宽广。
不错，总结的很好!
最难的可能是“生物系统的建模与仿真”，但也是最终目标!
yangwrt 2007-12-28 16:30
包括的内容很多，搂主知识面很广。
因为我英语不好，又懒，所以我只看过我研究方向的文献，看的文献很少很少。
最近在写文章发现引言和讨论不会写，就是因为看的文献太少。向楼主学习。
hlin 2008-1-10 10:33
回复 2# 的帖子
这个需要扎实而细致的生物学知识，很强的物理功底和数学建模能力（特别是解大的微分方程组的能力），最后是熟练的
计算机运用能力（算法编程方面、计算软件的应用）。
这是趋势，但发文章的速度比bioinfor的速度要慢的多，大多数情况下投稿的IF也较bioinfor的低。
现在很多人在自称是做系统生物学，我认为其实还是在bioinfor里徘徊。
想做系统生物学的有志之士，如果是生物背景我建议恶补一些数理知识：数学方面：微分方程、图论、混沌、随机过程
等；物理方面：非平衡统计、数理方程、量子力学、微分数值计算等；计算机：某个语言的编程（我建议c，因为很多算
法程序已有）、matlab、mathmatics等。我个人感觉：太难了。:Q
如果是数理背景，那要恶补：生物化学、分子遗传学、微生物、化学动力学等。个人感觉：太多了。:lol
eric 2008-2-5 10:22
看了4#的，对自己失望了！
不会的，陌生的领域太多了，继续努力中。
评论这张
转发至微博
转发至微博
关闭
玩LOFTER，免费冲印20张照片，人人有奖！
我要抢>
<#--最新日志，群博日志-->
<#--推荐日志-->
<#--引用记录-->
<#--博主推荐-->
<#--随机阅读-->
<#--首页推荐-->
<#--历史上的今天-->
<#--被推荐日志-->
<#--上一篇，下一篇-->
<#-- 热度 -->
<#-- 网易新闻广告 -->
<#--右边模块结构-->
<#--评论模块结构-->
<#--引用模块结构-->
<#--博主发起的投票-->
评论