生物信息学中的基础对象

快速概览

生物信息学并非研究抽象算法，而是处理一组互相转换、互相约束的生物学对象。理解这些对象及其背后的实验技术，是选择合适算法的前提。

区分 DNA、RNA 和蛋白质在信息载体、表达和功能层面的不同角色
理解中心法则（Central Dogma）定义的生物信息流动
掌握 PCR、克隆、电泳等产生原始测序数据的实验技术原理
认识个体差异（0.1%）与物种差异在比较基因组学中的意义

1. 核心生物学对象

在算法抽象之前，我们需要明确处理的是什么对象：

DNA (脱氧核糖核酸): 基因组信息的主要载体。由 A, T, G, C 四种碱基组成，双螺旋结构通过互补配对（Chargaff 规则）实现信息复制。
RNA (核糖核酸): 信息的中间传递者。在真核生物中需经过剪接（Splicing）去掉内含子，保留外显子形成 mRNA。
蛋白质: 生命的执行者。由 mRNA 上的密码子（Codon）翻译而成，决定了细胞的功能与结构。
Reads (测序读段): 测序仪产生的原始观测片段。它们是不完整的、带有误差的序列碎片，是组装和比对算法的输入。

2. 中心法则：生物信息的流动

中心法则（Central Dogma） 描述了遗传信息的标准流向：DNA $\to$ RNA $\to$ 蛋白质。

| 过程 | 方向 | 说明 | |:---|:---|:---| | 复制（Replication） | DNA → DNA | 基因组自我拷贝 | | 转录（Transcription） | DNA → RNA | DNA 模板合成 RNA | | 翻译（Translation） | RNA → Protein | mRNA 按密码子表组装氨基酸 | | 逆转录（Reverse Transcription） | RNA → DNA | 逆转录病毒等特殊场景 |

其中遗传密码具有简并性：多个密码子可对应同一种氨基酸（如 CGC 和 AGG 都编码精氨酸），这对基因预测算法中的统计偏好分析至关重要。

3. 基因的结构

在生物信息学中，"基因"不仅是抽象的概念，而是基因组上的一个坐标区间，具有明确的结构组成：

──[Promoter]──[5'UTR]──[Exon 1]──Intron──[Exon 2]──[3'UTR]──[PolyA]──>
               ↑          ↑       ↑   ↑       ↑        ↑
           转录起始     编码区  剪接供体/受体  编码区   翻译终止

结构组件

启动子（Promoter）：转录起始位点上游的调控区域，包含转录因子结合位点和核心启动子元件（如 TATA box）。位于基因的 5' 端上游。
外显子（Exon）：出现在成熟 mRNA 中的序列，既包含编码蛋白质的区域，也包含非编码区域（UTR）。
内含子（Intron）：在 RNA 剪接过程中被移除的序列。内含子的边界遵循 GT-AG 规则（供体位点 GT，受体位点 AG），这是剪接比对算法的核心信号。
5' UTR / 3' UTR：成熟 mRNA 的非翻译区，不编码蛋白质但参与翻译调控和 mRNA 稳定性。
Poly-A 信号：位于 3' 端的加尾信号，poly-A 尾巴是真核 mRNA 的重要特征，也是 RNA-seq 文库制备（oligo-dT 富集）的基础。

为什么这对算法重要

RNA-seq 比对：reads 可能跨越外显子-内含子边界（spliced reads），需要剪接感知的比对器（如 STAR、HISAT2）。
基因表达定量：reads 需要被正确归属到基因或转录本，这依赖准确的基因注释（GTF/GFF 文件）。
变异注释：一个 SNP 的功能影响取决于它落在基因的哪个部分——启动子变异可能影响表达量，外显子变异可能改变蛋白质序列，内含子变异可能影响剪接。

4. 基因组与参考序列

参考基因组（Reference Genome）是一个物种的共识序列，为所有比对、注释和变异检测提供坐标框架。基因组注释（Annotation）则在参考序列上标记基因位置、调控元件和重复区域等功能元素。参考版本选择（GRCh37 vs GRCh38）和注释体系（GENCODE、Ensembl、RefSeq）的详细内容见参考基因组、坐标系统与注释。

5. 从生物对象到计算对象

将生物学对象映射为计算对象，是生物信息学算法设计的第一步：

| 生物学对象 | 计算表示 | 关键操作 | |-----------|---------|---------| | DNA 序列 | 字符串（字母表 {A, T, G, C}） | 比对、索引、搜索 | | RNA 序列 | 字符串（字母表 {A, U, G, C}） | 定量、剪接分析 | | 蛋白质序列 | 字符串（20 种氨基酸字母表） | 同源搜索、结构预测 | | 测序 Reads | 带噪声的子串 | 比对到参考序列 | | 基因组坐标 | 整数区间 [start, end] | 区间查询、交集运算 | | 基因注释 | 键值对（基因名 → 坐标区间集合） | 基因归属、功能注释 | | 表达量 | 非负实数矩阵（基因 × 样本） | 差异分析、聚类 | | 变异 | 位置 + 等位基因（如 chr1:12345 A>T） | 过滤、注释、关联分析 |

核心洞察：不同的计算表示决定了适合的算法类型——字符串匹配、区间运算、矩阵分解、图算法等。理解这种映射关系是选择正确分析方法的起点。

6. 分子生物学"算法"与实验技术

理解算法需要了解数据的来源。许多实验技术本身就可以看作是高效的物理算法：

复制与扩增：PCR 技术

PCR (聚合酶链式反应) 是 DNA 的"印刷机"。通过变性、退火、延伸的循环，使目标片段呈指数级增长。

意义：解决了单个 DNA 分子难以检测的问题，为测序提供了充足的模板。

切割与拼接：限制性酶

限制性内切酶 是"分子剪刀"，识别特定的回文序列（如 GGATCC）并切割。

粘性末端 就像"分子胶水"，允许我们将不同来源的 DNA 片段拼接在一起。

测量长度：凝胶电泳

通过电场驱动 DNA 片段通过凝胶，长片段移动慢，短片段移动快。

应用：在测序技术成熟前，这是构建限制性图谱（Restriction Mapping）的主要手段。

探测与搜索：DNA 芯片

探针（Probe） 利用杂交原理在海量 DNA 溶液中寻找互补序列。

直觉：这相当于分子级别的"常数时间搜索"，是计算机算法梦寐以求的效率。

7. 个体差异与物种差异

个体差异：人与人之间约有 0.1% (300 万个碱基) 的差异。生物信息学的变异检测（Variant Calling）目标就是识别这些微小区别。
比较基因组学：通过比对不同物种（如人与果蝇）的基因组，寻找高度保守的区域，这些区域通常对应着关键的生物学功能。

常见误区

基因组 = 遗传信息的全部：
基因组只是遗传信息的载体之一。表观遗传修饰（DNA 甲基化、组蛋白修饰等）不改变基因组序列本身，但能显著影响基因表达。生物信息学处理的主要是序列层面的信息，而非全部遗传学信息。
中心法则意味着信息只能单向流动：
虽然标准中心法则是 DNA → RNA → 蛋白质，但逆转录酶可以将 RNA 逆向转录为 DNA（如 HIV），RNA 病毒（如 SARS-CoV-2）以 RNA 作为遗传物质。此外，RNA 编辑、非编码 RNA 的调控功能也远超简单的"信使"角色。
个体差异 0.1% 意味着人与人几乎一样：
0.1% 的差异约 300 万个碱基，这足以产生巨大的表型差异。一个碱基的变异就可能改变蛋白质功能（如镰刀形细胞贫血症），更不用说结构变异、拷贝数变异等大尺度差异。比较基因组学的核心恰恰是解读这些微小差异的意义。