生物信息学学习笔记：第 1 章绪论

0. PDF 内容检查

1. 书名 / 章 / 节 / 小节结构

书名：生物信息学（第二版）（中文教材，配套有《生物信息学实验指导》）
章标题：第 1 章绪论
节与小节结构（严格按 PDF 顺序）：
- 第一节生物信息与生物信息学
  - 一、迅速增长的生物信息
  - 二、生物信息学概念
- 第二节生物信息学历史与展望
  - 一、发展简史
  - 二、应用领域
  - 三、学科展望
- 习题（5 题）
- 历史与人物：“bioinformatics”之名的由来（Paulien Hogeweg / 林华安 Hwa A. Lim）

2. PDF 页与印刷页对应

PDF 共 15 页，对应教材印刷页码 第 1～15 页（页脚可见“第 1 章绪论 1/2/3…”与“生物信息学 2/4/6…”交替，为奇偶页页眉页脚）。对应关系基本 1:1。

3. 缺页 / 重复 / 乱码 / OCR 错误

无明显缺页，章节从开头到习题、历史人物完整。
存在少量 OCR/排版小瑕疵：
- 图 1.1 的坐标轴数字（14/12/10…）与图注被打散夹在正文里，图本身无法从文本还原，只能读文字说明。
- 个别外文拼写按原文保留（如 “Fleischman” 应为 Fleischmann、“Ensemble” 应为 Ensembl、“Neighbour-Joining”），这些是教材/OCR 层面的小笔误，我在术语表会给出正确写法。
- “kisac.ki.se，现为 www.bea.ki.se” 一句被排到图 1.2 描述前面（排版跨页所致），不影响理解。

4. 图表公式可识别性

图 1.1～1.7 只能读到文字标题和说明，图像内容（曲线、漫画、网页截图）无法从文本判读。
表 1.1（学科发展主要事件）、表 1.2（高被引论文）文本完整可读，是本章最有价值的可提取信息。
本章无任何数学公式。

5. 是否完整章节：是，绪论完整。

6. 缺失上下文：本章多次以“详见第 2/3/4 章”“附录 2”指向后续内容（数据类型、数据库、序列联配、系统发生等），这些属于后续章节，不在本 PDF 中。

1. 本节定位与知识地图

1. 本章解决什么问题
回答三个入门问题：①什么是生物信息（biological information）以及它为何爆炸式增长；②什么是生物信息学（bioinformatics）这门学科；③它从哪来、往哪去（历史、应用、展望、就业、我国发展）。

2. 在全书与整个学科体系中的位置
它是全书的“地图与导言”：先建立“数据海洋”的世界观和学科边界，再由后续章节逐一展开数据类型（第 2 章）、数据库（第 3 章）、序列联配（第 4 章）等。

3. 属于哪个子领域：学科概论 / 学科史，不属于任何具体计算子领域。

4. 在真实研究 pipeline 中的位置：不对应任何 pipeline 步骤。它是“为什么要有 pipeline”的动机层。

5. 上游输入 / 6. 下游分析：不适用（无数据流）。可类比理解为：上游是“测序技术产生海量数据”，下游是“本书后续所有分析方法”。

7. 与其他章节 / 实验指导的对应

与主教材：第 2 章（数据类型）、第 3 章（数据库、Dayhoff）、第 4 章（序列联配、Waterman）、进化分析章（Sankoff、NJ、自举法）均在本章被点名预告。
与《实验指导》：本章本身无配套实验，但它列出的工具（BLAST、ClustalW、ORF finder、HMMER、FGENESH、NCBI/EBI 在线服务）正是后续实验的主角。

前置知识

生物学：中心法则（DNA→RNA→蛋白质）、碱基与氨基酸、基因/基因组的基本概念。
数学统计：本章几乎不需要；仅需理解“数据量指数增长/翻番”这类直觉。
算法/数据结构：无硬性要求；了解“动态规划、图论”是名词即可（后续章节才展开）。
编程工具：无；但本章明确建议未来要会 命令行 + Python/Perl + C/C++，会用 Unix/Linux。

知识结构树

绪论（生物信息学是什么）
├── 生物学问题：如何管理/解读/使用爆炸增长的生物数据
├── 核心对象：生物信息（核酸/蛋白序列、结构、表达、通路…）
│   ├── 初级数据库 primary（原始序列/结构）
│   └── 二级数据库 secondary（domain、二级结构、疏水位点…）
├── 学科定义：分子生物学 + 遗传学 + 计算机科学
│   ├── 三大内容：新算法/统计；数据分析解释；数据管理工具
│   └── 研究范式：假设—实验（数据库搜索=一次“实验”）
├── 历史四阶段：萌芽/形成/基因组与互联网/高通量测序
├── 应用领域：序列分析、基因预测、拼接、结构预测、进化、精准医疗…
├── 平民化桥梁：Windows 软件 + 在线 Web 服务（SSS/MSA/BSA）
└── 展望：从"积累数据"转向"解读数据"；大数据/AI/合成生物学/就业

2. 按教材顺序精读

第一节 · 一、迅速增长的生物信息【应该理解】

要回答的问题：生物信息指什么？增长有多快？
主要内容：生物信息包含分子序列（核酸/蛋白）、蛋白二级/三维结构等；原始数据构成初级数据库，分析衍生数据构成二级数据库；核酸库数据约每 14 个月翻一番。
核心结论：数据爆炸 → 催生“如何有效管理、准确解读、充分使用”的新需求。
重要术语：初级数据库(primary database)、二级数据库(secondary database)、功能区/结构域(domain)、WGS。
数据（作为素材）：DNA 字母表 {A,T,G,C}；蛋白 20 个氨基酸字母；GenBank 2000 年底 >100 亿 bp，2020 年 4 月 4158 亿 bp（+WGS 7.8 万亿 → 合计约 8.2 万亿 bp / 14.8 亿条）。
方法：无（描述性）。
易错点：“每 14 个月翻一番”是核酸库的历史经验值，不同来源/年份数字不同（人类基因组测序另有“每 5–7 个月翻番”）——不要当作精确定律。
前后关系：为下一小节“为何需要一门新学科”做铺垫。
页码/图：印刷 p.1–2，图 1.1（GenBank/WGS 增长曲线）。

第一节 · 二、生物信息学概念【必须掌握】

要回答的问题：生物信息学是什么？
主要内容：一般定义=研究生物信息的采集、处理、存储、传播、分析、解释；三大组成部分=①新算法与统计方法；②数据分析与解释；③数据管理利用工具。引用 Claverie(2000)、Wikipedia 定义。研究范式=假设—实验（如“该序列在库中无同源序列”是无效假设，数据库搜索就是一次验证实验）。
核心结论：生物信息学不是“移植信息学技术到生物学”的纯应用技术，而是有丰富科学内涵、有大量未解科学问题（生物学的+计算的）的独立学科。
重要术语：bioinformatics、假设—实验模式、无效假设。
方法/数据：无。
易错点：两个常见误解——“人人可做/不花钱/软件都免费”与“只是敲键盘写论文”。教材明确反驳：需算力投入、需实验验证、需想象力。
前后关系：给出全书立场（学科定位），承上（数据爆炸）启下（历史）。
页码/图：p.2–4，图 1.2（早期“路线图”）、图 1.3（NCBI 在线工具网页）。

第二节 · 一、发展简史【应该理解 + 部分必须掌握】

要回答的问题：这门学科怎么来的？关键里程碑有哪些？
主要内容：起源可追溯到 1960s；术语最早由 Paulien Hogeweg (1978) 提出（“the study of informatic processes in biotic systems”），另一说 1990 年由 林华安 (Hwa A. Lim) 提出并办首届会议。学科奠基人：Margaret Dayhoff、Michael Waterman、David Sankoff。四阶段划分（必须掌握）：①萌芽期(1960s–70s，Dayhoff 替换矩阵、Needleman-Wunsch)；②形成期(1980s，分子数据库+BLAST/FASTA)；③基因组与互联网期(1990s–2005，基因组测序、Phred-Phrap-Consed、在线数据库)；④高通量测序期(2005 至今，NGS/三代)。
核心结论：最核心的算法在 1960–70s 就已奠基（序列联配是最基本内容），之后是不断改进。
重要术语：替换矩阵、Needleman-Wunsch、Smith-Waterman、BLAST/FASTA、Phred-Phrap-Consed、NGS。
数据：表 1.1（发展大事记）——本章最值得记的干货。
易错点：术语“谁最早提出”有两种说法（Hogeweg 1978 vs Lim 1990），教材两者并存；别只记一个。
前后关系：承接“学科定位”，为“应用/展望”提供时间脉络。
页码/表：p.4–7，表 1.1。

第二节 · 二、应用领域【应该理解】

问题：生物信息学有什么用？入门者能做什么？
主要内容：Nature 高被引 100 篇中生物信息学（含系统发生）占 10 篇（表 1.2，含 ClustalW、BLAST、NJ、自举法、MEGA4、ModelTest、MrBayes 等）；“平民化”两条路——Windows 桌面软件 与 在线 Web 服务；EBI 把在线平台分三类 SSS（序列搜索）/MSA（多序列联配）/BSA（序列分析）；NAR 每年 Database Issue（1993 起） 和 Web Server Issue（2004 起） 两大专刊是“两座桥梁”。给出“何时该找专业人员帮忙”的判据（>100 条序列、需 Linux、NGS、大规模芯片数据、复杂统计等）。
核心结论：绝大多数生物学家日常工作集中在数据库搜索 + BLAST + ClustalW。
术语：SSS、MSA、BSA、workflow management system、Database Issue、Web Server Issue。
易错点：“在线服务方便”≠“适合所有场景”；超过一定规模/复杂度必须转向命令行与专业分析（本章已明说）。
前后关系：把历史落到“今天能干嘛”，并引出展望。
页码/表：p.8–9，表 1.2。

第二节 · 三、学科展望【了解即可 + 少量必须掌握】

问题：学科往哪走？我国现状？关键待解难题？就业？
主要内容：研究重心从数据积累转向数据解读（图 1.4）；人类基因组测序数据每 5–7 个月翻番（图 1.5）；从“读懂基因组”走向“书写基因组/基因组社会化”（图 1.6）；我国机构与人物（北大 CBI、清华、NGDC/CNCB/CNGB、终身成就奖名单）；五大急需攻关技术（必须掌握其类别）：①大基因组从头组装；②基因组注释；③比较基因组与进化；④群体重测序变异检测(SNP/Indel/SV/CNV)；⑤RNA 分析。
核心结论：大数据时代“产生 > 处理能力”，生物信息学是瓶颈也是马达；就业前景好但要求“生物学理解 + 编程 + 统计 + Linux + 沟通”。
术语：de novo assembly、注释 annotation、SNP/Indel/SV/CNV、精准医疗、合成生物学、后基因组时代。
易错点：图 1.5/1.6 的“预测曲线”是预测，教材已注明“实际增长超过预测”——别把预测当事实。
前后关系：收束全章，指向后续章节的技术内容。
页码/图：p.9–14，图 1.4–1.7。

习题 & 历史与人物【了解即可】

习题 5 道（见第 14 节 G 我已整理并给参考答案思路）。
人物：Hogeweg（1978，理论生物学，迭代多序列联配、RNA 折叠预测）；林华安（1988 提 bio-informatique→bioinformatics，1990 办首会）。属背景故事。

3. 生物学问题到计算问题的映射

本章是导论，没有一个具体的计算任务可映射。但它反复给出了整个学科的“总链路直觉”，我据此给出学科级映射（而非某算法的映射）。

生物学对象：核酸/蛋白质序列、结构、表达、通路、群体变异。
不可直接观测的状态：基因功能、进化关系、调控机制、分子结构。
原始生物学问题：如何管理、解读、使用爆炸增长的生物数据。
实验技术测量：（测序等）——本章不展开，属后续章节。
计算任务归类（本章点名的学科任务，非本章实现）：序列搜索（BLAST）、序列比对/联配（NW/SW/ClustalW）、基因组拼装（assembly）、基因预测/分类（HMM、GENSCAN）、系统发生推断（NJ、MrBayes）、变异检测（SNP/SV）。
转换中丢失/推断的东西：本章的核心洞见是——生物信息学结论大多是“预测/估计”，是指示实验方向的“路灯”，最终仍需湿实验验证（“你最终还是需要具体的实验”）。

学科级链路（本章的世界观）：

生物学问题(功能/进化/机制)
→ 高通量实验(测序等)
→ 海量原始数据(primary database)
→ 计算方法(联配/搜索/拼接/预测/推断)
→ 衍生信息(secondary database: domain/结构…)
→ 生物学解释(预测=假设)
→ 湿实验验证

4. 数据对象、文件格式和 shape

本章不定义任何文件格式，也没有可给出 shape 的数据矩阵。为忠实原文，我只把本章**提到的“数据概念”**列出，并标注“具体格式见后续章节”。请不要把下表当作可直接编程的对象。

数据对象	生物学含义	产生方式	文件格式	字段含义	shape	备注
核酸序列	DNA/RNA 一级序列	测序仪	本章未给（后续 FASTA 等）	—	概念上 `seq ∈ {A,T,G,C}^L`	字母表 4 字符
蛋白质序列	氨基酸一级序列	由核酸推导/测定	本章未给	—	`seq ∈ {20 aa}^L`	字母表 20 字符（教材列出 A R N D C Q E G H I L K M F P S T W Y V）
初级数据库	原始序列/结构集合	测序/结构测定汇交	GenBank/EMBL/DDBJ（名称提及，格式未展开）	—	—	三库联盟
二级数据库	domain/二级结构/疏水位点等	对原始数据分析	未展开	—	—	衍生信息
结构数据	蛋白二级/三维结构	结构测定/预测	未展开	—	—	后续章节

唯一可明确写出的“数据表示”直觉（本章反复强调）：

一批 DNA 序列：sequences ∈ {A,T,G,C,N}^(n × 变长)
一批蛋白序列：sequences ∈ {20 种氨基酸,X}^(n × 变长)

坐标系统、0/1-based、链方向、FASTA/FASTQ 结构等——本章均未涉及，属第 2–3 章。

5. 端到端数据处理流程

本章不适用（无 pipeline）。

它只给出了“学科级的宏观流程直觉”（见第 3 节链路图），以及一个重要的实践决策规则（值得记）：

何时从“在线服务/桌面软件”升级到“找专业人员 / Linux / 脚本 / workflow”：

序列数 > ~100

需要 Linux-only 软件

使用高通量测序数据

大规模数据（如芯片/表达矩阵）

数据结构/完整性有问题

需要复杂统计（多假设/前提/检验）

这条规则本身就是你未来搭建真实 pipeline 的“分流开关”。

6. 算法、统计模型和公式

本章不适用——无任何算法细节或公式。

但本章点名了后续要学的核心算法，先建立“待学清单”（都不在本章展开）：

算法/模型	首次年份	任务类别	将在哪学
Needleman-Wunsch	1970	全局序列联配（动态规划）	第 4 章
Smith-Waterman	1981	局部序列联配（动态规划）	第 4 章
Dayhoff/PAM 替换矩阵	1965/1978	打分矩阵	第 3/4 章
BLAST/FASTA	1990/1985	数据库序列搜索（启发式）	后续章
Neighbor-Joining	1987	距离法建树	进化章
自举法 Bootstrap	1985	系统发生置信度	进化章
HMM (GENSCAN/功能域)	1994/1997	基因预测/domain（概率模型）	后续章
MrBayes	2003	贝叶斯系统发生推断	进化章

7. 软件、数据库与工具

本章是“工具全景图”，非常适合建立总览。以下区分教材角色与现状。

工具/数据库	Pipeline 位置	用途	教材角色	当前状态
GenBank / EMBL(ENA) / DDBJ	数据存储	国际核酸序列数据库（三库联盟）	经典+现代	仍在用（EMBL 现为 ENA）
NCBI / EBI / BIGD(NGDC)	门户	数据+在线分析	现代常用	活跃
BLAST / PSI-BLAST	序列搜索(SSS)	相似性搜索	经典+现代	仍是标准工具
FASTA/FASTP/FASTN	序列搜索	早期搜索引擎	经典	较少用，历史地位重要
ClustalW / Clustal X	多序列联配(MSA)	MSA	经典	部分被 MAFFT/MUSCLE 取代
ORF finder / HMMER / FGENESH	序列分析(BSA)	ORF/结构域/基因预测	教材工具	HMMER 仍主流
Phred-Phrap-Consed	测序碱基识别/拼接	Sanger 时代主力	经典	已被 NGS 工具取代
Bowtie/BWA/SAMtools/GATK/TopHat/Cufflinks	比对/变异/RNA-Seq	NGS 分析	现代常用	仍高度活跃（表 1.1 提及）
Velvet/SOAPdenovo/ALLPATHS/Celera/EULER	基因组拼接	de novo assembly	经典/现代混合	部分被 SPAdes/长读工具取代【需要查证具体版本】
UCSC Genome Browser / Ensembl / Galaxy	浏览/workflow	可视化与流程	现代常用	活跃
MEGA4 / ModelTest / MrBayes	系统发生	建树/模型选择/贝叶斯	经典+现代	MEGA 已到 MEGA11+

教材实验偏向在线服务 + Windows；真实科研需补充：

Linux 命令行版（如 blastn/blastp、mafft、hmmsearch、bwa mem、samtools、gatk）；
批量/脚本化（Bash + Python/R）；
workflow（Nextflow / Snakemake / Galaxy）；
环境管理（conda/mamba、容器 Docker/Singularity）；
HPC（SLURM 作业调度）。
本章给出的官方入口（部分可能变动，需要查证）：www.bea.ki.se（早期路线图）、bigd.big.ac.cn（NGDC）、www.bioinformatics.org。

8. 实验设计、QC、偏差与结果解释

本章无具体数据分析，故传统 QC 项目不适用。但它明确了一条方法论红线，值得抽成检查清单：

分析前检查清单（本章精神）

我是否清楚自己的无效假设是什么？（如“该序列无同源序列”）
数据规模/复杂度是否超过在线工具能力（>100 序列、NGS、需 Linux）？
我是否具备该问题的生物学背景知识（避免误解合作方需求）？

结果解释检查清单（本章反复强调）

我的结果是预测/估计还是观测事实？（生物信息学多为预测=“路灯”）
是否需要湿实验验证？（“你最终还是需要具体的实验”）
相关性是否被误当因果？

能/不能由本章支持的结论

能支持：学科定义、历史脉络、工具全景、方法论立场。
不能支持：任何具体数据的分析结论（本章无数据分析）。

9. 易混淆概念

概念 A	概念 B	核心区别	联系	例子	常见误区
初级数据库 primary	二级数据库 secondary	primary 存原始数据（序列/结构）；secondary 存分析衍生数据（domain/二级结构）	secondary 由 primary 分析而来	GenBank(primary) vs Pfam-类 domain 库(secondary)	以为二级=次要/低质量
生物信息学 bioinformatics	计算生物学 computational biology	侧重不同、常混用；前者偏数据/工具/数据库，后者偏建模/理论	高度重叠，界限模糊	Claverie 一文即讨论二者关系	认为完全等同或完全不同
序列相似性 similarity	同源性 homology	相似是可测量的数值；同源是“有共同祖先”的进化推断	高相似常提示同源，但相似≠一定同源	BLAST 报 similarity；结论说 homolog 是推断	把高相似直接当作同源
SSS / MSA / BSA	—	EBI 三类在线平台：搜索/多序列联配/序列分析	常串联使用	BLAST(SSS)→ClustalW(MSA)→ORF finder(BSA)	把三类混为一谈
预测 prediction	事实/注释验证	计算预测 vs 实验证实	预测指导实验	基因预测≠已证实的基因	把预测当已确证
从头拼接 de novo	参考比对 mapping	无参考 vs 有参考	都属基因组分析第一步族	de novo assembly vs BWA mapping	本章仅提名，细节在后续章

10. Toy example

本章不适用（无可计算的方法）。

作为替代，给一个能手工完成的“字母表核对”小练习（源于本章唯一具体的“数据”——字母表）：

生物学背景：本章说 DNA=4 字符、蛋白=20 字符。
练习：教材列出的 20 个氨基酸单字母为
A R N D C Q E G H I L K M F P S T W Y V
→ 数一数是否恰好 20 个？（答案：是，20 个）
反向核对：标准 20 种氨基酸单字母中未在 DNA 字母表出现的、也未被用作特殊符号的字母有哪些？（如 B、J、O、U、X、Z 不在标准 20 内；X 常表示未知氨基酸，N 常表示未知核苷酸）
意义：理解“alphabet”是后续所有序列算法的基础（打分矩阵、联配、搜索都建立在字母表上）。

最小项目目录（供你未来做真实实验时预先建立的规范，本章不产出文件）：

project/
├── raw_data/        # 原始序列（FASTA/FASTQ，后续章节）
├── reference/       # 参考基因组/注释
├── metadata/        # 样本信息
├── results/{qc,intermediate,final}/
├── scripts/         # Python/R/Bash
└── environment/     # conda env / Dockerfile

11. 从教学实验到真实科研

本章无配套实验，但它本身就在讨论“教学式在线工具 vs 真实科研”的差别，我据此整理：

维度	教材/在线服务式（本章描述）	真实科研流程
数据规模	少量序列（<100）	海量（NGS、群体、芯片）
运行环境	Windows/浏览器点击	Linux/HPC/云
工具	在线 BLAST/ClustalW	命令行 + workflow
参数	多用默认	显式记录、可调
自动化	手工逐条	脚本/Snakemake/Nextflow
可复现	弱（无日志）	强（版本+种子+env）
QC	几乎无	系统化 QC
计算资源	一台 PC	多核/大内存/集群
结果验证	依赖直觉	对照+统计+湿实验

本章要训练的能力：建立学科世界观 + 知道有哪些工具 + 明白“何时该升级到专业流程”。
真实项目必须补充：命令行技能、脚本化、版本与参数记录、统计设计、验证。

12. 与现代机器学习的联系

本章只在“展望/就业”中点到 AI、机器学习、数据挖掘、模式识别、文本挖掘、Hadoop/MySQL，作为“未来趋势与就业技能”，没有任何可建模的数据或标签。

是否适合把本章内容做成 ML 任务：不适用。
唯一可记的联系（学科层面）：教材把“模式识别、数据挖掘、机器学习、可视化”列为生物信息学实现目标的手段，并把 HMM 作为早期概率序列模型的代表（1994/1997）——这是经典方法通向现代序列建模（乃至今天的深度学习/大模型）的历史脉络起点。

13. 研究复现视角

本章不涉及可复现的分析，故传统复现清单不适用。

但本章提出了一个与复现直接相关的重要主张（值得作为科研伦理/复现意识记住）：

数据共享与尽早释放：HGP 采用“正式发表前即上网释放”的政策，许多基因组计划沿用。
复现的前提是原始数据（primary data）可获取——本章反问：“测序仪每天产生的初级数据归谁所有？何时公开？能否设限？”这些正是今天数据可获得性 / 复现性的核心议题。

给你的实操提醒：从现在起养成记录 软件版本、数据库版本（如 GenBank Release 号）、访问日期、参数 的习惯——本章多处引用“GenBank Release 120/236”“数据截至 2020 年 2 月”，正示范了“引用数据库要写版本和日期”。

14. 最终汇总

A. 一页式总结

核心生物学问题：生物数据爆炸（核酸库约每 14 个月翻番），如何管理、解读、使用。
核心实验：无（本章为导论）；学科动机来自高通量测序。
核心数据：核酸序列 {A,T,G,C}、蛋白序列（20 氨基酸）；初级 vs 二级数据库。
核心 shape：seq ∈ {A,T,G,C}^L（概念性）。
核心算法：无本章算法；预告 NW/SW/BLAST/HMM/NJ 等。
核心工具：BLAST、ClustalW、NCBI/EBI 在线服务（SSS/MSA/BSA）。
核心 pipeline：无；给出“何时升级到 Linux/专业流程”的分流规则。
核心假设/范式：假设—实验模式（数据库搜索=一次实验）。
核心 QC：区分“预测”与“事实”。
核心解释边界：生物信息学结论多为预测，是“路灯”，最终需湿实验验证。

B. 必须记住的知识点（12 条）

生物信息学=研究生物信息的采集/处理/存储/传播/分析/解释的学科（分子生物学+遗传学+计算机科学）。
三大组成：新算法与统计、数据分析与解释、数据管理工具。
初级数据库(原始) vs 二级数据库(衍生 domain/结构等)。
DNA 字母表 4 个；蛋白字母表 20 个（会背单字母更好）。
术语提出者两说：Hogeweg(1978) / 林华安(1990)。
三位奠基人：Dayhoff、Waterman、Sankoff。
历史四阶段：萌芽/形成/基因组与互联网/高通量测序。
里程碑算法年份：NW 1970、SW 1981、NJ 1987、BLAST 1990、HMM 应用 1994。
三大数据库联盟：GenBank + EMBL(ENA) + DDBJ。
EBI 在线平台三类：SSS / MSA / BSA；NAR 两大专刊：Database Issue(1993)、Web Server Issue(2004)。
研究范式=假设—实验；结论多为预测，需实验验证（“最终还是需要具体的实验”）。
五大待攻关技术：从头组装、注释、比较基因组/进化、群体变异检测(SNP/Indel/SV/CNV)、RNA 分析。

C. 术语表

缩写/术语	英文全称	中文含义	本节作用
bioinformatics	bioinformatics	生物信息学	学科主题
primary database	primary database	初级数据库	存原始数据
secondary database	secondary database	二级数据库	存衍生信息
domain	domain	结构域/功能区	二级数据库内容
WGS	Whole Genome Shotgun	全基因组鸟枪法（数据）	GenBank 单列大类
NGS	Next-Generation Sequencing	二代/高通量测序	第四阶段核心
SSS	Sequence Search Service	序列搜索服务	EBI 平台分类
MSA	Multiple Sequence Alignment	多序列联配	EBI 平台分类
BSA	Biological Sequence Analysis	生物序列分析	EBI 平台分类
NW	Needleman-Wunsch	全局联配算法	萌芽期里程碑
SW	Smith-Waterman	局部联配算法	形成期里程碑
HMM	Hidden Markov Model	隐马尔可夫模型	基因预测/domain
NJ	Neighbor-Joining	邻接法	建树
SNP/Indel/SV/CNV	见全称	单核苷酸多态/插入缺失/结构变异/拷贝数变异	群体变异类型
HGP	Human Genome Project	人类基因组计划	数据共享范例
NAR	Nucleic Acids Research	期刊名	两大专刊来源
ISCB	International Society for Computational Biology	国际计算生物学会	Bioinformatics 期刊主办
NGDC/CNCB/CNGB	见正文	国家基因组科学数据中心/国家生物信息中心/国家基因库	我国机构

正名：EMBL Data Library → 现 ENA；表 1.1 中 “Ensemble”应为 Ensembl，“Fleischman”应为 Fleischmann。

D. 数据 shape 汇总表

阶段	数据对象	行/列/字段	shape	数据类型	文件格式
概念	DNA 序列	字符序列	`{A,T,G,C}^L`	字符	（后续 FASTA）
概念	蛋白序列	字符序列	`{20 aa}^L`	字符	（后续 FASTA）

本章仅此两项为概念性；无真实矩阵/坐标/文件结构。

E. 工具汇总表

阶段	工具	输入	输出	核心参数	QC
序列搜索	BLAST	查询序列+库	相似命中(E-value 等)	见后续章	区分相似/同源
多序列联配	ClustalW	多条序列	MSA	见后续章	人工检查列
数据/门户	NCBI/EBI/NGDC	—	数据+在线分析	—	记录版本日期

参数细节本章未给，均属后续章节/官方文档，需要查证。

F. 掌握程度清单

应能口头解释：生物信息学定义、三大组成、初级/二级数据库、假设—实验范式、历史四阶段、“预测=路灯，需实验验证”。
应能手工计算：本章无（仅字母表计数练习）。
应能从头编程实现：本章无算法（NW/SW 留待第 4 章）。
应能调用工具完成：能在 NCBI/EBI 上做一次在线 BLAST（作为体验，细节后续学）。
应能设计的 pipeline：本章无；但应记住“何时升级到 Linux/脚本/专业流程”的判据。
只需知道其存在：具体人物生平、我国机构名单、期刊史、就业调查细节、表 1.1 全部年份（记大事件即可）。

G. 自测题

概念题

用一句话给出生物信息学的定义，并列出其三大组成部分。
初级数据库与二级数据库有何区别？各举一例。
为什么说生物信息学结论常是“预测”而非“事实”？举例说明假设—实验范式。
谁被认为是“bioinformatics”一词的提出者？为何有两种说法？
EBI 把在线分析平台分为哪三类？各对应什么任务？

数据格式与 shape 题
6. DNA 与蛋白质序列的字母表各有多少字符？分别写出。
7. 用集合记号写出“一条 DNA 序列”的概念表示，并说明 L 代表什么。
8. GenBank 为什么把 WGS 数据单列一类？这提示序列数据具有什么特征？

算法/公式题（本章仅涉及“提名”，考查历史定位）
9. Needleman-Wunsch 与 Smith-Waterman 分别属于哪种联配、分属哪个历史阶段？
10. HMM 在生物信息学中最早被用于哪两类任务（举本章提到的例子）？
11. 按提出年份排序：BLAST、Neighbor-Joining、Needleman-Wunsch、Smith-Waterman。

pipeline 设计题
12. 你拿到 500 条蛋白序列要做进化分析，为什么不建议全程用在线网页工具？给出本章依据。
13. 请据本章“何时求助专业人员”的判据，列出至少 4 种应转向专业/Linux 流程的情形。
14. 若要让一次 BLAST 分析可复现，你至少应记录哪些信息？（结合第 13 节）

批判性思考题
15. 教材说数据每若干月翻一番、并给出“预测曲线”，你如何看待“预测被实际超过”这一事实对“数据处理能力滞后”论断的支持或削弱？
16. “人人都能做生物信息学”这一说法错在哪里？请从经费、软件、验证三方面反驳。

参考答案

研究生物信息的采集、处理、存储、传播、分析与解释的交叉学科（分子生物学+遗传学+计算机科学）；三大组成=新算法与统计方法、数据分析与解释、数据管理与利用工具。
初级库存原始数据（如 GenBank 的序列、PDB 的结构）；二级库存由原始数据分析衍生的信息（如结构域 domain、二级结构、疏水位点）。
因为多数结果是从数据中推断/估计出来的（如同源、基因位置、结构），不是直接观测；它像“路灯”指示实验方向。范式：先立无效假设（如“该序列无同源序列”），用数据库搜索作为“实验”去验证，拒绝或接受假设，最终仍需湿实验确证。
两说：Paulien Hogeweg（1978，最早文献）与林华安 Hwa A. Lim（1990 年被普遍认为提出并办首会）；因不同来源追溯口径不同，教材两者并存。
SSS（序列搜索）、MSA（多序列联配）、BSA（序列分析）。
DNA 4 个：A、T、G、C；蛋白 20 个：A R N D C Q E G H I L K M F P S T W Y V。
seq ∈ {A,T,G,C}^L，L=序列长度（碱基数），不同序列 L 可变。
因为 WGS（全基因组鸟枪法）数据体量极大（万亿 bp 级），单列便于管理；提示序列数据规模巨大、增长极快、异质。
NW=全局联配，属萌芽期(1970)；SW=局部联配，属形成期(1981)。
功能域(domain)分析与基因预测（GENSCAN）。
NW(1970) → SW(1981) → NJ(1987) → BLAST(1990)。
序列数已接近/超过在线工具适用上限（本章以 >100 条为经验阈值），且进化分析常需模型选择、自举、复杂统计与批处理，网页工具难以胜任、不可批量、难复现——本章明确建议此类情形求助专业/Linux 流程。
①>100 条序列；②需 Linux-only 软件；③使用高通量测序数据；④处理大规模数据（如芯片/表达矩阵）；⑤数据结构或完整性有问题；⑥需复杂统计（多假设/前提/检验）。（任列 4 项）
查询序列与数据库、数据库版本与访问日期、程序与版本、参数（矩阵、E-value 阈值、gap 罚分等）、运行环境。
开放题要点：实际增长超过预测，说明数据产生速度被低估，反而强化“数据产生 > 处理能力”的论断；同时提醒“预测曲线”不可当精确定律，应关注趋势方向而非具体数值。
①经费误解：算力/大型机与商业软件昂贵，并非零成本；②软件误解：先进商业软件多需付费，非全免费；③验证误解：计算结果是预测，“最终还是需要具体实验”，仅有电脑和教科书不足以产出可靠科学结论。

H. 下一步学习建议

下一节/章：进入第 2 章（生物数据/数据类型），把本章“核酸/蛋白/结构/初级二级库”的概念落到具体文件格式与 shape；随后第 3 章（数据库、Dayhoff）、第 4 章（序列联配 NW/SW，Waterman）。
需补的前置：中心法则、碱基/氨基酸生化基础；命令行入门（bash）、Python 基础——本章已明确点名为必备技能。
值得亲手实现的算法：读到第 4 章时，自己用 Python 实现 Needleman-Wunsch（本章埋下的最经典起点）。
值得实际运行的工具：去 NCBI 做一次在线 BLAST，体验 SSS 流程；再用 EBI 做一次 ClustalW/MSA。
值得手工查看的文件格式：下一章的 FASTA（本章尚未出现，但是所有后续分析的入口）。
配套实验：本章无专属实验；从第 2/3 章起对接《实验指导》中数据库检索与 BLAST/ClustalW 实验。
需查最新官方资料：GenBank/ENA/DDBJ 现状与最新 Release、NGDC(bigd.big.ac.cn)、BLAST/ClustalW 现行版本与替代工具（MAFFT/MUSCLE、DIAMOND）——本章数字截至 2020 年，需要查证更新。

Blog of AgioPan

生物信息学笔记（1 ）- 绪论

生物信息学学习笔记：第 1 章绪论

0. PDF 内容检查

1. 本节定位与知识地图

2. 按教材顺序精读

第一节 · 一、迅速增长的生物信息【应该理解】

第一节 · 二、生物信息学概念【必须掌握】

第二节 · 一、发展简史【应该理解 + 部分必须掌握】

第二节 · 二、应用领域【应该理解】

第二节 · 三、学科展望【了解即可 + 少量必须掌握】

习题 & 历史与人物【了解即可】

3. 生物学问题到计算问题的映射

4. 数据对象、文件格式和 shape

5. 端到端数据处理流程

6. 算法、统计模型和公式

7. 软件、数据库与工具

8. 实验设计、QC、偏差与结果解释

9. 易混淆概念

10. Toy example

11. 从教学实验到真实科研

12. 与现代机器学习的联系

13. 研究复现视角

14. 最终汇总

A. 一页式总结

B. 必须记住的知识点（12 条）

C. 术语表

D. 数据 shape 汇总表

E. 工具汇总表

F. 掌握程度清单

G. 自测题

参考答案

H. 下一步学习建议

生物信息学学习笔记：第 1 章 绪论

0. PDF 内容检查

1. 本节定位与知识地图

2. 按教材顺序精读

第一节 · 一、迅速增长的生物信息 【应该理解】

第一节 · 二、生物信息学概念 【必须掌握】

第二节 · 一、发展简史 【应该理解 + 部分必须掌握】

第二节 · 二、应用领域 【应该理解】

第二节 · 三、学科展望 【了解即可 + 少量必须掌握】

习题 & 历史与人物 【了解即可】

3. 生物学问题到计算问题的映射

4. 数据对象、文件格式和 shape

5. 端到端数据处理流程

6. 算法、统计模型和公式

7. 软件、数据库与工具

8. 实验设计、QC、偏差与结果解释

9. 易混淆概念

10. Toy example

11. 从教学实验到真实科研

12. 与现代机器学习的联系

13. 研究复现视角

14. 最终汇总

A. 一页式总结

B. 必须记住的知识点（12 条）

C. 术语表

D. 数据 shape 汇总表

E. 工具汇总表

F. 掌握程度清单

G. 自测题

参考答案

H. 下一步学习建议

生物信息学学习笔记：第 1 章绪论

第一节 · 一、迅速增长的生物信息【应该理解】

第一节 · 二、生物信息学概念【必须掌握】

第二节 · 一、发展简史【应该理解 + 部分必须掌握】

第二节 · 二、应用领域【应该理解】

第二节 · 三、学科展望【了解即可 + 少量必须掌握】

习题 & 历史与人物【了解即可】