① 如何運用生物信息學方法篩選mrna差異基因
1、使用寡核苷酸磁珠選擇帶有polyA尾的mRNA
2、構建cDNA 文庫，測序
3、將測序reads比對到參考基因組
4、轉錄組重建
5、轉錄本表達定量
6、差異表達分析：edgeR、DEseq
② 如果發現一個有意思的性狀，如何用傳統的方法拿到控制這個性狀的基因用生物信息學的方法呢謝謝！
傳統的方法就是基因敲除(knock-out). 用生物信息學的方法就是數據挖掘，看看是否文獻中有相關的實驗研究，如果沒有，現在的生物信息學方法也無能為力。
③ 如下哪個生物信息學方法可以用來尋找新基因
生物信息學方法可以用來尋找新基因.
1,序列比對(Sequence Alignment)
序列比對的基本問題是比較兩個或兩個以上符號序列的相似性或不相似性.從生物學的初衷來看,這一問題包含了以下幾個意義:從相互重疊的序列片斷中重構DNA的完整序列.在各種試驗條件下從探測數據(probe data)中決定物理和基因圖存貯,遍歷和比較資料庫中的DNA序列比較兩個或多個序列的相似性在資料庫中搜索相關序列和子序列尋找核苷酸(nucleotides)的連續產生模式找出蛋白質和DNA序列中的信息成分序列比對考慮了DNA序列的生物學特性,如序列局部發生的插入,刪除(前兩種簡稱為indel)和替代,序列的目標函數獲得序列之間突變集最小距離加權和或最大相似性和,對齊的方法包括全局對齊,局部對齊,代溝懲罰等.兩個序列比對常採用動態規劃演算法,這種演算法在序列長度較小時適用,然而對於海量基因序列(如人的DNA序列高達109bp),這一方法就不太適用,甚至採用演算法復雜性為線性的也難以奏效.因此,啟發式方法的引入勢在必然,著名的BALST和FASTA演算法及相應的改進方法均是從此前提出發的.
2, 蛋白質結構比對和預測
基本問題是比較兩個或兩個以上蛋白質分子空間結構的相似性或不相似性.蛋白質的結構與功能是密切相關的,一般認為,具有相似功能的蛋白質結構一般相似.蛋白質是由氨基酸組成的長鏈,長度從50到1000~3000AA(Amino Acids),蛋白質具有多種功能,如酶,物質的存貯和運輸,信號傳遞,抗體等等.氨基酸的序列內在的決定了蛋白質的3維結構.一般認為,蛋白質有四級不同的結構.研究蛋白質結構和預測的理由是:醫葯上可以理解生物的功能,尋找dockingdrugs的目標,農業上獲得更好的農作物的基因工程,工業上有利用酶的合成.直接對蛋白質結構進行比對的原因是由於蛋白質的3維結構比其一級結構在進化中更穩定的保留,同時也包含了較AA序列更多的信息.蛋白質3維結構研究的前提假設是內在的氨基酸序列與3維結構一一對應(不一定全真),物理上可用最小能量來解釋.從觀察和總結已知結構的蛋白質結構規律出發來預測未知蛋白質的結構.同源建模(homology modeling)和指認(Threading)方法屬於這一范疇.同源建模用於尋找具有高度相似性的蛋白質結構(超過30%氨基酸相同),後者則用於比較進化族中不同的蛋白質結構.然而,蛋白結構預測研究現狀還遠遠不能滿足實際需要.
3, 基因識別,非編碼區分析研究.
基因識別的基本問題是給定基因組序列後,正確識別基因的范圍和在基因組序列中的精確位置.非編碼區由內含子組成(introns),一般在形成蛋白質後被丟棄,但從實驗中,如果去除非編碼區,又不能完成基因的復制.顯然,DNA序列作為一種遺傳語言,既包含在編碼區,又隱含在非編碼序列中.分析非編碼區DNA序列目前沒有一般性的指導方法.在人類基因組中,並非所有的序列均被編碼,即是某種蛋白質的模板,已完成編碼部分僅占人類基因總序列的3~5%,顯然,手工的搜索如此大的基因序列是難以想像的.偵測密碼區的方法包括測量密碼區密碼子(codon)的頻率,一階和二階馬爾可夫鏈,ORF(Open Reading Frames),啟動子(promoter)識別,HMM(Hidden Markov Model)和GENSCAN,Splice Alignment等等.
4, 分子進化和比較基因組學
分子進化是利用不同物種中同一基因序列的異同來研究生物的進化,構建進化樹.既可以用DNA序列也可以用其編碼的氨基酸序列來做,甚至於可通過相關蛋白質的結構比對來研究分子進化,其前提假定是相似種族在基因上具有相似性.通過比較可以在基因組層面上發現哪些是不同種族中共同的,哪些是不同的.早期研究方法常採用外在的因素,如大小,膚色,肢體的數量等等作為進化的依據.近年來較多模式生物基因組測序任務的完成,人們可從整個基因組的角度來研究分子進化.在匹配不同種族的基因時,一般須處理三種情況:Orthologous: 不同種族,相同功能的基因；Paralogous: 相同種族,不同功能的基因；Xenologs: 有機體間採用其他方式傳遞的基因,如被病毒注入的基因.這一領域常採用的方法是構造進化樹,通過基於特徵(即DNA序列或蛋白質中的氨基酸的鹼基的特定位置)和基於距離(對齊的分數)的方法和一些傳統的聚類方法(如UPGMA)來實現.
5, 序列重疊群(Contigs)裝配
根據現行的測序技術,每次反應只能測出500 或更多一些鹼基對的序列,如人類基因的測量就採用了短槍(shortgun)方法,這就要求把大量的較短的序列全體構成了重疊群(Contigs).逐步把它們拼接起來形成序列更長的重疊群,直至得到完整序列的過程稱為重疊群裝配.從演算法層次來看,序列的重疊群是一個NP-完全問題.
6, 遺傳密碼的起源
通常對遺傳密碼的研究認為,密碼子與氨基酸之間的關系是生物進化歷史上一次偶然的事件而造成的,並被固定在現代生物的共同祖先里,一直延續至今.不同於這種"凍結"理論,有人曾分別提出過選擇優化,化學和歷史等三種學說來解釋遺傳密碼.隨著各種生物基因組測序任務的完成,為研究遺傳密碼的起源和檢驗上述理論的真偽提供了新的素材.
7, 基於結構的葯物設計
人類基因工程的目的之一是要了解人體內約10萬種蛋白質的結構,功能,相互作用以及與各種人類疾病之間的關系,尋求各種治療和預防方法,包括葯物治療.基於生物大分子結構及小分子結構的葯物設計是生物信息學中的極為重要的研究領域.為了抑制某些酶或蛋白質的活性,在已知其蛋白質3級結構的基礎上,可以利用分子對齊演算法,在計算機上設計抑制劑分子,作為候選葯物.這一領域目的是發現新的基因葯物,有著巨大的經濟效益.
8.生物系統的建模和模擬
隨著大規模實驗技術的發展和數據累積，從全局和系統水平研究和分析生物學系統，揭示其發展規律已經成為後基因組時代的另外一個研究 熱點-系統生物學。目前來看，其研究內容包括生物系統的模擬（Curr Opin Rheumatol，2007，463-70），系統穩定性分析（Nonlinear Dynamics Psychol Life Sci，2007，413-33），系統魯棒性分析（Ernst Schering Res Found Workshop， 2007，69-88）等方面。以SBML（Bioinformatics，2007，1297-8）為代表的建模語言在迅速發展之中，以布爾網路 （PLoS Comput Biol，2007，e163）、微分方程（Mol Biol Cell，2004，3841-62）、隨機過程（Neural Comput，2007，3262-92）、離散動態事件系統等（Bioinformatics，2007，336-43）方法在系統分析中已經得到應 用。很多模型的建立借鑒了電路和其它物理系統建模的方法，很多研究試圖從信息流、熵和能量流等宏觀分析思想來解決系統的復雜性問題（Anal Quant Cytol Histol，2007，296-308）。當然，建立生物系統的理論模型還需要很長時間的努力，現在實驗觀測數據雖然在海量增加，但是生物系統的模型辨 識所需要的數據遠遠超過了目前數據的產出能力。例如，對於時間序列的晶元數據，采樣點的數量還不足以使用傳統的時間序列建模方法，巨大的實驗代價是目前系 統建模主要困難。系統描述和建模方法也需要開創性的發展。
9.生物信息學技術方法的研究
生物信息學不僅僅是生物學知識的簡單整理和、數學、物理學、信息科學等學科知識的簡單應用。海量數據和復雜的背景導致機器學習、統 計數據分析和系統描述等方法需要在生物信息學所面臨的背景之中迅速發展。巨大的計算量、復雜的雜訊模式、海量的時變數據給傳統的統計分析帶來了巨大的困難， 需要像非參數統計（BMC Bioinformatics，2007，339）、聚類分析（Qual Life Res，2007，1655-63）等更加靈活的數據分析技術。高維數據的分析需要偏最小二乘（partial least squares，PLS）等特徵空間的壓縮技術。在計算機演算法的開發中，需要充分考慮演算法的時間和空間復雜度，使用並行計算、網格計算等技術來拓展演算法的 可實現性。
10, 生物圖像
沒有血緣關系的人，為什麼長得那麼像呢？
外貌是像點組成的，像點愈重合兩人長得愈像，那兩個沒有血緣關系的人像點為什麼重合？
有什麼生物學基礎？基因是不是相似？我不知道，希望專家解答。
11, 其他
如基因表達譜分析,代謝網路分析;基因晶元設計和蛋白質組學數據分析等,逐漸成為生物信息學中新興的重要研究領域;在學科方面,由生物信息學衍生的學科包括結構基因組學,功能基因組學,比較基因組學,蛋白質學,葯物基因組學,中葯基因組學,腫瘤基因組學,分子流行病學和環境基因組學,成為系統生物學的重要研究方法.從現在的發展不難看出,基因工程已經進入了後基因組時代.我們也有應對與生物信息學密切相關的如機器學習,和數學中可能存在的誤導有一個清楚的認識.
④ 生物信息學查找基因
NCBI裡面你點進去，如果是文獻報道過的基因，一定會有對基因的描述的。
如果你是在基因組里搜索ORF或者是預測的基因，那麼只有檢索號是正常的。因為很多基因還沒有研究其功能，因此只有標號，沒有名稱。
⑤ 細胞生物學：設計一個實驗，用細胞生物學的方法，研究新基因的作用
隨著分子生物學的進展,新基因功能的研究手段不斷增多。現從生物信息學分析、離體與在體和基因編碼蛋白相互作用方面綜述近年來有關新基因功能研究的進展,為基因工程等相關領域的研究提供參考。各種方法都有各自的特點和局限性,,實現對特定基因功能研究的目的。
⑥ 我想要的序列在全基因組的缺口裡，那個缺口已經找到，把這個缺口的基因弄到手都有哪些方法
的北京三博遠志獵槍鳥槍法測序的：
全基因組鳥槍法測序（全基因組鳥槍測序）並不需要建立各種復雜的物理圖譜和遺傳圖譜，使用最具成本效益的基因組鳥槍法測序/獵槍鳥槍法測序（全基因組鳥槍法測序）並不需要建立各種復雜的物理圖譜和遺傳圖譜，最具成本效益的實驗設計，並指導建立的整個基因組標記的DNA片段大小不同的獵槍圖書館庫中隨機測序，最後利用生物信息學的方法，為了全基因組序列的測序片段拼接。
全基因組鳥槍測序步驟：第一，建立高度隨機的基因組文庫，插入片段大小為1.6kb的約4KB。的克隆數必須達到一定的數量，即，經過克隆的片段的序列分析的兩端的鹼基的總數應達到6?10倍的基因組的大小。二，高效，大量的克隆雙向測序。三，序列組裝。在序列組裝與PHRED，Phrap Consed軟體產生一定數目的重疊群。四，填補了國內空白。為了填補缺口，有兩個未決首先的，有沒有物理間隙對應的模板DNA，用PCR方法填補;模板DNA，但不測量序列的差距，我們直接測序引物上設計的模板DNA。
鳥槍法測序范圍：BAC粘粒粘粒，線粒體DNA，葉綠體DNA。
全基因組鳥槍法測序的主要步驟：第一，建立高度隨機4KB基因組文庫插入片段大小為1.6kb的。的克隆數必須達到一定的數量，即，經過克隆的片段的序列分析的兩端的鹼基的總數應達到6?10倍的基因組的大小。二，高效，大量的克隆雙向測序。三，序列組裝。在序列組裝與PHRED，Phrap Consed軟體產生一定數目的重疊群。四，填補了國內空白。為了填補缺口，有兩個未決首先的，有沒有物理間隙，通過PCR的方法填充相應的模板DNA;第二，有一個模板的DNA序列的差距，但不進行測量，直接在設計引物，測序的模板DNA。
⑦ 急求：基因預測的方法和步驟
方法1：最長ORF法
將每條鏈按6個讀碼框全部翻譯出來，然後找出所有可能的不間斷開放閱讀框（ORF），只要找出序列中最長的ORF，就能相當准確地預測出基因。最長ORF法發現基因的一般過程（包括基因區域預測和基因功能預測2個層次）：
步驟1：獲取DNA目標序列
① 如果已有目標序列，可直接進入步驟2；
② 可以通過PubMed查找感興趣的資料，通過GenBank或EMBL等資料庫查找目標序列。
步驟2：查找ORF並將目標序列翻譯成蛋白質序列
利用相應工具，如ORF Finder、Gene feature (Baylor College of Medicine)、GenLang (University of Pennsylvania)等查找ORF並將DNA序列翻譯成蛋白質序列。
步驟3：在資料庫中進行序列搜索
利用BLAST進行ORF核苷酸序列和ORF翻譯的蛋白質序列搜索。
步驟4：進行目標序列與搜索得到的相似序列的全局比對(global alignment)
雖然步驟3已進行局部比對(local alignment)分析，但全局比對有助於進一步加深對目標序列的認識。
步驟5：查找基因家族
進行多序列比對(multiple sequence alignment)，獲得比對區段的基因家族信息。
步驟6：查找目標序列中的特定模序
分別在Prosite、BLOCK、Motif資料庫中進行profile、模塊(block)、模序(motif)檢索。
步驟7：預測目標序列蛋白質結構
利用PredictProtein(EMBL)、NNPREDICT(University of California)等預測目標序列的蛋白質二級結構。
步驟8：獲取相關蛋白質的功能信息
為了了解目標序列的功能，收集與目標序列和結構相似蛋白質的功能信息非常必要。可利用PubMed進行搜索。
方法2：利用編碼區與非編碼區密碼子選用頻率的差異進行基因預測
編碼區的鹼基組成不同於非編碼區，這是由於蛋白質中20種氨基酸出現的概率、每種氨基酸的密碼子兼並度和同一種氨基酸的兼並密碼子使用頻率不同（即密碼子偏好）等原因造成的。該方法是目前各種預測程序中廣泛應用的一種方法，如GCG(Genetic Computer Group研製的核酸、蛋白質分析軟體包)的TestCode和Baylor Medcine College的BCM Gene Finder等程序均利用了這一方法。
方法3：利用ESTs預測基因
Expressed Sequence Tags (ESTs) 代表基因序列，若DNA序列和 EST嚴格匹配，這段DNA序列屬於基因或假基因。此法對ESTs進行聚類和拼接，聚類和拼接的目的就是將來自同一個基因或同一個轉錄本的具有重疊部分(over-lapping)的ESTs整合到單一的簇(cluster)中。通過聚類可產生較長的一致性序列(consensus sequence)，降低數據的冗餘，糾正錯誤數據，並最終得到基因的全長序列。
隨著信息學方法在基因預測中的進一步充分應用，一批新的基因預測方法被相繼提出，如人工神經網路、隱馬爾可夫模型(Hidden Markov Model, HMM)、動態規劃法(dynamic programming)、法則系統(ruled-based system)、線性判別分析(Linear Discriminant Analysis, LDA)、決策樹(decision tree)、傅立葉分析(Fourier analysis)等。這些方法是基於編碼區所具有的獨特信號，如剪接的供體和受體位點、起始和終止密碼子、啟動子特徵、轉錄因子結合位點等進行預測。相關的基因預測軟體包括：Procrustes、GeneID、GenScan、GRAIL等。
⑧ 生物信息學在分離克隆基因中有哪些應用
生物信息學（bioinformatics）是生物學、計算機科學以及應用數學等學科相互交叉而形成的一門新興學科，它以計算機為主要工具，開發各種軟體，對日益增長的DNA和蛋白質的序列和結構等相關信息進行收集、儲存、發行、提取、加工、分析和研究，同時建立理論模型，指導實驗研究。基因組信息學的首要任務之一就是發現新的基因。
如利用EST資料庫發現新基因（電腦克隆），尋找到與克隆有關的EST後，用電子cDNA文庫進行篩選；通過生物信息學軟體進行分析和查詢，最終獲得一個基因的全長cDNA；通過保守區發現和克隆基因，即利用同源蛋白質的保守序列或同源基因區段進行電子篩選，再進一步拼接、延伸從而獲得全長的cDNA；從大規模cDNA文庫測序的序列中確定新基因，首先確定獲得的cDNA是否為基因全長cDNA，確定是否有典型的閱讀框（ORF）及3′端及5′端。而後可以通過網上搜索確定是否為新的基因，若通過檢驗則為新基因。
除上述幾種基本的方法外，隨著生物技術的發展和傳統技術的改良，基因克隆的方法又有許多新的技術出現，如基因表達序類標記分析（SAGE）；由DDRT-PCR演變而來的代表性差異分析（RDA），包括基因組DNA（gDNA）的RDA和cDNA的RDA；轉錄活動的DNA差減雜交技術（TADSH）、利用限制性片段多態性的cDNA-AFLP等等，這些技術作為基因分離克隆的方法，較以前的技術都具有一定的優點，又有各自的不盡相同的用途。