行业老土著，以圈内人的视角，讲讲生物信息学这片新兴却粗粝的土地。

一、生物信息学概述

生物信息学作为一门交叉学科，融合了生物学、计算机科学、数学、统计学等多个领域的知识和技术。它以信息科学的手段，致力于探索生物领域的奥秘，为揭示生命现象的本质和规律提供了强大的工具和方法。

生信的本质是一门数据科学，是技术融合的艺术。想要成为一名优秀的生信专家，需要掌握的知识面要比其他传统学科要广得多。

但只要掌握合理科学的学习路径，并付诸行动，想要入门还是不难的。

生物信息的定位

在当今时代，随着科技的飞速发展，生物信息学的重要性日益凸显。它通过对生物学数据的获取、处理、存储、分析和解释，帮助我们更好地理解生命的奥秘。

例如，人类基因组计划的完成，产生了海量的基因组数据，生物信息学在这些数据的分析和解读中发挥了关键作用。

生物信息学作为一门新兴的交叉学科，具有广阔的发展前景和重要的应用价值。

 

数据可视化

二、关键概念

作为本系列的第一篇文章，先带各位浅尝一下生物信息学领域的基础概念。

（一）何为测序

测序，全称其实是检测序列信息，是一种用于获取生物样本中核酸（DNA 或 RNA）序列信息的技术手段。

大家常说的测序仪，便是用于检测生物样本中的序列信息的仪器。以后会具体介绍测序仪的发展历程和原理。

测序技术中，目前成熟度较高的当属高通量测序，又称下一代测序或二代测序，也就是我们常说的 NGS（Next-Generation Sequencing）。在众多测序技术里，准确率最高且拥有 “金标准” 之称的是 Sanger 测序，它属于一代测序。紧接着是正在迅速发展的基于单分子荧光测序或纳米孔测序的第三代乃至第四代测序。（后续的新系列文章会详细讲解）

（二）研究领域

生物信息学的研究领域广泛，涵盖了基因组学、转录组学、蛋白质组学、代谢组学等多个方面。

  1. 基因组学：进行基因组测序、组装和注释，揭示基因的结构和功能。
  2. 转录组学：通过对细胞或组织中所有 RNA 的测序，可以研究基因表达谱和转录组调控机制。
  3. 蛋白质组学和代谢组学：分别关注蛋白质和代谢物的鉴定、定量以及相互作用和调控网络的构建。

（三）技术应用

生物信息学的技术应用也非常丰富，从前面的研究领域，诸位可见一斑。包括序列比对、基因注释、基因表达分析、蛋白质结构预测、药物设计等。

这些技术为生物学研究提供了有力的支持，加速了生命科学的发展。

例如，序列比对技术可以帮助我们发现不同生物之间的相似性和进化关系；基因表达分析可以揭示不同条件下基因的表达差异，为疾病诊断和治疗提供线索。

（四）重要术语阐释

对于入门者而言，除了系统的缓慢学习各个概念以外，迅速了解重要的术语，也是一个有较大正反馈的途径。下面我挑几个带大家感受一下，总共十个（十全十美）。

记不住没关系，在未来逐渐理解，并在实际项目中合理运用即可，先留下个印象。

  1. 测序深度：指测序得到的总碱基数与待测基因组大小的比值。测序深度越深，覆盖到的基因组区域越全面，检测到的变异信息也越准确。
  2. 读长（reads）：测序仪单次测序（一个反应）所得到的碱基序列，譬如写作30条reads，代表30条特定序列。
  3. 覆盖度：由于基因组大片段的gap，测序读长有限，重复序列等问题的存在，测序后组装得到的基因组序列通常无法完全覆盖所有区域，覆盖度就是最终得到的结果占整个基因组的比例，譬如写作98.5%，代表最终测序结果占该物种整个基因组的98.5%，存在1.5%未测到的区域。
  4. 比对率：比对到参考基因组上的Reads在Clean Reads中所占百分比。
  5. Fastq文件格式：一种测序仪下机数据的标准文本存储格式，每一条序列由4行数据组成，第一行：记录ID，通过以@或>起始；第二行：记录序列的碱基组成；第三行：记录额外描述，以+起始；第四行：记录第二行中每个碱基对应的质量。
  6. 碱基质量值：是衡量测序结果中每个碱基准确性的指标。质量值越高，碱基的准确性越高。通常用 Q 值表示，Q=-10log10 (P)，其中 P 是碱基被错误识别的概率。
  7. DNA 甲基化：是一种表观遗传修饰，指在 DNA 甲基转移酶的作用下，将甲基基团添加到 DNA 分子中的特定碱基上，通常发生在胞嘧啶（C）的第五位碳原子上，形成 5 - 甲基胞嘧啶。DNA 甲基化在基因表达调控、基因组稳定性、细胞分化等方面起着重要作用。
  8. 基因组注释：是对基因组序列中的基因结构和功能进行标注的过程。包括确定基因的位置、结构（如外显子、内含子、启动子等）、编码区和非编码区，以及预测基因的功能等。
  9. FPKM：Fragments Per Kilobase of exon model per Million mapped reads 的缩写，即每百万映射读取的每千碱基外显子模型中的片段数。用于衡量基因表达水平，考虑了测序深度和基因长度的影响。
  10. TPM：Transcripts Per Kilobase Million 的缩写，即每百万转录本每千碱基的数量。也是一种用于衡量基因表达水平的指标，与 FPKM 类似，但在计算方法上略有不同。

三、入门路径探索

（一）编程语言基础

计算机语言对生物信息而言，就是一把趁手的武器，帮助我们在生命科学这片战场披荆斩棘。

在古早时期，学习生物信息需要先学习Perl语言和R语言。这是由于Perl语言拥有强大的文本处理能力，结合历史原因和社区支持的原因，有了丰富的生物信息库。R语言，也因为有着强大的数据可视化能力和丰富的统计分析功能，拥有非常庞大的生态。

但是，考虑目前的生态发展方向和实用性，推荐初学者优先学习Python，掌握了Python基础后，后续再根据项目特性，选择性地学习R语言和Perl语言。

（其实对于成熟且专业的生信工程师而言，C和C++等其他编程语言都需要掌握，学无止境，有需要就得学）

故而，Python是目前生信入门者最适合的语言，没有之一。Python 在生物信息学中已经占据着重要地位。它具有简单易学、功能强大、拥有丰富的科学计算库等优点。

可到菜鸟教程，W3School和廖雪峰的官方网站等学习平台自行学习，照着文档一步步来就可以掌握基础了。

当掌握了python基础，就需要通过实际的项目，去提高编程水平。这里不推荐直接去找leecode或codewar等通用型的编程练习网站。推荐两个专门用于学习生物信息的工具平台。

  1. Rosalind ：提供了一系列生物信息学相关的编程问题，涵盖了序列比对、基因预测等多个方面，通过解决这些问题，可以快速提升编程能力。对于初学者来说，可以通过 Rosalind 平台刷题来巩固 Python 在生物信息学中的应用，一举两得。
  2. Google Colab ：提供了免费的云端计算环境，支持 Python 编程，并且可以方便地调用各种生物信息学相关的库，可以无需关注包的安装，仅专注于工具的使用（因为历史遗留问题，一些包的安装......一言难尽）。若有本地部署经验的小伙伴，也可以直接在本地进行部署和后续的测试。

在学习 Python 的过程中，可以先从基础知识入手，如变量、数据类型、控制结构等，然后逐渐深入学习面向对象编程、函数式编程等高级概念。同时，结合实际的生物信息学问题进行编程实践，能够更好地掌握 Python 在该领域的应用。

（二）统计学知识

生物信息学离不开基本的统计学知识，如果说编程语言是手里的一把武器，那么统计学就是决定这把武器的材质和形状。

了解 P-value、t-test 等概念对于数据分析和结果解释至关重要，这可以说是生物信息的底层核心知识。除了在学校阶段通过校内课程学习到以外，寻找其他途径自主学习也尤为重要。

Datacamp：专注于数据科学和统计学习，提供交互式的课程和实践项目。通过实际的编程和数据分析任务，帮助学习者更好地掌握统计学和数据科学的技能，适合想要将统计学知识应用到实际数据分析中的人。提供了丰富的统计学课程资源，适合初学者学习。

中国大学 MOOC（慕课）：国内众多高校将自己的统计学课程上传到该平台，学习者可以免费学习。课程种类丰富，包括基础统计学、数理统计学、应用统计学等不同方向的课程，例如《概率论与数理统计》课程。

通过学习这些课程，可以掌握统计学的基本概念和方法，如假设检验、方差分析、回归分析等。

在生物信息学中，这些统计学方法常用于基因表达差异分析、蛋白质结构预测等方面。

例如，在基因表达差异分析中，可以使用 t-test 来检验两组样本之间基因表达水平的差异是否显著。同时，还可以学习一些高级的统计学方法，如机器学习算法，用于生物信息学中的数据挖掘和预测。感兴趣的可以期待在后续发布的新文章系列《机器学习入门》。

（三）Command Line 技能

 

生信的操作系统环境一般以linux为主，linux具有较为成熟的生态支撑，一般以CentOS和Ubuntu这两款成熟的操作系统。而Windows一般作为编程的本地环境。

这是因为生信的分析流程普遍需要多核且高内存的高性能服务器，且具有系统性能稳定，支持多用户、多任务，消耗资源少等特点，所以企业机构一般会在本地或云端部署linux操作系统的服务器作为生产环境。

Command Line，指的是命令行（工具）。正是在操作系统中通过键入命令与计算机系统进行交互的工具。而我们，需要掌握如何“通过命令行工具实现各种复杂操作”。

初学者可以从服务器的操作，如目录的进入和退出，创建文件和目录，查看进程等开始学习。其中尤为要注意文件的处理，文件的处理是所有数据科学（包括生信）的基础需求场景，掌握 bash 和 one-line command 技能可以大大提升文件处理效率。

生信菜鸟团提供了丰富的教程资源，可以帮助初学者快速掌握这些技能。这也是行业内大家熟知的生信技能数团队的官网学习论坛。

在生物信息学中，经常需要处理大量的文件和数据，使用命令行工具可以快速地进行文件操作、数据筛选、统计分析等任务。

例如，使用 cut、awk、sed 等工具可以对文本文件进行快速处理，提取所需的信息。

同时，掌握一些常用的命令行参数和选项，可以更加灵活地使用这些工具。比如：

cut -f 1 file                   # 剪切文件的第1列
cut -f 1,2                      # 剪切文件的第1，2列
cut -f 3-                       # 剪切第3列及之后的所有列
cut -d ' ' -f 1 file            # 剪切第1列，但以空格作为列与列之间的分隔符。默认以TAB作为分隔符
grep '^>' test.fa | cut -c 2-   # 得到fasta文件中的序列名称（去掉了>符号）

通过不断地练习和实践，可以逐渐提高自己的命令行技能水平。（可以期待下后续的新系列，会涉及命令行的入门和中高阶教程）

（四）生信概念学习

在生物信息学的学习过程中，选择感兴趣方向的课程至关重要。因为部分小伙伴可能不适应看文档这种较为枯燥的方式，这时可以适当结合一些线上课程，结合视频和语音讲解，可以加深对知识的理解。

例如，Ben Langmead 的 “Algorithms for DNA Sequencing” 课程就是一个非常好的选择。

该课程会深入讲解了DNA 测序算法，包括序列比对、组装等关键技术，重点是全篇频繁使用形象的图文进行描述，对于初学者而言会友好许多。通过学习这门课程，可以系统地掌握 DNA 测序的基本原理和算法，为后续的研究和实践打下坚实的基础。

（注：由于是全英教材，可能对部分处于早期学习阶段的小伙伴不是很友好，也可期待下后续我推出的新系列文章，会有该课程的中文解析。）

（五）实践出真知

对于仍在学校阶段的小伙伴，建议多参与实际的科研项目。通过参与导师的项目或者复现文章中的分析来积累实践经验，这也是难得的能够获取到实际场景需求的途径。

在参与项目的过程中，可以接触到真正的生物信息学问题，逐渐学习会何运用所学的知识和技能来解决类似问题。

曾经我对生信，或者说对数据科学有顿悟感的时候（心流），正是在做课题时产生的。在那之后，面对任何难题，或未接触过的新知识，我都可以有足够的勇气，以科学的路径去快速掌握，并用于解决实际问题。

故实践，方出真知。

四、生信分析方法

（一）生信研究四大模块

掌握了基础的技能和概念，我们可以做什么呢？

生信分析研究主要有挑、圈、联、靠四大模块。

下面请允许我先用稍微枯燥（但相对会专业且准确）的文字，来描述这四个维度的分析。

（下一个部分会形象地举例子说明每个维度，可回过头再来看此部分。）

  1. 挑（分子）： 指筛选出和疾病相关的差异表达分子。例如在类风湿关节炎的研究中，通过公共数据库下载滑膜组织表达数据，筛选得到 275 个差异基因，这就是在进行挑分子的工作。在肿瘤类疾病研究中，常常需要从海量的生物信息中找出与疾病发展密切相关的关键分子。
  2. 圈（功能）： 是对筛出的差异表达分子进行标签化、归纳和分类，如进行 GO 及 KEGG 分析。以一篇关于多形性胶质母细胞瘤的文献为例，作者先筛选出母细胞瘤中与 HOXD10 表达模式相似的一群差异基因，随后通过富集分析探索了这群基因可能参与的生物学过程、发挥的分子功能及其涉及的信号通路，这就是圈功能的体现。据统计，在已有的生信分析案例中，约 70% 的研究都运用了圈功能模块来深入理解疾病的发生机制。
  3. 联（关系）：即进行分子与分子间、或信号通路和信号通路之间的连接，如进行 PPI 分析。在蛋白质相互作用网络的研究中，通过联关系可以呈现分子之间的相互作用形式，揭示生物网络的结构和功能。例如在研究肿瘤发生发展的过程中，了解不同分子之间的相互作用关系有助于发现潜在的治疗靶点。
  4. 靠（临床）： 是指研究是否与临床表征有明确的关联，如 PFS、OS 等。在生信分析中，靠临床模块非常重要，它可以证明研究的分子具有临床意义，具有解决临床问题的潜在价值。像在类风湿关节炎的研究中，作者利用不同来源的数据，通过生存分析证明了特定基因表达水平影响患者的生存时间，又通过单因素和多因素 COX 回归分析，探索了影响患者生存的独立预后因子。
另一种说法的详尽版本

（二）生信分析实例展示

以发表于期刊 OncoTargets and Therapy 的生信相关文献为例。文献题名是 “Identification of HOXD10 as a Marker of Poor Prognosis in Glioblastoma Multiforme”，即 “HOXD10 为多形性胶质母细胞瘤预后不良的标志物”。

  1. 挑（分子）：在开始具体分析之前，此论文作者已通过前期筛选，得到了一个与母细胞瘤疾病发展相关的关键分子 HOXD10。
  2. 靠（临床）：作者首先证明，HOXD10 在肿瘤组织中的表达高于正常组织。随后作者利用不同来源（TCGA、CGGA、GEO）的数据，通过生存分析证明了 HOXD10 表达水平影响患者的生存时间。又通过单因素 COX 回归分析，探索了不同临床特征下 HOXD10 对预后的影响；通过多因素 COX 回归分析，探索了影响患者生存的独立预后因子。
  3. 圈（功能）：作者筛选出母细胞瘤中与 HOXD10 表达模式相似的一群差异基因。随后通过富集分析探索了这群基因可能参与的生物学过程、发挥的分子功能及其涉及的信号通路，发现这群基因主要与细胞因子 - 细胞因子受体相互作用通路相关。
  4. 联（关系）：作者通过蛋白 - 蛋白互作（PPI）网络，呈现了这群分子之间的相互作用形式。

通过这个实例，可以清晰地看到生信分析的各个步骤是如何紧密结合，共同揭示疾病的发生发展机制和潜在治疗靶点的。

当然，这只是其中一种研究模式的一个例子。生信所涵盖的范围之广，未来诸位会逐渐有更深的理解。下面附上一张生信分析的通用步骤图，供大家参考。

五、资源推荐助力

最后，补充一些学习资源给诸位小伙伴，可能不够详尽，但想必对初学者而言，还是够用的。

（一）在线课程推荐

  1. Coursera 上的《Bioinformatics Specialization》 by University of California, San Diego，该课程涵盖了生物信息学的多个方面，包括序列比对、基因预测、蛋白质结构功能预测等。通过实际案例和项目，可帮助大家掌握生物信息学的核心概念和技术。
  2. edX 上的《Essentials of Genomics and Biomedical Informatics》 by IsraelX，介绍了计算生物学的基本概念和方法，包括生物信息学工具和数据库的使用，以及数据分析和建模。

（二）书籍推荐

  1. Molecular Biology of the Cell by Alberts et al. 和 Essential Cell Biology by Alberts et al.，这两本书是学习基础分子生物学的经典教材，涵盖了 DNA、RNA、蛋白质的结构和功能，以及基因组学与基因表达等内容。
  2. Bioinformatics: Sequence and Genome Analysis by David W. Mount 和 Bioinformatics: A Practical Guide to the Analysis of Genes and Proteins by Andreas D. Baxevanis and B. F. Francis Ouellette，这两本书是生物信息学入门的经典教材，介绍了生物信息学的基本概念、方法和工具，包括序列比对、基因预测、蛋白质结构功能预测等。
  3. Python for Data Analysis by Wes McKinney 和 R for Data Science by Hadley Wickham and Garrett Grolemund，这两本书分别介绍了 Python 和 R 语言在数据处理和分析方面的应用，是学习生物信息学编程的重要参考书籍。
  4. Practical Statistics for Data Scientists by Peter Bruce, Andrew Bruce, and Peter Gedeck 和 Biostatistical Analysis by Jerrold H. Zar，这两本书介绍了基本的统计方法，如回归分析、方差分析等，是学习生物信息学数据分析的重要参考书籍。

（由于版权问题，只能诸位自行寻找资源了，有需要也可以私信我。）

（三）软件和工具推荐

  1. BLAST：用于序列比对的常用工具，可以快速找到与查询序列相似的序列。
  2. Genome Browser：用于浏览和分析基因组数据的工具，可以查看基因结构、调控元件等信息。
  3. Galaxy：生物信息学平台，提供了一系列工具和流程，用于数据分析和处理。
  4. Bioconductor：用于 R 语言的生物信息学软件包集合，提供了丰富的数据分析和可视化工具。

（四）数据库推荐

  1. NCBI：美国国家生物技术信息中心，提供了丰富的生物信息学数据库，包括 GenBank、PubMed、BLAST 等。
  2. Ensembl：提供了多个物种的基因组注释和分析工具，是研究基因组学的重要资源。
  3. UniProt：蛋白质数据库，提供了蛋白质的序列、结构、功能等信息。

六、结语

内容做了诸多删减，希望不会影响各位的观感，因为担心要素过多而偏离"入门"这一主题。

愿以此开门见山式的初见文章，开启与各位交流生物信息学的旅程。

下一篇，我会讲讲生物信息学这门课程领域的起源。

欢迎各位评论交流。