Ⅰ 生物信息學的研究方法及內容
免費預覽本文檔（全文）
內容不如意？提出您的需求！ 如何保證手機能下載並編輯
百萬小說圖書免費閱讀
申明敬告：本站不保證該用戶上傳的文檔完整性，不預覽、不比對內容而直接下載產生的反悔... 展開↓
文檔介紹：生物信息學 生物信息學 說文解字：生物 + 信息 + 學 (bioinformatics) biology + information + theory 廣義 應用信息科學的方法和技術，研究生物體系和生物過程中信息的存貯、信息的內涵和信息的傳遞，研究和分析生物體細胞、組織、器官的生理、病理、葯理過程中的各種生物信息，或者也可以說成是生命科學中的信息科學。 狹義 應用信息科學的理論、方法和技術，管理、分析和利用生物分子數據。 生命信息系統 生物所處的時空系統 物質系統，信息傳遞與控制，能量 相關學科圖示 廣義概念圖示 狹義概念圖示 總結：生物信息學 生物信息學(Bioinformatics) 是一門新興的交叉學科，是生命科學領域中的新興學科，面對人類基因組計劃等各種項目所產生的龐大的分子生物學信息，生物信息學的重要性將越來越突出，它將會為生命科學的研究帶來革命性的變革。 生物信息學是在生命科學的研究中，以計算機為工具對生物信息進行儲存、檢索和分析的科學。 生物信息學是當今生命科學和自然科學的重大前沿領域之一，同時也將是21世紀自然科學的核心領域之一，其研究重點主要體現在基因組學(Genomics)和蛋白組學(Proteomics) 。 生物學基礎速遞 細胞(分子水平) 個體生命 生命之樹 生命的分子基礎 細胞/分子水平 DNA/RNA 蛋白質 糖 脂類 DNA結構和鹼基互補原理 中心法則 生物信息學的歷史 從人類基因組計劃（HGP）說起 生物信息學的發展歷史 20世紀50年代，生物信息學開始孕育 20世紀60年代，生物分子信息在概念上將計算 生物學和計算機科學聯系起來 20世紀70年代，生物信息學的真正開端 20世紀70年代到80年代初期 ，出現了一系列著 名的序列比較方法和生物信息分析方法 20世紀80年代以後，出現一批生物信息服務機 構和生物信息資料庫 20世紀90年代後
Ⅱ 目前常用生物信息學分析方法有哪些
現在比較熱門的資料庫包括GEO、TCGA
GEO分析主要是晶元做差異分析，得到差異基因，差異基因可以做GO、KEGG功能富集分析
TCGA資料庫是癌症分析的利器，可以做差異基因，差異miRNA，差異lncRNA，下載和整理臨床數據，做生存分析，高難度的COX分析
這兩個資料庫可以發到不錯的文章
Ⅲ 生物信息學有哪些經典的應用實例
這是我剛開始學習perl的時候寫的一個應用bioperl做本地blast的腳本，希望有點幫助
#!/usr/bin/perl -w
use strict;
use Bio::SearchIO;
use Bio::Tools::Run::StandAloneBlast;
my $filein=shift;
open OUT,">test.out" or die "$!";
my @para=(program=>'blastn',database=>"hg18/chr1.fa",expect=>1e-10);
my $blast=Bio::Tools::Run::StandAloneBlast->new(@para);
my $str = Bio::SeqIO->new(-file=>$filein,-format =>'fasta');
while (my $input = $str->next_seq())
{
my $id=$input->display_id();
my $len=$input->length();
my $report=$blast->blastall($input);
#print "$report\n";
while(my $result=$report->next_result)
{
while(my $hit = $result->next_hit)
{
while(my $hsp = $hit->next_hsp)
{
next if($hsp->percent_identity<85);
next if($hsp->length('total')<300);
#next if($hsp->hit->strand eq $hsp->query->strand);
print OUT $id,"\t",$hit->name,"\t",$hsp->length('total'),"\t",$hsp->hit->strand,"/",$hsp->query->strand,"\t",$hsp->hit->start,"\t",$hsp->hit->end,"\t",$hsp->query->start,"\t",$hsp->query->end,"\t",$hsp->percent_identity,"\t",$hsp->evalue,"\n";
}
}
}
}
close OUT;
Ⅳ 常用的生物信息學python庫有哪些
常用的生物信息學python庫：
Tkinter
Python默認的圖形界面介面。Tkinter是一個和Tk介面的Python模塊，Tkinter庫提供了對Tk API的介面，它屬於Tcl/Tk的GUI工具組。
PyGTK
用於python GUI程序開發的GTK+庫。GTK就是用來實現GIMP和Gnome的庫。
PyQt
用於python的Qt開發庫。QT就是實現了KDE環境的那個庫，由一系列的模塊組成，有qt, qtcanvas, qtgl, qtnetwork, qtsql, qttable, qtui and qtxml，包含有300個類和超過5750個的函數和方法。PyQt還支持一個叫qtext的模塊，它包含一個QScintilla庫。該庫是Scintillar編輯器類的Qt介面。
wxPython
GUI編程框架，熟悉MFC的人會非常喜歡，簡直是同一架構（對於初學者或者對設計要求不高的用戶來說，使用Boa Constructor可以方便迅速的進行wxPython的開發）
PIL
python提供強大的圖形處理的能力，並提供廣泛的圖形文件格式支持，該庫能進行圖形格式的轉換、列印和顯示。還能進行一些圖形效果的處理，如圖形的放大、縮小和旋轉等。是Python用戶進行圖象處理的強有力工具。
Psyco
一個Python代碼加速度器，可使Python代碼的執行速度提高到與編譯語言一樣的水平。
xmpppy
Jabber伺服器採用開發的XMPP協議，Google Talk也是採用XMPP協議的IM系統。在Python中有一個xmpppy模塊支持該協議。也就是說，我們可以通過該模塊與Jabber伺服器通信，是不是很Cool。
PyMedia
用於多媒體操作的python模塊。它提供了豐富而簡單的介面用於多媒體處理(wav, mp3, ogg, avi, divx, dvd, cdda etc)。可在Windows和Linux平台下使用。
Pmw
Python megawidgets，Python超級GUI組件集，一個在python中利用Tkinter模塊構建的高級GUI組件，每個Pmw都合並了一個或多個Tkinter組件，以實現更有用和更復雜的功能。
PyXML
用Python解析和處理XML文檔的工具包，包中的4DOM是完全相容於W3C DOM規范的。它包含以下內容：
xmlproc: 一個符合規范的XML解析器。Expat: 一個快速的，非驗證的XML解析器。還有其他和他同級別的還有 PyHtml PySGML。
PyGame
用於多媒體開發和游戲軟體開發的模塊。
PyOpenGL
模塊封裝了「OpenGL應用程序編程介面」，通過該模塊python程序員可在程序中集成2D和3D的圖形。
NumPy、NumArray、SAGE
NumArray是Python的一個擴展庫，主要用於處理任意維數的固定類型數組，簡單說就是一個矩陣庫。它的底層代碼使用C來編寫，所以速度的優勢很明顯。SAGE是基於NumPy和其他幾個工具所整合成的數學軟體包，目標是取代Magma, Maple, Mathematica和Matlab 這類工具。
MySQLdb
用於連接MySQL資料庫。還有用於zope的ZMySQLDA模塊，通過它就可在zope中連接mysql資料庫。
Sqlite3
用於連接sqlite資料庫。
Python-ldap
提供一組面向對象的API，可方便地在python中訪問ldap目錄服務，它基於OpenLDAP2.x。
smtplib
發送電子郵件。
ftplib
定義了FTP類和一些方法，用以進行客戶端的ftp編程。如果想了解ftp協議的詳細內容，請參考RFC959。
PyOpenCL
OpenCL的Python介面，通過該模塊可以使用GPU實現並行計算。
Ⅳ Shen生物信息中轉錄組分析，得到這些基因id，請教下怎麼獲得相對應的基因名稱以及基因的功能
通過轉錄本的序列進行資料庫的比對，獲得對應資料庫的注釋，根據注釋信息獲知對應功能
Ⅵ 在生物信息學中，什麼是id轉換
先順序已知Contigs組Scaffold.
詳見：
Ⅶ 如何通基因的ID獲得它們的gene ontology分析報告
Ontology:哲學中稱為本體論/存在論,這里本質是指一系列特定的文字可用來形容一些特定的模式、元件或角色,因此在國外的華人生物信息學家中試譯為語義(學).
GO（gene ontology）對大家而言也許會是一個相對陌生的名詞,但是它已經成為生物信息領域中一個極為重要的方法和工具,並正在逐步改變著我們對 biological data的組織和理解方式,它的存在已經大大加快了我們對所擁有的生物數據的整合和利用,我們應該逐步學會理解和掌握這種思想和工具.
眾所周知,sequence based biology中的核心內容即是對序列的Annotation（注釋）,其中主要包含structural annotation和functional annotation,前者涉及分析sequence在genome中的locus以及exon,intron,promoter等的location,而後者則是推斷序列編碼產物的功能,也正是我們在六月論題中所著重探討的.應該說,這二者是相互關聯的.
隨著多種生物genome的相繼解碼,同時大量ESTs以及gene expression profile date的積累,使得annotation的工作量和復雜度大大增加.然而另一方面,大多數基因在不同真核生物中擁有共同的主要生物功能,通過在某些物種中獲得的基因或者蛋白質（shared protein）的生物學信息,可以用以解釋其他物種中對應的基因或蛋白（especially in comparative genomics）.由於這些繁復的功能信息主要是包含在積累的文獻之中,如何有效的提取和綜合這些信息就是我們面臨的核心困難,這也是GO所要著力解決的問題.通過建立一套具有動態形式的控制字集（controlled vocabulary）,來解釋真核基因及蛋白在細胞內所扮演的角色,並隨著生命科學研究的進步,不斷積累和更新.一個ontology會被一個控制字集來描述並給予一定的名稱,通過制定「本體」ontologies並運用統計學方法及自然語言處理技術,可以實現知識管理的專家系統控制.
到目前為止,Gene Ontology Consortium（GO的發起組織）的資料庫中有3大獨立的ontology被建立起來：biological process生物過程,molecular function分子功能及cellular component細胞組分.而這三個ontology下面又可以獨立出不同的亞層次,層層向下構成一個ontologies的樹型分支結構.可以說,GO是生物學的統一化工具.
Ⅷ 生物信息學資料庫常用的三種序列格式
一般來說所用的分析工具有在線跟下載的 下面簡要列舉一些常用在線軟體的使用 1、使用VecScreen工具，分析下列未知序列，輸出序列長度、載體序列的區域、可能使用的克隆載體都有哪些。一、步驟：
打開google 首頁，搜索VecScreen，進入VecScreen首頁，復制序列，運行，View report。
二、結果：
輸出序列長度918bp，
載體序列的區域456bp——854bp.
克隆載體：M13mp18 phage，pGEM-13Zf(+)，pBR322，pRKW2。
2、使用相應工具，分析下列未知序列的重復序列情況，輸出重復序列的區域、包含的所有重復序列的類型、重復序列的總長度及Masked Sequence。
一、步驟：
進入google首頁，進入ICBI主頁，對序列進行BLAST。得出序列是human的。
進入google首頁，搜索RepeatMasker，進入RepeatMasker主頁，進入RepeatMasking，復制序列，DNA source選擇human，運行！點擊超鏈接，在結果中選擇
Annotation File ：RM2sequpload_1287631711.out.html
3、使用CpGPlot/CpGReport/Isochore工具，分析下列未知序列，輸出CpG島的長度、區域、GC數量、所佔的百分比及Obs/Exp值。一、步驟：
進入google首頁，搜索CpGPlot，進入CpGPlot主頁，program中選擇cpgreport復制序列，運行！
二、結果：
CpG島的長度：385bp
區域：48——432；
GC數量：Sum C+G=297，百分數=77.14
Obs/Exp：1.01
4、預測下面序列的啟動子，輸出可能的啟動子序列及相應的位置。一、步驟：
進入google首頁，進入ICBI主頁，對序列進行BLAST。得出序列是human的
進入google首頁，搜索Neural Network Promoter Prediction，進入主頁，復制序列，選擇eukaryote，運行！
二、結果：
位置：711—761 ，1388—1438，1755—1805；
5、運用Splice Site Prediction工具分析下面序列，分別輸出內含子－外顯子剪接位點給體和受體的區域及剪接處位置的鹼基。一、步驟：
進入google首頁，進入ICBI主頁，對序列進行BLAST。得出序列是human的
進入google首頁，搜索Splice Site Prediction，進入主頁，復制序列。Organism選擇Human or other。其他默認，運行！
二、結果：
供體：
受體：
6、對下面序列進行六框翻譯，利用GENESCAN綜合分析(首先確定給定序列的物種來源)哪個ORF是正確的，輸出六框翻譯（抓圖）和GENESCAN結果(包括predicted genes/exons 和 predicted peptide sequence(s) 兩個部分)。一、步驟：
進入google首頁，進入ICBI主頁，對序列進行BLAST。得出序列是Zea的
進入google首頁；搜索NCBI，進入主頁，選擇all resources（A~Z），選擇O，選擇ORF finder。復制序列，默認，運行！
二、結果：ORF圖
三、步驟：進入google首頁，搜索GENESCAN，進入主頁，Organism:Maize， ，其他默認，運行！
四、結果：
G7、進入REBASE限制性內切酶資料庫，輸出AluI、MboI、EcoI三種內酶的Recognition Sequence和Type。
一、步驟：進入google首頁，google in English，搜索REBASE，進入主頁， 分別輸入AluI、MboI、EcoI，運行！
在MboI中選擇第一個，EcoI選擇第二個。
二、結果：
ENSCAN圖
8、使用引物設計工具，針對下列未知序列設計一對引物，要求引物長度為20-25bp，擴增產物長度300-500bp，退火溫度為50-60℃。請寫出選擇的一對引物（Forward Primer and Reverse Primer）、及相應的GC含量、引物的位點、Tm值和產物長度。一、步驟：進入google首頁，搜索genefisher，進入主頁，復制fasta格式，chechk input， sunmit， ； ；設置一下引物長度為20-25bp，擴增產物長度300-500bp，退火溫度為50-60℃； 。
Ⅸ 生物信息學畢業論文，如何選題格式有要求嗎
生物信息學推薦系統設計
關鍵詞：推薦系統；生物信息學
推薦系統(RecommenderSystem)[1]是個性化信息服務的主要技術之一，它實現的是「信息找人，按需服務」；通過對用戶信息需要、興趣愛好和訪問歷史等的收集分析，建立用戶模型，並將用戶模型應用於網上信息的過濾和排序，從而為用戶提供感興趣的資源和信息。生物信息學(Bioinformatics)[2,3]是由生物學、應用數學和計算機科學相互交叉所形成的一門新型學科；其實質是利用信息科學的方法和技術來解決生物學問題。20世紀末生物信息學迅速發展，在信息的數量和質量上都極大地豐富了生物科學的數據資源，而數據資源的急劇膨脹需要尋求一種科學而有力的工具來組織它們，基於生物信息學的二次資料庫[4]能比較好地規范生物數據的分類與組織，但是用戶無法從大量的生物數據中尋求自己感興趣的部分（著名的生物信息學網站NCBI(美國國立生物技術信息中心)，僅僅是小孢子蟲(Microsporidia)的DNA序列就達3399種），因此在生物二次資料庫上建立個性化推薦系統，能使用戶快速找到自己感興趣的生物信息。特別是在當前生物信息數據量急劇增長的情況下，生物信息學推薦系統將發揮強大的優勢。
1推薦系統的工作流程
應用在不同領域的推薦系統，其體系結構也不完全相同。一般而言，推薦系統的工作流程[5]如圖1所示。
(1)信息獲取。推薦系統工作的基礎是用戶信息。用戶信息包括用戶輸入的關鍵詞、項目的有關屬性、用戶對項目的文本評價或等級評價及用戶的行為特徵等，所有這些信息均可以作為形成推薦的依據。信息獲取有兩種類型[6]，即顯式獲取(Explicit)和隱式獲取(Implicit)，由於用戶的很多行為都能暗示用戶的喜好，因此隱式獲取信息的准確性比顯式高一些。
(2)信息處理。信息獲取階段所獲得的用戶信息，一般根據推薦技術的不同對信息進行相應的處理。用戶信息的存儲格式中用得最多的是基於數值的矩陣格式，最常用的是用m×n維的用戶—項目矩陣R來表示，矩陣中的每個元素Rij=第i個用戶對第j個項目的評價，可以當做數值處理，矩陣R被稱為用戶—項目矩陣。
(3)個性化推薦。根據形成推薦的方法的不同可以分為三種，即基於規則的系統、基於內容過濾的系統和協同過濾系統。基於規則的推薦系統和基於內容過濾的推薦系統均只能為用戶推薦過去喜歡的項目和相似的項目，並不能推薦用戶潛在感興趣的項目。而協同過濾系統能推薦出用戶近鄰所喜歡的項目，通過用戶與近鄰之間的「交流」，發現用戶潛在的興趣。因此本文所用的演算法是基於協同過濾的推薦演算法。
(4)推薦結果。顯示的任務是把推薦演算法生成的推薦顯示給用戶，完成對用戶的推薦。目前最常用的推薦可視化方法是Top－N列表[7]，按照從大到小順序把推薦分值最高的N個事物或者最權威的N條評價以列表的形式顯示給用戶。
2生物信息學推薦系統的設計
綜合各種推薦技術的性能與優缺點，本文構造的生物信息學推薦系統的總體結構如圖2所示。
生物信息學推薦系統實現的主要功能是在用戶登錄生物信息學網站時，所留下的登錄信息通過網站傳遞到推薦演算法部分；推薦演算法根據該用戶的用戶名從資料庫提取出推薦列表，並返回到網站的用戶界面；用戶訪問的記錄返回到資料庫，系統定時調用推薦演算法，對資料庫中用戶訪問信息的數據進行分析計算，形成推薦列表。
本系統採用基於近鄰的協同過濾推薦演算法，其結構可以進一步細化為如圖3所示。演算法分為鄰居形成和推薦形成兩大部分，兩部分可以獨立進行。這是該推薦系統有別於其他系統的優勢之一。由於信息獲取後的用戶—項目矩陣維數較大，使得系統的可擴展性降低。本系統採用SVD矩陣降維方法，減少用戶—項目矩陣的維數，在計算用戶相似度時大大降低了運算的次數，提高了推薦演算法的效率。
(1)信息獲取。用戶對項目的評價是基於用戶對某一個項目(為表示簡單，以下提及的項目均指網站上的生物物種)的點擊次數來衡量的。當一個用戶注冊並填寫好個人情況以後，系統會自動為該用戶創建一個「信息矩陣」，該矩陣保存了所有項目的ID號以及相應的用戶評價，保存的格式為：S+編號+用戶評價，S用於標記項目，每個項目編號及其評價都以「S」相隔開；編號是唯一的，佔5位；用戶評價是用戶點擊該項目的次數，規定其范圍是0~100，系統設定當增加到100時不再變化。這樣做可防止形成矩陣時矩陣評價相差值過大而使推薦結果不準確。(2)信息處理。信息處理是將所有用戶的信息矩陣轉換為用戶—項目矩陣，使用戶信息矩陣數值化，假設系統中有M個用戶和N個項目，信息處理的目的就是創建一個M×N的矩陣R，R[I][J]代表用戶I對項目J的評價。
(3)矩陣處理。協同過濾技術的用戶—項目矩陣的數據表述方法所帶來的稀疏性嚴重製約了推薦效果，而且在系統較大的情況下，它既不能精確地產生推薦集，又忽視了數據之間潛在的關系，發現不了用戶潛在的興趣，而且龐大的矩陣增加了計算的復雜度，因此有必要對該矩陣的表述方式做優化，進行矩陣處理。維數簡化是一種較好的方法，本文提出的演算法應用單值分解(SingularValueDecomposition，SVD)技術[8]，對用戶—項目矩陣進行維數簡化。
(4)相似度計算。得到降維以後的用戶矩陣US，就可以尋找每個用戶的近鄰。近鄰的確定是通過兩個用戶的相似度來度量的。本文採用Pearson相關度因子[9]求相似度。(5)計算用戶鄰居。該方法有兩種[10]，即基於中心的鄰居(Center－BasedNeighbor)和集合鄰居(AggregateNeighbor)。本系統採用了第一種方法，直接找出與用戶相似度最高的前N個用戶作為鄰居，鄰居個數N由系統設定，比如規定N＝5。
(6)推薦形成。推薦形成的前提是把當前用戶的鄰居ID號及其與當前用戶的相似度保存到資料庫中，而在前面的工作中已找出各用戶的鄰居以及與用戶的相似度，推薦形成部分只需要對當前登錄用戶進行計算。推薦策略是：對當前用戶已經訪問過的項目不再進行推薦，推薦的范圍是用戶沒有訪問的項目，其目的是推薦用戶潛在感興趣的項目；考慮到系統的項目比較多，用戶交互項目的數量很大，所以只篩選出推薦度最大的N個項目，形成Top－N推薦集，設定N＝5。
3生物信息學推薦系統的實現
生物信息學推薦系統的實現可以用圖4來表示。資料庫部分主要存儲用戶信息和項目信息，用SQLServer2000實現。
數據訪問層實現了與用戶交互必需的存儲過程以及觸發器，也使用SQLServer2000，主要完成以下功能：初始化新用戶信息矩陣；插入新項目時更新所有用戶的信息矩陣；用戶點擊項目時更新該用戶對項目的評價；刪除項目時更新所有用戶的信息矩陣。用戶訪問層主要涉及網頁與用戶的交互和調用數據訪問層的存儲過程，在這里不做詳細的介紹。
推薦演算法完成整個個性化推薦的任務，用Java實現。(1)數據連接類DataCon。該類完成與SQLServer2000資料庫的連接，在連接之前必須要下載三個與SQLServer連接相關的包，即msutil.jar、msbase.jar和mssqlserver.jar。
(2)數據操作類DataControl。該類負責推薦演算法與資料庫的數據交換，靜態成員Con調用DataCon.getcon()獲得資料庫連接，然後對資料庫進行各種操作。把所有方法編寫成靜態，便於推薦演算法中不創建對象就可以直接調用。
(3)RecmmendSource與CurrentUserNeighbor。這兩個類作為FCRecommand類的內部類，RecmmendSource用於保存當前用戶的推薦列表，包括推薦項目號和推薦度；CurrentUserNeighbor用於保存鄰居信息，包括鄰居ID號、相似度及其訪問信息。
(4)協同過濾推薦演算法FCRecommand。該類實現了整個推薦演算法，主要分為鄰居形成方法FCArithmetic和推薦形成方法GenerateRecommend。
下面給出方法FCArithmetic的關鍵代碼：
Matrixuser_item=this.User_Item_Arry();//獲取用戶—項目矩陣
user_item=this.SVD_Calculate(user_item);//調用SVD降維方法
Vectorc_uservector=newVector();//當前用戶向量
Vectoro_uservector=newVector();//其他用戶向量
Vectorc_user_correlate_vector=newVector();
//當前用戶與其他用戶之間相似度向量
for(inti=0;ifor(intj=0;jc_uservector.addElement(user_item.get(i,j));
//1.獲得當前用戶向量
for(intk=0;ko_uservector.clear();
for(intl=0;lo_uservector.addElement(user_item.get(k,l));
//2.獲得其他用戶的向量
//3.計算當前用戶與其他用戶的相似度
usercorrelativity=this.Correlativity(c_uservector,o_uservector);
c_user_correlate_vector.addElement(usercorrelativity);
}
//4.根據當前用戶與其他用戶的相似度，計算其鄰居
this.FindUserNeighbor(i,c_user_correlate_vector);
}
根據鄰居形成方法FCArithmetic，可以得到每個用戶的鄰居。作為測試用例，圖6顯示用戶Jack與系統中一部分用戶的相似度，可以看出它與自己的相似度必定最高；並且它與用戶Sugx訪問了相同的項目，它們之間的相似度也為1，具有極高的相似度。
4結束語
在傳統推薦系統的基礎上，結合當前生物信息學網站的特點，提出一個基於生物信息平台的推薦系統，解決了傳統生物信息網站平台信息迷茫的缺點，為用戶推薦其感興趣物種的DNA或蛋白質序列。
優點在於協同過濾的推薦演算法能發現用戶潛在的興趣，能促進生物學家之間的交流；推薦演算法的鄰居形成與推薦形成兩部分可以單獨運行，減少了系統的開銷。進一步的工作是分析生物數據的特點及生物數據之間的關系，增加用戶和項目數量，更好地發揮推薦系統的優勢。
參考文獻：
［1］PAULR，HALRV.Recommendersystems[J].CommunicationsoftheACM，1997,40(3):56－58.
[2]陳新.生物信息學簡介[EB/OL].(2001).http://166.111.68.168/bioinfo/papers/Chen_Xin.pdf.
[3]林毅申,林丕源.基於WebServices的生物信息解決方案[J].計算機應用研究,2005,22(6):157－158,164.[4]邢仲璟,林丕源,林毅申.基於Bioperl的生物二次資料庫建立及應用[J].計算機系統應用,2004(11):58－60.
Ⅹ 生物信息學一些基本的常用軟體有哪些
最常用的東西：
1，你需要會用 Linux，會使用 bash
2，高於入門級的統計學知識，以及一門統計語言，比如 R
3，至少一門編程語言，一般來講 C++, Perl, Python, Java 這幾種中的一種。
4，對於你工作的領域，需要懂這方面的生物學知識，也需要知道目前人們在這個領域里都用什麼其他軟體。
以上四點我覺得必不可少。其他的知識則取決於你是什麼領域。比如如果你要研發高性能的序列比對軟體，則演算法和並行計算的知識必不可少。——本人自己演算法很渣，所以沒有把算啊列在以上必備的知識里。如果要頻繁存取大量數據，則懂得一種資料庫必不可少，比如MySQL。