🧬 11 · 生物信息学面试八股与高频题¶
冲刺篇:60 连问速答 + 手撕清单。 建议先自答再看答案;手撕题在代码格里现场写。
1️⃣ 序列与格式 10 问¶
Copied!
qa1 = [
('FASTA 与 FASTQ 区别', "FASTA: >id+序列;FASTQ: @id+序列+质量(Phred ASCII)"),
('Phred 质量 Q30 含义', '错误概率 10^(-30/10)=0.1%,即万分之一'),
('Q 值 ASCII 编码', 'Sanger/Illumina 用 chr(Q+33)'),
('互补配对', 'A-T, C-G;RNA 为 A-U'),
('为什么关心 GC 含量', '影响 Tm、二代测序覆盖、物种识别(GC% 是基因组特征)'),
('k-mer 用途', '组装(de Bruijn 图)、比对 seed、宏基因组指纹、距离估计'),
('反向互补是什么', "序列倒序后逐个互补,是双链 DNA 的标准 5'->3' 表示"),
('测序深度与覆盖度', '深度=平均每个碱基被读多少次;覆盖度=至少有 1 读的碱基比例'),
('读长与片段', '读长 150bp 常见;片段大小影响插入片段文库与组装连续性'),
('为什么要去接头', '接头序列会被测到,污染比对与组装'),
]
for q, a in qa1:
print('Q:', q)
print('A:', a)
print('-' * 46)
print('格式类 10 问完成 ✅')
qa1 = [
('FASTA 与 FASTQ 区别', "FASTA: >id+序列;FASTQ: @id+序列+质量(Phred ASCII)"),
('Phred 质量 Q30 含义', '错误概率 10^(-30/10)=0.1%,即万分之一'),
('Q 值 ASCII 编码', 'Sanger/Illumina 用 chr(Q+33)'),
('互补配对', 'A-T, C-G;RNA 为 A-U'),
('为什么关心 GC 含量', '影响 Tm、二代测序覆盖、物种识别(GC% 是基因组特征)'),
('k-mer 用途', '组装(de Bruijn 图)、比对 seed、宏基因组指纹、距离估计'),
('反向互补是什么', "序列倒序后逐个互补,是双链 DNA 的标准 5'->3' 表示"),
('测序深度与覆盖度', '深度=平均每个碱基被读多少次;覆盖度=至少有 1 读的碱基比例'),
('读长与片段', '读长 150bp 常见;片段大小影响插入片段文库与组装连续性'),
('为什么要去接头', '接头序列会被测到,污染比对与组装'),
]
for q, a in qa1:
print('Q:', q)
print('A:', a)
print('-' * 46)
print('格式类 10 问完成 ✅')
Q: FASTA 与 FASTQ 区别 A: FASTA: >id+序列;FASTQ: @id+序列+质量(Phred ASCII) ---------------------------------------------- Q: Phred 质量 Q30 含义 A: 错误概率 10^(-30/10)=0.1%,即万分之一 ---------------------------------------------- Q: Q 值 ASCII 编码 A: Sanger/Illumina 用 chr(Q+33) ---------------------------------------------- Q: 互补配对 A: A-T, C-G;RNA 为 A-U ---------------------------------------------- Q: 为什么关心 GC 含量 A: 影响 Tm、二代测序覆盖、物种识别(GC% 是基因组特征) ---------------------------------------------- Q: k-mer 用途 A: 组装(de Bruijn 图)、比对 seed、宏基因组指纹、距离估计 ---------------------------------------------- Q: 反向互补是什么 A: 序列倒序后逐个互补,是双链 DNA 的标准 5'->3' 表示 ---------------------------------------------- Q: 测序深度与覆盖度 A: 深度=平均每个碱基被读多少次;覆盖度=至少有 1 读的碱基比例 ---------------------------------------------- Q: 读长与片段 A: 读长 150bp 常见;片段大小影响插入片段文库与组装连续性 ---------------------------------------------- Q: 为什么要去接头 A: 接头序列会被测到,污染比对与组装 ---------------------------------------------- 格式类 10 问完成 ✅
2️⃣ 序列比对 10 问¶
Copied!
qa2 = [
('全局 vs 局部比对', '全局(NW)全长最优,同源全长;局部(SW)找最相似子片段'),
('Needleman-Wunsch 思想', '动态规划:match/mismatch/gap 打分,回溯最优路径'),
('Smith-Waterman 区别', '0 初始化、负值截断、从最大分回溯=局部'),
('空位罚分线性/仿射', '仿射=开启罚分+延伸罚分,更贴近真实 indel 事件'),
('打分矩阵 BLOSUM/PAM', '氨基酸替换得分矩阵;BLOSUM62 常用,PAM 按进化距离标定'),
('比对的应用', '同源注释、变异检测、RNA-seq 定量定位、进化树构建'),
('为什么 DNA 比对可比蛋白难', '密码子简并:同义突变多,蛋白信息更保守可辨'),
('HMM 与比对', 'Profile HMM 描述位点保守模式,可搜索序列家族(HMMER)'),
('比对复杂度', 'NW/SW 都是 O(n*m) 时间空间;长序列用 seed-extend 启发式'),
('多序列比对 MSA', 'Clustal/MUSCLE/MAFFT;代表每个位点的保守性'),
]
for q, a in qa2:
print('Q:', q)
print('A:', a)
print('-' * 46)
print('比对类 10 问完成 ✅')
qa2 = [
('全局 vs 局部比对', '全局(NW)全长最优,同源全长;局部(SW)找最相似子片段'),
('Needleman-Wunsch 思想', '动态规划:match/mismatch/gap 打分,回溯最优路径'),
('Smith-Waterman 区别', '0 初始化、负值截断、从最大分回溯=局部'),
('空位罚分线性/仿射', '仿射=开启罚分+延伸罚分,更贴近真实 indel 事件'),
('打分矩阵 BLOSUM/PAM', '氨基酸替换得分矩阵;BLOSUM62 常用,PAM 按进化距离标定'),
('比对的应用', '同源注释、变异检测、RNA-seq 定量定位、进化树构建'),
('为什么 DNA 比对可比蛋白难', '密码子简并:同义突变多,蛋白信息更保守可辨'),
('HMM 与比对', 'Profile HMM 描述位点保守模式,可搜索序列家族(HMMER)'),
('比对复杂度', 'NW/SW 都是 O(n*m) 时间空间;长序列用 seed-extend 启发式'),
('多序列比对 MSA', 'Clustal/MUSCLE/MAFFT;代表每个位点的保守性'),
]
for q, a in qa2:
print('Q:', q)
print('A:', a)
print('-' * 46)
print('比对类 10 问完成 ✅')
Q: 全局 vs 局部比对 A: 全局(NW)全长最优,同源全长;局部(SW)找最相似子片段 ---------------------------------------------- Q: Needleman-Wunsch 思想 A: 动态规划:match/mismatch/gap 打分,回溯最优路径 ---------------------------------------------- Q: Smith-Waterman 区别 A: 0 初始化、负值截断、从最大分回溯=局部 ---------------------------------------------- Q: 空位罚分线性/仿射 A: 仿射=开启罚分+延伸罚分,更贴近真实 indel 事件 ---------------------------------------------- Q: 打分矩阵 BLOSUM/PAM A: 氨基酸替换得分矩阵;BLOSUM62 常用,PAM 按进化距离标定 ---------------------------------------------- Q: 比对的应用 A: 同源注释、变异检测、RNA-seq 定量定位、进化树构建 ---------------------------------------------- Q: 为什么 DNA 比对可比蛋白难 A: 密码子简并:同义突变多,蛋白信息更保守可辨 ---------------------------------------------- Q: HMM 与比对 A: Profile HMM 描述位点保守模式,可搜索序列家族(HMMER) ---------------------------------------------- Q: 比对复杂度 A: NW/SW 都是 O(n*m) 时间空间;长序列用 seed-extend 启发式 ---------------------------------------------- Q: 多序列比对 MSA A: Clustal/MUSCLE/MAFFT;代表每个位点的保守性 ---------------------------------------------- 比对类 10 问完成 ✅
3️⃣ 搜索与 BLAST 10 问¶
Copied!
qa3 = [
('BLAST 流程', '查询拆 k-mer → 索引命中 seed → 双方向延伸成 HSP → 显著打分'),
('E-value 含义', '随机数据库中期望出现同分命中的次数;越小越显著'),
('E-value vs p-value', 'p 是单次命中显著性;E 是整个库搜索的期望次数,随库大小变大'),
('identity 与 coverage', '一致性与覆盖度:两个基因 100% identity 但只覆盖一半也不可信'),
('seed 长度', 'DNA k=11 左右、蛋白 3aa;太短假阳性多,太长漏掉远亲'),
('index 数据结构', '哈希表/k-mer 检索;基因组大用 FM-index(后缀索引)'),
('HSP 是什么', '高分片段对:seed 延伸得到的局部无空位/有空位对齐'),
('为什么用蛋白再回译', '蛋白同源更敏感,可结合密码子信息注释基因'),
('比对工具选择', '短读: BWA/bowtie2;long read: minimap2;蛋白质: DIAMOND/BLAST'),
('假阳性怎么控', 'E 阈值、比对质量、覆盖率、多序列一致性验证'),
]
for q, a in qa3:
print('Q:', q)
print('A:', a)
print('-' * 46)
print('搜索类 10 问完成 ✅')
qa3 = [
('BLAST 流程', '查询拆 k-mer → 索引命中 seed → 双方向延伸成 HSP → 显著打分'),
('E-value 含义', '随机数据库中期望出现同分命中的次数;越小越显著'),
('E-value vs p-value', 'p 是单次命中显著性;E 是整个库搜索的期望次数,随库大小变大'),
('identity 与 coverage', '一致性与覆盖度:两个基因 100% identity 但只覆盖一半也不可信'),
('seed 长度', 'DNA k=11 左右、蛋白 3aa;太短假阳性多,太长漏掉远亲'),
('index 数据结构', '哈希表/k-mer 检索;基因组大用 FM-index(后缀索引)'),
('HSP 是什么', '高分片段对:seed 延伸得到的局部无空位/有空位对齐'),
('为什么用蛋白再回译', '蛋白同源更敏感,可结合密码子信息注释基因'),
('比对工具选择', '短读: BWA/bowtie2;long read: minimap2;蛋白质: DIAMOND/BLAST'),
('假阳性怎么控', 'E 阈值、比对质量、覆盖率、多序列一致性验证'),
]
for q, a in qa3:
print('Q:', q)
print('A:', a)
print('-' * 46)
print('搜索类 10 问完成 ✅')
Q: BLAST 流程 A: 查询拆 k-mer → 索引命中 seed → 双方向延伸成 HSP → 显著打分 ---------------------------------------------- Q: E-value 含义 A: 随机数据库中期望出现同分命中的次数;越小越显著 ---------------------------------------------- Q: E-value vs p-value A: p 是单次命中显著性;E 是整个库搜索的期望次数,随库大小变大 ---------------------------------------------- Q: identity 与 coverage A: 一致性与覆盖度:两个基因 100% identity 但只覆盖一半也不可信 ---------------------------------------------- Q: seed 长度 A: DNA k=11 左右、蛋白 3aa;太短假阳性多,太长漏掉远亲 ---------------------------------------------- Q: index 数据结构 A: 哈希表/k-mer 检索;基因组大用 FM-index(后缀索引) ---------------------------------------------- Q: HSP 是什么 A: 高分片段对:seed 延伸得到的局部无空位/有空位对齐 ---------------------------------------------- Q: 为什么用蛋白再回译 A: 蛋白同源更敏感,可结合密码子信息注释基因 ---------------------------------------------- Q: 比对工具选择 A: 短读: BWA/bowtie2;long read: minimap2;蛋白质: DIAMOND/BLAST ---------------------------------------------- Q: 假阳性怎么控 A: E 阈值、比对质量、覆盖率、多序列一致性验证 ---------------------------------------------- 搜索类 10 问完成 ✅
4️⃣ 基因结构与表达 10 问¶
Copied!
qa4 = [
('ORF 是什么', '由起始密码子(ATG)到终止密码子的连续编码区'),
('6 框翻译', '正链 3 框 + 反链 3 框,各自从偏移 0/1/2 位读取'),
('外显子/内含子', '编码外显子被剪接,内含子去除;真核基因注释需要转录组辅助'),
('启动子', '基因上游调控序列,结合转录因子启动转录'),
('RNA-seq 流程', '质控→比对/定量→归一化→差异表达→富集'),
('TPM vs RPKM', 'TPM 按 RPK 占比归一、总和 1e6;跨样本相对丰度更可比'),
('为什么要归一化', '测序深度不同、基因长度不同,原始计数不可直接比较'),
('差异表达工具', 'DESeq2(负二项)、edgeR、limma;都做 FDR 校正'),
('log2FC 阈值', '|log2FC|≥1(2 倍变化)+ 校正后 p<0.05 常见'),
('火山图解读', 'x=log2FC, y=-log10(p);右上上调、左上下调'),
]
for q, a in qa4:
print('Q:', q)
print('A:', a)
print('-' * 46)
print('基因表达类 10 问完成 ✅')
qa4 = [
('ORF 是什么', '由起始密码子(ATG)到终止密码子的连续编码区'),
('6 框翻译', '正链 3 框 + 反链 3 框,各自从偏移 0/1/2 位读取'),
('外显子/内含子', '编码外显子被剪接,内含子去除;真核基因注释需要转录组辅助'),
('启动子', '基因上游调控序列,结合转录因子启动转录'),
('RNA-seq 流程', '质控→比对/定量→归一化→差异表达→富集'),
('TPM vs RPKM', 'TPM 按 RPK 占比归一、总和 1e6;跨样本相对丰度更可比'),
('为什么要归一化', '测序深度不同、基因长度不同,原始计数不可直接比较'),
('差异表达工具', 'DESeq2(负二项)、edgeR、limma;都做 FDR 校正'),
('log2FC 阈值', '|log2FC|≥1(2 倍变化)+ 校正后 p<0.05 常见'),
('火山图解读', 'x=log2FC, y=-log10(p);右上上调、左上下调'),
]
for q, a in qa4:
print('Q:', q)
print('A:', a)
print('-' * 46)
print('基因表达类 10 问完成 ✅')
Q: ORF 是什么 A: 由起始密码子(ATG)到终止密码子的连续编码区 ---------------------------------------------- Q: 6 框翻译 A: 正链 3 框 + 反链 3 框,各自从偏移 0/1/2 位读取 ---------------------------------------------- Q: 外显子/内含子 A: 编码外显子被剪接,内含子去除;真核基因注释需要转录组辅助 ---------------------------------------------- Q: 启动子 A: 基因上游调控序列,结合转录因子启动转录 ---------------------------------------------- Q: RNA-seq 流程 A: 质控→比对/定量→归一化→差异表达→富集 ---------------------------------------------- Q: TPM vs RPKM A: TPM 按 RPK 占比归一、总和 1e6;跨样本相对丰度更可比 ---------------------------------------------- Q: 为什么要归一化 A: 测序深度不同、基因长度不同,原始计数不可直接比较 ---------------------------------------------- Q: 差异表达工具 A: DESeq2(负二项)、edgeR、limma;都做 FDR 校正 ---------------------------------------------- Q: log2FC 阈值 A: |log2FC|≥1(2 倍变化)+ 校正后 p<0.05 常见 ---------------------------------------------- Q: 火山图解读 A: x=log2FC, y=-log10(p);右上上调、左上下调 ---------------------------------------------- 基因表达类 10 问完成 ✅
5️⃣ 变异与进化 10 问¶
Copied!
qa5 = [
('SNP/Indel/SV/CNV', '单碱基替换/小插入缺失/大片段结构变异/拷贝数变化'),
('VCF 固定列', 'CHROM POS ID REF ALT QUAL FILTER INFO'),
('等位基因频率', 'AF = 变异等位基因拷贝数 / (2N);MAF 取较小者'),
('基因型 GT', '0/0 纯合参考、0/1 杂合、1/1 纯合变异'),
('Hardy-Weinberg', '群体平衡 p²+2pq+q²=1;偏离提示选择/迁移/测序错误'),
('UPGMA vs NJ', 'UPGMA 假设分子钟(超度量);NJ 不假设,用净分化速率矫正'),
('bootstrap 支持率', '重采样 MSA 重建设树,节点重现频率;>70% 可信'),
('分子钟', '序列差异与分化时间近似成正比;用于定年(需校正)'),
('p-distance vs JC', 'p=直接差异比例;JC 校正多重替换(饱和)'),
('系统发育树读法', '分支长度=差异量;节点支持率=置信度;姐妹群=最近共同祖先'),
]
for q, a in qa5:
print('Q:', q)
print('A:', a)
print('-' * 46)
print('变异与进化 10 问完成 ✅')
qa5 = [
('SNP/Indel/SV/CNV', '单碱基替换/小插入缺失/大片段结构变异/拷贝数变化'),
('VCF 固定列', 'CHROM POS ID REF ALT QUAL FILTER INFO'),
('等位基因频率', 'AF = 变异等位基因拷贝数 / (2N);MAF 取较小者'),
('基因型 GT', '0/0 纯合参考、0/1 杂合、1/1 纯合变异'),
('Hardy-Weinberg', '群体平衡 p²+2pq+q²=1;偏离提示选择/迁移/测序错误'),
('UPGMA vs NJ', 'UPGMA 假设分子钟(超度量);NJ 不假设,用净分化速率矫正'),
('bootstrap 支持率', '重采样 MSA 重建设树,节点重现频率;>70% 可信'),
('分子钟', '序列差异与分化时间近似成正比;用于定年(需校正)'),
('p-distance vs JC', 'p=直接差异比例;JC 校正多重替换(饱和)'),
('系统发育树读法', '分支长度=差异量;节点支持率=置信度;姐妹群=最近共同祖先'),
]
for q, a in qa5:
print('Q:', q)
print('A:', a)
print('-' * 46)
print('变异与进化 10 问完成 ✅')
Q: SNP/Indel/SV/CNV A: 单碱基替换/小插入缺失/大片段结构变异/拷贝数变化 ---------------------------------------------- Q: VCF 固定列 A: CHROM POS ID REF ALT QUAL FILTER INFO ---------------------------------------------- Q: 等位基因频率 A: AF = 变异等位基因拷贝数 / (2N);MAF 取较小者 ---------------------------------------------- Q: 基因型 GT A: 0/0 纯合参考、0/1 杂合、1/1 纯合变异 ---------------------------------------------- Q: Hardy-Weinberg A: 群体平衡 p²+2pq+q²=1;偏离提示选择/迁移/测序错误 ---------------------------------------------- Q: UPGMA vs NJ A: UPGMA 假设分子钟(超度量);NJ 不假设,用净分化速率矫正 ---------------------------------------------- Q: bootstrap 支持率 A: 重采样 MSA 重建设树,节点重现频率;>70% 可信 ---------------------------------------------- Q: 分子钟 A: 序列差异与分化时间近似成正比;用于定年(需校正) ---------------------------------------------- Q: p-distance vs JC A: p=直接差异比例;JC 校正多重替换(饱和) ---------------------------------------------- Q: 系统发育树读法 A: 分支长度=差异量;节点支持率=置信度;姐妹群=最近共同祖先 ---------------------------------------------- 变异与进化 10 问完成 ✅
6️⃣ 宏基因组与群落 10 问¶
Copied!
qa6 = [
('宏基因组 vs 16S', '16S 扩增子看物种组成便宜;WGS 宏基因组可无偏看物种+功能'),
('OTU vs ASV', 'OTU=97% 相似度聚类;ASV=单碱基精确(DADA2),可跨研究比较'),
('α 多样性', '单样本内:Shannon(熵)、Simpson(集中度)、Chao1(物种数估计)'),
('β 多样性', '样本间组成差异:Bray-Curtis(丰度)、Jaccard(有无)'),
('PCoA/NMDS', 'PCoA 直接特征分解距离矩阵;NMDS 只保留秩信息'),
('PERMANOVA', '置换检验:分组是否显著解释群落差异'),
('稀疏曲线', '测序深度 vs 观察物种数;平台期=深度够'),
('抽平 rarefaction', '样本抽到相同深度再比多样性,避免深度偏差'),
('F/B 比值', '厚壁菌/拟杆菌比常被关联代谢——争议大,需谨慎'),
('功能注释', 'KEGG 通路/GO 本体/COG 功能/CAZy 糖酶;DIAMOND 比对+超几何富集'),
]
for q, a in qa6:
print('Q:', q)
print('A:', a)
print('-' * 46)
print('宏基因组 10 问完成 ✅')
qa6 = [
('宏基因组 vs 16S', '16S 扩增子看物种组成便宜;WGS 宏基因组可无偏看物种+功能'),
('OTU vs ASV', 'OTU=97% 相似度聚类;ASV=单碱基精确(DADA2),可跨研究比较'),
('α 多样性', '单样本内:Shannon(熵)、Simpson(集中度)、Chao1(物种数估计)'),
('β 多样性', '样本间组成差异:Bray-Curtis(丰度)、Jaccard(有无)'),
('PCoA/NMDS', 'PCoA 直接特征分解距离矩阵;NMDS 只保留秩信息'),
('PERMANOVA', '置换检验:分组是否显著解释群落差异'),
('稀疏曲线', '测序深度 vs 观察物种数;平台期=深度够'),
('抽平 rarefaction', '样本抽到相同深度再比多样性,避免深度偏差'),
('F/B 比值', '厚壁菌/拟杆菌比常被关联代谢——争议大,需谨慎'),
('功能注释', 'KEGG 通路/GO 本体/COG 功能/CAZy 糖酶;DIAMOND 比对+超几何富集'),
]
for q, a in qa6:
print('Q:', q)
print('A:', a)
print('-' * 46)
print('宏基因组 10 问完成 ✅')
Q: 宏基因组 vs 16S A: 16S 扩增子看物种组成便宜;WGS 宏基因组可无偏看物种+功能 ---------------------------------------------- Q: OTU vs ASV A: OTU=97% 相似度聚类;ASV=单碱基精确(DADA2),可跨研究比较 ---------------------------------------------- Q: α 多样性 A: 单样本内:Shannon(熵)、Simpson(集中度)、Chao1(物种数估计) ---------------------------------------------- Q: β 多样性 A: 样本间组成差异:Bray-Curtis(丰度)、Jaccard(有无) ---------------------------------------------- Q: PCoA/NMDS A: PCoA 直接特征分解距离矩阵;NMDS 只保留秩信息 ---------------------------------------------- Q: PERMANOVA A: 置换检验:分组是否显著解释群落差异 ---------------------------------------------- Q: 稀疏曲线 A: 测序深度 vs 观察物种数;平台期=深度够 ---------------------------------------------- Q: 抽平 rarefaction A: 样本抽到相同深度再比多样性,避免深度偏差 ---------------------------------------------- Q: F/B 比值 A: 厚壁菌/拟杆菌比常被关联代谢——争议大,需谨慎 ---------------------------------------------- Q: 功能注释 A: KEGG 通路/GO 本体/COG 功能/CAZy 糖酶;DIAMOND 比对+超几何富集 ---------------------------------------------- 宏基因组 10 问完成 ✅
7️⃣ 手撕清单(6 道)¶
现场写代码/手算:1) GC 含量 2) 反向互补 3) NW 全局比对 4) 香农熵 5) Bray-Curtis 6) 等位基因频率
Copied!
# 手撕1: GC 含量
def gc(s): return (s.count('G') + s.count('C')) / len(s)
# 手撕2: 反向互补
COMP = {'A':'T','T':'A','C':'G','G':'C'}
def rc(s): return ''.join(COMP.get(b, 'N') for b in reversed(s.upper()))
# 手撕3: NW 全局比对得分
def nw(s1, s2, mt=2, ms=-1, gp=-2):
n, m = len(s1), len(s2)
dp = [[0]*(m+1) for _ in range(n+1)]
for i in range(1, n+1): dp[i][0] = dp[i-1][0] + gp
for j in range(1, m+1): dp[0][j] = dp[0][j-1] + gp
for i in range(1, n+1):
for j in range(1, m+1):
dp[i][j] = max(dp[i-1][j-1] + (mt if s1[i-1]==s2[j-1] else ms),
dp[i-1][j] + gp, dp[i][j-1] + gp)
return dp[n][m]
# 手撕4: Shannon 熵
import numpy as np
def shannon(counts):
p = np.asarray(counts, float); p = p[p > 0] / p.sum()
return -(p * np.log(p)).sum()
# 手撕5: Bray-Curtis
def bc(x, y): return np.abs(np.asarray(x,float)-np.asarray(y,float)).sum() / (np.asarray(x,float)+np.asarray(y,float)).sum()
# 手撕6: 等位基因频率
def af(hom_ref, het, hom_alt):
n = hom_ref + het + hom_alt
return (2*hom_alt + het) / (2*n)
# ===== 验证 =====
assert gc('AAGGCC') == 4/6
assert rc('ATCGGCAT') == 'ATGCCGAT'
assert nw('AG', 'AC') == 1 # A-A +2, G-C -1
assert abs(shannon([25, 15, 10]) - 1.02965) < 1e-4 # 手算 08 节
assert abs(bc([10,4,8,0,2], [3,0,12,6,0]) - 23/45) < 1e-9
assert af(12, 6, 2) == 0.25
print('6 道手撕全部通过 ✅')
print('示例: GC=%.3f NW(AG,AC)=%d Shannon=%.3f AF=%.2f'
% (gc('AAGGCC'), nw('AG','AC'), shannon([25,15,10]), af(12,6,2)))
# 手撕1: GC 含量
def gc(s): return (s.count('G') + s.count('C')) / len(s)
# 手撕2: 反向互补
COMP = {'A':'T','T':'A','C':'G','G':'C'}
def rc(s): return ''.join(COMP.get(b, 'N') for b in reversed(s.upper()))
# 手撕3: NW 全局比对得分
def nw(s1, s2, mt=2, ms=-1, gp=-2):
n, m = len(s1), len(s2)
dp = [[0]*(m+1) for _ in range(n+1)]
for i in range(1, n+1): dp[i][0] = dp[i-1][0] + gp
for j in range(1, m+1): dp[0][j] = dp[0][j-1] + gp
for i in range(1, n+1):
for j in range(1, m+1):
dp[i][j] = max(dp[i-1][j-1] + (mt if s1[i-1]==s2[j-1] else ms),
dp[i-1][j] + gp, dp[i][j-1] + gp)
return dp[n][m]
# 手撕4: Shannon 熵
import numpy as np
def shannon(counts):
p = np.asarray(counts, float); p = p[p > 0] / p.sum()
return -(p * np.log(p)).sum()
# 手撕5: Bray-Curtis
def bc(x, y): return np.abs(np.asarray(x,float)-np.asarray(y,float)).sum() / (np.asarray(x,float)+np.asarray(y,float)).sum()
# 手撕6: 等位基因频率
def af(hom_ref, het, hom_alt):
n = hom_ref + het + hom_alt
return (2*hom_alt + het) / (2*n)
# ===== 验证 =====
assert gc('AAGGCC') == 4/6
assert rc('ATCGGCAT') == 'ATGCCGAT'
assert nw('AG', 'AC') == 1 # A-A +2, G-C -1
assert abs(shannon([25, 15, 10]) - 1.02965) < 1e-4 # 手算 08 节
assert abs(bc([10,4,8,0,2], [3,0,12,6,0]) - 23/45) < 1e-9
assert af(12, 6, 2) == 0.25
print('6 道手撕全部通过 ✅')
print('示例: GC=%.3f NW(AG,AC)=%d Shannon=%.3f AF=%.2f'
% (gc('AAGGCC'), nw('AG','AC'), shannon([25,15,10]), af(12,6,2)))
6 道手撕全部通过 ✅ 示例: GC=0.667 NW(AG,AC)=1 Shannon=1.030 AF=0.25
✅ 自测清单¶
- 60 连问可独立作答
- 6 道手撕可当场写出并通过自测
- 能结合实际项目讲一遍宏基因组/RNA-seq 流程