🧬 生物信息学 · 高频面试题 72 连问¶
配套:README.md · 教学 notebook(
教学/00-14) 分类:格式/比对/搜索/基因/表达/变异/进化/宏基因组/实战流程,每题附速答。
1️⃣ 序列与格式(10 题)¶
-
FASTA 与 FASTQ 的区别? FASTA:
>id描述行 + 序列(多行拼接);FASTQ:@id+ 序列 +++ 质量字符串(Phred 编码)。 -
Phred 质量 Q30 的含义? 碱基错误概率 \(10^{-30/10}=0.1\%\),即千分之一出错;Q20=1%,Q40=0.01%。
-
质量值怎么编码成 ASCII? Sanger/Illumina 1.8+:
chr(Q+33),如 Q30 → 字符'?'(63)。 -
DNA 互补配对规则? A-T、C-G;RNA 为 A-U。反向互补 = 倒序 + 逐碱基互补。
-
为什么关心 GC 含量? 影响 Tm(退火温度)、二代测序覆盖均匀性、物种鉴定与基因组特征描述。
-
k-mer 是什么?用在哪? 长度为 k 的连续子串;用于组装(de Bruijn 图)、比对 seed、宏基因组指纹、序列距离估计。
-
测序深度与覆盖度的区别? 深度 = 平均每个碱基被测到的次数(如 30×);覆盖度 = 至少被读到 1 次的碱基比例(如 95%)。
-
读长一般多长? 二代短读 100-150bp 常见;三代长读 10kb+(PacBio/ONT),利于跨重复区组装。
-
为什么要去接头(adapter trimming)? 短片段测序会读到接头序列,不去除会污染比对与组装、导致错误变异/基因调用。
-
单端 vs 双端测序? 双端(paired-end)读同一片段两端,可确定插入片段、提高比对唯一性与组装质量。
2️⃣ 序列比对(10 题)¶
-
全局比对与局部比对的区别? 全局(Needleman-Wunsch)强制全长对齐,适合同源全长比较;局部(Smith-Waterman)找最相似子片段,适合找结构域/跨物种同源区。
-
Needleman-Wunsch 算法思想? 动态规划:
F(i,j)=max(F(i-1,j-1)+s, F(i-1,j)+gap, F(i,j-1)+gap),回溯 DP 路径得最优对齐。 -
Smith-Waterman 与 NW 的区别? 矩阵初值 0(不累加空位)、负值截断为 0、从最大分值回溯到 0,得到局部最优片段。
-
线性与仿射空位罚分? 线性每个空位 -g;仿射 = 开启罚分(open)+ 延伸罚分(extend),更贴近真实 indel 事件(一段空位是一个事件)。
-
BLOSUM62 是什么? 蛋白替换打分矩阵,基于保守块(blocks)统计,62 表示 62% 一致度的块;比 PAM 更常用。
-
比对的复杂度? NW/SW 精确比对 O(n×m) 时间与空间;长序列靠 seed-extend 启发式(BLAST)或索引(FM-index)。
-
为什么蛋白比对比 DNA 比对更敏感? 密码子简并使同义突变不改变氨基酸,蛋白序列更保守、信号更清晰。
-
Profile HMM 是什么? 用隐马尔可夫模型刻画多序列比对的位点保守模式(match/insert/delete),HMMER 用于搜索序列家族。
-
多序列比对工具? Clustal(经典)、MUSCLE、MAFFT(快);用于建进化树、找保守区、设计引物。
-
比对结果怎么解读? 一致性与覆盖度都要看:100% identity 但只覆盖 30% 的基因不完整,可能是部分同源。
3️⃣ 搜索与 BLAST(10 题)¶
-
BLAST 的基本流程? 查询拆 k-mer → 在数据库索引中找 seed 命中 → 双方向延伸成 HSP → 显著性统计(Karlin-Altschul)→ 报告。
-
E-value 是什么? 随机数据库中期望出现得分 ≥ 当前命中的次数;越小越显著(E<0.05 常见阈值)。
-
E-value 与 p-value 的区别? p 是单次比对的显著性;E 是整库搜索的期望数,随数据库大小增长——同一比对在更大库里 E 更大。
-
identity 与 coverage 的区别? identity = 对齐区内一致碱基比例;coverage = 查询序列被覆盖的比例;两者都高才可信。
-
seed 长度怎么选? 短 seed 假阳性多、敏感度高;长 seed 特异性高但可能漏远亲;DNA 常用 k=11,蛋白 3aa。
-
HSP 是什么? High-scoring Pair,seed 延伸得到的高分片段对;BLAST 报的是显著 HSP 而非整条比对。
-
大基因组用什么索引? FM-index(BWA/bowtie2)基于 BWT,内存小;泛基因组时代也常用 k-mer 索引(如 minimap2 的 sketch)。
-
短读/长读比对工具怎么选? 短读:BWA-MEM、bowtie2;长读:minimap2(声学/长读都支持);蛋白质:DIAMOND、BLASTp。
-
怎么降低假阳性? 收紧 E-value、要求高质量比对(MAPQ)、覆盖度过滤、多序列交叉验证、人工检查。
-
BLAST 与 BLAT/minimap2 的区别? BLAST 允许 gapped 精确统计;BLAT 偏快速近似;minimap2 针对长读/组装比对做了优化。
4️⃣ 基因结构与表达(10 题)¶
-
ORF 是什么?怎么找? 开放阅读框:从 ATG 到终止密码子(TAA/TAG/TGA)的连续编码区;6 框扫描 + 长度/统计过滤。
-
6 框翻译是什么? 正链 3 个阅读框(偏移 0/1/2)+ 反向互补链 3 框,共 6 种读法。
-
外显子与内含子? 外显子编码保留在 mRNA;内含子在剪接中去除;真核基因注释常用转录组证据辅助。
-
RNA-seq 标准流程? 质控 → 比对(STAR/Hisat2)→ 定量(featureCounts)→ 归一化 → 差异表达 → 功能富集。
-
TPM 与 RPKM/FPKM 的区别? TPM 先算 RPK(长度校正)再按占比归一、总和恒 1e6;跨样本相对丰度更可比。FPKM 是 RPKM 的 paired-end 版本。
-
为什么 RNA-seq 要归一化? 测序深度不同、基因长度不同,原始计数不可直接跨样本比较。
-
差异表达用什么统计模型? DESeq2/edgeR 用负二项分布建模计数(overdispersion),limma 用经验贝叶斯线性模型;都做 FDR 校正。
-
log2FC 与 padj 怎么判显著? |log2FC| ≥ 1(≥2 倍变化)且 BH-FDR 校正后 padj < 0.05。
-
火山图怎么看? x = log2(倍数变化),y = -log10(p);右上显著上调、左上显著下调,越靠上越显著。
-
GO 与 KEGG 富集用什么检验? 超几何检验(或 Fisher 精确检验),看"某通路基因在差异基因中是否显著富集",同样需 FDR 校正。
5️⃣ 变异与进化(10 题)¶
-
SNP/Indel/SV/CNV 区别? SNP 单碱基替换;Indel 小插入缺失(可移码);SV 大片段结构变异(缺失/重复/倒位/易位);CNV 拷贝数变化。
-
VCF 的 8 个固定列? CHROM POS ID REF ALT QUAL FILTER INFO;样本列可选(GT/DP/GQ)。
-
等位基因频率怎么算? AF = 变异等位基因拷贝数 / 总等位基因数(2N);MAF 取 A 与 a 中较小者。
-
基因型 GT 怎么看? 0/0 纯合参考、0/1 杂合、1/1 纯合变异;
0|1表示定相(来自哪个亲本)。 -
Hardy-Weinberg 平衡? p² + 2pq + q² = 1;严重偏离提示选择、群体分层、测序错误或拷贝数异常。
-
UPGMA 与 NJ 的区别? UPGMA 假设分子钟(所有谱系速率一致),树为超度量;NJ 用净分化速率矫正,允许速率不等,实际更常用。
-
bootstrap 支持率? 对 MSA 列重采样(如 1000 次)重建树,统计节点重现频率;>70% 通常可信,>95% 强支持。
-
分子钟是什么? 序列差异近似正比于分化时间;用于定年需校准(化石/已知事件),且速率可能不均。
-
p-distance 与 Jukes-Cantor 的区别? p-distance 是直接差异比例;JC 校正多重替换(饱和),\(d=-0.75\ln(1-4p/3)\)。
-
进化树怎么读? 分支长度=差异量;节点=共同祖先;支持率=置信度;姐妹群=最近共同祖先关系。
6️⃣ 宏基因组与群落(10 题)¶
-
宏基因组 vs 16S 扩增子? 16S 只扩增细菌/古菌 16S rRNA 基因片段,便宜、看物种组成;WGS 宏基因组测全部 DNA,可同时看物种+功能+菌株。
-
OTU 与 ASV 的区别? OTU 按 97% 相似度聚类(阈值主观);ASV 按单碱基精确去噪(DADA2),可跨研究比较、不依赖聚类阈值。
-
α 多样性是什么? 单样本内部多样性:Shannon(熵)、Simpson(集中度/1-D)、Chao1(物种数估计)、Observed species。
-
β 多样性是什么? 样本间组成差异:Bray-Curtis(丰度加权)、Jaccard(有无)、UniFrac(含系统发育信息)。
-
PCoA 与 PCA/NMDS 的区别? PCA 对数据矩阵做特征分解(隐含欧氏距离);PCoA 直接对任意距离矩阵做特征分解;NMDS 只保留距离秩,对非线性关系更稳健。
-
PERMANOVA 是什么? 置换多元方差分析:比较组间/组内距离,通过置换分组标签检验"分组是否显著解释差异"(adonis2/vegan)。
-
稀疏曲线读什么? x=测序深度,y=观察物种数;曲线平台期表示深度足够,未平台则更多测序会带来更多物种。
-
抽平(rarefaction)有什么用? 把样本抽到相同深度再比 α/β 多样性,消除测序深度差异带来的偏差。
-
F/B 比值是什么? 厚壁菌门/拟杆菌门比,常被关联代谢健康——但结论争议大、混杂因素多,需谨慎解读。
-
宏基因组功能注释怎么做? 组装 → 基因预测 → DIAMOND 比对到 KEGG/eggNOG/CAZy/GO → 丰度定量 → 通路富集(超几何检验)。
7️⃣ 实战流程(12-14 篇,真实数据 + 专业包)¶
-
测序数据质控做什么? fastp/Qiime2 cutadapt:去接头、滑窗修剪低质量(如 4bp 窗均 Q<15 截断)、滤短(<50bp)、 去 N、去重复;报告 GC 含量、Q20/Q30 比例、错误率曲线。
-
de Bruijn 图组装原理? reads 切 k-mer,前缀×(k-1) 连后缀×(k-1) 建图,覆盖度高的路径为真实序列; 测序错误产生低覆盖分支(死胡同),靠覆盖度阈值与 tip-removal 修剪。
-
N50 / L50 是什么? contig 从长到短累计,长度达到总长一半时的 contig 长 = N50(越大越连续); 该条在序列中的序号 = L50。宏基因组混合物种,N50 通常远低于单菌。
-
Prodigal/pyrodigal 怎么做基因预测? 扫描 6 框 ORF,用密码子偏好(尤其第 3 位 GC3)、起始密码子频率、GC 含量、 长度与重叠惩罚打分;
meta模式无需训练,适合宏基因组混合序列。 -
为什么起始密码子偏好很重要? 原核生物绝大多数基因以 ATG 起始(少量 GTG/TTG),同义密码子使用偏好是区分 编码/非编码区的最强信号之一。
-
功能注释"同源传递"原理? 预测蛋白 → DIAMOND/BLAST 比对参考库(KEGG/eggNOG/COG/GO)→ 最佳命中(E 值/覆盖度阈值) → 把数据库中已知功能"传递"给新序列;注释质量取决于库覆盖率与比对确实性。
-
Kraken2 物种分类原理? 参考基因组(含分类学树)切 k-mer 建索引;reads 逐 k-mer 精确匹配,沿 LCA(最低共同祖先) 树汇总到分类节点,命中最多的节点即为物种归属。
-
k-mer 指纹做物种鉴定靠谱吗? 对物种特异的 k-mer 命中有高区分度;缺陷是同源保守区共 k-mer(不同物种都命中)、 应变异与测序错误降低命中;需 LCA 与覆盖度联合校正。
-
宏基因组 α 多样性用哪些包/指标? scikit-bio / QIIME2:Shannon、Chao1、Simpson、Observed OTU;抽平(rarefaction)后再算可消除深度偏差。
-
宏基因组 β 多样性与组间检验怎么选? Bray-Curtis(丰度加权)/Jaccard/UniFrac → PCoA 可视化;组间差异用 PERMANOVA(置换检验, 不假设正态,p 来自 999+ 次分组标签置换)——比 t 检验更适合高维组成数据。
-
样本量多少够做 PERMANOVA? 每组 ≥5-10 个为宜:小样本(如每组 3 个)置换空间小、F 分布极端, 显著性容易被稀释(p 值不稳健)。设计实验要留足生物学重复。
-
为什么宏基因组要先组装再注释,而不是直接比对 reads? 组装能恢复"基因上下文"(共线性、操纵子、菌株结构),提升功能注释的 连续性;代价是组装错误(嵌合体、缺断裂)。也可用 reads 直接分组装(k-mer 分类)。
🖐️ 手撕清单(现场写代码/手算)¶
| # | 题目 | 参考 notebook |
|---|---|---|
| 1 | GC 含量与反向互补 | 00-生物数据基础 |
| 2 | FASTA/FASTQ 解析 + Phred 质量解码 | 同上 |
| 3 | Needleman-Wunsch / Smith-Waterman | 01-序列比对入门 |
| 4 | 香农熵(保守性/α 多样性) | 02-多重序列比对 / 08 |
| 5 | TPM/RPKM 归一化 | 05-基因表达数据分析 |
| 6 | ORF 检测 / 6 框翻译 | 04-基因结构与注释 |
| 7 | Bray-Curtis / Jaccard 距离 | 09-宏基因组β多样性 |
| 8 | UPGMA 建树 | 07-系统发育树入门 |
| 9 | 等位基因频率 / MAF | 06-基因组变异与VCF |
| 10 | 超几何富集检验 | 10-宏基因组功能注释 |
| 11 | N50 手算 | 12-宏基因组实战·质控与组装 |
| 12 | 滑动窗口质控(滑窗剪低质量) | 同上 |
| 13 | pyrodigal 基因预测 + GC3 统计 | 13-宏基因组实战·基因预测与功能注释 |
| 14 | k-mer 指纹物种分类 | 14-宏基因组实战·物种分类与多样性 |
| 15 | α 多样性(Shannon/Chao1)+ PCoA + PERMANOVA | 同上 |