生物信息学编程实战入门

课程简介

本课程面向具备 Python 基础的学习者，系统讲解如何用编程解决生物信息学中的实际计算问题。从 DNA 序列的获取与解析，到序列比对算法的实现，再到蛋白质结构数据的处理，你将通过每一章的代码实战，逐步构建生物信息学编程的核心技能。

生物信息学（Bioinformatics）作为"21世纪的科学"，正深刻影响药物研发、精准医疗和合成生物学等领域。掌握 Python 在此领域的应用，不仅能拓宽你的编程视野，更是一个高价值的职业发展方向。

学习目标

• 掌握使用 Biopython 库读取和解析 FASTA、GenBank 等常见生物数据格式
• 理解 sequence alignment 的基本原理，并能用 Python 实现简化的 Needleman-Wunsch 和 Smith-Waterman 算法
• 学会通过编程接口访问 NCBI 数据库，实现自动化 BLAST 搜索
• 能够解析 PDB 文件，提取蛋白质三维结构信息并进行基本分析
• 了解 AlphaFold 等前沿工具的工作原理，及如何在 Python 环境中调用其预测结果

章节概览

1. 第一章：生物信息学基础与 Python 环境搭建

   介绍生物信息学的核心概念：Central Dogma（DNA → RNA → 蛋白质）、序列-结构-功能关系。搭建 Biopython、NumPy、Matplotlib 开发环境，学习使用 Conda 管理生物信息学工具链。

2. 第二章：序列数据的获取与处理

   通过 Biopython 的 Entrez 模块从 NCBI 数据库编程获取基因序列，解析 FASTA/GenBank/FASTQ 格式。实战练习：批量下载人类基因组特定区域的序列数据并进行格式化输出。

3. 第三章：序列比对算法与实现

   深入讲解 Needleman-Wunsch 全局比对和 Smith-Waterman 局部比对的动态规划原理，用 Python 从零实现简化版算法。使用 Biopython 的 pairwise2 模块执行标准比对，并调用 NCBI BLAST 在线服务进行大规模相似性搜索。

4. 第四章：蛋白质结构解析与可视化

   学习 PDB 文件格式规范，使用 Bio.PDB 模块提取原子坐标、计算二面角和 RMSD（均方根偏差）。结合 Matplotlib 绘制 Ramachandran 图和接触图，直观展示蛋白质结构特征。

5. 第五章：前沿工具集成与综合项目

   探索 AlphaFold2/3 的预测结果获取与解析，介绍 Rosetta 和 PyRosetta 的编程接口。综合项目：编写一个 Python 脚本，输入未知基因序列，自动完成 BLAST 搜索、多序列比对、保守区域识别和三维结构映射的完整管线。

---

术语注释

1. 中心法则（Central Dogma）：由 Francis Crick 于1958年提出，是分子生物学的核心框架。它描述了遗传信息的流向：DNA 通过转录（transcription）生成 RNA，RNA 再通过翻译（translation）合成蛋白质。这一经典框架至今仍是生物信息学分析的逻辑基础。
2. GenBank：由 NCBI 维护的全球最大的公开基因序列数据库，自1982年建立以来持续收录来自世界各地的序列数据。每条记录包含序列本身、物种来源、功能注释及文献引用，是生物信息学研究的基础数据源。
3. Biopython：起源于1999年，是由国际开发者社区共同维护的开源项目。它将生物信息学中常见的文件格式解析、数据库查询、序列操作等任务封装为 Python 模块，极大降低了该领域的编程门槛。
4. RMSD（均方根偏差）：在蛋白质结构比较中，RMSD 用于量化两个结构之间的差异——对所有对应原子的空间距离求平方和的均值的平方根。RMSD 越小，表示两个结构越相似，通常以埃（A）为单位，2.0A 以下通常视为高度相似。
5. Ramachandran 图：1963年由 G.N. Ramachandran 提出，以蛋白质骨架的两个扭转角（phi和psi）为坐标轴绘制的二维图。图中不同区域对应不同的二级结构类型（alpha-螺旋、beta-折叠等），是评估蛋白质结构质量的重要工具。