A. 如何使用cell illustrator和通路資料庫
系統生物學（Systems Biology）的主要目標是實現「對生命體進行系統理解」。系統生物學是在解讀了全基因組後，生命科學研究領域中出現的一個新的挑戰性的領域——「如何將生命作為一個系統來理解」。換句話說就是，這個領域需要去研究如何使用計算機來理解信號傳導路徑，基因調控網路和代謝路徑等等。本書介紹如何將一個復雜的生命體系統建立為數學模型並對其進行模擬。通過幾個經典模型為例，深入討論如何使用這個軟體來理解需要測試的系統功能及機制。本書將成為能夠幫助有這樣疑問和興趣的人的入門參考書籍。
B. 通常說的三大生物信息學資料庫指
EMBL DDBJ GenBank
C. in cell and developmental biology屬於哪個資料庫
in cell and developmental biology屬於生物信息學資料庫
生物信息資料庫可以分為一級資料庫和二級資料庫。
一級資料庫的數據都直接來源於實驗獲得的原始數據，只經過簡單的歸類整理和注釋；
二級資料庫是在一級資料庫、實驗數據和理論分析的基礎上針對特定目標衍生而來，是對生物學知識和信息的進一步整理。國際上著名的一級核酸資料庫有Genbank資料庫、EMBL核酸庫和DDBJ庫等；蛋白質序列資料庫有SWISS-PROT、PIR等；蛋白質結構庫有PDB等。國際上二級生物學資料庫非常多，它們因針對不同的研究內容和需要而各具特色，如人類基因組圖譜庫GDB、轉錄因子和結合位點庫TRANSFAC、蛋白質結構家族分類庫SCOP等等。
D. 如何研究信號傳導通路請問研究某種受體或蛋白的下游信號傳導通路，實驗設計的一般方法，都有哪些謝謝
在KEGG或BioCarta這些pathway資料庫里找到你感興趣的通路，在pathway圖上找到你感興趣的蛋白後就能確認它的下游。實驗方法大體上就是上調（瞬時表達、mimics）或下調（Knockout、RNAi）你的Gene of Interest，再檢測下游的蛋白發生了上調還是下調，看看你的GOI和它們什麼聯系。
E. 生物學資料庫都有哪些
分子生物學資料庫大全：核酸資料庫、基因表達資料庫、蛋白資料庫、糖資料庫、專利資料庫等國際頂尖資料庫列表可以在生物幫那裡找到的，我一般找資料，最新資訊都是到那裡的，他們比較專業，權威，也比較全面，技術文檔，視頻，產品都蠻豐富的。年來大量生物學實驗的數據積累，形成了當前數以百計的生物信息資料庫。它們各自按一定的目標收集和整理生物學實驗數據，並提供相關的數據查詢、數據處理的服務。
F. med lars系統中最大的資料庫是
Medline。
近年來，一些機構都通過Internet提供Medline資料庫服務，其中有一些站點提供的是免費檢索服務。1997年6月26日，美國國立醫學圖書館也開始利用Web方式提供免費檢索Medline資料庫。
Medline是美國國立醫學圖書館MEDLARS系統中最大的生物醫學資料庫，它收錄的內容幾乎涵蓋了醫學各領域，是生物醫學專業人員使用頻率最高的生物醫學資料庫。
G. 生物信息資料庫分為哪四大類
按大小可以分為1.公共資料庫
2. 從公共資料庫中取數據做進一步處理的專業資料庫，提供更多的分析工具
按功能分可以有
基因庫GENEBANK，蛋白庫UNIPROT, 結構庫PDB, 功能分類 GO庫，通路庫 KEGG。
不用專注於4這個數字。隨著科研的進步還會有更多的資料庫出來。
H. 列舉常用的生物信息學資料庫及序列對比常用軟體及特點
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℃； 。
二、結果：
GC含量：
引物的位點：
Tm值：
產物長度：。
9、將下面的序列用NEBcutter 2.0工具分析，用產生平末端及有四個酶切位點的酶進行酶切，並用抓圖提交膠圖（view gel），要求1.4% agarose和Marker為100bp DNA Ladder。
一、步驟：
進入google首頁，進入ICBI主頁，對序列進行BLAST，得知是linear。
進入google首頁，搜索NEBcutter 2.0，進入主頁，選擇linear，運行！選擇custom digest， ，把「1」改為「4」，選擇平末端，後digest。View gel。選擇1.4% agarose和Marker為100bp。
二、結果：
然後就是蛋白質的了一般都在expasy里swiss-prot 適用於檢索的 compute pi/mw 求理論分子量 分子量 protparam物理化學性質 protscale親水性疏水性 peptidemass分析蛋白酶和化學試劑處理後的內切產物
NCBI(www.ncbi.nlm.nih.gov)-GenBank資料庫
資料庫相似性搜索——核酸序列與核酸資料庫比較（BLASTN）
蛋白質序列與資料庫中蛋白質序列比較（BLASTP）
兩序列比對（Align two sequences）
DNA序列分析——ORF Finder(www.ncbi.nlm.nih.gov/gorf/gorf.html)
分析實驗序列外顯子部分——GENSCAN（http://genes.mit.e/GENSCAN.html）
分析實驗序列的可能酶切位點——NEBcutter2.0 (http://tools.neb.com/NEBcutter2/index.php)
註： Custom digest -- view gel
限制性內切酶資料庫——REBASE(http://rebase.neb.com/rebase/rebase.html)
設計引物擴增實驗序列——Genefisher
Primer 3
蛋白質序列分析及結構預測：
1.預測蛋白質的分子量及等電點:ExPASy（Compute pI/Mw）
2.分析蛋白質的基本物理化學性質：ExPASy（ProtParam）
3.分析蛋白質的親水性和疏水性：ExPASy（ProtScale）
4.分析蛋白質在各種蛋白酶和各種化學試劑處理後的內切產物：ExPASy（PeptideMass） [* ：kinase K]
5.分析蛋白質的信號肽：ExPASy（SignalP）
6.預測蛋白質的二級結構：ExPASy（Jpred 3）
多物種分子系統發育分析：EMBL（www.ebi.ac.uk/embl/)--Toolbox--Clustal2W
人脂聯素蛋白質序列：NP_004788
人類胰島素生長因子IB前體：P05019
I. 如何利用gcbi發現分析基因間相互作用關系和信號傳遞通路
代謝通路：目前在通路資料庫(PATHWAY database) 中代謝通路是建立得最好的，有大約90個參考代謝途徑的圖形。每個參考代謝途徑是一個由酶或EC號組成的網路。
利用如下方法可通過計算機構建出生物體特有 的代謝通路：
先根據基因的序列相似性和位置相關性確定基因組中酶的基因。
然後合理地安排EC號。
最後將基因組中的基因和參照通路中用EC號編號的基因產物 結合起來。
J. 怎麼利用生物信息學分析公共數據
生物信息學（Bioinformatics）是生物學與計算機科學以及應用數學等學科相互交叉而
形
成的一門新興學科。它通過對生物學實驗數據的獲取、加工、存儲、檢索與分析，進而
達
到揭示這些數據所蘊含的生物學意義的目的。在推動生物信息學發展的各種動力中，人
類
基因組計劃（HGP）和生物醫葯工業是其中的兩個主要力量。
就人類基因組來說，得到序列僅僅是第一步，後一步的工作是所謂後基因組時代 （Post
-
genome Era） 的任務，即收集、整理、檢索和分析序列中表達的蛋白質結構與功能的信
息
，找出規律。近幾年來在公共資料庫中DNA序列數據的數量以每年1.8倍的速度快速增長
，
到1997年底已經超過1.2×109bp。對如此巨量的數據進行存儲、分類、檢索、比較，並
預
測可能的基因和基因產物的結構和功能，如果沒有計算機參與處理，那是不可想像的。
生物醫葯工業也是推動生物信息學發展的重要動力。HGP所推動的大規模DNA測序也為生
物
醫葯工業提供了大量可用於新葯開發的原材料。有些基因產物可以直接作為葯物，而有
些
基因則可以成為葯物作用的對象。生物信息學為分子生物學家提供了大量對基因序列進
行
分析的工具，不但可以從資料的獲取、基因功能的預測、葯物篩選過程中的信息處理等
方
面大大加快新葯開發的進程，而且可以大大加快傳統的基因發現和研究，因而成為各贏
利
性研究機構和醫葯公司爭奪基因專利的重要工具，這一競爭又反過來極大的刺激了生物
信
息學的發展。
2、研究內容
生物信息學與計算生物學或生物計算有著密切的關系，但又不盡相同，目前歸入生物信
息
學研究領域的大致有以下幾個方面：
（1）各種生物資料庫的建立和管理。這是一切生物信息學工作的基礎，通常要有計算機
科
學背景的專業人員與生物學家密切合作。
（2）資料庫介面和檢索工具的研製。資料庫的內容來自萬千生物學者的日積月累，最終
又
為生物學者們所用。但不能要求一般生物學工作者具有高深的計算機和網路知識，因此
，
必須發展查詢資料庫和向庫里提供數據的方便介面。這是專業人員才能勝任的工作，通
常
在生物信息中心裡進行。
（3）人類基因組計劃的實施，配合大規模的DNA自動測序，對信息的採集和處理提出了
空
前的要求。從各種圖譜的分析，大量序列片段的拼接組裝，尋找基因和預測結構與功能
，
到數據和研究結果的視像化，無不需要高效率的演算法和程序。研究新演算法、發展方便適
用
的程序，是生物信息學的日常任務。
（4）生物信息學最重要的任務，是從海量數據中提取新知識。這首先是從DNA序列中識
別
編碼蛋白質的基因，以及調控基因表達的各種信號。其次，從基因組編碼序列翻譯出的
蛋
白質序列的數目急劇增加，根本不可能用實驗方法一一確定它們的結構和功能。從已經
積
累的數據和知識出發，預測蛋白質的結構和功能，成為常規的研究任務。
（5）DNA晶元和微陣列的發展，把一定組織或生物體內萬千基因時空表達的研究提上日
程
．研究基因表達過程中的聚群關系，從中提取調控網路和代謝途徑的知識，進而從整體
上
模擬細胞內的全部互相輔合的生化反應，在亞細胞層次理解生命活動。只有掌握已有數
據
、發展嶄新演算法，才能創造新的知識。這是生物信息學剛剛掀開的新篇章。