序論：寫作是一種深度的自我表達。它要求我們深入探索自己的思想和情感，挖掘那些隱藏在內心深處的真相，好投稿為您帶來了七篇生物信息學論文范文，愿它們成為您寫作過程中的靈感催化劑，助力您的創作。

篇(1)

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，并將用戶模型應用于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，基于生物信息學的二次數據庫[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），因此在生物二次數據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征等，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)，由于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準確性比顯式高一些。

(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于數值的矩陣格式，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Rij=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，即基于規則的系統、基于內容過濾的系統和協同過濾系統。基于規則的推薦系統和基于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，并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。因此本文所用的算法是基于協同過濾的推薦算法。

(4)推薦結果。顯示的任務是把推薦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算法部分；推薦算法根據該用戶的用戶名從數據庫提取出推薦列表，并返回到網站的用戶界面；用戶訪問的記錄返回到數據庫，系統定時調用推薦算法，對數據庫中用戶訪問信息的數據進行分析計算，形成推薦列表。

本系統采用基于近鄰的協同過濾推薦算法，其結構可以進一步細化為如圖3所示。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于其他系統的優勢之一。由于信息獲取后的用戶—項目矩陣維數較大，使得系統的可擴展性降低。本系統采用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，提高了推薦算法的效率。

(1)信息獲取。用戶對項目的評價是基于用戶對某一個項目(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。當一個用戶注冊并填寫好個人情況以后，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用于標記項目，每個項目編號及其評價都以“S”相隔開；編號是唯一的，占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制約了推薦效果，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。得到降維以后的用戶矩陣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。本文采用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]，即基于中心的鄰居(Center－BasedNeighbor)和集合鄰居(AggregateNeighbor)。本系統采用了第一種方法，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數據庫中，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。數據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數據庫的連接，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。該類負責推薦算法與數據庫的數據交換，靜態成員Con調用DataCon.getcon()獲得數據庫連接，然后對數據庫進行各種操作。把所有方法編寫成靜態，便于推薦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用于保存當前用戶的推薦列表，包括推薦項目號和推薦度；CurrentUserNeighbor用于保存鄰居信息，包括鄰居ID號、相似度及其訪問信息。

(4)協同過濾推薦算法FCRecommand。該類實現了整個推薦算法，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；并且它與用戶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，提出一個基于生物信息平臺的推薦系統，解決了傳統生物信息網站平臺信息迷茫的缺點，為用戶推薦其感興趣物種的DNA或蛋白質序列。

優點在于協同過濾的推薦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).166.111.68.168/bioinfo/papers/Chen_Xin.pdf.

[3]林毅申,林丕源.基于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.基于Bioperl的生物二次數據庫建立及應用[J].計算機系統應用,2004(11):58－60.

[5]AIRIAS,TAKAHISAA,HIROYAI,etal.Personalizationsystembasedondynamiclearning:InternationalSemanticWebConference[C].Sardinia:[s.n.],2002.

[6]BREESEJS,HECKERMAND,KADIEC.Empericalanalysisofpredictivealgorithmsforcollaborativefiltering:proceedingsoftheFourteenthConferenceonUniversityinArtificialIntelligence[C].Madison:WI,1998:43－52.

[7]SCHAFERJB,KONSTANJ,RIEDLJ.Recommendersystemsine－commerce:proceedingoftheACMConferenceonElectronicCommerce[C].Pittsburgh:PA,1999:158－166.

[8]PRYORMH.Theeffectsofsingularvaluedecompositiononcollaborativefiltering[EB/OL].(1998).cs.dartmouth.edu/reports/TR98－338.pdf.

篇(2)

關鍵詞：生物信息學 實踐能力 課程體系 培養模式

中圖分類號：G4 文獻標識碼：A 文章編號：1673-9795（2013）07（a）-0047-02

1 生物信息學概述

伴隨現代高通量分子生物學技術的快速發展，生物信息學在生物醫藥領域的應用日益深入[1]。作為數學理論、計算機技術和生物醫藥研究的整合學科，生物信息學在生物進化、生理功能、疾病治療、藥物開發、農林產業等眾多領域均具有重要的應用價值，是研究生命科學、醫藥科學內在定量規律的重大交叉前沿學科。鑒于生物信息學的重要研究價值和廣闊的產業化前景，發展生物信息學專業教育，有計劃的建設生物信息學專業課程體系，開展面向實踐能力的生物信息學人才培養對促進現代生物醫學發展有重要的意義[2]。

2 生物信息學教育發展現狀

生物信息學發展起步于20世紀末，在短短的十幾年中，生物信息學已經發展成為了橫跨多個研究領域的朝陽專業，國內眾多高等學府、科研院所相繼開設了生物信息本科和研究生專業[3]。但是，在實際的教學和研究過程中，絕大數單位依托于單一的數學、計算機或生物學專業開展，人才培養模式尚處于探索階段，在培養過程存在生物信學理論基礎薄弱、課程體系不健全、課程內容不完善、專業教材匱乏、專業師資隊伍缺乏等問題。

哈爾濱醫科大學生物信息科學與技術學院是全國領先創辦生物信息學專業的單位之一，多年來致力于生物信息學的科學研究和本、碩、博各類人才培養，堅持以學生為本，以培養高素質生物信息學專門人才為目標，深化教學改革，以滿足日益發展的生物信息學高端人才需要[4]。為解決生物信息學的教育教學問題，培養高水平的現代生物信息學人才，我們提出立足國內高等生命科學與醫學教育，建立面向實踐能力培養的生物信息學專業課程體系，以實現高質量培養具有理工科創新思維能力的生物醫學人才，為我國生命科學―醫藥學科教育教學、科學研究和產業化輸送大批專門人才。

3 生物信息課程體系建設

3.1 課程建設目標和指導方針

結合生物信息學才培養目標，經過數十名骨干教師十余年生物信息學教學實踐及人才培養成果經驗反饋，我們適時調整本科生課程及教學內容，逐步建立起面向實踐能力培養的生物信息學專業課程體系。奠定了本科生的人文素養與科學素養并重，公共基礎理論及專業理論相輔相乘，重視學生理工生物醫學全方面素質提高，重點突出學生實踐能力的人才培養方針，并在實踐中培養了大批具有創新思維能力的優秀高端生物信息學專業人才。

3.2 生物信息學課程體系建設方案

考慮到生物信息學多學科交叉特點和國家大學生培養要求，及學生未來就業深造所必需的基礎和專業能力，我們在國內率先開創了生物信息學專業人才培養課程體系，并在醫學院校獨立開展近40余門數理基礎課程和生物信息學專業課程。主要的課程建設情況如下：

（1）公共基礎課程（國家限修課）：政治理論課程、公共外語、體育。

（2）生物醫學基礎課程：解剖生理學、發育生物學、生物化學、細胞生物學、分子生物學、生物技術實驗、分子藥理學等。

（3）計算機基礎課程：計算機基礎、高級語言程序設計（C++&JAVA）、數據結構、Perl語言程序設計、數據庫系統原理、Linux操作系統與程序設計等（上述課程均含上機實踐）。

（4）數學基礎課程：數學分析、高等代數、概率論與數理統計、數理邏輯、組合數學與圖論、微分動力學方程、運籌學等（上述課程均含上機實踐）。

（5）專業基礎課程：信息論基礎、生物統計學、生物醫學圖像處理、模式識別、優化算法、隨機過程、生物信息學概論、生物信息數據挖掘、生物信息軟件設計與開發、分子生物軟件工程、生物信息學數據可視化、專業外語等（上述課程均含實驗）。

（6）專業課程：生物芯片技術、結構生物學、分子進化、分子生物網絡、基因組信息學、蛋白質組信息學、藥物基因組信息學、統計遺傳學、計算表觀遺傳學、計算機輔助藥物設計等（上述課程均含實驗）。

（7）綜合實踐課程：課題標書設計、科研論文寫作、生物信息學進展等。

我們在實踐基礎上開創的面向實踐能力培養的生物信息學專業課程體系不同于其他院校，具有明顯的跨專業交叉性教學計劃特色。該課程體系著眼于基礎理論與實踐應用相結合、素質培養與專業培養相結合、扎實穩妥與創新思維相結合。注重學生在醫學、生物學、數學、計算機科學方面的基礎性教育，同時，強調了創新型人才培養、高精尖人才培養、特色化人才培養。厚基礎、寬口徑，使學生在本科階段不但打好將來從事生物信息學、系統生物學、生物醫藥等相關領域創新性研究工作基礎，更重要的是該專業課程體系與實踐密切聯系，切合相關研究開發與產業實際，能夠培養學生從事原始創新研究與產業開發的能力。

4 生物信息學本科生培養模式建設

4.1 五年制分段培養與多學科教育體系

目前，我們根據生物信息學交叉學科人才培養特點，考慮到基礎課程多，實踐能力要求高等因素，采取“2+2+1”的五年制本科人才培養模式，包括兩年理論基礎課程、兩年專業課程與一年實踐應用課程培養（含科研訓練+畢業設計）。此模式在學生就業和用人單位反饋中證實具有顯著的人才培養效果。

課程體系建設依托于生物醫學綜合優勢及深厚的數學、計算機科學功底，通過理論教學與實踐訓練中的知識技能交叉、滲透，培養適應21世紀生命學科與轉化醫學領域急需的生物信息學復合型人才。在此基礎上，從學科的交叉性出發，進一步加強不同類別課程之間的有機融合，加大相關領域知識的整合力度，建立更為緊密、完善，符合生物信息學學科特點的課程體系，將進一步推動學科的發展和系統性教育理論體系的建立。

4.2 面向實踐能力培養的本科生教育模式

在本科學生的培養過程中，我們特別重視學生實踐能力的培養，通過教研一體化、學業導師制、報告研討制等先進的教學方法，引導學生早期接觸生物信息學應用領域和科學研究，在鞏固學習知識的同時，加強對學科的認識和對未來的把握。

“教研一體化”的實踐教學模式：面向實踐能力培養的課程體系建設，要求教學模式上的改革，使得人才培養模式由注重多數學生基礎理論知識培養的大眾教育，向注重少數高精尖創新能力培養的精英式教育轉變。充分利用骨干教師在生物信息學領域的研究經驗，將科學研究成果快速轉化成優秀的教學素材，培養學生動手、實踐、創新能力，注重培養學生實際產業化的認知水平和實踐能力。

本科生學業導師制：本科生進入專業課教學階段，實行學業導師制。采取學生與一線骨干教師雙向選擇方式，使每名學生擁有自己的學業指導教師。導師為學生提供思想教育和專業輔導，并通過指導大學生數學建模競賽、創新創業科研訓練、早期科學研究等方法促進學生的學習盡頭和對專業的深入認識。

專題報告與研討制度：本科生畢業設計階段，強調學生的“主體”學習地位，使學生選擇感興趣的學科方向，在導師指導下進行科研訓練與實踐。要求學生自主利用網絡等各方面資源，獲取學科前沿信息，并以專題報告形式展示學習成果，通過提問、研討、總結，提升自身專業素養及專業技能，獨立完成達到核心期刊發表水平的生物信息這科研課題。

5 生物信息學課程體系建設的意義

在全體師生的努力下，經過多年的實踐探索，我們對生物信息學課程體系從基礎到實踐的不同階段進行分段式、推進式的改革與建設。在政策措施、人員配備、經費匹配等各方面給予鼎力支持。優先保證面向實踐能力培養的生物信息學課程體系快速、有效的建設，已經形成國內頂尖的生物信息學本科教育理論和實踐團隊，并為國家輸送著大批高水平生物信息學人才。

面向實踐能力培養的生物信息學課程體系建設，一方面能夠完善生物醫學本科生、研究生的知識結構，提高運用理工科思維和技能解決復雜生命科學問題的綜合科研能力，更為有效的實現生命科學攻關和創新研究理論形成；另一方面，生物醫藥是我國科技研發的薄弱環節，在課程體系建設基礎上，培養適用于現代高通量分子生物學技術的創新型生物信息學人才，將為我國的醫藥物研發提供強有力的推動作用，并有利于創新臨床診斷技術開發和個性化醫療的實現，促進科技轉化，產生潛在的、不可估量的經濟價值。

6 致謝

本文研究內容是在黑龍江省高等教育教學改革專項項目，黑龍江省高教學會重點課題創新型生物醫學信息學人才培養模式研究，黑龍省創新創業人才培養項目面向生物信息產業開發的創新型專業人才培養模式研究與實踐，哈爾濱醫科大學醫學教育研究課題面向實踐能力培養的生物信息學專業課程整合設計研究資助下完成的，課程體系的建設得到哈爾濱醫科大學學校領導的支持，并得到兄弟院校相關領域專家、學者的幫助，在此一并感謝。

參考文獻

[1] Ned Wingreen and David Botstein. Back to the Future：Education for Systems-level Biologists[J].Nature Review Molecular Cell Biology，2006，7（11）：829-832.

[2] 徐良德，馬曄，孫紅梅，等.八年制醫學教育中開展《生物信息學》教學的實踐探討[J].素質教育，2011，11：33-34.

篇(3)

關鍵詞：生物信息學；教學方法；醫學本科生

中圖分類號：G642.0文獻標志碼：A文章編號：1674-9324（2017）51-0146-03

生物信息學是20世紀80年代末隨著人類基因組計劃的啟動而興起的一門新的交叉學科[1-2]。它包含了生物信息的獲取、處理、儲存、分發、分析和解釋等在內的所有方面；綜合運用數學、計算機科學和生物學的各種工具，來闡明和理解大量數據所包含的生物學意義。目前，生物信息學在醫學領域中已廣泛應用于基礎醫學、臨床醫學及藥學等多個學科。特別在科學研究工作中，生物信息學的作用逐步顯現，越來越受到重視。近期，精準醫療概念的提出與相應模式的推進，進一步強化了運用生物信息學工具的要求。精準醫療是將臨床信息、患者表型與基因蛋白譜進行整合，從而為患者量身制定精準診斷、預后及治療策略。因此在高通量測序產生數以萬計的龐大組學數據中，只有依托生物信息學技術，才能探尋基因突變、藥物靶向等隱含遺傳學奧秘的精確位點，進而提供可靠的個性化治療方案。可見，生物信息學是精準醫療的核心內容之一。當前，大多數醫學院校均已開設研究生生物信息學課程，但尚未將生物信息學正式列入本科生培養方案，以選修課形式開設生物信息學課程的院校也極為鮮見。醫學本科生是祖國醫學的未來，是臨床一線最直接的儲備軍，面對飛速發展的生物技術和以幾何級數增長的生物大數據，如果現階段的醫學本科生還不能學會如何利用和解讀這些資源，這將大大阻礙臨床醫學的發展。綜上，一方面醫學領域對生物信息學方面存在旺盛的需求，另一方面大多數院校均未正式開設本科生生物信息學課程，造成生物信息學人才極度緊缺。針對這一現狀，筆者近年來圍繞在研的各項科研課題，選拔學有余力的優秀學生，在學校開展的各項大學生科研能力訓練、創新創業項目支持下，吸收本科生進入實驗室，對醫學類本科生的生物信息學教學實踐方面做了一些嘗試，培養了一些初步掌握生物信息學知識與方法的本科學生。在此對教學過程中的感想和體會做一簡要總結，并對本科生生物信息學的教學模式進行了探討。

一、在醫學本科生中開展生物信息學的教學實踐

（一）尊重學生的教育主體地位，實施因材施教

由于生物信息學涵蓋了計算機科學、統計學、分子生物學和分子遺傳學等諸多學科相關知識，所以一般情況下生物信息學科研實踐的開展要遲于上述各門課程。在開展的過程中，要充分考慮學生的自身條件，進行分組施教。因為不同學生對相關背景知識的掌握不同，會導致他們接受相關教學內容的快慢程度不一樣，因此要針對不同層次的學生開設不同等級的實踐內容。此外，根據學生將來從事的工作類型導致的對生物信息學的需求不同，可有針對性地分成科研組和臨床組。如有些學生將來可能主要從事科研工作，因此希望掌握較多的生物信息學知識，包括各種計算機語言的使用、編程、復雜統計軟件的使用等等，這類學生學習熱情比較高漲。

（二）構建多學科教師組成的教學團隊，實現知識的互補與整合

由于生物信息學是一門新興的交叉學科，需要計算機學、統計學、醫學生物化學、醫學遺傳學等相關學科的共同發展來支撐。此外，生物信息學專業知識較為前沿，而且涉及的醫學研究領域較多。再加上目前生物信息學的專業教師缺少，這就限制了學科的發展。因此，在教學過程中應該合理組建教學團隊，授課教師需要來自不同的專業，了解本專業最新的知識，教師之間相互學習溝通，將不同學科的相關知識整合起來[3]，并需持續補充和學習生物信息學前沿知識，在授課內容上還要體現教師自身優勢。這樣不但可以在知識結構上互補，還可以滿足不同專業學生的需求。

（三）圍繞教師在研科研課題和學術會議，追蹤醫學研究前沿

生物信息學是一門快速發展的學科。近年來計算機技術、生物技術以及醫學技術及醫療模式都在快速更新。因此醫學生生物信息學實踐教學不能拘泥于原有教材。在進行基礎和共性的知識教學時要利用教材。而對于前沿的知識，教師一方面要結合在研的各項科研課題引入知識點，另一方面可帶學生參加一些與生物信息學相關的學術會議，讓他們開闊眼界，增長見識，激發科研靈感。

（四）調動學生主觀能動性，激發其學習潛能

由于學生專業背景知識掌握程度差異較大，以及學生自身興趣不同，傳統的大班教學較難達到一致性的教學效果。因此，在教學過程中可以采取不同的分組方式以滿足學生不同的需求。由于現階段生物信息人才非常缺乏，因此在教學過程中，對于個別基礎較強的學生，教師可以有針對性地對他們進行一些更深層次的培養，充分挖掘學生的潛力，利用課余時間，合理安排一些“實戰”性任務，通過實踐鍛煉，提升他們的專業科研素質，為當代生物信息學的發展培養特色人才。如我校2009級臨床專業熊同學、2010級藥學專業本科生熊同學，都對生物信息學興趣非常濃厚，在科研實踐中表現得十分出色，充分利用課余和寒暑假時間，在老師的精心指導下，用perl語言成功編寫出分析組學數據的一系列程序。在研究生面試時，他們扎實的生物信息學功底獲得導師的青睞，并成功讀取/保送了國內知名大學的研究生。

二、醫學本科生生物信息學教學方法、教學模式的探討

（一）PBL教學法在案例教學中的應用

PBL（Problem-BasedLearning）教學法[4]，也稱作問題式學習。生物信息學是一門操作性和實驗性很強的學科，要利用互聯網、計算機和各種生物信息學數據處理軟件來解決實際問題。目前，生物信息學已成為生命科學研究領域的重要工具。在實際訓練中應以問題為導向，針對每個知識點盡量從實際的應用案例出發，引導學生自主探究、合作學習、進行交流。注重培養學生的實際操作能力和解決問題的能力，使學生能在解決問題的過程中學會各種技能，如統計方法、計算機語言和軟件的基本使用、編程技巧及數據庫的運用等。隨著生物信息學技術的快速發展，整合不同生物技術產生的數據將有利于人們發現疾病致病相關位點和藥物作用靶點。在本實驗室開展的PBL教學實踐中，我們以代謝性疾病作為主要研究方向，對糖尿病、高膽固醇血癥及肝癌等展開了疾病相關基因/位點的全基因組篩查。

（二）在教學過程中發揮優秀學生的引領作用，以點帶面

由于生物信息學在醫學研究中的重要性逐漸凸現，因此要求參加科研實踐培訓的學生人數逐年增多。而目前生物信息學專業的老師相對缺乏，為了解決這一矛盾，我們在實踐教學和科研中摸索出一種新的方法，即以“導師-學生雙向選擇制”遴選學生進入老師課題組后，以優秀學生為中心，采用以點及面式訓練。與以往的老師帶學生做試驗的傳統模式不同，在培訓中教師除作為指導老師外，還要善于在眾多的學生中發現優秀的人才，并對這些有天分的學生進行精細培養，然后以這些人才為中心點，進行放大，即由一個優秀的學生指導幾個后參加培訓的學生，在這幾個學生中再選出優秀的學生作為下一輪的指導“老師”，這種以點帶面的特色實踐教學模式不但能節約大量教學資源，而且將最大限度地挖掘學生的科研潛力，有利于培養學生的科研創新素質。

（三）以大學生的各類科研訓練、創新創業項目為載體開展教學活動

目前，科技創新已成為發達國家保持持久競爭力的“法寶”。中國早在若干年前就確立了“科技興國”的戰略目標。大學生是祖國的未來，大學生科研創新能力的培養是21世紀高校人才培養的核心內容。國內外眾多高校都開展了多種形式的大學生創新訓練計劃。因此，將生物信息學科研訓練與學校開展的各類科研創新訓練計劃（如大學生“挑戰杯”、“創新學分”或“大學生創新性實驗計劃”等）相結合，將更加有效地利用各種資源，全面鍛煉學生的科研創新能力，例如，文獻的檢索與閱讀，各種組學數據的收集、處理和分析，程序的編寫，實驗設計和操作，科研項目書的撰寫，科研論文的書寫等。

（四）同步開展科技文書的寫作訓練，總結成果保持學生的熱情

疾病的發生發展與特異基因的改變密切相關，鑒定與疾病相關的基因是醫學科研工作的重要內容之一。在科研實踐訓練中，學生利用生物信息學方法，通過分析處理感興趣的數據（如基因組、轉錄組、單核苷酸多態性、全基因組關聯分析等），可挖掘出一些與疾病相關的內在信息，或再通過實驗對分析結果加以驗證。教師可鼓勵學生將這些階段性的成果進行發表，這對學生來說是一種能力上的認可，可以增加學生的科研信心，激發他們的科研熱情和動力。此外還要鼓勵學生積極申請學校乃至全國性的大學生“挑戰杯”等競賽。培養學生的創新和挑戰激情，以便激勵他們在科研之路上能再創新高。如我校2012級本科生王同學，從大學一年級開始就進入實驗室學習生物信息學分析數據，勤奮鉆研，已分別于2013和2014年發表了2篇核心文章，并已成功申請到我校大學生“挑戰杯”項目，在我校大學生作品“挑戰杯”競賽中獲得二等獎。這些成果極大地鼓舞了同學們的科研熱情。

三、本科生生物信息學科研實踐中存在的問題

隨著生物信息學在醫學領域的廣泛應用，越來越多的學生意識到這門學科的重要性，都積極參與實踐練習。而生物信息學實踐離不開計算機這一硬件設備，同時由于生物數據量龐大，這就要求較高的計算機的配置。此外，現階段生物信息學專業教師比較缺乏，在一定程度上也會影響教學實踐的開展。因此，對醫學本科生開展生物信息學實踐訓練尚需相關資源的配套和完善。

四、結語

本文主要探討了對醫學本科生開展生物信息學科研實踐過程中的一些感想和體會，并在多年教學實踐基礎上，總結出一種以科研為核心、學生為主體、訓練項目為載體的科研實訓教學模式。當前雖然一些醫學院校已經開設了生物信息學課程，但是在教學內容、教學方法和教學模式上還有很多不足，尚有待進一步的摸索和改進[5-6]。此外，我們要加大硬件設施的投入，并不斷加強師資隊伍建設，積極參與教學改革，整合各種教學力量，從而提高生物信息學教學質量。

致謝：感謝南昌大學醫學實驗教學中心汪雁老師生前對本科生生物信息學教學方面的貢獻！

參考文獻： 

[1]Shachak A，Ophir R，Rubin E.Applying instructional design theories to bioinformatics education in microarray analysis and Primer design workshops[J].Cell Biol Educ，2005，4（3）：199-206. 

[2]Boyle JA.Bioinformatics in undergraduate education：practical examples[J].Biochem Mol Biol Educ，2004，32（4）：236-238. 

[3]樊代明.整合醫學縱論[J].醫學爭鳴，2014，5（5）：1-13. 

[4]祝鴻程，劉浩，王迎偉，等.基礎醫學課程PBL教學應用的新思路[J].基礎醫學與臨床，2011，31（12）：1410-1412. 

[5]冉景盛，姚啟倫.生物信息學創新教學模式初探[J].生物學通報，2009，44（1）：46-48. 

篇(4)

[論文摘要]生物信息學是80年代以來新興的一門邊緣學科，信息在其中具有廣闊的前景。伴隨著人類基因組計劃的勝利完成與生物信息學的發展有著密不可分的聯系，生物信息學的發展為生命科學的發展為生命科學的研究帶來了諸多的便利，對此作了簡單的分析。

一、生物信息學的產生

21世紀是生命科學的世紀，伴隨著人類基因組計劃的勝利完成，與此同時，諸如大腸桿菌、結核桿菌、啤酒酵母、線蟲、果蠅、小鼠、擬南芥、水稻、玉米等等其它一些模式生物的基因組計劃也都相繼完成或正在順利進行。人類基因組以及其它模式生物基因組計劃的全面實施，使分子生物數據以爆炸性速度增長。在計算機科學領域，按照摩爾定律飛速前進的計算機硬件，以及逐步受到各國政府重視的信息高速公路計劃的實施，為生物信息資源的研究和應用帶來了福音。及時、充分、有效地利用網絡上不斷增長的生物信息數據庫資源，已經成為生命科學和生物技術研究開發的必要手段，從而誕生了生物信息學。

二、生物信息學研究內容

（一）序列比對

比較兩個或兩個以上符號序列的相似性或不相似性。序列比對是生物信息學的基礎。兩個序列的比對現在已有較成熟的動態規劃算法，以及在此基礎上編寫的比對軟件包BALST和FASTA，可以免費下載使用。這些軟件在數據庫查詢和搜索中有重要的應用。有時兩個序列總體并不很相似，但某些局部片斷相似性很高。Smith-Waterman算法是解決局部比對的好算法，缺點是速度較慢。兩個以上序列的多重序列比對目前還缺乏快速而又十分有效的算法。

（二）結構比對

比較兩個或兩個以上蛋白質分子空間結構的相似性或不相似性。

（三）蛋白質結構預測

從方法上來看有演繹法和歸納法兩種途徑。前者主要是從一些基本原理或假設出發來預測和研究蛋白質的結構和折疊過程。分子力學和分子動力學屬這一范疇。后者主要是從觀察和總結已知結構的蛋白質結構規律出發來預測未知蛋白質的結構。同源模建和指認（Threading）方法屬于這一范疇。雖然經過30余年的努力，蛋白結構預測研究現狀遠遠不能滿足實際需要。

（四）計算機輔助基因識別

給定基因組序列后，正確識別基因的范圍和在基因組序列中的精確位置.這是最重要的課題之一，而且越來越重要。經過20余年的努力，提出了數十種算法，有十種左右重要的算法和相應軟件上網提供免費服務。原核生物計算機輔助基因識別相對容易些，結果好一些。從具有較多內含子的真核生物基因組序列中正確識別出起始密碼子、剪切位點和終止密碼子，是個相當困難的問題，研究現狀不能令人滿意，仍有大量的工作要做。

（五）非編碼區分析和DNA語言研究

在人類基因組中，編碼部分進展總序列的3－5%，其它通常稱為“垃圾”DNA，其實一點也不是垃圾，只是我們暫時還不知道其重要的功能。分析非編碼區DNA序列需要大膽的想象和嶄新的研究思路和方法。DNA序列作為一種遺傳語言，不僅體現在編碼序列之中，而且隱含在非編碼序列之中。

三、生物信息學的新技術

（一）Lipshutz(Affymetrix，Santa clara，CA，USA)

描述了一種利用DNA探針陣列進行基因組研究的方法，其原理是通過更有效有作圖、表達檢測和多態性篩選方法，可以實現對人類基因組的測序。光介導的化學合成法被應用于制造小型化的高密度寡核苷酸探針的陣列，這種通過軟件包件設計的寡核苷酸探針陣列可用于多態性篩查、基因分型和表達檢測。然后這些陣列就可以直接用于并行DNA雜交分析，以獲得序列、表達和基因分型信息。Milosavljevic(CuraGen， Branford， CT， USA)介紹了一種新的基于專用定量表達分析方法的基因表達檢測系統，以及一種發現基因的系統GeneScape。為了有效地抽樣表達，特意制作片段模式以了解特定基因的子序列的發生和冗余程度。他在酵母差異基因表達的大規模研究中對該技術的性能進行了驗證，并論述了技術在基因的表達、生物學功能以及疾病的基礎研究中的應用。

（二）基因的功能分析

Overton(University of Pennsylvania School of Medicine，Philadelphia，PA，USA)論述了人類基因組計劃的下一階段的任務基因組水平的基因功能分析。這一階段產生的數據的分析、管理和可視性將毫無疑問地比第一階段更為復雜。他介紹了一種用于脊椎動物造血系統紅系發生的功能分析的原型系統E-poDB，它包括了用于集成數據資源的Kleisli系統和建立internet或intranet上視覺化工具的bioWidget圖形用戶界面。EpoDB有可能指導實驗人員發現不可能用傳統實驗方法得到的紅系發育的新的藥物靶，制藥業所感興趣的是全新的藥物靶，EpoDB提供了這樣一個機會，這可能是它最令人激動的地方。

Babbitt(University of California，San Francisco，CA，USA)討論了通過數據庫搜索來識別遠緣蛋白質的方法。對蛋白質超家族的結構和功能的相互依賴性的理解，要求了解自然所塑造的一個特定結構模板的隱含限制。蛋白質結構之間的最有趣的關系經常在分歧的序列中得以表現，因而區分得分低（low-scoring）但生物學關系顯著的序列與得分高而生物學關系較不顯著的序列 是重要的。Babbit證明了通過使用BLAST檢索，可以在數據庫搜索所得的低得分區識別遠緣關系（distant relationship）。Levitt(Stanford univeersity，Palo Alto，CA，USA)討論了蛋白質結構預測和一種僅從序列數據對功能自動模建的方法。基因功能取決于基因編碼的蛋白質的三級結構，但數據庫中蛋白質序列的數目每18個月翻一番。為了確定這些序列的功能，結構必須確定。同源模建和從頭折疊（ab initio folding）方法是兩種現有的互為補充的蛋白質結構預測方法；同源模建是通過片段匹配（segment matching）來完成的，計算機程棄SegMod就是基于同源模建方法的。

（三）新的數據工具

Letovsky(Johns hopkins University，Baltimore，MD，USA)介紹了GDB數據庫，它由每條人類染色體的許多不同圖譜組成，包括細胞遺傳學、遺傳學、放射雜交和序列標簽位點（STS）的內容，以及由不同研究者用同種方法得到的圖譜。就位置查詢而言，如果不論其類型（type）和來源（source），或者是否它們正好包含用以批定感興趣的區域的標志（markers），能夠搜索所有圖譜是有用的。為此目的，該數據庫使用了一種公用坐標系統（common coordinate system）來排列這些圖譜。數據庫還提供了一張高分辨率的和與其他圖譜共享許多標志的圖譜作為標準。共享標志的標之間的對應性容許同等于所有其它圖譜的標準圖譜的分配。

Candlin(PE applied Biosystems，Foster City，CA，USA)介紹了一種新的存儲直接來自ABⅠPrism dNA測序儀的數據的關系數據庫系統BioLIMS。該系統可以與其它測序儀的數據集成，并可方便地與其它軟件包自動調用，為測序儀與序列數據的集成提供了一種開放的、可擴展的生物信息學平臺。

參考文獻

篇(5)

查看更多《中華整形外科》雜志社信息請點擊： 《中華整形外科》編輯部

       無

        (i0002)沉痛悼念喬群教授 無

        (i0003)中華醫學會整形外科分會血管瘤與脈管畸形專業組第一次學術交流會會議紀要 胡曉潔 江成鴻 林曉曦

        (i0004)《中華整形外科雜志》2011年總目錄 無

        臨床論著

        (401)乳腺癌保乳術后腹腔鏡帶蒂網膜瓣一期乳房重建術 宋向陽 管丹丹 林輝 戴益 鄭雪詠 朱一平 王先法

        (405)重度褥瘡的臨床治療經驗 許喜生 馬錚錚 周永生 歐才生 程勇 陳凱 李柏同 周海洋 胡永才

        (411)咪喹莫特治療嬰幼兒血管瘤 馬剛 林曉曦 江成鴻 陳輝 李偉 胡曉潔 金云波 陳達 陳曉東 葉肖肖

        (415)小兒頸部巨大囊狀淋巴管瘤的手術治療 劉大看 馬玉春 郭曉楠 朱曉爽 董長憲

        讀者·編者·作者

        (417)本刊對論文中實驗動物描述的要求 無

        臨床論著

        (418)游離脛后動脈穿支皮瓣修復手、足背皮膚缺損 趙風景 張興群 姚建民 馬亮 張龍春 陳瑩

        (421)改良vechitti陰道成形與腹膜陰道成形術的對比研究 董麗霞 陳樹波

        (424)型尿道上裂的解剖學修復 李養群 潘煥麗 唐勇 陳文 趙穆欣 楊喆 劉曉吉 胡春梅 劉媛媛 馬寧 謝淼

        (427)懸韌帶松解延長術后延長長度預測模型的建立和驗證 王洪一 陶靈 陳亮 曹川 李世榮

        實驗論著

        (431)p57^kip2和maspin在病理性瘢痕組織中的表達 蔡玉梅 朱世澤 鄭志芳 楊維群 吳文藝

        (437)飼服環磷酰胺對兔耳早期增生性瘢痕組織的影響 邵家松 孟德峰 岳毅剛 周海 花鳴春 張敏

        (442)血管內皮干細胞動員劑對糖尿病小鼠顱骨缺損愈合的影響 王曉霞 stephen warren

        (448)四氯二苯二噁英致胎鼠腭裂作用機制的初步探討 蒲亞蘭 劉麗玲 甘立強 何曉夢 傅躍先

        生物信息學

        (453)基于文獻挖掘的增生性瘢痕相關基因的生物信息學分析 黃琛 李博侖 秦澤蓮

        工作研究

        (461)胸大肌后與腺體后隆乳術后患者損傷情況比較 郭科 孫家明 蘇永勝

        (462)奈福泮與曲馬多預防整形手術腰麻-硬膜外聯合麻醉寒戰的效果比較 張治明 歐陽帆 王劍鳴 趙振龍 張安生

        經驗介紹

 &nb

sp;      (464)鄰指指動脈島狀皮瓣修復手指皮膚軟組織缺損 侯橋 曾林如 王利祥 許良 吳國明 朱芳兵

        (465)先天性狹窄及閉鎖八例手術治療體會 胡春梅 李養群 唐勇 楊喆 趙穆欣 劉媛媛 陳文 馬寧

        技術改進

        (467)介紹一種微創無菌快速獲取可移植脂肪顆粒裝置 黃海玲 劉宏偉 佘文莉 徐媛 陳苑雯 謝波 肖麗玲

        (468)薄膜涂色法在擴張皮膚面積測量中的評價 譚子明 沈為民 彭旦生

        病例報告

        (470)會陰嚴重燒傷患者再造一例 朱小平 包國宏 黃朝帥

        (471)足拇趾離斷再植及踝前穿支皮瓣修復成功一例 儲國平 呂國忠 趙慶國 楊敏烈

        綜述

篇(6)

關鍵詞：B細胞表位；服務器；研究

中圖分類號：R392

表位是抗原分子中被相應抗體或抗原受體識別的特定部位。B細胞表位[1]是抗原中可被B細胞抗原受體（BCR）或抗體特異性識別并結合的線性片段或空間構象性結構，其刺激機體產生B細胞介導的體液免疫應答，并產生效應分子（抗體）和效應細胞。線性B細胞表位是由抗原分子表面肽鏈上連續的氨基酸殘基構成的序列。B細胞表位預測研究主要還是以線性B細胞表位預測為主，目前已有較多關于線性B細胞表位的數據庫和預測算法、軟件。

1 抗原表位

抗原表位[2]，又稱抗原決定簇（antigenic determinant，AD）指抗原分子中決定抗原特異性的特殊化學基團。抗原通過抗原表位與相應的淋巴細胞表面的抗原受體結合，從而激活淋巴細胞，引起免疫應答；抗原也借表位與相應抗體或致敏淋巴細胞發生特異性結合而發揮免疫效應。抗原表位的性質、數目和空間構型決定抗原的特異性。抗原表位是免疫原抗原性的物質基礎，開展對抗原表位的研究將對病原的診斷以及分子疫苗的設計等具有重要的意義。

2 線性B細胞表位篩選方法

B細胞表位[3]是抗原中可被B細胞抗原受體（BCR）或抗體特異性識別并結合的線性片段或空間構象性結構，其刺激機體產生B細胞介導的體液免疫應答，并產生效應分子（抗體）和效應細胞。在免疫學中認為，表位才是抗原刺激機體免疫系統產生特異性免疫應答的真正部位。B細胞表位預測是表位預測的一個重要組成部分，大多數的研究是針對線性B細胞表位預測，通過組合抗原蛋白物理化學性質、結構性質、統計顯著性度量等特征屬性進行表位預測，并取得一定的研究成果。

2.1 基于遞歸神經網絡的線性B細胞表位預測服務器[4]

在多肽疫苗的開發中B細胞表位起到了至關重要的作用，在疾病的診斷中，也可用于過敏研究。標準的前饋（FNN）和遞歸神經網絡（RNN）有被用在本研究中，用于預測抗原序列中的B細胞表位。網絡已經被訓練和測試，在一個完整的數據集中，由700個非冗余的B細胞表位來自于Bcipep數據庫和同等數量的非表位來自于SWISS-PROT數據庫。該網絡已經訓練和測試在不同的輸入窗口長度和隱結點中。最大精度已使用遞歸神經網絡具有單隱層的35個隱藏的單位窗口長度為16。當測試在五倍折交叉驗證時，最終的網絡產生準確度為65.93%。相應的敏感性，特異性和陽性預測值為67.14，64.71，和65.61%。在以往的研究中RNN比FNN在B細胞表位的預測中效果更好。該肽的長度也是重要的在預用詞從抗原序列的B細胞表位。

2.2 基于氨基酸對抗原規模的線性B細胞表位預測[5]

在生物信息學中蛋白抗原位點的鑒定是至關重要的，開發的合成肽疫苗，免疫診斷測試的距離和抗體的產生。目前，大多數的預測算法傾向于使用氨基酸滑動窗口方法。這些方法過于簡單，并在實踐中產生不良的預測結果。提出了一種新穎的規模，稱為氨基酸對抗原（AAP）規模，基于這一發現，更加有利于B細胞表位預測。它表明，使用SVM（支持向量機）分類，AAP抗原尺度方法具有更好的性能比現有單個氨基酸傾向尺度。AAP抗原規模可以反映一些特殊的序列在B細胞表位特征中，它的本質是為什么新的方法是優于現有的。可以預料與已知的抗原表位的數據，氨基酸對抗原規模的做法將進一步增強。

2.3 基于內核字符串線性B細胞表位預測[6]

B細胞表位的鑒定和表征在疫苗設計中扮演重要的角色，免疫診斷測試，并產生抗體。因此，可靠的計算工具預測線性B細胞表位是非常可取的。評估的支持向量機（SVM）利用五個不同的內核上五倍使用交叉驗證的方法分類培訓同源減少701線性B細胞表位，從Bcipep數據庫中提取的數據，和701非抗原表位，隨機抽取從SwissProt數據庫序列。根據我們的結果計算實驗中，我們提出BCPred，線性B細胞表位預測的新方法使用序列內核。我們表明，預測性能BCPred（AUC=0.758）優于11基于SVM分類器的開發和評估，以及在我們的實驗中，我們執行的AAP（AUC=0.7），最近提出的一種方法，用于預測線性B細胞使用氨基酸對抗原的表位。此外，我們比較AAP和BCPred，ABCPred 獨特的B細胞表位，使用遞歸神經網絡的方法，該方法為使用兩個數據集先前已用于評估ABCPred的。使用和分析的數據集的結果這個比較表明，不同的B細胞表位的相對性能的結論預測方法的基礎上得出的實驗中使用的數據集的獨特的B細胞表位的可能產生的性能評估方法的估計過于樂觀。這認為使用精心同源性減小數據集的B細胞表位的預測方法進行比較，以避免有關如何不同的方法的誤導性的結論相互比較。同源精簡數據組和BCPred實現以及APP的方法是公開的。

2.4 基于一種新系統的線性B細胞表位預測[7]

在幾十年的研究中盡管具有挑戰性的任務，B細胞抗原表位的準確的預測仍然是在計算免疫學中。只有10%的已知B細胞表位的估計是連續的，但他們往往卻是目標預測，因為解決三級結構是必需的，它們是不可或缺的肽疫苗和治療蛋白質工程的發展。在這篇文章中，提出COBEpro，新的兩步預測連續B細胞系統抗原表位。COBEpro是能夠分配表位pensity分數兩個獨立的肽片段抗原序列內的殘留物。COBEpro首先使用支持向量機進行預測在查詢抗原序列和肽片段，然后計算表位的傾向得分為每個基于片段的預測的殘余物。次要結構和溶劑輔助功能信息（無論是預測或準確）可以被納入到提高性能。COBEpro實現了交叉驗證受試者工作特征曲線（AUC）下teristic高達0.829片段上抗原決定基的傾向得分任務的AUC為0.628殘余物外延主題傾向得分任務。

3 用于線性B細胞表位預測工具建立與評價的數據庫

免疫信息學[8]數據庫是隨著生物信息學和免疫基因組學的不斷進步而逐漸發展起來的，是專門收錄免疫學相關分子信息，實現數據存儲、查詢、分析，計算等功能的數據庫。最初，與免疫相關的多肽序列、抗原分子等信息與其他生物數據一起，被收錄在各類生物信息學數據庫中，隨著免疫學研究的發展，人們對免疫學相關分子信息的需求越來越迫切，需要單獨對這些數據進行計算、分析和預測，一些研究機構開始嘗試從生物信息學基礎數據庫中提取免疫相關的生物數據，開發集存儲、查詢、計算、預測以及繪圖分析功能為一體的免疫學數據庫。目前，網絡上的免疫信息學數據庫已達數十個，它們的規模大小不一，內容與側重點也不盡相同，其中的大部分數據來源于GenBank、EBI、EMBL，供研究人員免費使用。

3.1 Bcipep：B細胞表位數據庫

Bcipep[9]是各種免疫原性B細胞表位數據庫，目前Bcipep數據庫包含3031個條目，其中包括763免疫顯性，1797免疫原性和471空的免疫原性的抗原表位，每條記錄包含多肽序列、源蛋白、病原體、免疫原性、中和性、模式生物、實驗方法、參考文獻、抗原結構等信息，它涵蓋范圍廣泛，如病毒、細菌、原生動物、真菌。該數據庫提供了一組工具，用于分析和提取的數據，其中包括關鍵字搜索，肽譜分析和BLAST搜索。Bcipep稱為一個完整B細胞表位數據庫，已經開發了一個覆蓋廣泛的病原體的抗原決定簇的信息。該數據庫有助于B細胞表位預測方法的研究、合成肽疫苗的設計和疾病的診斷。

4 結束語

顯而易見，線性B細胞表位預測現狀與人們理想預期還存在很大的差距，利用軟件預測線性B細胞表位并不完全準確，還需要實驗的進一步驗證。為了研發更準確的預測工具，需要建立高質量的訓練數據集和檢驗數據集，數據集的質量高低與預測工具的預測能力密切聯系；另外，統一評價體系也是目前急待解決的問題。評價體系的標準化，既有助于軟件開發者采用最有效的算法創建更準確的工具，又方便了使用者對工具的篩選和評價。統一評價體系首先要面臨的問題是所有數據格式的統一，有了一致的數據格式，才能進行比較。在表位預測領域尚缺乏高質量的標準數據集，針對標準的數據集開發自動評價工具將是未來的發展方向。相信隨著生物信息學的快速發展，線性B細胞表位計算機預測技術將會越來越成熟。

參考文獻：

[1]Peters B，Sidney J， Bourne P， et al.The design and implementation of the immune epitope database and analysis resource[J].Immunogenetics，2005，57（5）：326-336.

[2]吳敏毓，劉恭植.醫學免疫學：第四版[M].北京：中國科學技術大學出版社，2002：1-2.

[3]呂鳳林，朱錫華.人C5aR（CD88）序列結構分析及其B細胞表位預測[J].免疫學雜志，1998，14（3）：153-156.

[4]Saha S，Raghava GP （2006） Prediction of continuous B-cell epitopes in an antigen using recurrent neural network. Proteins.65：40-48.

[5] Chen J，Liu H，Yang J，Chou KC （2007） Prediction of linear B-cell epitopes using amino acid pair antigenicity scale.Amino Acids 33：423-428.

[6]El-Manzalawy Y，Dobbs D， Honavar V （2008） Predicting linear B-cell epitopesusing string kernels.J Mol Recognit 21：243-255.

[7]Sweredoski MJ，Baldi P （2009） COBEpro： a novel system for predictingcontinuous B-cell epitopes.Protein Eng Des Sel 22：113-120.

[8]Walsh R， Locarnini S. Hepatitis B precore protein： pathogenic potential and therapeutic promise[J].Yonsei Med J，2012，53（5）：875-85.

[9]Saha S， Bhasin M， Raghava GP （2005） Bcipep：a database of B-cell epitopes.BMC Genomics 6：79.

[10]Roseman AM， Berriman JA.， Wynne SA.， et al. A structural model for maturation of the hepatitis B virus core[J]. Proc Natl Acad Sci USA， 2005，102（44）：15821-6.

[11]Yasser EL-Manzalawy， Vasant Honavar. Recent advances in B-cell epitope prediction methods[J]. Immunome Res，2010，6（Suppl 2）：S2.

[12]Roggen EL. B-cell epitope engineering： A matter of recognizing protein features and motives[J].DDT：Technol，2008，5（2-3）：e49-55.

[13]馮新港.免疫信息學原理及其應用[M].上海：上海科學技術出版社，2009，6：1-5.

[14]Alix，A. （1999） Vaccine，18，311-314 （314）.

篇(7)

關鍵詞：網絡平臺；虛擬化；團隊教學模式

中圖分類號 G642.0 文獻標識碼 A 文章編號 1007-7731（2016）23-0150-03

Research on Application of Virtual Team Teaching Model Based on Network Platform

Gao Zhihua1 et al.

（1College of Biological Science and Engineering，Hebei University of Economics and Business，Shijiazhuang 050061，China）

Abstract：This article introduced the concept and superiority of team teaching.Taking Plant biology and Bioinformatics courses as an example，the necessity and implementation effect of virtual team teaching were discussed using internet instant message tools based on network platform.Teaching practice showed that virtual team teaching model can cultivate practice and innovation abilities of students，and promote the soft power of university's teaching.

Key words：Network platform；Virtual；Team teaching model

在科技飛速發展、信息急劇膨脹背景下的互聯網+和大數據時代，人們更加注重需求的個性化和多元化，高校的教學活動也應順勢發力，尋求適應新的教學模式。面對社會對學生創新能力和綜合素質要求的不斷提高，高校在新一輪教學改革的推動下，大大縮減了專業基礎課學時，整合優化了不同學科的教學內容，鼓勵教師在多學科相互協同下完成更加綜合的專業教學工作。針對地方財經類院校教學實際情況，筆者在不增加任何教學和師資成本的前提下，基于網絡平臺，利用各種網絡通訊工具，以植物生物學和生物信息學兩門課程為例，進行了虛擬化團隊教學模式應用研究，以改善教學效果，提高教學質量。

1 團隊教學的概念和優越性

“團隊”概念最初誕生于企業管理，團隊管理理論也被企業廣泛采用，并被認為是企業成功的基本保障。團隊是由2個或者2個以上的人組成，通過人們彼此之間的相互影響、相互作用，行為上遵循共同規范的一種介于組織與個人之間的組織形態。與普通工作群體不同，團隊的主要特征是團隊成員承諾共同的工作目標和方法，并互相承擔責任[1]。團隊教學是指由若干有著共同的目標，具有互補技能或者知識的教師，彼此間通過分享認知和合作行動以共同承擔教學任務的，能夠相互溝通協作的教師共同組建形成的有效工作群體[2]。20世紀50年代中期，美國在中小學推行“小組協同教學制（即協同教學）”，實行合作教學，開創了團隊教學的先河，20世紀70年代以后在高校開始應用團隊教學。目前美國的大中小學80%左右實施某種形式的團隊教學[3]。

團隊教學是教學團隊圍繞專題來進行集體教學，團隊成員無論在學歷結構、知識結構、實踐經歷，還是年齡結構、職稱結構等方面，都可以實現優勢互補，多角度的透視，多緯度的解構，多要素的建構，與傳統的單人教學（即一人一書面對一個班講到底，單兵作戰或獨立作業的教學形式）相比，具有以下優越性：

1.1 符合當代社會對人才的需求標準 在社會競爭日益激烈的當下，用人單位越來越務實，更加看重學生的實際能力和綜合素質，對學生專業的深度與廣度也有了新要求，這就要求學校不斷拓展學科的內涵和外延，促進不同學科間交叉融合，整合教學內容，更新教學方法。但是，教師的單獨教學受其知識面、固有專業、科研領域和時間精力等諸多方面的約束，難以保證在所有教學環節和授課內容上都做到極致，而不斷引進新師資也不現實，團隊教學則根據不同的教學要求和教師的教學特長及學術專長，統籌安排，合理搭配，讓最合適的教師承擔其最擅長的教學內容[4]。通過這種最佳組合、優勢互補的方式，不僅能以不變應萬變去滿足多樣化的社會用人需求，而且可以充分發揮學校師資1+1>2的協同效應。

1.2 促進教師教學與科研的良性循環 如果把高校看做一家工廠，那么學生就是產品，教師就是工人。要想讓自己的產品在市場上具有核心競爭力，就要有所為有所不為，就得做我們最擅長的，讓我們的強項更強，因為競爭對手不會給我們留補短板的時間和機會。同樣，如果一名教師單獨把一門學科交叉性強的課從頭講到尾，則勢必要求他花更多的時間和精力去學習太多新領域的知識與技能，而且在相當長的一段時間里一直是“新手”，教學效果也不會太好。團隊教學則可以讓每名教師只負責教授自己最拿手的1～2個教學專題，使其在已有的優勢領域繼續潛心研究，其科研成果不僅能及時更新到教學之中，做到常講常新，而且還容易在專題教學及師生互動中獲得靈感，受到啟迪，為可持續的科研找到新的生長點，真正步入教學與科研的良性循環。

1.3 有助于提升高校教學軟實力 自20世紀90年代初，哈佛大學教授約瑟夫?奈提出“軟實力”概念之后，便掀起了“軟實力”研究與應用的熱潮。教學軟實力與教學場地、儀器設備、師資隊伍、校園環境等教學硬實力同等重要，尤其是在各個高校教學硬實力發展日益同質化的今天，教學理念、教學體系、教學方法、教學改革、課程建設、教學質量等教學軟實力就成為高校提高核心競爭力、實現跨越式發展過程中最值得思考和研究的課題。團隊教學不能單純地理解為“幾個人的簡單相加、拼湊合上一門課”，而是由優勢互補、相互協作的教師組成一個有機整體共同授課，不僅是教學方法上的改革，更是一種教學理念的突破。幾名教師能走到一起共同完成一門課的教學任務，這本身就需要每個人先擯棄陳舊的教學觀念。參與團隊教學的每位教師同時還擔任了其他課程的教學任務，有助于處理好先行課程與后行課程在教學內容、教學重點等方面的銜接問題，也可以從一個課程群的更高層次去搞好課程建設，并推進相關教學改革，提高教學質量。

除此之外，團隊教學還可以加強教師間、師生間的互動交流，不同教師的性格魅力、授課風格、教學經驗也會遷移默化地感染、啟發和熏陶每位學生，對他們的個性培養、素質教育起到積極作用，也有利于良性評價和競爭機制的形成[5-6]。

2 虛擬化團隊教學的必要性

幾十年來，已經有一些學者對團隊教學模式進行了研究和試驗。國外的團隊教學模式主要是為了彌補單一學科教師的知識不足，在交叉學科和語言類課程中采用該模式組織教學。Anderson和Graber等就曾分別在交叉學科的課程教學中采用并研究過該模式，他們指出，采用該模式組織教學可以激起師生的創新思維，體現教學的藝術性。我國學者在團隊教學模式的具體實施方面（如教學團隊的構建、教學內容的分配等）進行了可行性探索[3，7-8]。但是，由于通常的團隊教學模式需要雙倍甚至更多倍的經費和師資，鑒于教學成本的考慮，這種實體化團隊教學模式在地方院校中大范圍推廣受到不同程度的限制。在這種形勢下，零成本的虛擬化團隊教學就成了一種最優選擇，它可以靈活采用多種團隊教學模式，根據授課內容選擇適合不同專題的主講人組建虛擬的教學團隊，有利于最終形成育人合力，克服長期以來高校“單口相聲”式授課存在的種種弊端，拓寬學生知識面，調動學生學習積極性，提高學生實踐創新能力，培養符合社會需求的優秀人才。

3 虛擬化團隊教學的實施效果

團隊教學模式特別適合跨學科性質的課程，在此我們選擇了植物生物學和生物信息學兩門課程進行了虛擬化團隊教學嘗試，具體實施效果如下：

3.1 梳理教學內容，組建虛擬教學團隊 植物生物學課程是由原來的植物學（主要包括植物解剖結構和植物系統分類兩部分內容）、植物生理學和植物生態學3門課程的教學內容整合而成，涉及至少3個學科的專業知識，我們遴選出：植物細胞與生根培養、校園綠化植物資源調查研究、植物激素與細胞信號轉導、植物引種快繁與生態因子等多個教學專題，并邀請各位主講人，共同組成植物生物學虛擬教學團隊。生物信息學是一門跨生物學、數學、計算機科學和信息學的多學科交叉性學科，教好這門課就要求教師同時具備這些學科的背景知識，其難度可想而知。所以，我們也根據課程內容篩選出：文獻檢索與數據庫構建、序列比對算法解析、數據挖掘與R語言、RNA-seq測序與數據分析、蛋白質組學質譜數據分析等課程主題，也同樣把各位主講人通過網絡平臺聚在一起組建成生物信息學虛擬教學團隊。

3.2 節約教學成本，并用團隊教學模式 團隊教學模式彈性而多元，大體可以分為以下4種模式[9]：（1）全員模式：教學團隊各成員共同參與一門課的各個教學環節，并負有平等的責任和發言權。在同一時間內同一個班級前展開互動，從不同視角討論同一主題。（2）支持模式：教學團隊各成員根據自身特長輪流授課，負責不同的課程主題，共同參與學生的最終考核與成績評定。當一位教師授課時，其他教師處于從屬地位，扮演不同角色輔助學生學習。（3）嘉賓模式：由一位教學團隊成員全權負責整門課程的所有教學環節，其他成員以嘉賓或客座的身份針對自己負責的課程主題進行講座。（4）分享模式：教學團隊成員分別在不同班級獨立授課，但會不定期地碰面交流觀點，分享經驗和資源。還可以用某種方式共享一些自己的資源，以供其他成員借鑒和學習。

為了節約教學成本，由一名教學團隊成員全程負責整門課程的所有教學環節，同時在授課教室利用網絡平臺將一個或幾個甚至是所有其他成員按需連線進入教學現場，共同授課，這樣就相當于綜合利用了全員模式、支持模式和嘉賓模式3種模式。教學團隊中，有的成員除了參與教授這門課外，還給其他班級講別的課，有的成員可能來自其他行業，有的成員還可能身處國外，在課下都可以通過網絡平臺聚在在一起進行交流，分享教學經驗與收獲，這便是分享模式。

3.3 利用網絡平臺，虛擬團隊教學環境 學校教室大都安裝了多媒體設備，并能通過校園網訪問互聯網，利用即時聊天工具騰訊QQ、微信等把教學團隊成員的講課視頻“現場直播”到教室，同時也可以借助視頻和音頻設備把教室的圖像和聲音傳給對方，虛擬團隊教學環境，實現師生互動。師生還可以隨時隨地遠程登陸服務器上傳、下載課程作業、教學資料。

3.4 加強課下師生交流，激發學生學習熱情 課下除了通過E-mail聯系之外，還建立了不同主題的QQ群、微信群等，方便師生、生生及時溝通，把時間化整為零，將“有限的”課堂教學外延到“無限的”課下交流之中。有的群還保留著曾經上過我們課的往屆學生，他們經常在群里以自己的學習經歷進行言傳身教，營造出濃厚的W習氛圍。還可以在群里給學生提供一些課外學習網站鏈接，作為延伸閱讀，激發學生的學習熱情。

3.5 立足團隊教學實踐，驅動師生科研創新 為了能在團隊教學實踐中找到科研新切入點，嘗試把植物生物學和生物信息學兩門課程的師生拉進一個群，進行“大雜燴”式的交流，可以在新的廣度和深度上挖掘新問題。教學團隊各成員的專業不同，閱歷不同，對問題的洞察力也不同，能用獨到的眼光和敏銳的嗅覺在這種師師、師生、和生生互動中捕捉到稍縱即逝的科研靈感，凝練問題深入研究。例如，上植物生物學課的學生在聽了植物細胞與生根培養、植物引種快繁與生態因子等專題后，對植物優良品種的培育和鑒定很感興趣，但苦于數據處理，得知這一情況后，上生物信息學的學生就在教師的指導下利用R語言開發了一款用于分析灰色關聯度的軟件――greyRelationalAnalysis.R[10]。為了方便大家使用，還用C++語言開發出greyRelationalAnalysis.R軟件的第二版，并把可分析的灰色關聯度類型由原來的一種擴展到了4種，該工作已進入論文投稿階段。又如，發現學生在課外學習長鏈非編碼RNA（long non-coding RNA，lncRNA）時，對檢索到的大量相關文獻難以有效管理和利用，便帶領學生用R語言對lncRNA生物學文獻挖掘方法進行了探索，目前該工作也正在投稿。正是源于團隊教學實踐的科研項目，培養了學生的科研創新能力，使教師科研有了可持續推進的動力。這些成功案例豐富了團隊教學內容，激勵著更多學生勇攀知識高峰。

4 結語

眼下，大學生就業率被視為高校的生命線，而這與高校的教學質量又息息相關。如何在辦學經費十分緊張的地方高校提升教學軟實力，實現跨越式發展，是擺在我們面前的一個共性的難題。通過本文的教學實踐表明，這種零成本的虛擬化團隊教學模式作為一種新型教學模式在互聯網+和大數據背景下具有可行性。因此，今后應該充分發揮虛擬化團隊教學模式的優勢，更好服務于高校教學，以培養更多符合新時代需求的可用之才。

參考文獻

[1]李鉅恒.團隊式教學在實訓課程中的應用[J].遼寧行政學院學報，2006（8）：127-128.

[2]鄭建芳.職業學校教師團隊建構理念與策略[J].哈爾濱職業技術學院學報，2007（5）：20-21.

[3]邱鏞妃.分模塊團隊教學在人力資源管理課程中的應用[J].山東電力高等專科學校學報，2009，12（2）：16-20.

[4]何侃.論復雜性視閾中的高職院校教師團隊建設[J].教育與職業，2010（36）：69-71.

[5]謝曉平.高校思想政治理論課團隊教學模式探討[J].理論界，2007（12）：222-223.

[6]丁玲，朱景林.團隊教學模式在“形勢與政策”課教學中的應用研究[J].成功（教育），2012（11）：26.

[7]叢培英.思想政治理論課團隊教學的功能與途徑研究[J].沈陽工程學院學報（社會科學版），2011，7（2）：259-261.

[8]張素蓮.以課程組為基礎的團隊教學模式――關于高校思想政治理論課教學改革探索[J].教育教學論壇，2013（48）：257-258.