分子生物学与遗传学基础

分子生物学与遗传学基础

# 碱基互补配对与密码子翻译示意
complement = {'A': 'T', 'T': 'A', 'G': 'C', 'C': 'G'}

def reverse_complement(seq):
    return ''.join(complement[b] for b in reversed(seq))

def translate(seq):
    table = {'ATG': 'M', 'TAA': '*', 'TAG': '*', 'TGA': '*'}
    prot = ''
    for i in range(0, len(seq) - 2, 3):
        prot += table.get(seq[i:i + 3], 'X')
    return prot

dna = "ATGGCTGCAAGCTTAA"
print(reverse_complement(dna))
print(translate(dna))
​

在生物信息学中，这些基础概念直接转化为计算任务：序列文件里每个字母对应一种碱基；比对算法用打分矩阵奖励匹配、惩罚错配；变异检测把参考基因组上的差异记录为变异；基因注释则在基因组上定位外显子、启动子等元件。因此，把分子生物学的"物质观"与信息学的"数据观"结合起来，是学习本教程第一条主线。

遗传信息的存储与表达

分子生物学的核心线索是中心法则：遗传信息从 DNA 经转录流向 RNA，再由 RNA 经翻译流向蛋白质。DNA 由腺嘌呤、胸腺嘧啶、鸟嘌呤、胞嘧啶四种碱基组成，两条链通过碱基互补配对（A 对 T、G 对 C）形成双螺旋。基因是 DNA 上携带遗传信息的区段，人类基因组约三十亿个碱基对，编码约两万个蛋白质编码基因，其余区域承担调控等功能。真核基因通常由外显子和内含子交错组成，转录产生的前体 RNA 经剪接去除内含子后成为成熟信使 RNA。翻译时，每三个核苷酸构成一个密码子，对应一种氨基酸或终止信号，这一对应关系即遗传密码表，其中甲硫氨酸同时作为起始信号。

遗传学基础包括经典遗传学的分离定律与自由组合定律，以及分子层面的突变概念。突变包括碱基替换、插入、缺失、倒位、易位等类型，是遗传多样性的来源，也是疾病与进化的根源。孟德尔定律解释了单基因性状的传递规律，而大多数生物性状由多基因和环境共同决定。理解这些知识后，序列分析中的许多问题——例如预测变异是否有害、解释保守位点、注释基因功能——才有了依据。

# 碱基互补配对与密码子翻译示意
complement = {'A': 'T', 'T': 'A', 'G': 'C', 'C': 'G'}

def reverse_complement(seq):
    return ''.join(complement[b] for b in reversed(seq))

def translate(seq):
    table = {'ATG': 'M', 'TAA': '*', 'TAG': '*', 'TGA': '*'}
    prot = ''
    for i in range(0, len(seq) - 2, 3):
        prot += table.get(seq[i:i + 3], 'X')
    return prot

dna = "ATGGCTGCAAGCTTAA"
print(reverse_complement(dna))
print(translate(dna))
​

中心法则：生物信息学的"主干道"

理解生物信息学，必须从分子生物学的中心法则（central dogma）出发：DNA（遗传信息存储）→ 转录 → RNA（信息传递）→ 翻译 → 蛋白质（功能执行）。这条"信息流"是生物信息学的"主干道"，因为它决定了生物数据的类型与关系：基因组数据（DNA 序列——信息的"源文件"）、转录组数据（RNA 表达量——信息的"转录本"）、蛋白质组数据（蛋白质序列与结构——信息的"成品"）、以及表观遗传数据（DNA 甲基化、组蛋白修饰——信息"如何被读取"的调控层）。生物信息学的核心任务，就是在这条主干道上"读数据、找规律、建模型"——从序列比对（找同源）到表达分析（找差异）到通路富集（找机制），每一步都是中心法则某个环节的"信息处理"。

中心法则的"例外与扩展"同样重要：逆转录（RNA → DNA——逆转录病毒（HIV）利用逆转录酶）；RNA 的直接功能（非编码 RNA——miRNA 调控基因表达、lncRNA 参与染色质调控——"RNA 不只是中间人"）；以及蛋白质的"中心法则之外"（蛋白质剪接、翻译后修饰——蛋白质的功能多样性远超基因数目）。对生物信息学而言，中心法则的意义在于"数据的分层与关联"：基因组告诉你"可能"（有什么基因）、转录组告诉你"表达"（哪些基因在开）、蛋白质组告诉你"执行"（哪些蛋白在工作）——"从基因型到表型的桥梁"（GTEx、ENCODE 等项目）正是沿着中心法则建立数据关联。掌握中心法则，你就掌握了生物数据"从哪来、往哪去"的导航图——它是生物信息学的第一课，也是贯穿所有后续章节的主线。
回顾本节核心：中心法则（DNA→RNA→蛋白质）是生物数据的"主干道"，决定数据的分层（基因组/转录组/蛋白组）与关联；中心法则的例外（逆转录、非编码 RNA）扩展了数据维度。生物信息学的一切工作，都是在中心法则的框架下"读数据、找规律、建模型"。
记住一句话：生物信息学的一切数据都沿中心法则流动——掌握中心法则的"信息流"，你就掌握了生物数据的"导航图"。
从实践角度理解中心法则的价值：做一次「数据溯源」练习——拿一个真实生物信息学问题（如某基因在肿瘤中高表达），沿中心法则回溯数据链条——基因组（该基因的序列与变异）→ 转录组（它的表达量）→ 蛋白组（它的蛋白水平）→ 表型（肿瘤行为）——你会发现：一个生物学问题需要在中心法则的多个环节收集证据，这正是生物信息学「多组学整合」的生物学基础。

模式生物与序列数据的"语言"

分子遗传学的知识常以模式生物为载体。大肠杆菌、酿酒酵母、秀丽隐杆线虫、果蝇、斑马鱼与小鼠各有分工：前两者基因组小、繁殖快、易于基因操作，适合研究基本的分子机制；线虫与果蝇适合研究发育与神经；小鼠在生理上更接近人类，成为疾病模型的主力。对生物信息学而言，这些生物的基因组序列都被整理为 FASTA、FASTQ 等标准文本格式：FASTA 以"大于号"开头的标识行标明序列名称，随后是纯序列文本；FASTQ 在每条序列后附加一行质量分数，记录测序置信度。理解模式生物与数据格式，就能把本节的概念与实际文件一一对应起来。