发布时间：
一, 生物信息学发展简介生物信息学是建立在分子生物学的基础上的,因此,要了解生物信息学,就必须先对分子生物学的发展有一个简单的了解.研究生物细胞的生物大分子的结构与功能很早就已经开始,1866年孟德尔从实验上提出了假设:基因是以生物成分存在[1],1871年Miescher从死的白细胞核中分离出脱氧核糖核酸(DNA),在Avery和McCarty于1944年证明了DNA是生命器官的遗传物质以前,人们仍然认为染色体蛋白质携带基因,而DNA是一个次要的角色.1944年Chargaff发现了著名的Chargaff规律,即DNA中鸟嘌呤的量与胞嘧定的量总是相等,腺嘌呤与胸腺嘧啶的量相等.与此同时,Wilkins与Franklin用X射线衍射技术测定了DNA纤维的结构.1953年James Watson 和FrancisCrick在Nature杂志上推测出DNA的三维结构(双螺旋).DNA以磷酸糖链形成发双股螺旋,脱氧核糖上的碱基按Chargaff规律构成双股磷酸糖链之间的碱基对.这个模型表明DNA具有自身互补的结构,根据碱基对原则,DNA中贮存的遗传信息可以精确地进行复制.他们的理论奠定了分子生物学的基础.DNA双螺旋模型已经预示出了DNA复制的规则,Kornberg于1956年从大肠杆菌(E.coli)中分离出DNA聚合酶I(DNA polymerase I),能使4种dNTP连接成DNA.DNA的复制需要一个DNA作为模板.Meselson与Stahl(1958)用实验方法证明了DNA复制是一种半保留复制.Crick于1954年提出了遗传信息传递的规律,DNA是合成RNA的模板,RNA又是合成蛋白质的模板,称之为中心法则(Central dogma),这一中心法则对以后分子生物学和生物信息学的发展都起到了极其重要的指导作用.经过Nirenberg和Matthai(1963)的努力研究,编码20氨基酸的遗传密码得到了破译.限制性内切酶的发现和重组DNA的克隆(clone)奠定了基因工程的技术基础.正是由于分子生物学的研究对生命科学的发展有巨大的推动作用,生物信息学的出现也就成了一种必然.2001年2月,人类基因组工程测序的完成,使生物信息学走向了一个高潮.由于DNA自动测序技术的快速发展,DNA数据库中的核酸序列公共数据量以每天106bp速度增长,生物信息迅速地膨胀成数据的海洋.毫无疑问,我们正从一个积累数据向解释数据的时代转变,数据量的巨大积累往往蕴含着潜在突破性发现的可能,"生物信息学"正是从这一前提产生的交叉学科.粗略地说,该领域的核心内容是研究如何通过对DNA序列的统计计算分析,更加深入地理解DNA序列,结构,演化及其与生物功能之间的关系,其研究课题涉及到分子生物学,分子演化及结构生物学,统计学及计算机科学等许多领域.生物信息学是内涵非常丰富的学科,其核心是基因组信息学,包括基因组信息的获取,处理,存储,分配和解释.基因组信息学的关键是"读懂"基因组的核苷酸顺序,即全部基因在染色体上的确切位置以及各DNA片段的功能;同时在发现了新基因信息之后进行蛋白质空间结构模拟和预测,然后依据特定蛋白质的功能进行药物设计[2].了解基因表达的调控机理也是生物信息学的重要内容,根据生物分子在基因调控中的作用,描述人类疾病的诊断,治疗内在规律.它的研究目标是揭示"基因组信息结构的复杂性及遗传语言的根本规律",解释生命的遗传语言.生物信息学已成为整个生命科学发展的重要组成部分,成为生命科学研究的前沿.二, 生物信息学的主要研究方向生物信息学在短短十几年间,已经形成了多个研究方向,以下简要介绍一些主要的研究重点.1,序列比对(Sequence Alignment)序列比对的基本问题是比较两个或两个以上符号序列的相似性或不相似性.从生物学的初衷来看,这一问题包含了以下几个意义[3]:从相互重叠的序列片断中重构DNA的完整序列.在各种试验条件下从探测数据(probe data)中决定物理和基因图存贮,遍历和比较数据库中的DNA序列比较两个或多个序列的相似性在数据库中搜索相关序列和子序列寻找核苷酸(nucleotides)的连续产生模式找出蛋白质和DNA序列中的信息成分序列比对考虑了DNA序列的生物学特性,如序列局部发生的插入,删除(前两种简称为indel)和替代,序列的目标函数获得序列之间突变集最小距离加权和或最大相似性和,对齐的方法包括全局对齐,局部对齐,代沟惩罚等.两个序列比对常采用动态规划算法,这种算法在序列长度较小时适用,然而对于海量基因序列(如人的DNA序列高达109bp),这一方法就不太适用,甚至采用算法复杂性为线性的也难以奏效.因此,启发式方法的引入势在必然,著名的BALST和FASTA算法及相应的改进方法均是从此前提出发的.2, 蛋白质结构比对和预测基本问题是比较两个或两个以上蛋白质分子空间结构的相似性或不相似性.蛋白质的结构与功能是密切相关的,一般认为,具有相似功能的蛋白质结构一般相似.蛋白质是由氨基酸组成的长链,长度从50到1000~3000AA(Amino Acids),蛋白质具有多种功能,如酶,物质的存贮和运输,信号传递,抗体等等.氨基酸的序列内在的决定了蛋白质的3维结构.一般认为,蛋白质有四级不同的结构.研究蛋白质结构和预测的理由是:医药上可以理解生物的功能,寻找dockingdrugs的目标,农业上获得更好的农作物的基因工程,工业上有利用酶的合成.直接对蛋白质结构进行比对的原因是由于蛋白质的3维结构比其一级结构在进化中更稳定的保留,同时也包含了较AA序列更多的信息.蛋白质3维结构研究的前提假设是内在的氨基酸序列与3维结构一一对应(不一定全真),物理上可用最小能量来解释.从观察和总结已知结构的蛋白质结构规律出发来预测未知蛋白质的结构.同源建模(homology modeling)和指认(Threading)方法属于这一范畴.同源建模用于寻找具有高度相似性的蛋白质结构(超过30%氨基酸相同),后者则用于比较进化族中不同的蛋白质结构.然而,蛋白结构预测研究现状还远远不能满足实际需要.3, 基因识别,非编码区分析研究.基因识别的基本问题是给定基因组序列后,正确识别基因的范围和在基因组序列中的精确位置.非编码区由内含子组成(introns),一般在形成蛋白质后被丢弃,但从实验中,如果去除非编码区,又不能完成基因的复制.显然,DNA序列作为一种遗传语言,既包含在编码区,又隐含在非编码序列中.分析非编码区DNA序列目前没有一般性的指导方法.在人类基因组中,并非所有的序列均被编码,即是某种蛋白质的模板,已完成编码部分仅占人类基因总序列的3~5%,显然,手工的搜索如此大的基因序列是难以想象的.侦测密码区的方法包括测量密码区密码子(codon)的频率,一阶和二阶马尔可夫链,ORF(Open Reading Frames),启动子(promoter)识别,HMM(HiddenMarkov Model)和GENSCAN,Splice Alignment等等.4, 分子进化和比较基因组学分子进化是利用不同物种中同一基因序列的异同来研究生物的进化,构建进化树.既可以用DNA序列也可以用其编码的氨基酸序列来做,甚至于可通过相关蛋白质的结构比对来研究分子进化,其前提假定是相似种族在基因上具有相似性.通过比较可以在基因组层面上发现哪些是不同种族中共同的,哪些是不同的.早期研究方法常采用外在的因素,如大小,肤色,肢体的数量等等作为进化的依据.近年来较多模式生物基因组测序任务的完成,人们可从整个基因组的角度来研究分子进化.在匹配不同种族的基因时,一般须处理三种情况:Orthologous: 不同种族,相同功能的基因Paralogous: 相同种族,不同功能的基因Xenologs: 有机体间采用其他方式传递的基因,如被病毒注入的基因.这一领域常采用的方法是构造进化树,通过基于特征(即DNA序列或蛋白质中的氨基酸的碱基的特定位置)和基于距离(对齐的分数)的方法和一些传统的聚类方法(如UPGMA)来实现.5, 序列重叠群(Contigs)装配根据现行的测序技术,每次反应只能测出500 或更多一些碱基对的序列,如人类基因的测量就采用了短枪(shortgun)方法,这就要求把大量的较短的序列全体构成了重叠群(Contigs).逐步把它们拼接起来形成序列更长的重叠群,直至得到完整序列的过程称为重叠群装配.从算法层次来看,序列的重叠群是一个NP-完全问题.6, 遗传密码的起源通常对遗传密码的研究认为,密码子与氨基酸之间的关系是生物进化历史上一次偶然的事件而造成的,并被固定在现代生物的共同祖先里,一直延续至今.不同于这种"冻结"理论,有人曾分别提出过选择优化,化学和历史等三种学说来解释遗传密码.随着各种生物基因组测序任务的完成,为研究遗传密码的起源和检验上述理论的真伪提供了新的素材.7, 基于结构的药物设计人类基因工程的目的之一是要了解人体内约10万种蛋白质的结构,功能,相互作用以及与各种人类疾病之间的关系,寻求各种治疗和预防方法,包括药物治疗.基于生物大分子结构及小分子结构的药物设计是生物信息学中的极为重要的研究领域.为了抑制某些酶或蛋白质的活性,在已知其蛋白质3级结构的基础上,可以利用分子对齐算法,在计算机上设计抑制剂分子,作为候选药物.这一领域目的是发现新的基因药物,有着巨大的经济效益.8, 其他如基因表达谱分析,代谢网络分析;基因芯片设计和蛋白质组学数据分析等,逐渐成为生物信息学中新兴的重要研究领域;在学科方面,由生物信息学衍生的学科包括结构基因组学,功能基因组学,比较基因组学,蛋白质学,药物基因组学,中药基因组学,肿瘤基因组学,分子流行病学和环境基因组学.从现在的发展不难看出,基因工程已经进入了后基因组时代.我们也有应对与生物信息学密切相关的如机器学习,和数学中可能存在的误导有一个清楚的认识.三, 生物信息学与机器学习生物信息的大规模给数据挖掘提出了新课题和挑战,需要新的思想的加入.常规的计算机算法仍可以应用于生物数据分析中,但越来越不适用于序列分析问题.究竟原因,是由于生物系统本质上的模型复杂性及缺乏在分子层上建立的完备的生命组织理论.西蒙曾给出学习的定义:学习是系统的变化,这种变化可使系统做相同工作时更有效[4].机器学习的目的是期望能从数据中自动地获得相应的理论,通过采用如推理,模型拟合及从样本中学习,尤其适用于缺乏一般性的理论,"噪声"模式,及大规模数据集.因此,机器学习形成了与常规方法互补的可行的方法.机器学习使得利用计算机从海量的生物信息中提取有用知识,发现知识成为可能[5].机器学习方法在大样本,多向量的数据分析工作中发挥着日益重要的作用,而目前大量的基因数据库处理需要计算机能自动识别,标注,以避免即耗时又花费巨大的人工处理方法.早期的科学方法—观测和假设----面对高数据的体积,快速的数据获取率和客观分析的要求---已经不能仅依赖于人的感知来处理了.因而,生物信息学与机器学习相结合也就成了必然.机器学习中最基本的理论框架是建立在概率基础上的,从某种意义来说,是统计模型拟合的延续,其目的均为提取有用信息.机器学习与模式识别和统计推理密切相关.学习方法包括数据聚类,神经网络分类器和非线性回归等等.隐马尔可夫模型也广泛用于预测DNA的基因结构.目前研究重心包括:1)观测和探索有趣的现象.目前ML研究的焦点是如何可视化和探索高维向量数据.一般的方法是将其约简至低维空间,如常规的主成分分析(PCA),核主成分分析(KPCA),独立成分分析(Independent component analysis),局部线性嵌套(LocallyLinear embedding).2)生成假设和形式化模型来解释现象[6].大多数聚类方法可看成是拟合向量数据至某种简单分布的混合.在生物信息学中聚类方法已经用于microarray数据分析中,癌症类型分类及其他方向中.机器学习也用于从基因数据库中获得相应的现象解释.机器学习加速了生物信息学的进展,也带了相应的问题.机器学习方法大多假定数据符合某种相对固定的模型,而一般数据结构通常是可变的,在生物信息学中尤其如此,因此,有必要建立一套不依赖于假定数据结构的一般性方法来寻找数据集的内在结构.其次,机器学习方法中常采用"黑箱"操作,如神经网络和隐马尔可夫模型,对于获得特定解的内在机理仍不清楚.四, 生物信息学的数学问题生物信息学中数学占了很大的比重.统计学,包括多元统计学,是生物信息学的数学基础之一;概率论与随机过程理论,如近年来兴起的隐马尔科夫链模型(HMM),在生物信息学中有重要应用;其他如用于序列比对的运筹学;蛋白质空间结构预测和分子对接研究中采用的最优化理论;研究DNA超螺旋结构的拓扑学;研究遗传密码和DNA序列的对称性方面的群论等等.总之,各种数学理论或多或少在生物学研究中起到了相应的作用.但并非所有的数学方法在引入生物信息学中都能普遍成立的,以下以统计学和度量空间为例来说明.1, 统计学的悖论数学的发展是伴随悖论而发展的.对于进化树研究和聚类研究中最显著的悖论莫过于均值了,如图1:图1 两组同心圆的数据集图1是两组同心圆构成的数据集,显然,两组数据集的均值均在圆点,这也就说明了要采用常规的均值方法不能将这两类分开,也表明均值并不能带来更多的数据的几何性质.那么,如果数据呈现类似的特有分布时,常有的进化树算法和聚类算法(如K-均值)往往会得错误的结论.统计上存在的陷阱往往是由于对数据的结构缺乏一般性认识而产生的.2, 度量空间的假设在生物信息学中,进化树的确立,基因的聚类等都需要引入度量的概念.举例来说,距离上相近或具有相似性的基因等具有相同的功能,在进化树中满足分值最小的具有相同的父系,这一度量空间的前提假设是度量在全局意义下成立.那么,是否这种前提假设具有普适性呢我们不妨给出一般的描述:假定两个向量为A,B,其中,,则在假定且满足维数间线性无关的前提下,两个向量的度量可定义为:(1)依据上式可以得到满足正交不变运动群的欧氏度量空间,这也是大多数生物信息学中常采用的一般性描述,即假定了变量间线性无关.然而,这种假设一般不能正确描述度量的性质,尤其在高维数据集时,不考虑数据变量间的非线性相关性显然存在问题,由此,我们可以认为,一个正确的度量公式可由下式给出:(2)上式中采用了爱因斯坦和式约定,描述了变量间的度量关系.后者在满足(3)时等价于(1),因而是更一般的描述,然而问题在于如何准确描述变量间的非线性相关性,我们正在研究这个问题.五, 几种统计学习理论在生物信息学中应用的困难生物信息学中面对的数据量和数据库都是规模很大的,而相对的目标函数却一般难以给出明确的定义.生物信息学面临的这种困难,可以描述成问题规模的巨大以及问题定义的病态性之间的矛盾,一般从数学上来看,引入某个正则项来改善性能是必然的[7].以下对基于这一思想产生的统计学习理论[8],Kolmogorov复杂性[98]和BIC(Bayesian Information Criterion)[109]及其存在的问题给出简要介绍.支持向量机(SVM)是近来较热门的一种方法,其研究背景是Vapnik的统计学习理论,是通过最大化两个数据集的最大间隔来实现分类,对于非线性问题则采用核函数将数据集映射至高维空间而又无需显式描述数据集在高维空间的性质,这一方法较之神经方法的好处在于将神经网络隐层的参数选择简化为对核函数的选择,因此,受到广泛的注意.在生物信息学中也开始受到重视,然而,核函数的选择问题本身是一个相当困难的问题,从这个层次来看,最优核函数的选择可能只是一种理想,SVM也有可能象神经网络一样只是机器学习研究进程中又一个大气泡.Kolmogorov复杂性思想与统计学习理论思想分别从不同的角度描述了学习的性质,前者从编码的角度,后者基于有限样本来获得一致收敛性.Kolmogorov复杂性是不可计算的,因此由此衍生了MDL原则(最小描述长度),其最初只适用于离散数据,最近已经推广至连续数据集中,试图从编码角度获得对模型参数的最小描述.其缺陷在于建模的复杂性过高,导致在大数据集中难以运用.BIC准则从模型复杂性角度来考虑,BIC准则对模型复杂度较高的给予大的惩罚,反之,惩罚则小,隐式地体现了奥卡姆剃刀("Occam Razor")原理,近年也广泛应用于生物信息学中.BIC准则的主要局限是对参数模型的假定和先验的选择的敏感性,在数据量较大时处理较慢.因此,在这一方面仍然有许多探索的空间.六, 讨论与总结人类对基因的认识,从以往的对单个基因的了解,上升到在整个基因组水平上考察基因的组织结构和信息结构,考察基因之间在位置,结构和功能上的相互关系.这就要求生物信息学在一些基本的思路上要做本质的观念转变,本节就这些问题做出探讨和思索.启发式方法:Simond在人类的认知一书中指出,人在解决问题时,一般并不去寻找最优的方法,而只要求找到一个满意的方法.因为即使是解决最简单的问题,要想得到次数最少,效能最高的解决方法也是非常困难的.最优方法和满意方法之间的困难程度相差很大,后者不依赖于问题的空间,不需要进行全部搜索,而只要能达到解决的程度就可以了.正如前所述,面对大规模的序列和蛋白质结构数据集,要获得全局结果,往往是即使算法复杂度为线性时也不能够得到好的结果,因此,要通过变换解空间或不依赖于问题的解空间获得满意解,生物信息学仍需要人工智能和认知科学对人脑的进一步认识,并从中得到更好的启发式方法.问题规模不同的处理:Marvin Minsky在人工智能研究中曾指出:小规模数据量的处理向大规模数据量推广时,往往并非算法上的改进能做到的,更多的是要做本质性的变化.这好比一个人爬树,每天都可以爬高一些,但要想爬到月球,就必须采用其他方法一样.在分子生物学中,传统的实验方法已不适应处理飞速增长的海量数据.同样,在采用计算机处理上,也并非依靠原有的计算机算法就能够解决现有的数据挖掘问题.如在序列对齐(sequence Alignment)问题上,在小规模数据中可以采用动态规划,而在大规模序列对齐时不得不引入启发式方法,如BALST,FASTA.乐观中的隐扰生物信息学是一门新兴学科,起步于20世纪90年代,至今已进入"后基因组时代",目前在这一领域的研究人员均呈普遍乐观态度,那么,是否存在潜在的隐扰呢不妨回顾一下早期人工智能的发展史[11],在1960年左右,西蒙曾相信不出十年,人类即可象完成登月一样完成对人的模拟,造出一个与人智能行为完全相同的机器人.而至今为止,这一诺言仍然遥遥无期.尽管人工智能研究得到的成果已经渗入到各个领域,但对人的思维行为的了解远未完全明了.从本质来看,这是由于最初人工智能研究上定位错误以及没有从认识论角度看清人工智能的本质造成的;从研究角度来看,将智能行为还原成一般的形式化语言和规则并不能完整描述人的行为,期望物理科学的成功同样在人工智能研究中适用并不现实.反观生物信息学,其目的是期望从基因序列上解开一切生物的基本奥秘,从结构上获得生命的生理机制,这从哲学上来看是期望从分子层次上解释人类的所有行为和功能和致病原因.这类似于人工智能早期发展中表现的乐观行为,也来自于早期分子生物学,生物物理和生物化学的成就.然而,从本质上来讲,与人工智能研究相似,都是希望将生命的奥秘还原成孤立的基因序列或单个蛋白质的功能,而很少强调基因序列或蛋白质组作为一个整体在生命体中的调控作用.我们因此也不得不思考,这种研究的最终结果是否能够支撑我们对生物信息学的乐观呢 现在说肯定的话也许为时尚早.综上所述,不难看出,生物信息学并不是一个足以乐观的领域,究竟原因,是由于其是基于分子生物学与多种学科交叉而成的新学科,现有的形势仍表现为各种学科的简单堆砌,相互之间的联系并不是特别的紧密.在处理大规模数据方面,没有行之有效的一般性方法;而对于大规模数据内在的生成机制也没有完全明了,这使得生物信息学的研究短期内很难有突破性的结果.那么,要得到真正的解决,最终不能从计算机科学得到,真正地解决可能还是得从生物学自身,从数学上的新思路来获得本质性的动力.毫无疑问,正如Dulbecco1986年所说:"人类的DNA序列是人类的真谛,这个世界上发生的一切事情,都与这一序列息息相关".但要完全破译这一序列以及相关的内容,我们还有相当长的路要走.（来源 ------[InfoBio.org | 生物信息学研讨组]）生物信息学（Bioinformatics）是在生命科学的研究中，以计算机为工具对生物信息进行储存、检索和分析的科学。它是当今生命科学和自然科学的重大前沿领域之一，同时也将是21世纪自然科学的核心领域之一。其研究重点主要体现在基因组学(Genomics)和蛋白学(Proteomics)两方面，具体说就是从核酸和蛋白质序列出发，分析序列中表达的结构功能的生物信息。生物信息学是一门利用计算机技术研究生物系统之规律的学科。目前的生物信息学基本上只是分子生物学与信息技术（尤其是因特网技术）的结合体。生物信息学的研究材料和结果就是各种各样的生物学数据，其研究工具是计算机，研究方法包括对生物学数据的搜索（收集和筛选）、处理（编辑、整理、管理和显示）及利用（计算、模拟）。1990年代以来，伴随着各种基因组测序计划的展开和分子结构测定技术的突破和Internet的普及，数以百计的生物学数据库如雨后春笋般迅速出现和成长。对生物信息学工作者提出了严峻的挑战：数以亿计的ACGT序列中包涵着什么信息？基因组中的这些信息怎样控制有机体的发育？基因组本身又是怎样进化的？生物信息学的另一个挑战是从蛋白质的氨基酸序列预测蛋白质结构。这个难题已困扰理论生物学家达半个多世纪，如今找到问题答案要求正变得日益迫切。诺贝尔奖获得者W. Gilbert在1991年曾经指出：“传统生物学解决问题的方式是实验的。现在，基于全部基因都将知晓，并以电子可操作的方式驻留在数据库中，新的生物学研究模式的出发点应是理论的。一个科学家将从理论推测出发，然后再回到实验中去，追踪或验证这些理论假设”。生物信息学的主要研究方向： 基因组学 - 蛋白质组学 - 系统生物学 - 比较基因组学 姑且不去引用生物信息学冗长的定义，以通俗的语言阐述其核心应用即是：随着包括人类基因组计划在内的生物基因组测序工程的里程碑式的进展，由此产生的包括生物体生老病死的生物数据以前所未有的速度递增，目前已达到每14个月翻一番的速度。同时随着互联网的普及，数以百计的生物学数据库如雨后春笋般迅速出现和成长。然而这些仅仅是原始生物信息的获取，是生物信息学产业发展的初组阶段，这一阶段的生物信息学企业大都以出售生物数据库为生。以人类基因组测序而闻名的塞莱拉公司即是这一阶段的成功代表。 原始的生物信息资源挖掘出来后，生命科学工作者面临着严峻的挑战：数以亿计的ACGT序列中包涵着什么信息？基因组中的这些信息怎样控制有机体的发育？基因组本身又是怎样进化的？生物信息学产业的高级阶段体现于此，人类从此进入了以生物信息学为中心的后基因组时代。结合生物信息学的新药创新工程即是这一阶段的典型应用。
这种最基本的东西没必要求论文啊，自己随便写写就好了，用个DNAMAN，随便挑个基因，分分钟搞出来。再者没人会拿这种东西单独去发一篇论文吧？这点东西根本不够资格，只够在某篇论文里的两句话的分量。
论文的标准格式模板要包含题目、论文摘要及关键词、目录、引言或序言、正文、结论、参考文献和注释、附录这八个部分的内容。题目应概括整个论文最重要的内容，一般不宜超过20字。论文摘要应当阐述学位论文的主要观点，说明本论文的研究目的、方法、成果及结论，尽可能保留论文的基本信息，关键词需要反映论文主旨。
目录是论文的提纲和每一部分的标题，要将相应的页码标注清楚。引言或序言应该包括论文研究领域的国内外现状，论文要解决的问题及研究工作在经济建设、科技进步和社会发展等方面的理论意义和实用价值。正文是论文的主体，需要内容详实，论证有据。结论要求明确完整，要阐述自己的创造性成果、新见解。
参考文献是期刊时，书写格式为：[编号]、作者、文章题目、期刊名（外文可缩写）、年份、卷号、期数、页码；参考文献是图书时，书写格式为：[编号]、作者、书名、出版单位、年份、版次、页码。注释要按论文中所引用文献或注释编号的顺序列在论文正文之后，参考文献之前，图表或数据必须注明来源和出处。
参考文献
参考文献的规范及其作用，为了反映文章的科学依据、作者尊重他人研究成果的严肃态度以及向读者提供有关信息的出处，正文之后一般应列出参考文献表。引文应以原始文献和第一手资料为原则，
所有引用别人的观点或文字，无论曾否发表，无论是纸质或电子版，都必须注明出处或加以注释，凡转引文献资料，应如实说明。对已有学术成果的介绍、评论、引用和注释，应力求客观、公允、准确，伪注、伪造、篡改文献和数据等，均属学术不端行为。
致谢，一项科研成果或技术创新，往往不是独自一人可以完成的，还需要各方面的人力，财力，物力的支持和帮助。因此，在许多论文的末尾都列有"致谢"。主要对论文完成期间得到的帮助表示感谢，这是学术界谦逊和有礼貌的一种表现。
这个写的方面有很多，，来我有写好的 亲
尊敬的各位评委老师：
大家好!我是来自……的学生**。我的论文题目是《……》。我当时之所以选择研究……是因为……，主要表现在：……在着手准备论文写作的时候，我针对……这个命题，大量阅读相关方面的各种资料。对……的概况有了大致了解，缕清思路的基础上确定研究方向，然后与老师商讨，确定论文大致思路和研究方向。然后，为了完成论文，本人收集了大量的文献资料，其中主要来自网上的论文期刊、图书馆的书目、学习教材的理论资料。在……导师的耐心指导和帮助下，经过阅读主要参考资料，拟定提纲，写开题报告初稿，毕业论文初稿，修改等一系列程序，于****年*月*日正式定稿。
具体来说，我的论文分为以下四个部分：
第一部分，主要概述了……，
第二部分，是在对……进行了详细论述的基础上，运用……法对……的深入挖掘。
第三部分，运用……法对……的深入挖掘。
第四部分，……
经过本次论文写作，我学到了许多有用的东西，也积累了不少经验，但由于学生能力不足，加之时间和精力有限，在许多内容表述上存在着不当之处，与老师的期望相差甚远，许多问题还有待于进一步思考和探索，借此答辩机会，万分恳切的希望各位老师能够提出宝贵的意见，多指出本篇论文的错误和不足之处，学生将虚心接受，从而进一步深入学习研究，使该论文得到完善和提高。在论文的准备和写作过程中，我阅读了大量的关于……的相关书籍和学术期刊，这得益于我们学校图书馆丰富的参考书籍和学术期刊数据库的专业论文。本文经过一二三稿并最终定稿，在这期间，我的论文指导老师……教授对我的论文进行了详细的修改和指正，并给予我许多宝贵的建议和意见。在这里，我对他表示我最真挚的感谢和敬意!
以上就是我的答辩自述，希望各评委老师认真阅读论文并给予评价和指正。谢谢!
以上就是关于论文答辩模板的相关分享，希望对大家有所帮助，想要了解更多相关内容，欢迎大家及时关注本平台!
答辩前的准备，最重要的是答辩者的准备。要保证论文答辩的质量和效果，关键在答辩者一边。论文作者要顺序通过答辩，在提交了论文之后，不要有松一口气的思想，而应抓紧时间积极准备论文答辩。首先，要写好毕业论文的简介，主要内容应包括论文的题目，指导教师姓名，选择该题目的动机，论文的主要论点、论据和写作体会以及本议题的理论意义和实践意义。其次，要熟悉自己所写论文的全文，尤其是要熟悉主体部分和结论部分的内容，明确论文的基本观点和主论的基本依据；弄懂弄通论文中所使用的主要概念的确切涵义，所运用的基本原理的主要内容；同时还要仔细审查、反复推敲文章中有无自相矛盾、谬误、片面或模糊不清的地方，有无与党的政策方针相冲突之处等等。如发现有上述问题，就要作好充分准备——补充、修正、解说等。只要认真设防，堵死一切漏洞，这样在答辩过程中，就可以做列心中有数、临阵不慌、沉着应战。第三，要了解和掌握与自己所写论文相关联的知识和材料。如自己所研究的这个论题学术界的研究已经达到了什么程度?目前，存在着哪些争议?有几种代表性观点?各有哪些代表性著作和文章?自己倾向哪种观点及理由；重要引文的出处和版本；论证材料的来源渠道等等。这些方面的知识和材料都要在答辩前做到有比较好的了解和掌握。第四，论文还有哪些应该涉及或解决，但因力所不及而未能接触的问题，还有哪些在论文中未涉及到或涉及到很少，而研究过程中确已接触到了并有一定的见解，只是由于觉得与论文表述的中心关联不大而没有写入等等。第五，对于优秀论文的作者来说，还要搞清楚哪些观点是继承或借鉴了他人的研究成果，哪些是自己的创新观点，这些新观点、新见解是怎么形成的等等。
本人于2020.4.25顺利通过线上答辩，以下是我的答辩陈述稿模板，分享给大家。尊敬的各位老师、同学上午好：我是……，我的论文题目是……，本篇论文是在xxx教授的指导下完成的。在此，我十分感谢某老师长期以来对我的精心指导，同时也感谢各位评审老师从百忙之中抽出宝贵的时间，参与论文的审阅与答辩。下面，我就把论文的基本思路向各位答辩老师作如下简要陈述：一、选题目的与意义（在你的开题报告里有，可以截取一些。）二、论文内容与框架本论文立足于………………………………，致力于分析……………，并揭示了………………………，探讨了………………的问题。（参考你的论文摘要）具体来说，我的论文分为以下三个部分：第一部分是引言，第一部分是引言，主要概述了选题背景、意义及研究的主要内容与方向。第二部分是正文，正文包括几部分（把各个部分的内容简要阐述一下就可以了）第三部分是结论，结论内容。三、论文的创新之处论文的精髓就在这里，但是大部分论文还是没什么创新点的（大家看看自己的论文就知道了，反正我是没有创新的，中规中矩^_^）所以这一块就把你认为的创新点写上去就可以了，当老师质疑时，你可以说自己的创新还不够，回去会跟指导老师讨论，完善。（避重就轻）四、结束语本篇论文已经完成，还有许多的地方需要更全面的改进，但总的来说，在撰写的过程中，我真实地学到了许多东西，也积累了不少经验，更进一步丰富了自己的知识。但由于个人能力不足，加之时间和精力有限，在许多内容表述、论证上存在着不当之处，与老师的期望还有差距，许多问题还有待进行一步思考和探究，借此答辩机会，希望各位老师能够提出宝贵的意见，指出我的错误和不足之处，我将虚心接受，从而进一步深入学习，使该论文得到完善和提高。我的答辩自述完毕，谢谢各位老师!
这类没有自己生产的bench data的文章通常不太可能发布到最最顶尖的杂志，比如Nature或者Science的主刊。投文章时可以分为四个梯队：第一梯队：Nature Methods, 只要能发上面基本上就保证了关注度和引用，也会有很多人follow的；Genome Research, 很老牌的杂志了，文章的质量都很高，当然了editor大部分文章都是直接拒的。Nature Biotechnology,纯方法的文章很难发上来的，一般都是很大的组既有方法又有实验数据。楼主可参见Clinks和That那篇文章，很多个co-author，做了非常多的测序实验来验证。Nature Genetics，同样，很少有纯方法的文章，除非你在圈内已有很大影响力，比如CADD那篇文章。上面有一大堆做统计和GWAS的人，感觉不太欢迎machine learning的文章。第二梯队：Genome Biology, 比较新的杂志，近几年有一些不错的文章。Nature Communication, 非常新的杂志，基本上每期都会有一些生信类的文章。感觉影响因子在不断上涨，顶着Nature的头衔自然不会缺少好文章。审稿周期非常久，不建议需要短时间内发文章毕业的高年级博士。第三梯队：这一类别的杂志就很多了，Bio informatics曾经是最好的生信杂志，近几年因为文章数量太多灌水严重影响因子有所下降。Nucleic Acid Research也是专业的生信杂志。除了这些，Plod系列的Plod Genetics和Plod Computational Biology也都是接受生信文章的不错的杂志。Human Molecular Biology近几年也开始接受生信文章。第四梯队：如果被之前所有杂志都拒了，那基本上在国际上能够得到认可的杂志也就不多了。Explosion和BMC系列是最后选择了。
不是，从来没入选过《生物信息学》（Chinese Journal of BioInformatics）是经国家新闻出版总署批准，由中国工业和信息化部主管，哈尔滨工业大学主办的公开发行的生物类学术期刊，主要报道国内外生物信息技术研究开发的重要成果和国内外生物信息技术及其产业化最新进创刊于2003年，创刊号2003年12月，季刊，国内统一连续出版物号：CN23-1513/Q，国际标准连续出版物号：ISSN 1672-5565。 《生物信息学》主要刊载生物信息及相关领域的研究进展、综述、研究论文、研究简报、技术与方法、专题评论、科学新闻等等学术文章；还刊登有关生物信息技术国内外研究开发动态、简讯、产业政策与产业发展动态、学术活动与展会通知、书评、短评、启事、生物信息学教育研究等文章。《生物信息学》自2003年以来入选如下数据库：中国期刊全文数据库（CJFD）（知网）；万方数据库、中国核心期刊（遴选）数据库；中国学术期刊综合评价数据库（CAJCED）；中国科学引文数据库(2007～2010)；中国生物医学文献数据库（SinoMed）；美国《乌利希期刊指南》（网络版）；美国《史蒂芬斯全文数据库》（EBSCO host)。
Bio informatics是作为生物信息学最重要的专门期刊了。2012年度IF=5.468 另外还有Briefings in Bio informatics，这个杂志每年的发稿量少，最近几年IF波动很大，第一年24+，后来到9+，2012年度IF=5.202。 稍次一点的杂志，如BMC Bio informatics，也是生物信息学的专刊。2012年度IF=3.447 对于计算向的生物信息学，PLOS Computational Biology是一个很好的期刊。2012年度IF=5.215 除此之外，Nature Method，也会有生物信息学相关的方法发表。2012年度IF=19.276。PLOS Biology也是很好的杂志，2012年度IF=11.452。PLOS One也会经常有生物信息学文章，但被批灌水太多，算不得牛刊，2012年度IF=4.092。生物信息学相关的文章不一定要发到专门的生物信息学杂志，因为生物信息学作为一个工具，已经融入到很多生物问题的研究中，而不仅仅是一门孤立的学科了。
Bio informatics，很多方法类文章都发在上面，但是影响因子一般。如果有实验和数据分析，大多投到生物相关的杂志，比如genome research, nature genetics, nature等，在method里面涉及一些生信的方法，连带把algorithm放出来，供大家使用。所以，不一定非要发到Bio informatics。以前在Adderley学计算机的，研究字符串比较之类的问题，UNIX下的gnu diff就是他的杰作。后来写了blast，blast的重要性就不多说了，在后来在Celerity把string graph 应用到genome assembly，直接把HGP操翻。虽然现在因为2代测序出现D Bruising占了上风，不过随着3代测序的普及，他的string graph based OLC将再一次统治genome assembly界。
随着全球经济一体化趋势的加强，加入WTO后跨国公司的迅速增长，国际物流需求将会有很大的增长，这必将促进第三方物流的迅速发展。下面是我为大家整理的物流论文，供大家参考。
一、地方本科院校物流管理专业实践教学SWOT分析
1劣势分析
1.1协同创新不足。由于地方院校和政府、院所以及企业的协同不足，实践教学开展困难。一方面，地方高校服务地方和企业的能力有限;另一方面，地方资源有限。一般地方很少有规模较大的物流企业。
1.2核心竞争力缺乏。地方高校受其自身层次和地域性特征的影响，在与全国重点高校的竞争中处于不利地位，学生素质有差距。同时和职业技术学院的学生相比，实践能力又比较欠缺。所以在人才市场竞争中处于不利地位。人才培养未形成具有特色的核心竞争力。
1.3实践师资队伍缺乏。人才队伍引进的重点是院校毕业的高学历人才，注重科学研究水平忽视实践水平。教师队伍的培训力度和针对性不够，教学能力不能完全适应应用型人才培养要求，特别是实践创新教学能力不足。另外由于政策的导向，教师自身普遍对实践能力的提升不够重视。
2机会分析
2.1高等教育得到广泛关注。在当今知识经济的大背景下和国家科教兴国的战略下，高等教育受到了前所未有的重视。地方政府也意识到高等教育是地方经济发展的助推力，而且地方高校也是本着服务地方的理念而成立的，更能够得到地方政府的支持。另外，据调查，“子女教育”一直都是中国居民投资意向和储蓄目的的第一位[1]。这为地方高校的发展提供了很好的宏观环境。
2.2人才需求。随着社会经济的发展，对较高层次人才的需求越来越旺盛。事实证明，既有理论基础又有较强实践能力的本科生是最符合企业需求的。很多企业都反映专科生基础太薄弱，素质亟待提高。这也为地方本科院校培养高层次应用性人才提供了市场需求。而且我国物流业发展迅速，物流管理人才紧缺，市场需求旺盛。
3威胁分析
地方高校面临来自多方面的威胁：重点院校、职业教育学院、同类院校等。地方高校不具备重点院校的“名牌效应”，也没有职业学院的实践条件，而层次相当的同类院校数量众多。地方本科院校因为多与重点大学办学定位向相似，已面临就业率低、就业质量不高的生存窘状。随着就业压力的不断增大，市场对人才水平要求的提高，学生对教学质量的要求也越来越高，尤其是实践教学方面。若不能满足学生和市场的要求，就会失去市场竞争力。
二、策略分析及发展对策建议
地方高校应充分抓住发展机遇，利用自身优势，培育核心竞争力，进而形成品牌优势。地方高校品牌优势的形成必须立足地方、服务地方，根据自己的区位优势，找准定位，确定学校发展和建设的重点，进一步凝练为地方服务的特色，形成品牌，从而提升学校综合实力[2]。地方高校要建立健全校企协同培养机制，就要依托政府和行业组织建立校企合作领导小组，为校企深度合作对接提供政策和组织保障。并积极寻求企业的支持与合作，加强实践教学基地建设，为应用型人才培养提供坚强保证。地方物流资源有限的情况下应积极开展和邻近大城市资源的整合。强化实践教学师资队伍。完善人才引进机制，要把实践经验看作一项重要的条件。加强对现任教师的培训，强化教师企业实践锻炼制度，使其尽快向双师型教师转变。地方高校的物流管理专业只要充分发挥和强化自身优势，改善劣势，抓住发展机遇，与政府、行业、企业形成良好的协同创新机制，未来发展空间还是很大的。通过提升实践教学能力，可以向社会输送大量合格的高层次物流应用型人才。
1电子商务与物流配送实现协同发展的良好途径
1.1提高认识，强化软硬件的基础设施建设
要想实现电子商务与物流配送的协同发展，就要不断地提高思想认识，对各种软硬件基础设施进行必要的建设。首先，电子商务可谓是商业领域内一次新的革命，而现代物流则是物流领域内的一次重要改革，相关政府要根据具体的发展情况，在与企业进行通力合作的前提下，共同建设电子信息化的环境，政府要在信息网络、航空、铁路和公路等方面给予大量的资金支持和政策保障，逐步构建与形成一个尽可能覆盖全社会的信息网络与交通网络，为电子商务和物流配送的合理化发展提供更加良好的社会环境。其次，企业要结合现实的发展情况以及未来的发展走向，借助于信息网络的力量进行商贸活动，为客户提供更加便捷、高效的服务，同时要构建符合网络时代发展要求的新型企业营销模式，在更大的程度上提高企业的经济效益和社会效益，促进电子商务与现代物流配送的协同发展进程;再次，要进一步建立健全相应的法律保障体系，根据我国的国情，制定专用于规范与完善电子商务与物流配送协同发展的法律和规定，包括完善市场准入原则、消费者合法权益保护、保险与税收、信息安全保护与网络管理、物流标准化建设等内容，运用法律的手段和方式严惩那些恶意窃取他人的机密信息、违反商业道德等不良行为，为市场秩序的完善提供更扎实的保障。
1.2建立以信息化为依托的网络信息平台
构建信息化为核心和依托的网络信息平台，有利于为电子商务与物流配送的协同发展提供更多的活力源泉。具体来说，搭建相应的信息平台，就是借助于互联网的作用，对企业的相关业务流程进行重新设计，电子商务是物流、商流、信息流与资金流的高度互动、融合与对称，信息流与商务活动的发展信息相关，督促和引导着商务活动的良性发展，而现代物流是商流继续的保证，是商务活动中实际性物资流通的过程，也需要信息流的整合与支持。在各个环节层层联系的现代物流的进程中，虚拟性的路径与场景将相应的操作程序进行简化，在更大的空间范围内减少了工作的误差和失误，促使每个环节之间所存在的停顿时间都进一步的降低，提高了工作的效率和质量。与此同时，现代物流朝着更加柔性化、网络化、自动化和信息化的方向发展，需要科学合理的传输系统和信息处理模式，才能更加准确、快速地获得配售的货物跟踪信息以及销售的反馈信息，促使物流企业能够根据最新的实时动态去调整工作模式和细节，为企业服务水平的提高奠定扎实的基础，同时也提高了电子商务的质量与效率，在尽可能地降低成本的情况下赢得更多客户的青睐与支持。
1.3制订一套顺应电子商务和物流配送协同发展的可行性方案
要结合不同的消费者的收入、地理分布以及需求偏好等各种条件的差异，对销售的区域进行合理的定位，对于情况不同的销售区域进行差别性的物流服务的政策，以便减少流通中不必要的成本浪费;要对销售的品种进行认真、合理的筛选，限制品种的必要范围，选择最适合自身发展模式的销售商品，再派遣专业的人员对配送的细节进行精心的设计与完善，要考虑到送货频率、库存的可供性、订货的状况信息、反应细节等因素。与此同时，要结合电子商务的服务提供商的差异，在取长补短的前提下实现供应链的集成，在共同合作的情况下向消费者提供相应的电子商务服务;要进一步通过合理的技术和手段，对库存进行合理的控制，对相应的历史数据、实时数据等进行必要的分析，从而确定合理范围内的库存，在进一步降低成本的基础上进一步完善配送的手段与结算的方式。需要注意的是，一套可行性方案的制订需要专业人员的参与，这就必然要求物流人才综合素质的提升，相关企业要加快培育电子商务、物流领域的专业人才的培养，通过专题会议、主题性的拓展训练活动、推荐优秀人员外出深造、邀请社会专家前来指导等多种多样的手段，在此进程中要注重加强对相关人员的考核工作，从而培育既懂电子商务知识又通晓现代物流理论与技术的高素质人才，在多层次、多方面的培育与教育活动中为电子商务与物流配送的发展提供更多优秀的人才。
2结论
副标题# 关于物流信息技术论文篇二 物流信息技术应用探析 摘要：本文分析了物流信息技术的构成，阐述了信息技术在现代物流中的应用技术，对我国物流信息技术发展趋势作出了初步判断，以其为有关物流企业提高企业在国际市场上的综合竞争力提出努力方向。 关键词：物流 信息技术 应用 构成 一、物流信息技术的构成 物流信息技术作为现代信息技术的重要组成部分，本质上都属于信息技术范畴，只是因为信息技术应用于物流领域而使其在表现形式和具体内容上存在一些特性，但其基本要素仍然同现代信息技术一样，可以分为四个层次： 1、物流信息基础技术。即有关元件、器件的制造技术，它是整个信息技术的基础。例如，微电子技术、光子技术、光电子技术、分子电子技术等。 2、物流信息系统技术。即有关物流信息的获取、传输、处理、控制的设备和系统的技术，它是建立在信息基础技术之上的，是整个信息技术的核心。其内容主要包括物流信息获取技术、物流信息传输技术、物流信息处理技术及物流信息控制技术。 3、物流信息应用技术。即基于管理信息系统(MIS)技术、优化技术和计算机集成制造系统(CIMS)技术而设计出的各种物流自动化设备和物流信息管理系统。例如，自动化分拣与传输设备、自动导引车(AGV)、集装箱自动装卸设备、仓储管理系统(WMS)、运输管理系统(TMS)、配送优化系统、全球定位系统(GPS)、地理信息系统(GIS)，等等。 4、物流信息安全技术。即确保物流信息安全的技术，主要包括密码技术、防火墙技术、病毒防治技术、身份鉴别技术、访问控制技术、备份与恢复技术和数据库安全技术等。 二、信息技术在现代物流中的应用 在现代物流核心活动的各个层次中，高效率的物流活动有赖于信息技术的全方位支持。从物流设备的自动化到物流进程优化乃至整个供应链各项资源的可视化，信息技术成为贯穿所有物流活动的关键要素。 1、电子数据交换技术(EDI)。电子数据交换技术是一种在公司之间传输定单、发票、物流信息等作业文件的电子化手段，它通过计算机网络将贸易、运输、保险、银行和海关等行业信息，用一种公认的标准格式，实现各有关部门或企业之间的数据交换与处理，包含数据标准化(报文)、计算机应用(软件及硬件)、通信网络三个构成要素。以往由于通过VAN进行通讯的成本高及制定和满足EDI标准较为困难，造成EDI成本较高，只有大企业因得益于规模经济能从利用EDI中得到利益。近年来，Internet的迅速普及，为物流信息活动提供了快速、简便、廉价的通讯方式，为EDI发展带来了生机，大大提高计算机管理系统的实用性，提高了流通效率，降低了物流成本。 2、条形码技术。条形码是目前应用最广的一种自动识别技术，由一组规则排列的条、空及对应字符组成的标记，用以表示一定的信息。条形码技术具有制作简单、信息收集速度快、准确率高、信息量大、成本低和条码设备方便易用等优点，从生产到销售的流通转移过程中，条形码技术起到了准确识别物品信息和快速跟踪物品历程的重要作用，它是整个物流信息管理的基础。条形码技术在物流的数据采集、快速响应、运输应用中起到了重要作用，极大地促进了物流的发展。目前常用的几种条形码包括EAN条形码、UPC条形码、39条形码、交插25条形码和EAN128条形码。 3、无线电射频技术(RFID)。无线电射频技术是利用无线电波对记录媒体进行读写，射频识别的距离可达几十厘米至几米，且根据读写的方式，可以输入数千字节的信息，同时，还具有极高的保密性。射频识别技术在物流中的作用主要包括仓库的双通道通讯选择指示、仓库循环点数核实和标签打印(如线路标签)和阅读包裹上的ZIP码。它适用于物料跟踪、运载工具和货架识别等要求非接触数据采集和交换的场合，由于RFID标签具有可读写能力，对于需要频繁改变数据内容的场合尤为适用。近年来，便携式数据终端(PDT)的应用就是利用射频技术将PDT存储器中的数据随时传送到主计算机，可以方便地获取客户产品清单、发票、发运标签、该地所存产品代码和数量等。 4、地理信息系统技术(GIS)。地理信息系统是以计算机为工具，对具有地理特征的空间数据进行处理，以一个空间信息为主线，将其他各种与其有关的空间位置信息结合起来，整合成综合性的地理信息资料库，通过应用软件将相关信息以文字、数字、图表、声音、图形或配以地图的形式，提供给规划者及决策者使用。GIS应用于物流分析，主要是指利用GIS强大的地理数据功能来完善物流分析技术。国外公司已经开发出利用GIS为物流分析提供专门分析的工具软件。完整的GIS物流分析软件集成了车辆路线模型、最短路径模型、网络物流模型、分配集合模型和设施定位模型等。 5、全球定位系统技术(GPS)。全球定位系统是利用通信卫星、地面控制部分和信号接收机对对象进行动态定位的系统。GPS能对静态、动态对象进行动态空间信息的获取，快速、精度均匀、不受天气和时间的限制反馈空间信息。在物流领域运用GPS技术，用户可以随时“看到”自己的货物状态，包括运输货物车辆所在的位置、货物名称、数量、重量等，这不仅能大大提高了监控的“透明度”，降低了货物空载率，做到资源的最佳配置，而且有利于顾客通过掌握更多的物流信息，以控制成本和提高效率。 三、我国物流信息技术发展展望 中国物流业正处于蓬勃发展的时期，物流业已经成为我国第三产业新的“经济增长点”，越来越受到人们的关注。信息化物流被业内人士称为“企业管理的又一次革命”，因为其在集中采购、集中库存、运输优化等方面的作用，较其他形式的物流业占据有绝对优势，物流信息化就是降低成本和节约时间。将电子信息技术：数据交换系统(EDI)，地理信息系统(GIS)、卫星定位系统(GPS)、无线通讯(WAP)与互联网技术(Web)等集成一体，应用于物流管理信息技术领域，构筑专业化物流管理系统，减少物流黑洞，是增强国内物流企业竞争力，缩短与国际著名物流企业之间差距的可行方法。运用这种先进的物流信息化管理理念，借鉴国际跨国企业的先进物流管理经验，建立即时、整合、精简的物流作业流程，才能帮助我国企业保持持续的竞争优势，快速响应市场变化及满足企业客户需求，从而在国际竞争中争得一席之地。 参考文献： [1]沈昕.信息技术与企业物流管理研究[J].中国科技信息2006年第1期。 看了“关于物流信息技术论文”的人还看： 1. 结合物流信息技术论文 2. 关于物流毕业论文范文 3. 什么是物流信息技术 物流信息技术的组成 4. 物流专业毕业论文范文 5. 2017届物流管理论文题目
生物信息学我有来头
1,序列比对(Sequence Alignment) 序列比对的基本问题是比较两个或两个以上符号序列的相似性或不相似性.从生物学的初衷来看,这一问题包含了以下几个意义:从相互重叠的序列片断中重构DNA的完整序列.在各种试验条件下从探测数据(probe data)中决定物理和基因图存贮,遍历和比较数据库中的DNA序列比较两个或多个序列的相似性在数据库中搜索相关序列和子序列寻找核苷酸(nucleotides)的连续产生模式找出蛋白质和DNA序列中的信息成分序列比对考虑了DNA序列的生物学特性,如序列局部发生的插入,删除(前两种简称为indel)和替代,序列的目标函数获得序列之间突变集最小距离加权和或最大相似性和,对齐的方法包括全局对齐,局部对齐,代沟惩罚等.两个序列比对常采用动态规划算法,这种算法在序列长度较小时适用,然而对于海量基因序列(如人的DNA序列高达109bp),这一方法就不太适用,甚至采用算法复杂性为线性的也难以奏效.因此,启发式方法的引入势在必然,著名的BALST和FASTA算法及相应的改进方法均是从此前提出发的. 2, 蛋白质结构比对和预测 基本问题是比较两个或两个以上蛋白质分子空间结构的相似性或不相似性.蛋白质的结构与功能是密切相关的,一般认为,具有相似功能的蛋白质结构一般相似.蛋白质是由氨基酸组成的长链,长度从50到1000~3000AA(Amino Acids),蛋白质具有多种功能,如酶,物质的存贮和运输,信号传递,抗体等等.氨基酸的序列内在的决定了蛋白质的3维结构.一般认为,蛋白质有四级不同的结构.研究蛋白质结构和预测的理由是:医药上可以理解生物的功能,寻找dockingdrugs的目标,农业上获得更好的农作物的基因工程,工业上有利用酶的合成.直接对蛋白质结构进行比对的原因是由于蛋白质的3维结构比其一级结构在进化中更稳定的保留,同时也包含了较AA序列更多的信息.蛋白质3维结构研究的前提假设是内在的氨基酸序列与3维结构一一对应(不一定全真),物理上可用最小能量来解释.从观察和总结已知结构的蛋白质结构规律出发来预测未知蛋白质的结构.同源建模(homology modeling)和指认(Threading)方法属于这一范畴.同源建模用于寻找具有高度相似性的蛋白质结构(超过30%氨基酸相同),后者则用于比较进化族中不同的蛋白质结构.然而,蛋白结构预测研究现状还远远不能满足实际需要. 3, 基因识别,非编码区分析研究. 基因识别的基本问题是给定基因组序列后,正确识别基因的范围和在基因组序列中的精确位置.非编码区由内含子组成(introns),一般在形成蛋白质后被丢弃,但从实验中,如果去除非编码区,又不能完成基因的复制.显然,DNA序列作为一种遗传语言,既包含在编码区,又隐含在非编码序列中.分析非编码区DNA序列目前没有一般性的指导方法.在人类基因组中,并非所有的序列均被编码,即是某种蛋白质的模板,已完成编码部分仅占人类基因总序列的3~5%,显然,手工的搜索如此大的基因序列是难以想象的.侦测密码区的方法包括测量密码区密码子(codon)的频率,一阶和二阶马尔可夫链,ORF(Open Reading Frames),启动子(promoter)识别,HMM(Hidden Markov Model)和GENSCAN,Splice Alignment等等. 4, 分子进化和比较基因组学 分子进化是利用不同物种中同一基因序列的异同来研究生物的进化,构建进化树.既可以用DNA序列也可以用其编码的氨基酸序列来做,甚至于可通过相关蛋白质的结构比对来研究分子进化,其前提假定是相似种族在基因上具有相似性.通过比较可以在基因组层面上发现哪些是不同种族中共同的,哪些是不同的.早期研究方法常采用外在的因素,如大小,肤色,肢体的数量等等作为进化的依据.近年来较多模式生物基因组测序任务的完成,人们可从整个基因组的角度来研究分子进化.在匹配不同种族的基因时,一般须处理三种情况:Orthologous: 不同种族,相同功能的基因；Paralogous: 相同种族,不同功能的基因；Xenologs: 有机体间采用其他方式传递的基因,如被病毒注入的基因.这一领域常采用的方法是构造进化树,通过基于特征(即DNA序列或蛋白质中的氨基酸的碱基的特定位置)和基于距离(对齐的分数)的方法和一些传统的聚类方法(如UPGMA)来实现. 5, 序列重叠群(Contigs)装配 根据现行的测序技术,每次反应只能测出500 或更多一些碱基对的序列,如人类基因的测量就采用了短枪(shortgun)方法,这就要求把大量的较短的序列全体构成了重叠群(Contigs).逐步把它们拼接起来形成序列更长的重叠群,直至得到完整序列的过程称为重叠群装配.从算法层次来看,序列的重叠群是一个NP-完全问题. 6, 遗传密码的起源 通常对遗传密码的研究认为,密码子与氨基酸之间的关系是生物进化历史上一次偶然的事件而造成的,并被固定在现代生物的共同祖先里,一直延续至今.不同于这种"冻结"理论,有人曾分别提出过选择优化,化学和历史等三种学说来解释遗传密码.随着各种生物基因组测序任务的完成,为研究遗传密码的起源和检验上述理论的真伪提供了新的素材. 7, 基于结构的药物设计 人类基因工程的目的之一是要了解人体内约10万种蛋白质的结构,功能,相互作用以及与各种人类疾病之间的关系,寻求各种治疗和预防方法,包括药物治疗.基于生物大分子结构及小分子结构的药物设计是生物信息学中的极为重要的研究领域.为了抑制某些酶或蛋白质的活性,在已知其蛋白质3级结构的基础上,可以利用分子对齐算法,在计算机上设计抑制剂分子,作为候选药物.这一领域目的是发现新的基因药物,有着巨大的经济效益. 8.生物系统的建模和仿真 随着大规模实验技术的发展和数据累积，从全局和系统水平研究和分析生物学系统，揭示其发展规律已经成为后基因组时代的另外一个研究 热点-系统生物学。目前来看，其研究内容包括生物系统的模拟（Curr Opin Rheumatol，2007，463-70），系统稳定性分析（Nonlinear Dynamics Psychol Life Sci，2007，413-33），系统鲁棒性分析（Ernst Schering Res Found Workshop， 2007，69-88）等方面。以SBML（Bioinformatics，2007，1297-8）为代表的建模语言在迅速发展之中，以布尔网络 （PLoS Comput Biol，2007，e163）、微分方程（Mol Biol Cell，2004，3841-62）、随机过程（Neural Comput，2007，3262-92）、离散动态事件系统等（Bioinformatics，2007，336-43）方法在系统分析中已经得到应 用。很多模型的建立借鉴了电路和其它物理系统建模的方法，很多研究试图从信息流、熵和能量流等宏观分析思想来解决系统的复杂性问题（Anal Quant Cytol Histol，2007，296-308）。当然，建立生物系统的理论模型还需要很长时间的努力，现在实验观测数据虽然在海量增加，但是生物系统的模型辨 识所需要的数据远远超过了目前数据的产出能力。例如，对于时间序列的芯片数据，采样点的数量还不足以使用传统的时间序列建模方法，巨大的实验代价是目前系 统建模主要困难。系统描述和建模方法也需要开创性的发展。 9.生物信息学技术方法的研究 生物信息学不仅仅是生物学知识的简单整理和、数学、物理学、信息科学等学科知识的简单应用。海量数据和复杂的背景导致机器学习、统 计数据分析和系统描述等方法需要在生物信息学所面临的背景之中迅速发展。巨大的计算量、复杂的噪声模式、海量的时变数据给传统的统计分析带来了巨大的困难， 需要像非参数统计（BMC Bioinformatics，2007，339）、聚类分析（Qual Life Res，2007，1655-63）等更加灵活的数据分析技术。高维数据的分析需要偏最小二乘（partial least squares，PLS）等特征空间的压缩技术。在计算机算法的开发中，需要充分考虑算法的时间和空间复杂度，使用并行计算、网格计算等技术来拓展算法的 可实现性。 10, 生物图像 没有血缘关系的人，为什么长得那么像呢？ 外貌是像点组成的，像点愈重合两人长得愈像，那两个没有血缘关系的人像点为什么重合？ 有什么生物学基础？基因是不是相似？我不知道，希望专家解答。 11, 其他 如基因表达谱分析,代谢网络分析;基因芯片设计和蛋白质组学数据分析等,逐渐成为生物信息学中新兴的重要研究领域;在学科方面,由生物信息学衍生的学科包括结构基因组学,功能基因组学,比较基因组学,蛋白质学,药物基因组学,中药基因组学,肿瘤基因组学,分子流行病学和环境基因组学,成为系统生物学的重要研究方法.从现在的发展不难看出,基因工程已经进入了后基因组时代.我们也有应对与生物信息学密切相关的如机器学习,和数学中可能存在的误导有一个清楚的认识.
一, 生物信息学发展简介生物信息学是建立在分子生物学的基础上的,因此,要了解生物信息学,就必须先对分子生物学的发展有一个简单的了解.研究生物细胞的生物大分子的结构与功能很早就已经开始,1866年孟德尔从实验上提出了假设:基因是以生物成分存在[1],1871年Miescher从死的白细胞核中分离出脱氧核糖核酸(DNA),在Avery和McCarty于1944年证明了DNA是生命器官的遗传物质以前,人们仍然认为染色体蛋白质携带基因,而DNA是一个次要的角色.1944年Chargaff发现了著名的Chargaff规律,即DNA中鸟嘌呤的量与胞嘧定的量总是相等,腺嘌呤与胸腺嘧啶的量相等.与此同时,Wilkins与Franklin用X射线衍射技术测定了DNA纤维的结构.1953年James Watson 和FrancisCrick在Nature杂志上推测出DNA的三维结构(双螺旋).DNA以磷酸糖链形成发双股螺旋,脱氧核糖上的碱基按Chargaff规律构成双股磷酸糖链之间的碱基对.这个模型表明DNA具有自身互补的结构,根据碱基对原则,DNA中贮存的遗传信息可以精确地进行复制.他们的理论奠定了分子生物学的基础.DNA双螺旋模型已经预示出了DNA复制的规则,Kornberg于1956年从大肠杆菌(E.coli)中分离出DNA聚合酶I(DNA polymerase I),能使4种dNTP连接成DNA.DNA的复制需要一个DNA作为模板.Meselson与Stahl(1958)用实验方法证明了DNA复制是一种半保留复制.Crick于1954年提出了遗传信息传递的规律,DNA是合成RNA的模板,RNA又是合成蛋白质的模板,称之为中心法则(Central dogma),这一中心法则对以后分子生物学和生物信息学的发展都起到了极其重要的指导作用.经过Nirenberg和Matthai(1963)的努力研究,编码20氨基酸的遗传密码得到了破译.限制性内切酶的发现和重组DNA的克隆(clone)奠定了基因工程的技术基础.正是由于分子生物学的研究对生命科学的发展有巨大的推动作用,生物信息学的出现也就成了一种必然.2001年2月,人类基因组工程测序的完成,使生物信息学走向了一个高潮.由于DNA自动测序技术的快速发展,DNA数据库中的核酸序列公共数据量以每天106bp速度增长,生物信息迅速地膨胀成数据的海洋.毫无疑问,我们正从一个积累数据向解释数据的时代转变,数据量的巨大积累往往蕴含着潜在突破性发现的可能,"生物信息学"正是从这一前提产生的交叉学科.粗略地说,该领域的核心内容是研究如何通过对DNA序列的统计计算分析,更加深入地理解DNA序列,结构,演化及其与生物功能之间的关系,其研究课题涉及到分子生物学,分子演化及结构生物学,统计学及计算机科学等许多领域.生物信息学是内涵非常丰富的学科,其核心是基因组信息学,包括基因组信息的获取,处理,存储,分配和解释.基因组信息学的关键是"读懂"基因组的核苷酸顺序,即全部基因在染色体上的确切位置以及各DNA片段的功能;同时在发现了新基因信息之后进行蛋白质空间结构模拟和预测,然后依据特定蛋白质的功能进行药物设计[2].了解基因表达的调控机理也是生物信息学的重要内容,根据生物分子在基因调控中的作用,描述人类疾病的诊断,治疗内在规律.它的研究目标是揭示"基因组信息结构的复杂性及遗传语言的根本规律",解释生命的遗传语言.生物信息学已成为整个生命科学发展的重要组成部分,成为生命科学研究的前沿.二, 生物信息学的主要研究方向生物信息学在短短十几年间,已经形成了多个研究方向,以下简要介绍一些主要的研究重点.1,序列比对(Sequence Alignment)序列比对的基本问题是比较两个或两个以上符号序列的相似性或不相似性.从生物学的初衷来看,这一问题包含了以下几个意义[3]:从相互重叠的序列片断中重构DNA的完整序列.在各种试验条件下从探测数据(probe data)中决定物理和基因图存贮,遍历和比较数据库中的DNA序列比较两个或多个序列的相似性在数据库中搜索相关序列和子序列寻找核苷酸(nucleotides)的连续产生模式找出蛋白质和DNA序列中的信息成分序列比对考虑了DNA序列的生物学特性,如序列局部发生的插入,删除(前两种简称为indel)和替代,序列的目标函数获得序列之间突变集最小距离加权和或最大相似性和,对齐的方法包括全局对齐,局部对齐,代沟惩罚等.两个序列比对常采用动态规划算法,这种算法在序列长度较小时适用,然而对于海量基因序列(如人的DNA序列高达109bp),这一方法就不太适用,甚至采用算法复杂性为线性的也难以奏效.因此,启发式方法的引入势在必然,著名的BALST和FASTA算法及相应的改进方法均是从此前提出发的.2, 蛋白质结构比对和预测基本问题是比较两个或两个以上蛋白质分子空间结构的相似性或不相似性.蛋白质的结构与功能是密切相关的,一般认为,具有相似功能的蛋白质结构一般相似.蛋白质是由氨基酸组成的长链,长度从50到1000~3000AA(Amino Acids),蛋白质具有多种功能,如酶,物质的存贮和运输,信号传递,抗体等等.氨基酸的序列内在的决定了蛋白质的3维结构.一般认为,蛋白质有四级不同的结构.研究蛋白质结构和预测的理由是:医药上可以理解生物的功能,寻找dockingdrugs的目标,农业上获得更好的农作物的基因工程,工业上有利用酶的合成.直接对蛋白质结构进行比对的原因是由于蛋白质的3维结构比其一级结构在进化中更稳定的保留,同时也包含了较AA序列更多的信息.蛋白质3维结构研究的前提假设是内在的氨基酸序列与3维结构一一对应(不一定全真),物理上可用最小能量来解释.从观察和总结已知结构的蛋白质结构规律出发来预测未知蛋白质的结构.同源建模(homology modeling)和指认(Threading)方法属于这一范畴.同源建模用于寻找具有高度相似性的蛋白质结构(超过30%氨基酸相同),后者则用于比较进化族中不同的蛋白质结构.然而,蛋白结构预测研究现状还远远不能满足实际需要.3, 基因识别,非编码区分析研究.基因识别的基本问题是给定基因组序列后,正确识别基因的范围和在基因组序列中的精确位置.非编码区由内含子组成(introns),一般在形成蛋白质后被丢弃,但从实验中,如果去除非编码区,又不能完成基因的复制.显然,DNA序列作为一种遗传语言,既包含在编码区,又隐含在非编码序列中.分析非编码区DNA序列目前没有一般性的指导方法.在人类基因组中,并非所有的序列均被编码,即是某种蛋白质的模板,已完成编码部分仅占人类基因总序列的3~5%,显然,手工的搜索如此大的基因序列是难以想象的.侦测密码区的方法包括测量密码区密码子(codon)的频率,一阶和二阶马尔可夫链,ORF(Open Reading Frames),启动子(promoter)识别,HMM(HiddenMarkov Model)和GENSCAN,Splice Alignment等等.4, 分子进化和比较基因组学分子进化是利用不同物种中同一基因序列的异同来研究生物的进化,构建进化树.既可以用DNA序列也可以用其编码的氨基酸序列来做,甚至于可通过相关蛋白质的结构比对来研究分子进化,其前提假定是相似种族在基因上具有相似性.通过比较可以在基因组层面上发现哪些是不同种族中共同的,哪些是不同的.早期研究方法常采用外在的因素,如大小,肤色,肢体的数量等等作为进化的依据.近年来较多模式生物基因组测序任务的完成,人们可从整个基因组的角度来研究分子进化.在匹配不同种族的基因时,一般须处理三种情况:Orthologous: 不同种族,相同功能的基因Paralogous: 相同种族,不同功能的基因Xenologs: 有机体间采用其他方式传递的基因,如被病毒注入的基因.这一领域常采用的方法是构造进化树,通过基于特征(即DNA序列或蛋白质中的氨基酸的碱基的特定位置)和基于距离(对齐的分数)的方法和一些传统的聚类方法(如UPGMA)来实现.5, 序列重叠群(Contigs)装配根据现行的测序技术,每次反应只能测出500 或更多一些碱基对的序列,如人类基因的测量就采用了短枪(shortgun)方法,这就要求把大量的较短的序列全体构成了重叠群(Contigs).逐步把它们拼接起来形成序列更长的重叠群,直至得到完整序列的过程称为重叠群装配.从算法层次来看,序列的重叠群是一个NP-完全问题.6, 遗传密码的起源通常对遗传密码的研究认为,密码子与氨基酸之间的关系是生物进化历史上一次偶然的事件而造成的,并被固定在现代生物的共同祖先里,一直延续至今.不同于这种"冻结"理论,有人曾分别提出过选择优化,化学和历史等三种学说来解释遗传密码.随着各种生物基因组测序任务的完成,为研究遗传密码的起源和检验上述理论的真伪提供了新的素材.7, 基于结构的药物设计人类基因工程的目的之一是要了解人体内约10万种蛋白质的结构,功能,相互作用以及与各种人类疾病之间的关系,寻求各种治疗和预防方法,包括药物治疗.基于生物大分子结构及小分子结构的药物设计是生物信息学中的极为重要的研究领域.为了抑制某些酶或蛋白质的活性,在已知其蛋白质3级结构的基础上,可以利用分子对齐算法,在计算机上设计抑制剂分子,作为候选药物.这一领域目的是发现新的基因药物,有着巨大的经济效益.8, 其他如基因表达谱分析,代谢网络分析;基因芯片设计和蛋白质组学数据分析等,逐渐成为生物信息学中新兴的重要研究领域;在学科方面,由生物信息学衍生的学科包括结构基因组学,功能基因组学,比较基因组学,蛋白质学,药物基因组学,中药基因组学,肿瘤基因组学,分子流行病学和环境基因组学.从现在的发展不难看出,基因工程已经进入了后基因组时代.我们也有应对与生物信息学密切相关的如机器学习,和数学中可能存在的误导有一个清楚的认识.三, 生物信息学与机器学习生物信息的大规模给数据挖掘提出了新课题和挑战,需要新的思想的加入.常规的计算机算法仍可以应用于生物数据分析中,但越来越不适用于序列分析问题.究竟原因,是由于生物系统本质上的模型复杂性及缺乏在分子层上建立的完备的生命组织理论.西蒙曾给出学习的定义:学习是系统的变化,这种变化可使系统做相同工作时更有效[4].机器学习的目的是期望能从数据中自动地获得相应的理论,通过采用如推理,模型拟合及从样本中学习,尤其适用于缺乏一般性的理论,"噪声"模式,及大规模数据集.因此,机器学习形成了与常规方法互补的可行的方法.机器学习使得利用计算机从海量的生物信息中提取有用知识,发现知识成为可能[5].机器学习方法在大样本,多向量的数据分析工作中发挥着日益重要的作用,而目前大量的基因数据库处理需要计算机能自动识别,标注,以避免即耗时又花费巨大的人工处理方法.早期的科学方法—观测和假设----面对高数据的体积,快速的数据获取率和客观分析的要求---已经不能仅依赖于人的感知来处理了.因而,生物信息学与机器学习相结合也就成了必然.机器学习中最基本的理论框架是建立在概率基础上的,从某种意义来说,是统计模型拟合的延续,其目的均为提取有用信息.机器学习与模式识别和统计推理密切相关.学习方法包括数据聚类,神经网络分类器和非线性回归等等.隐马尔可夫模型也广泛用于预测DNA的基因结构.目前研究重心包括:1)观测和探索有趣的现象.目前ML研究的焦点是如何可视化和探索高维向量数据.一般的方法是将其约简至低维空间,如常规的主成分分析(PCA),核主成分分析(KPCA),独立成分分析(Independent component analysis),局部线性嵌套(LocallyLinear embedding).2)生成假设和形式化模型来解释现象[6].大多数聚类方法可看成是拟合向量数据至某种简单分布的混合.在生物信息学中聚类方法已经用于microarray数据分析中,癌症类型分类及其他方向中.机器学习也用于从基因数据库中获得相应的现象解释.机器学习加速了生物信息学的进展,也带了相应的问题.机器学习方法大多假定数据符合某种相对固定的模型,而一般数据结构通常是可变的,在生物信息学中尤其如此,因此,有必要建立一套不依赖于假定数据结构的一般性方法来寻找数据集的内在结构.其次,机器学习方法中常采用"黑箱"操作,如神经网络和隐马尔可夫模型,对于获得特定解的内在机理仍不清楚.四, 生物信息学的数学问题生物信息学中数学占了很大的比重.统计学,包括多元统计学,是生物信息学的数学基础之一;概率论与随机过程理论,如近年来兴起的隐马尔科夫链模型(HMM),在生物信息学中有重要应用;其他如用于序列比对的运筹学;蛋白质空间结构预测和分子对接研究中采用的最优化理论;研究DNA超螺旋结构的拓扑学;研究遗传密码和DNA序列的对称性方面的群论等等.总之,各种数学理论或多或少在生物学研究中起到了相应的作用.但并非所有的数学方法在引入生物信息学中都能普遍成立的,以下以统计学和度量空间为例来说明.1, 统计学的悖论数学的发展是伴随悖论而发展的.对于进化树研究和聚类研究中最显著的悖论莫过于均值了,如图1:图1 两组同心圆的数据集图1是两组同心圆构成的数据集,显然,两组数据集的均值均在圆点,这也就说明了要采用常规的均值方法不能将这两类分开,也表明均值并不能带来更多的数据的几何性质.那么,如果数据呈现类似的特有分布时,常有的进化树算法和聚类算法(如K-均值)往往会得错误的结论.统计上存在的陷阱往往是由于对数据的结构缺乏一般性认识而产生的.2, 度量空间的假设在生物信息学中,进化树的确立,基因的聚类等都需要引入度量的概念.举例来说,距离上相近或具有相似性的基因等具有相同的功能,在进化树中满足分值最小的具有相同的父系,这一度量空间的前提假设是度量在全局意义下成立.那么,是否这种前提假设具有普适性呢我们不妨给出一般的描述:假定两个向量为A,B,其中,,则在假定且满足维数间线性无关的前提下,两个向量的度量可定义为:(1)依据上式可以得到满足正交不变运动群的欧氏度量空间,这也是大多数生物信息学中常采用的一般性描述,即假定了变量间线性无关.然而,这种假设一般不能正确描述度量的性质,尤其在高维数据集时,不考虑数据变量间的非线性相关性显然存在问题,由此,我们可以认为,一个正确的度量公式可由下式给出:(2)上式中采用了爱因斯坦和式约定,描述了变量间的度量关系.后者在满足(3)时等价于(1),因而是更一般的描述,然而问题在于如何准确描述变量间的非线性相关性,我们正在研究这个问题.五, 几种统计学习理论在生物信息学中应用的困难生物信息学中面对的数据量和数据库都是规模很大的,而相对的目标函数却一般难以给出明确的定义.生物信息学面临的这种困难,可以描述成问题规模的巨大以及问题定义的病态性之间的矛盾,一般从数学上来看,引入某个正则项来改善性能是必然的[7].以下对基于这一思想产生的统计学习理论[8],Kolmogorov复杂性[98]和BIC(Bayesian Information Criterion)[109]及其存在的问题给出简要介绍.支持向量机(SVM)是近来较热门的一种方法,其研究背景是Vapnik的统计学习理论,是通过最大化两个数据集的最大间隔来实现分类,对于非线性问题则采用核函数将数据集映射至高维空间而又无需显式描述数据集在高维空间的性质,这一方法较之神经方法的好处在于将神经网络隐层的参数选择简化为对核函数的选择,因此,受到广泛的注意.在生物信息学中也开始受到重视,然而,核函数的选择问题本身是一个相当困难的问题,从这个层次来看,最优核函数的选择可能只是一种理想,SVM也有可能象神经网络一样只是机器学习研究进程中又一个大气泡.Kolmogorov复杂性思想与统计学习理论思想分别从不同的角度描述了学习的性质,前者从编码的角度,后者基于有限样本来获得一致收敛性.Kolmogorov复杂性是不可计算的,因此由此衍生了MDL原则(最小描述长度),其最初只适用于离散数据,最近已经推广至连续数据集中,试图从编码角度获得对模型参数的最小描述.其缺陷在于建模的复杂性过高,导致在大数据集中难以运用.BIC准则从模型复杂性角度来考虑,BIC准则对模型复杂度较高的给予大的惩罚,反之,惩罚则小,隐式地体现了奥卡姆剃刀("Occam Razor")原理,近年也广泛应用于生物信息学中.BIC准则的主要局限是对参数模型的假定和先验的选择的敏感性,在数据量较大时处理较慢.因此,在这一方面仍然有许多探索的空间.六, 讨论与总结人类对基因的认识,从以往的对单个基因的了解,上升到在整个基因组水平上考察基因的组织结构和信息结构,考察基因之间在位置,结构和功能上的相互关系.这就要求生物信息学在一些基本的思路上要做本质的观念转变,本节就这些问题做出探讨和思索.启发式方法:Simond在人类的认知一书中指出,人在解决问题时,一般并不去寻找最优的方法,而只要求找到一个满意的方法.因为即使是解决最简单的问题,要想得到次数最少,效能最高的解决方法也是非常困难的.最优方法和满意方法之间的困难程度相差很大,后者不依赖于问题的空间,不需要进行全部搜索,而只要能达到解决的程度就可以了.正如前所述,面对大规模的序列和蛋白质结构数据集,要获得全局结果,往往是即使算法复杂度为线性时也不能够得到好的结果,因此,要通过变换解空间或不依赖于问题的解空间获得满意解,生物信息学仍需要人工智能和认知科学对人脑的进一步认识,并从中得到更好的启发式方法.问题规模不同的处理:Marvin Minsky在人工智能研究中曾指出:小规模数据量的处理向大规模数据量推广时,往往并非算法上的改进能做到的,更多的是要做本质性的变化.这好比一个人爬树,每天都可以爬高一些,但要想爬到月球,就必须采用其他方法一样.在分子生物学中,传统的实验方法已不适应处理飞速增长的海量数据.同样,在采用计算机处理上,也并非依靠原有的计算机算法就能够解决现有的数据挖掘问题.如在序列对齐(sequence Alignment)问题上,在小规模数据中可以采用动态规划,而在大规模序列对齐时不得不引入启发式方法,如BALST,FASTA.乐观中的隐扰生物信息学是一门新兴学科,起步于20世纪90年代,至今已进入"后基因组时代",目前在这一领域的研究人员均呈普遍乐观态度,那么,是否存在潜在的隐扰呢不妨回顾一下早期人工智能的发展史[11],在1960年左右,西蒙曾相信不出十年,人类即可象完成登月一样完成对人的模拟,造出一个与人智能行为完全相同的机器人.而至今为止,这一诺言仍然遥遥无期.尽管人工智能研究得到的成果已经渗入到各个领域,但对人的思维行为的了解远未完全明了.从本质来看,这是由于最初人工智能研究上定位错误以及没有从认识论角度看清人工智能的本质造成的;从研究角度来看,将智能行为还原成一般的形式化语言和规则并不能完整描述人的行为,期望物理科学的成功同样在人工智能研究中适用并不现实.反观生物信息学,其目的是期望从基因序列上解开一切生物的基本奥秘,从结构上获得生命的生理机制,这从哲学上来看是期望从分子层次上解释人类的所有行为和功能和致病原因.这类似于人工智能早期发展中表现的乐观行为,也来自于早期分子生物学,生物物理和生物化学的成就.然而,从本质上来讲,与人工智能研究相似,都是希望将生命的奥秘还原成孤立的基因序列或单个蛋白质的功能,而很少强调基因序列或蛋白质组作为一个整体在生命体中的调控作用.我们因此也不得不思考,这种研究的最终结果是否能够支撑我们对生物信息学的乐观呢 现在说肯定的话也许为时尚早.综上所述,不难看出,生物信息学并不是一个足以乐观的领域,究竟原因,是由于其是基于分子生物学与多种学科交叉而成的新学科,现有的形势仍表现为各种学科的简单堆砌,相互之间的联系并不是特别的紧密.在处理大规模数据方面,没有行之有效的一般性方法;而对于大规模数据内在的生成机制也没有完全明了,这使得生物信息学的研究短期内很难有突破性的结果.那么,要得到真正的解决,最终不能从计算机科学得到,真正地解决可能还是得从生物学自身,从数学上的新思路来获得本质性的动力.毫无疑问,正如Dulbecco1986年所说:"人类的DNA序列是人类的真谛,这个世界上发生的一切事情,都与这一序列息息相关".但要完全破译这一序列以及相关的内容,我们还有相当长的路要走.（来源 ------[InfoBio.org | 生物信息学研讨组]）生物信息学（Bioinformatics）是在生命科学的研究中，以计算机为工具对生物信息进行储存、检索和分析的科学。它是当今生命科学和自然科学的重大前沿领域之一，同时也将是21世纪自然科学的核心领域之一。其研究重点主要体现在基因组学(Genomics)和蛋白学(Proteomics)两方面，具体说就是从核酸和蛋白质序列出发，分析序列中表达的结构功能的生物信息。生物信息学是一门利用计算机技术研究生物系统之规律的学科。目前的生物信息学基本上只是分子生物学与信息技术（尤其是因特网技术）的结合体。生物信息学的研究材料和结果就是各种各样的生物学数据，其研究工具是计算机，研究方法包括对生物学数据的搜索（收集和筛选）、处理（编辑、整理、管理和显示）及利用（计算、模拟）。1990年代以来，伴随着各种基因组测序计划的展开和分子结构测定技术的突破和Internet的普及，数以百计的生物学数据库如雨后春笋般迅速出现和成长。对生物信息学工作者提出了严峻的挑战：数以亿计的ACGT序列中包涵着什么信息？基因组中的这些信息怎样控制有机体的发育？基因组本身又是怎样进化的？生物信息学的另一个挑战是从蛋白质的氨基酸序列预测蛋白质结构。这个难题已困扰理论生物学家达半个多世纪，如今找到问题答案要求正变得日益迫切。诺贝尔奖获得者W. Gilbert在1991年曾经指出：“传统生物学解决问题的方式是实验的。现在，基于全部基因都将知晓，并以电子可操作的方式驻留在数据库中，新的生物学研究模式的出发点应是理论的。一个科学家将从理论推测出发，然后再回到实验中去，追踪或验证这些理论假设”。生物信息学的主要研究方向： 基因组学 - 蛋白质组学 - 系统生物学 - 比较基因组学 姑且不去引用生物信息学冗长的定义，以通俗的语言阐述其核心应用即是：随着包括人类基因组计划在内的生物基因组测序工程的里程碑式的进展，由此产生的包括生物体生老病死的生物数据以前所未有的速度递增，目前已达到每14个月翻一番的速度。同时随着互联网的普及，数以百计的生物学数据库如雨后春笋般迅速出现和成长。然而这些仅仅是原始生物信息的获取，是生物信息学产业发展的初组阶段，这一阶段的生物信息学企业大都以出售生物数据库为生。以人类基因组测序而闻名的塞莱拉公司即是这一阶段的成功代表。 原始的生物信息资源挖掘出来后，生命科学工作者面临着严峻的挑战：数以亿计的ACGT序列中包涵着什么信息？基因组中的这些信息怎样控制有机体的发育？基因组本身又是怎样进化的？生物信息学产业的高级阶段体现于此，人类从此进入了以生物信息学为中心的后基因组时代。结合生物信息学的新药创新工程即是这一阶段的典型应用。