以下是 Python 生物信息学 100 个小练习，每个练习新增「核心知识点」「生物学意义 / 应用场景」「关键注意事项」，覆盖从基础到进阶的全维度，既适合实操练习，也可直接拆解为 5000 + 字的博客（每个练习可扩展「原理 + 代码逐行解析 + 结果可视化 + 常见问题」）。

核心依赖库

入门：Biopython（序列核心）、pandas/numpy（数据处理）、matplotlib/seaborn（可视化）；进阶：pysam（高通量测序）、goatools（GO 富集）、scipy.stats（统计检验）、ncbi-entrez-direct（NCBI 接口）、pyfaidx（FASTA 索引）。

---

一、基础序列操作（1-20）

（入门级：聚焦字符串处理、文件 IO、基础函数封装，是生物信息学的「基本功」）

1. 编写函数验证 DNA 序列合法性（仅含 A/T/C/G，忽略大小写）

• 核心知识点：字符串遍历、大小写统一、条件判断、函数封装
• 生物学意义：测序数据质控第一步，过滤含污染 / 错误碱基的序列（如混入 S、Y 等模糊碱基）
• 关键注意事项：需区分「严格合法（仅 ATCG）」和「宽松合法（允许 N）」，本练习聚焦严格验证；注意大小写兼容（如输入 a/t/c/g 也需识别）

2. 读取单 FASTA 文件，提取所有序列的 ID 和序列字符串

• 核心知识点：文件逐行读取、FASTA 格式解析（> 开头为 ID 行）、字符串拼接（处理多行序列）
• 生物学意义：FASTA 是生物序列最常用格式，解析是后续所有序列分析的基础（如基因 / 蛋白序列批量处理）
• 关键注意事项：需处理「序列跨行」情况（FASTA 序列通常每行 80 个碱基）；注意 ID 行可能含注释（如 > NM_00123 | Homo sapiens，需仅提取核心 ID）

3. 生成 DNA 序列的互补链（A↔T，C↔G）

• 核心知识点：字符串映射（字典）、遍历替换
• 生物学意义：DNA 为双链结构，互补链分析是引物设计、PCR 扩增的基础
• 关键注意事项：保持序列长度和顺序不变（仅碱基替换）；忽略 N 碱基（N 的互补仍为 N）

4. 生成 DNA 序列的反向互补链（先反向再互补）

• 核心知识点：字符串切片反转（[::-1]）、互补链逻辑组合
• 生物学意义：测序时可能获得反向互补的 read，需转换为正向链才能与参考基因组比对
• 关键注意事项：顺序不可颠倒（先反向再互补，而非先互补再反向）；验证结果（如 ATCG→CGAT）

5. 计算 DNA 序列的 GC 含量（保留两位小数，排除 N 碱基）

• 核心知识点：字符计数、条件过滤（排除 N）、数值格式化
• 生物学意义：GC 含量与 DNA 稳定性（氢键数量）、基因表达、物种进化相关（如原核生物 GC 含量差异大）
• 关键注意事项：必须排除 N 碱基（否则结果偏低）；保留小数位数需统一（如两位），便于后续统计

6. 统计 DNA 序列中 A/T/C/G 的出现次数和频率（输出字典）

• 核心知识点：字典操作、频率计算（计数 / 总长度）、数据格式化
• 生物学意义：碱基组成分析可用于识别序列来源（如叶绿体 DNA vs 核 DNA）、检测序列污染
• 关键注意事项：频率需基于「有效长度（排除 N）」计算；输出格式需清晰（如 {'A': 20, 'A_freq': 0.2}）

7. 将 DNA 序列按密码子拆分（每 3 个碱基，长度非 3 倍数时补 N）

• 核心知识点：字符串切片、循环步长（step=3）、补全逻辑
• 生物学意义：密码子是翻译的基本单位，拆分是后续蛋白质翻译、密码子偏好性分析的前提
• 关键注意事项：补 N 需补在序列末尾（如长度为 7→补 1 个 N，拆分为 3+3+1→补 2 个 N？需明确规则：总长度为 3 的倍数）；注意起始位置（从第 1 个碱基开始）

8. 基于标准密码子表，将 DNA 序列翻译为蛋白质序列（识别终止密码子）

• 核心知识点：密码子表字典、循环遍历、终止密码子（TAA/TAG/TGA）处理
• 生物学意义：基因序列→蛋白序列是功能注释的核心步骤（如预测蛋白结构 / 功能）
• 关键注意事项：终止密码子用 * 表示；需使用标准密码子表（避免线粒体密码子表混淆）；仅翻译到第一个终止密码子为止

9. 定位 DNA 序列中所有终止密码子（TAA/TAG/TGA）的位置和数量

• 核心知识点：滑动窗口、位置索引、列表存储结果
• 生物学意义：终止密码子位置异常（如编码区提前出现）可能导致截短蛋白，是基因突变分析的重点
• 关键注意事项：位置从 1 开始（符合生物学习惯，而非 0）；需遍历所有 3 的倍数位置（如 3、6、9…）

10. 将 RNA 序列（含 U）转换为 DNA 序列（U→T）

• 核心知识点：字符串替换、RNA/DNA 碱基对应关系
• 生物学意义：RNA-seq 数据分析中，常需将 RNA 序列转换为 DNA 序列与参考基因组比对
• 关键注意事项：仅替换 U 为 T，其他碱基（A/C/G）保持不变；注意大小写兼容（u→t）

11. 统计蛋白质序列中 20 种常见氨基酸的频率

• 核心知识点：氨基酸分类、字典计数、频率归一化
• 生物学意义：氨基酸组成与蛋白性质（如疏水性、等电点）相关，可用于预测蛋白功能类型
• 关键注意事项：排除非标准氨基酸（如 X 表示未知）；频率计算基于有效长度（排除 X）

12. 检测 DNA 序列中是否存在指定 motif，输出所有匹配起始位置

• 核心知识点：字符串查找、循环滑动窗口、位置记录
• 生物学意义：motif（如启动子元件 TATA 盒、酶切位点）定位是基因调控、分子克隆的核心
• 关键注意事项：位置从 1 开始；支持 motif 大小写兼容；处理重叠匹配（如 motif 为 AAA，序列为 AAAA→匹配位置 1 和 2）

13. 对 FASTA 文件中所有序列按长度排序，输出最长 / 最短序列 ID

• 核心知识点：FASTA 解析、列表排序（key=len）、极值提取
• 生物学意义：序列长度筛选是数据质控的常用步骤（如过滤过短的测序拼接序列）
• 关键注意事项：排序时需关联序列 ID 和长度；处理空序列（需过滤）

14. 合并多个 FASTA 文件，去重（按序列 ID 保留首个）

• 核心知识点：多文件读取、字典去重（ID 为 key）、FASTA 格式输出
• 生物学意义：批量处理测序数据时，常需合并多个 FASTA 并去重（避免重复分析）
• 关键注意事项：去重规则需明确（按 ID / 按序列）；输出时保持 FASTA 标准格式（每行 80 个碱基）

15. 从 DNA 序列中随机生成 10 个长度为 50 的无重复子序列

• 核心知识点：随机数生成（random 模块）、切片、去重校验
• 生物学意义：模拟测序 read、构建序列文库、验证序列分析算法的鲁棒性
• 关键注意事项：确保子序列无重复；需判断原序列长度≥50×10（否则提示不足）

16. 计算两个等长 DNA 序列的碱基匹配数和匹配率

• 核心知识点：逐位比对、计数、匹配率计算（匹配数 / 总长度）
• 生物学意义：序列相似性初步判断（如物种进化分析、突变检测）
• 关键注意事项：先校验序列长度一致；排除 N 碱基的比对（不计数）

17. 将 DNA 序列格式化为 FASTA 标准格式（每行 80 个碱基）

• 核心知识点：字符串切片、换行符插入、FASTA 格式规范
• 生物学意义：标准化序列格式，避免因格式问题导致下游工具（如 BLAST）报错
• 关键注意事项：ID 行以 > 开头；序列行每行不超过 80 个碱基；末尾无多余换行

18. 计算 FASTA 文件中所有序列的平均长度、中位数、标准差

• 核心知识点：统计函数（numpy）、FASTA 解析、异常值处理
• 生物学意义：序列长度分布分析可评估测序 / 拼接质量（如标准差过大可能提示拼接错误）
• 关键注意事项：排除空序列；使用 numpy 计算统计量更高效；结果保留合理小数位数

19. 判断 DNA 序列是否为「序列回文」（正向与反向互补一致）

• 核心知识点：反向互补链、字符串相等判断
• 生物学意义：回文序列是限制性内切酶识别位点的特征（如 EcoRI 识别 GAATTC，反向互补仍为 GAATTC）
• 关键注意事项：严格区分「序列回文」和「普通回文」（普通回文是正向与反向一致，序列回文是正向与反向互补一致）

20. 编写函数批量替换 FASTA 序列中的模糊碱基（N→A）

• 核心知识点：批量文件处理、字符串替换、函数参数化
• 生物学意义：部分分析工具不支持模糊碱基（N），需替换后才能运行（如引物设计、序列比对）
• 关键注意事项：可自定义替换规则（如 N→A / 随机碱基）；替换后保留原 ID 和格式

---

二、序列分析进阶（21-40）

（进阶级：聚焦 Biopython 核心功能、序列特征挖掘，贴近实际科研场景）

21. 基于 Biopython 的Seq对象实现 DNA 转录（DNA→RNA）

• 核心知识点：Biopython Seq/SeqRecord 对象、转录方法（transcribe ()）
• 生物学意义：基因表达的核心步骤（DNA→mRNA），是 RNA-seq 数据解读的基础
• 关键注意事项：Seq 对象的转录会自动将 T→U；需导入 Bio.Seq 模块；区分「转录」和「反转录」

22. 自定义密码子表（如线粒体密码子），翻译 DNA 序列

• 核心知识点：Biopython CodonTable 模块、自定义密码子映射、翻译函数
• 生物学意义：线粒体 / 叶绿体密码子表与核密码子表不同（如 UGA 在核中是终止密码子，在线粒体中编码 Trp），需针对性翻译
• 关键注意事项：需参考 NCBI 标准线粒体密码子表；终止密码子仍用 * 表示

23. 预测 DNA 序列的所有开放阅读框（ORF）：ATG 起始→终止密码子结束

• 核心知识点：六框翻译（3 个正向 + 3 个反向）、ATG 识别、终止密码子截断
• 生物学意义：ORF 预测是基因注释的核心（如从基因组序列中识别编码区）
• 关键注意事项：需遍历 6 个阅读框；ORF 长度需≥3（编码至少 1 个氨基酸）；记录 ORF 的位置和方向（正向 / 反向）

24. 筛选 ORF 中编码≥100 个氨基酸的 DNA 片段

• 核心知识点：ORF 长度过滤、氨基酸数计算（DNA 长度 / 3）、序列提取
• 生物学意义：短 ORF 可能是假阳性，筛选长 ORF 可提高功能基因预测的准确性
• 关键注意事项：氨基酸数 =（终止密码子位置 - 起始密码子位置）/3；需排除含终止密码子的 ORF

25. 实现简单序列比对得分（匹配 + 1，错配 - 1，空位 - 2）

• 核心知识点：动态规划入门、比对得分矩阵、空位罚分
• 生物学意义：序列比对是进化分析、同源基因识别的核心，得分可量化序列相似性
• 关键注意事项：本练习为全局比对（Needleman-Wunsch）简化版；空位罚分需统一（-2）

26. 统计 DNA 序列的 k-mer（k=4）频率，输出频率最高的前 5 个

• 核心知识点：k-mer 生成、字典计数、排序取 TopN
• 生物学意义：k-mer 频率分析可用于基因组组装、物种鉴定（不同物种的 k-mer 分布特征不同）
• 关键注意事项：k=4 是常用值（四聚体）；需排除含 N 的 k-mer；频率计算基于总有效 k-mer 数

27. 绘制 k-mer（k=3）频率分布直方图

• 核心知识点：matplotlib 绘图、k-mer 统计、直方图美化
• 生物学意义：可视化 k-mer 分布可快速识别异常（如峰值异常可能提示序列重复）
• 关键注意事项：x 轴为 k-mer 类型，y 轴为频率；需旋转 x 轴标签（避免重叠）；添加标题 / 坐标轴标签

28. 查找 FASTA 文件中所有序列共有的 6bp 保守 motif

• 核心知识点：多序列 motif 比对、交集查找、字符串匹配
• 生物学意义：保守 motif 通常是功能元件（如启动子、转录因子结合位点），是调控分析的重点
• 关键注意事项：6bp 是常用长度；需先筛选长度≥6 的序列；允许少量错配（可选扩展）

29. 用 Biopython 计算蛋白质序列的分子量

• 核心知识点：Biopython ProtParam 模块、分子量计算（molecular_weight ()）
• 生物学意义：蛋白分子量是电泳、质谱鉴定的关键参数（如验证蛋白表达产物大小）
• 关键注意事项：需排除非标准氨基酸；默认不计算二硫键（可自定义）

30. 分析蛋白质序列的等电点（pI）

• 核心知识点：Biopython ProtParam、等电点计算（isoelectric_point ()）
• 生物学意义：等电点决定蛋白在不同 pH 下的带电性，是蛋白纯化（如离子交换层析）的核心参数
• 关键注意事项：需基于氨基酸的解离常数计算；结果保留两位小数

31. 基于 Kyte-Doolittle 量表绘制蛋白质疏水性曲线

• 核心知识点：疏水性量表映射、滑动窗口（window=9）、折线图绘制
• 生物学意义：疏水性曲线可预测蛋白跨膜区、表面暴露区（跨膜区通常为高疏水区）
• 关键注意事项：滑动窗口大小设为 9（经典值）；y 轴为疏水性得分，x 轴为氨基酸位置

32. 检测蛋白质序列中的潜在跨膜区（疏水性窗口≥2.0）

• 核心知识点：滑动窗口统计、阈值筛选、位置记录
• 生物学意义：跨膜蛋白是药物靶点的重要来源，快速检测跨膜区可缩小功能研究范围
• 关键注意事项：阈值 2.0 为经典临界值；记录跨膜区的起始 / 终止位置；输出跨膜区数量

33. 基于 BLOSUM62 矩阵计算两个蛋白质序列的相似性得分

• 核心知识点：BLOSUM62 矩阵、序列逐位比对、得分累加
• 生物学意义：BLOSUM 矩阵是蛋白序列比对的标准矩阵，得分越高序列相似性越高
• 关键注意事项：需确保序列等长；空位罚分可设为 - 4（经典值）；得分归一化（除以序列长度）

34. 用 Biopython 的AlignIO读取多序列比对（MSA）文件，统计一致性

• 核心知识点：AlignIO 读取 Clustal/FASTA 格式 MSA、一致性计算（相同碱基 / 总碱基）
• 生物学意义：MSA 一致性反映序列保守性，是进化树构建、功能位点分析的基础
• 关键注意事项：支持常见 MSA 格式（ClustalW、MAFFT）；排除空位（-）计算一致性

35. 从 GenBank 文件中提取物种、基因名称、CDS 序列

• 核心知识点：Biopython GenBank 解析、Feature 提取（CDS、source）
• 生物学意义：GenBank 是 NCBI 核心数据库，提取核心信息是基因注释、序列分析的前提
• 关键注意事项：CDS 序列需从 feature 中提取（而非整个序列）；处理多 CDS 的情况

36. 统计 DNA 序列中简单重复序列（如 AAT 重复）的数量和最长长度

• 核心知识点：正则表达式（re）、重复序列匹配、长度统计
• 生物学意义：简单重复序列（SSR）是分子标记（SSR 标记）、遗传病（如亨廷顿舞蹈症）的研究重点
• 关键注意事项：用正则匹配重复单元（如 AAT {2,} 表示至少 2 次重复）；支持多种重复单元（如 AT、AAT）

37. 对 DNA 序列进行随机突变（每个碱基突变概率 0.01）

• 核心知识点：随机数生成、碱基替换、概率控制
• 生物学意义：模拟基因突变（SNP/Indel），用于验证突变分析工具的准确性
• 关键注意事项：突变后碱基不能与原碱基相同；控制总突变率（0.01）；记录突变位置和类型

38. 计算 DNA 序列的熵值（衡量碱基多样性：-Σ(p_i×log2 (p_i))）

• 核心知识点：信息熵公式、碱基频率计算、对数运算
• 生物学意义：熵值越高，碱基多样性越高（如编码区熵值低，非编码区熵值高）
• 关键注意事项：排除 N 碱基；log2 底数（信息熵标准）；熵值范围 0~2（4 种碱基的最大熵）

39. 筛选 FASTA 文件中 GC 含量在 40%-60% 之间的序列

• 核心知识点：批量 GC 计算、条件筛选、结果输出
• 生物学意义：GC 含量异常的序列可能是污染（如质粒、外源 DNA），需筛选后分析
• 关键注意事项：区间为左闭右闭 [40,60]；输出筛选后的序列为新 FASTA 文件

40. 计算 FASTQ 序列的平均质量值（Phred33 编码）

• 核心知识点：FASTQ 格式解析、Phred33 转换（质量字符→数值）、均值计算
• 生物学意义：质量值反映测序碱基的准确性（Q20 表示错误率 1%），是测序数据质控的核心
• 关键注意事项：Phred33 编码规则（!→0，~→93）；排除空 read；输出平均质量值和 Q20/Q30 比例

---

三、统计与数据处理（41-60）

（核心级：聚焦生物数据的统计建模、差异分析，贴近高通量数据挖掘）

41. 读取基因表达量矩阵（CSV），计算每个基因的均值 / 标准差

• 核心知识点：pandas 读取 CSV、按行统计（axis=1）、缺失值处理
• 生物学意义：表达量均值反映基因基础表达水平，标准差反映表达稳定性
• 关键注意事项：表达量矩阵格式（行：基因，列：样本）；处理 0 值 / 缺失值（填充为 0 或删除）

42. 对表达量数据做 log2 转换（处理 0 值：替换为最小值的 1/10）

• 核心知识点：log2 转换、最小值计算、异常值替换
• 生物学意义：表达量数据通常呈偏态分布，log2 转换后更接近正态分布，便于统计分析
• 关键注意事项：0 值不能直接 log2（无意义），需替换为极小值；转换后保留原索引（基因名）

43. 实现表达量 Z-score 归一化（(x-μ)/σ）

• 核心知识点：Z-score 公式、按基因 / 样本归一化、pandas 广播
• 生物学意义：归一化消除样本间系统误差（如测序深度差异），使表达量可跨样本比较
• 关键注意事项：明确归一化维度（按基因：axis=1；按样本：axis=0）；避免标准差为 0 的情况（如基因在所有样本中表达量相同）

44. 计算两个基因表达量的皮尔逊相关系数，输出显著性（p 值）

• 核心知识点：scipy.stats.pearsonr、相关性检验、p 值解读
• 生物学意义：相关系数反映基因共表达关系（r>0.8 为强正相关），p 值验证相关性显著性
• 关键注意事项：样本数≥3 才有统计意义；p<0.05 为显著相关；结果输出（r 值，p 值）

45. 筛选差异表达基因（FC≥2 且 p<0.05，t 检验）

• 核心知识点：t 检验（scipy.stats.ttest_ind）、倍数变化（FC）计算、条件筛选
• 生物学意义：差异表达基因是处理组 vs 对照组的核心差异，是功能富集分析的基础
• 关键注意事项：FC = 处理组均值 / 对照组均值（log2FC=1 对应 FC=2）；t 检验需满足正态分布（可选非参数检验扩展）

46. 对基因列表做 GO 富集分析（调用 goatools）

• 核心知识点：goatools 安装与使用、GO 注释文件下载、富集 p 值计算
• 生物学意义：GO 富集分析将差异基因映射到生物学过程（BP）、细胞组分（CC）、分子功能（MF），解释基因功能
• 关键注意事项：需下载对应物种的 GO 注释文件；校正 p 值（FDR）避免假阳性；输出显著富集的 GO term（p<0.05）

47. 解析 VCF 文件，统计转换（A↔G/C↔T）和颠换的数量占比

• 核心知识点：VCF 格式解析、SNP 类型判断、比例计算
• 生物学意义：转换 / 颠换比（Ti/Tv）是基因组进化的重要指标（人类基因组 Ti/Tv≈2.1），异常比值提示测序误差
• 关键注意事项：仅统计 SNP（排除 Indel）；转换为嘌呤↔嘌呤（A/G）或嘧啶↔嘧啶（C/T），其余为颠换

48. 计算各染色体的 SNP 密度（SNP 数 / 染色体长度）

• 核心知识点：染色体长度获取、SNP 计数、密度归一化
• 生物学意义：SNP 密度反映基因组变异程度（如着丝粒区 SNP 密度低），是遗传多样性分析的核心
• 关键注意事项：染色体长度需从参考基因组文件获取；密度单位为 SNP/Mb（转换为每百万碱基）

49. 分组统计甲基化 β 值（病例组 vs 对照组）的均值 / 中位数

• 核心知识点：分组统计（pandas.groupby）、甲基化 β 值范围（0~1）
• 生物学意义：甲基化 β 值反映 CpG 位点甲基化程度，分组统计可识别差异甲基化位点
• 关键注意事项：β 值 = 甲基化信号 /(甲基化 + 非甲基化信号)；排除 β 值为 NA 的位点

50. 用 t 检验验证两组基因表达量的显著性差异

• 核心知识点：独立样本 t 检验、正态性检验、方差齐性检验
• 生物学意义：验证处理组与对照组的表达差异是否具有统计学意义，是差异基因筛选的核心
• 关键注意事项：非正态分布需用 Wilcoxon 秩和检验；方差不齐需用 t' 检验

51. 对表达量矩阵做 PCA，提取前 2 个主成分

• 核心知识点：sklearn.decomposition.PCA、数据标准化、主成分提取
• 生物学意义：PCA 降维可直观展示样本间的相似性（如对照组 / 处理组是否聚类）
• 关键注意事项：PCA 前需对数据标准化（mean=0，std=1）；按样本降维（行：样本，列：基因）

52. 对表达量数据做层次聚类（行：基因，列：样本）

• 核心知识点：scipy.cluster.hierarchy、热图绘制前的聚类、距离矩阵计算
• 生物学意义：层次聚类可将表达模式相似的基因 / 样本聚为一类，识别共表达模块
• 关键注意事项：距离度量用欧氏距离 / 皮尔逊相关；聚类方法用 ward（最小方差）

53. 解析 GTF 文件，统计各基因类型（protein_coding/lncRNA）的数量

• 核心知识点：GTF 格式解析（pandas/gtfparse）、feature 筛选（gene）、属性提取
• 生物学意义：基因类型统计是基因组注释的基础（如 lncRNA 占比反映非编码 RNA 的重要性）
• 关键注意事项：GTF 的第 3 列为 feature（筛选 gene）；第 9 列含基因类型（gene_biotype）

54. 计算基因表达的变异系数（CV = 标准差 / 均值），筛选高变基因

• 核心知识点：CV 公式、按基因统计、高变基因筛选（CV>1）
• 生物学意义：高变基因通常是组织特异性表达基因或响应处理的核心基因
• 关键注意事项：排除均值为 0 的基因；CV 无单位，可跨基因比较

55. 筛选在≥80% 样本中表达量 > 0 的基因

• 核心知识点：pandas 条件计数、比例筛选、行过滤
• 生物学意义：过滤低表达 / 仅在少数样本中表达的基因，减少后续分析的假阳性
• 关键注意事项：阈值 80% 可自定义；表达量 > 0 需根据数据类型调整（如 TPM>0.1）

56. 合并多个差异基因列表，统计共同上调 / 下调基因

• 核心知识点：集合操作（交集 / 并集）、Venn 图数据准备、计数统计
• 生物学意义：多组学 / 多重复实验中，共同差异基因是核心候选基因（可靠性更高）
• 关键注意事项：明确上调 / 下调标签；用集合求交集（common_up = set (list1_up) & set (list2_up)）

57. 计算密码子使用偏性（CUB），识别最优密码子

• 核心知识点：密码子计数、相对同义密码子使用度（RSCU）、最优密码子筛选
• 生物学意义：密码子偏性与基因表达水平相关（高表达基因偏好使用 tRNA 丰度高的密码子）
• 关键注意事项：RSCU = 实际计数 / 期望计数；最优密码子为 RSCU>1 且使用频率最高的密码子

58. 解析 BED 文件，统计 ChIP-seq 峰的平均长度和染色体分布

• 核心知识点：BED 格式解析（pandas）、长度计算（end-start）、染色体计数
• 生物学意义：ChIP-seq 峰的长度和分布反映转录因子结合位点的特征（如峰越长结合越稳定）
• 关键注意事项：BED 文件前 3 列为 chr/start/end；start<end；排除 chrM（线粒体）等非核染色体

59. 拟合 RNA-seq read 计数的负二项分布（scipy.stats）

• 核心知识点：负二项分布拟合、参数估计（均值 / 离散度）、拟合优度检验
• 生物学意义：RNA-seq read 计数符合负二项分布，是差异表达分析（DESeq2/edgeR）的理论基础
• 关键注意事项：需用原始 read 计数（未归一化）；用 Kolmogorov-Smirnov 检验验证拟合效果

60. 计算进化树分支长度总和，评估物种进化距离

• 核心知识点：Biopython Phylo、进化树解析、分支长度求和
• 生物学意义：分支长度总和反映物种间的总进化距离，是进化速率分析的核心
• 关键注意事项：支持 Newick/Nexus 格式进化树；排除根节点的分支长度（可选）

---

四、可视化（61-80）

（实战级：聚焦生物数据可视化，覆盖科研论文常用图表）

61. 绘制 DNA 序列碱基组成饼图（A/T/C/G 占比）

• 核心知识点：matplotlib.pie、比例计算、饼图美化（标签、颜色）
• 生物学意义：直观展示碱基组成特征，快速识别异常（如 A/T 占比过高可能为 AT-rich 区域）
• 关键注意事项：颜色区分（A: 绿，T: 红，C: 蓝，G: 黄）；添加百分比标签；避免饼图类别过多

62. 绘制 FASTA 序列长度分布直方图（带均值线）

• 核心知识点：matplotlib.hist、均值线绘制（axvline）、直方图参数调整
• 生物学意义：可视化序列长度分布，快速发现异常值（如过长 / 过短序列）
• 关键注意事项：设置合理的 bin 数；均值线用红色标注；添加网格线提高可读性

63. 绘制基因表达量箱线图（分组：对照组 vs 处理组）

• 核心知识点：seaborn.boxplot、分组着色、异常值标注
• 生物学意义：箱线图展示表达量的分布特征（中位数、四分位数、异常值），直观比较两组差异
• 关键注意事项：y 轴用 log2 转换后的表达量；分组颜色区分（对照组：蓝色，处理组：红色）；添加标题和坐标轴标签

64. 绘制 PCA 散点图（按样本分组着色，标注解释方差）

• 核心知识点：PCA 降维、seaborn.scatterplot、解释方差计算（pca.explained_variance_ratio_）
• 生物学意义：PCA 图直观展示样本间的聚类关系（如对照组 / 处理组是否分离）
• 关键注意事项：x 轴为 PC1（标注解释方差 %），y 轴为 PC2；按分组着色；添加样本标签（可选）

65. 绘制基因表达量热图（seaborn.clustermap，行标准化）

• 核心知识点：seaborn.clustermap、行 Z-score 标准化、聚类参数调整
• 生物学意义：热图是表达量分析的核心图表，可快速识别共表达基因和样本聚类
• 关键注意事项：行标准化（使每个基因的表达量在不同样本间可比较）；颜色映射用 RdBu_r；隐藏冗余刻度

66. 可视化多序列比对（MSA）结果（标注保守位点）

• 核心知识点：Biopython AlignIO、matplotlib 绘制序列、保守位点标注
• 生物学意义：可视化 MSA 可快速识别保守位点（如功能结构域的关键氨基酸）
• 关键注意事项：保守位点用星号标注；序列 ID 对齐；颜色区分不同碱基 / 氨基酸

67. 绘制 GC 含量滑动窗口图（窗口 100bp，步长 50bp）

• 核心知识点：滑动窗口计算 GC、折线图绘制、窗口位置标注
• 生物学意义：滑动窗口 GC 图可识别 GC 富集区（如启动子区）或 GC 岛（CpG 岛）
• 关键注意事项：窗口大小 100bp（可自定义）；步长 50bp；y 轴为 GC 含量（0~100%）

68. 绘制蛋白质疏水性曲线（窗口 9，标注跨膜区）

• 核心知识点：滑动窗口疏水性计算、折线图、跨膜区高亮（axvspan）
• 生物学意义：疏水性曲线 + 跨膜区标注可直观展示蛋白的膜结构特征
• 关键注意事项：窗口 9 为经典值；跨膜区（疏水性≥2.0）用灰色高亮；添加阈值线（y=2.0）

69. 绘制 SNP 曼哈顿图（染色体位置 x 轴，-log10 (p) y 轴）

• 核心知识点：曼哈顿图绘制、染色体颜色交替、显著阈值线（y=-log10 (5e-8)）
• 生物学意义：曼哈顿图是 GWAS 分析的核心图表，识别显著关联的 SNP 位点
• 关键注意事项：x 轴为累计染色体位置；不同染色体交替着色；添加显著阈值线（红色）

70. 绘制甲基化 β 值密度曲线（病例 / 对照组叠加）

• 核心知识点：seaborn.kdeplot、密度曲线叠加、透明度调整
• 生物学意义：密度曲线展示甲基化水平的整体分布，比较两组的甲基化模式差异
• 关键注意事项：两组曲线用不同颜色 + 透明度（alpha=0.5）；添加图例；y 轴为密度，x 轴为 β 值（0~1）

71. 用 Biopython.Phylo 可视化 Newick 格式进化树

• 核心知识点：Phylo.read、进化树样式调整（分支颜色、标签）、保存图片
• 生物学意义：进化树可视化是物种进化、基因家族分析的核心图表
• 关键注意事项：支持圆形 / 矩形布局；标注 /bootstrap 值（可选）；调整分支长度比例

72. 绘制 GO 富集分析条形图（按 p 值排序，显示前 10 条）

• 核心知识点：seaborn.barplot、p 值排序、负对数转换（-log10 (p)）
• 生物学意义：条形图直观展示显著富集的 GO term，按 p 值排序便于识别核心功能
• 关键注意事项：y 轴为 GO term（按 - plog10 (p) 降序），x 轴为 - log10 (p)；颜色按 GO 类别（BP/CC/MF）区分

73. 绘制 RNA-seq read 覆盖度沿基因的分布图

• 核心知识点：pysam 计算覆盖度、基因区域归一化（0~100%）、折线图
• 生物学意义：覆盖度分布图可识别基因的可变剪切位点（如外显子覆盖度高，内含子低）
• 关键注意事项：将基因分为 5'UTR、CDS、3'UTR；覆盖度归一化（均值）；添加误差线（样本标准差）

74. 绘制密码子使用频率热力图

• 核心知识点：密码子频率矩阵、seaborn.heatmap、颜色映射
• 生物学意义：热力图展示不同密码子的使用频率，快速识别最优密码子
• 关键注意事项：行为氨基酸，列为密码子；颜色映射用 YlGnBu；标注频率值（可选）

75. 绘制差异基因火山图（log2FC x 轴，-log10 (p) y 轴，标注关键基因）

• 核心知识点：火山图绘制、差异基因着色（上调：红，下调：绿，无差异：灰）、基因标注
• 生物学意义：火山图是差异表达分析的核心图表，快速识别显著差异的关键基因
• 关键注意事项：阈值线（log2FC=±1，-log10 (p)=1.3）；标注 Top10 差异基因；调整点的大小（可选）

76. 绘制 ChIP-seq 峰染色体分布条形图

• 核心知识点：seaborn.countplot、染色体排序、计数标注
• 生物学意义：条形图展示 ChIP-seq 峰在各染色体的分布，识别富集染色体
• 关键注意事项：染色体按编号排序（chr1~chr22, chrX, chrY）；标注每个染色体的峰数量；颜色统一或按计数渐变

77. 绘制蛋白质二级结构占比饼图（α 螺旋 /β 折叠 / 无规则卷曲）

• 核心知识点：二级结构预测（Biopython PredictProtein）、比例计算、饼图美化
• 生物学意义：二级结构占比反映蛋白的结构特征（如膜蛋白富含 α 螺旋）
• 关键注意事项：颜色区分（α 螺旋：红，β 折叠：蓝，无规则卷曲：灰）；添加百分比标签；避免小占比类别（合并为「其他」）

78. 绘制样本间表达量相关性热图（皮尔逊系数）

• 核心知识点：相关性矩阵计算（pandas.corr）、seaborn.heatmap、下三角展示
• 生物学意义：样本相关性热图验证实验重复性（重复样本间相关性应 > 0.8）
• 关键注意事项：仅展示下三角（避免重复）；颜色映射用 RdYlBu_r；标注相关系数值

79. 绘制 DNA 突变位点 Circos 图（入门版：染色体、突变类型）

• 核心知识点：circosplotlib（或 pyCircos）、突变位点坐标映射、轨道绘制
• 生物学意义：Circos 图直观展示突变位点在全基因组的分布，识别突变热点
• 关键注意事项：入门版简化为 2 个轨道（染色体、突变类型）；颜色区分突变类型（SNP/Indel）；调整轨道大小

80. 绘制基因表达时间序列折线图（多处理组对比）

• 核心知识点：seaborn.lineplot、时间点 x 轴、多组折线叠加、误差线
• 生物学意义：时间序列图展示基因在不同处理时间的表达变化趋势，识别表达模式
• 关键注意事项：y 轴为 log2 表达量；不同处理组用不同颜色 + 线型；添加误差线（标准差）

---

五、数据库与文件处理（81-90）

（工具级：聚焦生物信息学标准文件解析、数据库交互，提升实战效率）

81. 过滤 FASTQ 低质量序列（平均质量 < 20，Phred33）

• 核心知识点：FASTQ 解析、Phred33 转换、质量过滤、结果输出
• 生物学意义：低质量 read 会导致比对错误，过滤是测序数据质控的核心步骤
• 关键注意事项：保留高质量 read 的完整信息（ID、序列、+、质量）；输出过滤后的 FASTQ 文件；统计过滤率

82. 解析 GFF3 文件，提取基因坐标（染色体、起始、终止、链）

• 核心知识点：GFF3 格式解析、feature 筛选（gene）、坐标提取
• 生物学意义：GFF3 是基因组注释标准格式，提取基因坐标是后续区间分析（如 ChIP-seq 峰重叠）的基础
• 关键注意事项：GFF3 第 3 列为 feature（筛选 gene）；链信息（+/-）需保留；坐标从 1 开始

83. 调用 NCBI Entrez API，按基因名获取 GenBank Accession 号

• 核心知识点：Entrez.email 设置、esearch/efetch、XML 解析
• 生物学意义：批量获取 Accession 号是从 NCBI 下载序列的前提，提升数据获取效率
• 关键注意事项：必须设置 email（NCBI 要求）；控制请求频率（避免被封禁）；处理多 Accession 的情况

84. 从 NCBI 下载指定 Accession 的 DNA 序列，保存为 FASTA

• 核心知识点：Entrez.efetch、序列格式指定（fasta）、文件保存
• 生物学意义：批量下载 NCBI 序列，避免手动操作，提升效率
• 关键注意事项：支持多个 Accession 批量下载；保存为标准 FASTA 格式；验证序列完整性

85. 解析 BLAST tabular 结果，筛选 E 值 < 1e-10 的比对

• 核心知识点：BLAST outfmt=6 解析、E 值筛选、结果输出
• 生物学意义：E 值越小比对越显著，筛选低 E 值结果可减少假阳性，识别同源序列
• 关键注意事项：outfmt=6 的列顺序（qseqid sseqid pident length mismatch gapopen qstart qend sstart send evalue bitscore）；E 值为科学计数法（需转换为浮点数）

86. 将 VCF 文件转换为 CSV，保留核心字段（chr/pos/ref/alt）

• 核心知识点：VCF 解析、字段筛选、CSV 保存
• 生物学意义：CSV 格式更易被 pandas 处理，便于后续统计分析（如 SNP 类型统计）
• 关键注意事项：过滤注释行（## 开头）；保留核心字段 + 过滤 Indel（可选）；处理多等位基因（alt 含多个碱基）

87. 批量重命名 FASTA 序列 ID（替换前缀，如「Gene_」→「LOC_」）

• 核心知识点：FASTA 解析、字符串替换、ID 重命名、结果输出
• 生物学意义：统一序列 ID 格式，避免下游分析因 ID 格式不一致报错
• 关键注意事项：仅替换 ID 前缀，保留后缀（如 Gene_123→LOC_123）；验证重命名后的 ID 无重复

88. 从 UniProt 批量下载蛋白质序列（按基因 ID）

• 核心知识点：UniProt REST API、批量请求、FASTA 保存
• 生物学意义：UniProt 是蛋白序列注释的权威数据库，批量下载提升效率
• 关键注意事项：API 请求格式（https://www.uniprot.org/uniprot/?query=gene:XXX&format=fasta）；处理基因 ID 无匹配的情况

89. 用 pysam 统计 BAM 文件中比对到参考基因组的 read 数

• 核心知识点：pysam.AlignmentFile、flag 过滤（0/16 为有效比对）、计数
• 生物学意义：比对率是测序数据质控的核心指标（合格数据比对率 > 80%）
• 关键注意事项：flag=0（正向比对）、flag=16（反向比对）；排除未比对的 read（flag=4）；统计总 read 数和比对 read 数

90. 合并多个 GTF 文件，去重（按基因 ID + 坐标）

• 核心知识点：GTF 解析、去重键（gene_id+chr+start+end）、结果输出
• 生物学意义：批量合并 GTF 文件并去重，避免重复注释，提升基因组注释效率
• 关键注意事项：去重规则需明确；保留第一个出现的记录；输出为标准 GTF 格式

---

六、高通量数据入门（91-100）

（进阶实战：聚焦测序数据核心分析流程，贴近生信工程师日常工作）

91. 计算 FASTQ 文件的 Q20/Q30 比例，评估测序质量

• 核心知识点：FASTQ 质量值转换、Q20/Q30 筛选、比例计算
• 生物学意义：Q20（错误率 1%）/Q30（错误率 0.1%）比例是测序质量的核心指标（合格数据 Q30>80%）
• 关键注意事项：Phred33 编码；统计所有 read 的所有碱基；输出 Q20/Q30 比例和均值质量

92. 从 SAM 文件统计 RNA-seq read 比对率（flag=0/16 为有效比对）

• 核心知识点：SAM 格式解析、flag 位判断、比对率计算
• 生物学意义：RNA-seq 比对率反映数据质量（如 rRNA 去除效果差会导致比对率低）
• 关键注意事项：SAM flag 的含义（4 = 未比对，0/16 = 已比对）；统计总 read 数和有效比对数；排除 PCR 重复（flag=1024）

93. 入门级 SNP 检测：对比两个 DNA 序列，识别单碱基变异

• 核心知识点：序列逐位比对、SNP 识别、位置记录、类型判断
• 生物学意义：SNP 检测是基因组变异分析的核心，入门级实现可理解 SNP 识别的底层逻辑
• 关键注意事项：仅识别单碱基变异（排除 Indel）；记录 SNP 位置、参考碱基、变异碱基；验证结果（如用 BLAST 比对）

94. 基于 BAM 文件计算测序深度（coverage），输出均值 / 中位数

• 核心知识点：pysam.depth、深度计算、统计量输出
• 生物学意义：测序深度反映基因组覆盖程度（如全基因组测序深度≥30×），是数据质控的核心
• 关键注意事项：计算指定区域（如编码区）的深度；排除深度为 0 的位点；输出均值 / 中位数 / 标准差

95. 筛选 ChIP-seq 峰中与基因启动子区（TSS±2000bp）重叠的峰

• 核心知识点：BEDTools（或 pandas）区间重叠、TSS 坐标获取、峰筛选
• 生物学意义：启动子区的 ChIP-seq 峰通常是转录因子结合位点，是调控分析的核心
• 关键注意事项：TSS 坐标从 GTF 文件获取；启动子区定义为 TSS±2000bp；输出重叠峰的 ID 和位置

96. 过滤甲基化 450K 芯片的交叉反应探针

• 核心知识点：交叉反应探针列表、探针 ID 匹配、过滤
• 生物学意义：450K 芯片的交叉反应探针会导致甲基化结果假阳性，过滤是质控的必要步骤
• 关键注意事项：下载标准交叉反应探针列表；按探针 ID 过滤；统计过滤前后的探针数量

97. 从 read 计数和基因长度计算 FPKM 值

• 核心知识点：FPKM 公式（FPKM=read 数 ×1e9/(总 read 数 × 基因长度)）、批量计算
• 生物学意义：FPKM 是 RNA-seq 表达量的常用归一化方法（消除基因长度和测序深度的影响）
• 关键注意事项：基因长度为外显子长度之和；总 read 数为比对到基因的总 read 数；结果保留两位小数

98. 基于序列互补性预测 miRNA 靶基因（简单匹配规则）

• 核心知识点：miRNA 种子区（2-8nt）、3'UTR 序列互补、靶基因预测
• 生物学意义：miRNA 通过结合靶基因 3'UTR 调控表达，靶基因预测是 miRNA 功能分析的核心
• 关键注意事项：种子区互补是核心规则；允许 1 个错配（可选）；输出靶基因列表和结合位点

99. 统计宏基因组 OTU 表中各物种的相对丰度

• 核心知识点：OTU 表解析、按物种分组求和、相对丰度计算（百分比）
• 生物学意义：相对丰度反映菌群结构（如致病菌丰度升高可能与疾病相关）
• 关键注意事项：OTU 表格式（行：OTU，列：样本，值：计数）；按分类水平统计（门 / 纲 / 目 / 科 / 属 / 种）；结果保留两位小数

100. 构建基因共表达网络（r>0.8，输出边列表）

• 核心知识点：相关性矩阵计算、阈值筛选（r>0.8）、边列表构建、文件输出
• 生物学意义：共表达网络可识别功能相关的基因模块（如通路基因），是系统生物学的核心
• 关键注意事项：用皮尔逊 / 斯皮尔曼相关；阈值 r>0.8 为强相关；边列表格式（gene1, gene2, r_value）