Skip to main content

生命科学与生物信息学：技术人学习大纲

目标读者：有编程基础（Python/Linux），想进入生物信息领域的技术人 学习周期估算：打好地基约 6 个月，能独立承接项目约 1.5–2 年

大纲结构分六个阶段：

  1. 生物学基础 — 中心法则、基因组概念，用技术人熟悉的类比（代码仓库、函数、Bug）建立认知框架
  2. 核心数据格式 — FASTQ/BAM/VCF 的结构解析，BWA/GATK/SAMtools 等必用工具
  3. 主流分析场景 — WGS/WES/RNA-seq/scRNA-seq，每条路线的工具链和输出
  4. AI/ML 应用 — ESM2 蛋白质语言模型、图神经网络做药物预测，含一个可动手的项目
  5. 工程与合规 — Nextflow/Snakemake、CDISC 临床标准、国内人遗条例（这是护城河的关键）
  6. 进阶方向选择 — 肿瘤基因组、单细胞多组学、AI 药物发现、平台工程，选一个深耕

末尾附有关键数据库速查表和分月时间表。

为什么现在入场？​

  • AlphaFold2/3 已经把蛋白质结构预测带入实用阶段，但"用好它"仍需懂生物学
  • 基因测序成本从 2003 年的 30 亿美元降到现在的 200 美元，数据量爆炸，工程能力稀缺
  • 国内政策：基因数据安全监管趋严，懂合规的技术人更值钱
  • AI + 生物信息是当前最确定性的交叉方向之一，壁垒极高，但入门路径清晰

第一阶段：生物学基础（不可跳过）​

目标：建立最小化的分子生物学认知框架，能读懂领域文献的背景介绍

1.1 中心法则​

  • DNA → RNA → 蛋白质 的信息流
  • 转录（Transcription）、翻译（Translation）的基本机制
  • 为什么这和"数据 pipeline"是同一类问题

1.2 基因组基础概念​

概念类比实际意义
基因组（Genome）整个代码仓库人类约 30 亿碱基对
基因（Gene）一个函数编码特定蛋白的 DNA 片段
外显子/内含子有效代码 vs 注释外显子才被翻译成蛋白
SNP（单核苷酸多态性）代码里的一个字符差异个体遗传差异的基础
突变（Mutation）Bug可能致病，也可能无影响

1.3 推荐资源​

  • MIT OpenCourseWare: 7.016 Introductory Biology（B 站有搬运）
  • 《生物信息学》（陈铭 主编）：国内教材，适合技术人入门
  • NCBI Insights 博客：了解数据库背后的逻辑

第二阶段：核心数据格式（工程师的切入点）​

目标：能独立处理测序数据，从原始文件到变异结果跑通一遍

2.1 必须掌握的文件格式​

FASTQ   原始测序读段，含碱基质量值（Phred 质量分）
  ↓
SAM/BAM 比对结果（BAM 是 SAM 的二进制压缩版）
  ↓
VCF     变异检测结果（SNP、Indel、CNV 等）
  ↓
BED/GFF 基因组区间注释（基因位置、外显子边界等）

FASTQ 格式解析（四行一组）：

@读段ID
ATCGATCG...  碱基序列
+
IIIIIIII...  质量分（ASCII 编码，I = Phred 40 = 错误率 0.01%）

VCF 关键字段：

CHROM  POS    ID      REF  ALT  QUAL  FILTER  INFO
chr1   925952 rs1234  G    A    .     PASS    DP=45;AF=0.5

2.2 必用命令行工具​

工具用途
FastQC原始数据质量评估
BWA / Bowtie2序列比对到参考基因组
SAMtoolsBAM 文件处理（排序、索引、统计）
GATK变异检测（业界标准，Broad Institute 出品）
bcftoolsVCF 文件过滤和统计
bedtools基因组区间运算

2.3 动手练习​

  1. 下载 NCBI SRA 上的公开测序数据（prefetch + fastq-dump）
  2. 用 FastQC 检查质量
  3. 用 BWA-MEM2 比对到 hg38 参考基因组
  4. 用 GATK HaplotypeCaller 做变异检测
  5. 用 bcftools 过滤低质量变异

推荐数据集：NA12878（千人基因组项目基准样本，有金标准 VCF 对照）

第三阶段：主流分析场景​

3.1 DNA 分析方向​

全基因组测序（WGS）

  • 用途：遗传病诊断、肿瘤体细胞突变、群体遗传学
  • 数据量：每个样本 ~100GB（30× 深度）
  • 关键流程：FASTQ → BWA → GATK → 注释（ANNOVAR/VEP）

全外显子组测序（WES）

  • 只捕获外显子区域（~1% 基因组），成本低 10 倍
  • 适合：遗传病致病基因查找

Panel 测序

  • 靶向几十到几百个基因，用于肿瘤精准用药
  • 临床应用最广，合规要求最高

3.2 RNA 分析方向​

RNA-seq（转录组测序）

  • 用途：基因表达量分析，找哪些基因在某状态下被激活
  • 流程：FASTQ → STAR（比对）→ featureCounts → DESeq2（差异表达）
  • 输出：差异表达基因列表 + 富集分析（KEGG/GO pathway）

单细胞 RNA-seq（scRNA-seq）

  • 不同于批量测序，能分辨单个细胞的表达状态
  • 主流工具：Seurat（R）、Scanpy（Python）
  • 用途：免疫细胞分型、肿瘤微环境分析

3.3 蛋白质与结构方向​

AlphaFold2/3 实际使用

  • 本地部署 AlphaFold2：需要 GPU + ~2TB 数据库
  • ColabFold：在线版本，适合入门（colab.research.google.com）
  • 输出解读：pLDDT 置信度分数，>70 为可信结构

蛋白质数据库

  • UniProt：蛋白质序列和功能注释（Swiss-Prot 是人工审核版）
  • PDB（Protein Data Bank）：实验解析的蛋白质三维结构
  • ChEMBL：药物小分子与靶点的结合数据

第四阶段：AI/ML 在生物信息中的应用​

4.1 传统机器学习场景​

场景常用方法
变异致病性预测XGBoost / 随机森林（特征：保守性得分、位置、氨基酸变化）
肿瘤分型聚类 + 降维（UMAP/t-SNE）
药物敏感性预测回归模型（特征：基因表达 + 药物指纹）

4.2 深度学习场景​

序列模型

  • DNA/蛋白质序列天然适合 Transformer
  • DNABERT、ESM2（Meta 蛋白质语言模型）：直接用预训练模型做迁移学习
  • 用途：启动子预测、剪接位点识别、蛋白质功能预测

图神经网络

  • 分子结构可以表示为图（原子=节点，键=边）
  • 用于：药物-靶点相互作用预测、分子性质预测

4.3 一个可以动手的项目​

用 ESM2 做蛋白质功能分类：

  1. 从 UniProt 下载某蛋白家族的序列（正例）+ 随机序列（负例）
  2. 用 fair-esm 库提取序列 embedding
  3. 训练一个简单分类器
  4. 在 PDB 结构上可视化验证

第五阶段：工程与合规（进入产业的关键）​

5.1 临床数据标准（CDISC）​

为什么重要：FDA/NMPA 批准新药，临床试验数据必须按 CDISC 标准提交

标准全称用途
CDASHClinical Data Acquisition Standards Harmonization数据采集格式
SDTMStudy Data Tabulation Model临床数据提交格式
ADaMAnalysis Data Model统计分析数据集格式

5.2 基因数据安全合规（中国）​

  • 人类遗传资源管理条例（2023 年修订）：向境外提供遗传数据需审批
  • 数据出境安全评估：基因数据属于敏感个人信息，跨境有严格限制
  • 合规意识是国内生物信息技术人的核心竞争力之一

5.3 系统工程能力​

流程管理工具

  • Snakemake / Nextflow：生物信息 pipeline 的标准调度框架（类比 Airflow）
  • CWL（Common Workflow Language）：流程可移植性标准

容器化

  • 几乎所有生物信息工具都有 Docker/Singularity 镜像（Biocontainers 项目）
  • HPC 集群（超算）用 Singularity，云平台用 Docker

大数据处理

  • 单个 WGS 项目可能有几千个样本，需要分布式处理
  • Google Cloud Life Sciences / AWS HealthOmics 是专门的托管平台

第六阶段：进阶方向（选其一深耕）​

方向 A：肿瘤基因组学​

重点：体细胞突变、拷贝数变异（CNV）、融合基因检测、TMB/MSI 计算 应用：伴随诊断（CDx）产品开发、精准用药报告生成系统 代表公司：Foundation Medicine、燃石医学、世和基因

方向 B：单细胞多组学​

重点：scRNA-seq + scATAC-seq 联合分析、空间转录组 应用：免疫治疗靶点发现、细胞图谱构建 工具：Seurat v5、Scanpy、Squidpy

方向 C：AI 药物发现​

重点：分子生成（图生成模型/扩散模型）、虚拟筛选、ADMET 预测 应用：苗头化合物发现、先导化合物优化 代表工具：RDKit、DeepChem、DiffSBDD

方向 D：生物信息平台工程​

重点：流程自动化（Nextflow + AWS Batch）、数据库设计（基因组数据仓库）、报告系统 应用：基因检测公司的核心系统、CRO 公司的数据平台 特点：纯工程，不需要深入算法，但需要懂业务流程

关键数据库速查​

数据库内容地址
NCBI综合生物数据库（GenBank、SRA、PubMed）ncbi.nlm.nih.gov
Ensembl基因组注释（人类/动植物）ensembl.org
UniProt蛋白质序列与功能uniprot.org
PDB蛋白质三维结构rcsb.org
ChEMBL药物与靶点活性数据ebi.ac.uk/chembl
ClinVar遗传变异临床意义ncbi.nlm.nih.gov/clinvar
GEO基因表达数据集ncbi.nlm.nih.gov/geo
COSMIC肿瘤体细胞突变数据库cancer.sanger.ac.uk

推荐学习路径（时间表）​

月 1-2：生物学基础 + Linux/Python 巩固
  └── 完成 MIT 7.016 前 6 讲
  └── 能用命令行处理 FASTQ/BAM 文件

月 3-4：跑通标准分析流程
  └── GATK 变异检测流程（DNA-seq）
  └── DESeq2 差异表达分析（RNA-seq）
  └── 在 NA12878 数据上做实战练习

月 5-6：选定一个细分方向，找一个真实数据集做完整项目
  └── GitHub 上发布分析代码和报告
  └── 开始读领域顶刊：Nature Methods / Genome Research / Bioinformatics

月 7-12：进入真实业务场景
  └── 找生物信息相关岗位（不一定要算法岗，工程岗也行）
  └── 学 Nextflow，把分析流程工程化
  └── 补合规知识（CDISC 或人遗条例，取决于方向）

一句话定位​

这个领域不缺生物学家，也不缺程序员，缺的是既能看懂实验数据、又能把流程工程化的人。 你的竞争优势不是比生物学家更懂生物，而是比生物学家更懂系统——这个差距，3 年足够建立。