双序列比对
练习1：猪流感病毒株数据
练习2：病毒疫情快速判断
2013年初，在杭州的肉菜市场中突发急性呼吸道传染病疫情，从病人症状初步判断，病原体是病毒，但何种病毒并不清楚。用病毒培养方法和快速测序手段，得到两条疑似病毒的序列：
序列1：
ATGAGTCTTCTAACCGAGGTCGAAACGTACGTTCTCTCTATCATTCCATCAGGCCCCCTCAAAGCCGAGATCGCACAGAGACTTGAGGATGTTTTTGCAGGGAAGAACGCAGATCTCGAGGCTCTCATGGAGTGGATAAAGACAAGACCAATCCTGTCACCTCTGACTAAGGGGATTTTAGGGTTTGTGTTCACGCTCACCGTGCCCAGTGAGCGAGGACTGCAGCGTAGACGGTTTGTCCAAAACGCCCTAAATGGGAATGGAGACCCAAACAACATGGACAAGGCGGTTAAATTATACAAGAAACTGAAGAGGGAAATGACATTTCATGGAGCAAAGGAAGTTGCACTCAGTTACTCAACTGGTGCGCTTGCCAGCTGCATGGGTCTCATATACAACAGAATGGGGACTGTGACCGCAGAAGGGGCTCTTGGACTAGTATGTGCCACTTGTGAGCAGATTGCTGACGCACAACATCGGTCCCACAGGCAGATGGCGAC
序列2：
GCGGAATTGACAAGGAAGCAATGGGATTCACATACAGTGGAATAAGAACTAATGGAGCAACCAGTGCATGTAGGAGATCAGGATCTTCATTCTATGCAGAAATGAAATGGCTCCTGTCAAACACAGATAATGCTGCATTCCCGCAGATGACTAAGTCATATAAAAATACAAGAAAAAGCCCAGCTCTAATAGTATGGGGGATCCATCATTCCGTATCAACTGCAGAGCAAACCAAGCTATATGGGAGTGGAAACAAACTGGTGACAGTTGGGAGTTCTAATTATCAACAATCTTTTGTACCGAGTCCAGGAGCGAGACCACAAGTTAATGGTATATCTGGAAGAATTGACTTTCATTGGCTAATGCTAAATCCCAATGATACAGTCACTTTCAGTTTCAATGGGGCTTTCATAGCTCCAGACCGTGCAAGCTTCCTGAGAGGAAAATCTATGGGAATCCAGAGTGGAGTACAGGTTGATGCCAATTGTGAAGGGGACTGCTATCATAGTGGAGGGACAATAATAAGTAACTTGCCATTTCAGAACATAGATAGCAGGGCAGTTGGAAAATGTCCGAGATATGTTAAGCAAAGGAGTCTGCTGCTAGCAACAGGGATGAAGAATGTTCCTGAGATTCCAAAGGGAAGAGGCCTATTTGGTGCTATAGCGGGTTTCATTGAAAATGGATGGGAAGGCCTAATTGATGGTTGGTATGGTTTCAGACACCAGAATGCACAGGGAGAGGGAACTGCTGCAGATTACAAAAGCACTCAATCGGCAATTGATCAAATAACAGGAAAATTAAACCGGCTTATAGAAAAAACCAACCAACAATTTGAGTTGATCGACAATGAATTCAATGAGGTAGAGAAGCAAATCGGTAATGTGATAAATTGGACCAGAGATTCTAT
请用这两条序列的信息来判断：
1. 病原体是哪种病毒？病毒分型如何？
2. 由于此前该地区并未发生大规模的呼吸道疾病疫情，从流行病学角度基本排除人传人的可能性，又因该病病人都在肉菜市场工作，高度怀疑该病毒是由动物传染人。请问是什么种类的动物传染给人的？
多序列比对
练习1：tRNA的序列保守性
Genomic tRNA database 数据库里收录了许多物种的tRNA序列。我们知道tRNA的结构是高度保守的，那么它们的序列是否也有高度相似性呢？
这里，我们下载大肠杆菌和人的tRNA序列，进行多序列比对。大肠杆菌tRNA序列(FASTA)，人tRNA序列(hg19, FASTA)
这些序列之间是否具有相似性？
人的tRNA序列和大肠杆菌的tRNA序列间是否有相似性？
练习2：非典病毒的来源
2003年，中国发生了著名的“非典”疫情。非典病毒很快被归为冠状病毒科（Coronavirus），某些专家宣称其是由果子狸上的某种已知冠状 病毒自然变异而来。然而，2003年4月13日香港《大公报》援引俄罗斯院士的观点，指出非典病毒是美国制造的生物武器，并非自然变异而来。中国国内的部 分科学家也持类似观点，认为非典病毒不能由冠状病毒自然突变而来。究竟哪种观点正确？如果非典病毒不是由已知冠状病毒种类自然突变而来，那它最有可能由什么病毒人工改造而来？
请通过对以下序列的分析来得出结论。
广东分离并测序出的第一株SARS毒株GD01全基因组序列：NCBI数据库号为 AY278489
北京分离并测序出的第一株SARS毒株BJ01全基因组序列：NCBI数据库号为 AY278488
请比对其差异，看看非典病毒在传播过程中的自然变异率。
当时已知的冠状病毒科有三大类，即三个Group。这里为简便起见，分别给出三个Group的模式代表病毒全基因组序列：
Group1 代表病毒 HCoV-229E: NC_002645
Group2 代表病毒 BCoV: NC_003045
Group3 代表病毒 IBV: NC_001451
大规模测序分析
大规模测序云分析平台：深圳承启生物公司主页
客户端软件下载：http://www.chi-biotech.com/technology.html?ty=ypt
免费教学账号将于课上公布
大文本阅读器 LTFViewer (用这个可以看FASTQ等超大文件！)
点此下载测试用的测序数据集：
转录组测序数据集：
基因组测序数据集：
点此下载人hg19基因组对应的RefSeq-RNA全库（2015年3月17日版本），9.98MB压缩包
作业：
1. 下载这些数据集，统计一下各数据集的读长分布、每一位的碱基质量分布，看看这些测序仪有没有在质量上作假。
2. 对比2012年和2017年Ion torrent测HBE的数据，该测序仪的性能是否有提高？
3. 看看Illumina和Ion torrent的测序结果，mRNA定量上是否有可比性？
4. 对比A549和HBE，找出癌细胞上调和下调的基因，分析他们的通路。
5. A549相对于HBE上调的基因，其长度分布与所有基因长度分布之间有没有显著差异？如果有，可能的生物学原因是什么？
6. 请找出上面胰腺癌病人的somatic mutations。
7. 请为上面那个肺腺癌病人寻找合适的靶向药。
高级统计-聚类分析
问题1：
这里收集了一系列生活在寒冷区域的生物的抗冻蛋白（点此下载FASTA格式文件），请试着用多序列比对方法和alignment-free的静态统计方法来对这些生物抗冻蛋白进行聚类分析，并对你的结果进行生物学解读。
问题2：
这是一个早期的基因芯片分析结果，研究 Saccharomyces cerevisiae (酿酒酵母) 从发酵转为呼吸的代谢改变时，各种基因mRNA表达的时序变化。数据点此下载：Excel表格，MATLAB工作区文件。
请做聚类分析，看在代谢模式改变时，基因的表达变化是否有一定的规律。
注：此研究的数据来源于以下文章：
DeRisi, J.L., Iyer, V.R., and Brown, P.O. (1997). Exploring the metabolic and genetic control of gene expression on a genomic scale. Science 278, 680–686s.
问题3：
肝癌细胞系Hep3B, LM3, LM6, 97H 四株细胞，有三株细胞来源于同一个中国人，请指出是哪三个，为什么。（提示：转录组测序数据上面有）
高级统计-主成分分析
Excel表格数据点击这里下载，包含两个情景。
第一个情景是一些中学生的各科学习成绩，用主成分分析看学生学习的特点，判断偏科和全面的学生，区分学霸和学渣。
第二个情景是一些股票的相应公司经营数据，通过主成分分析来选择值得购买的股票
高级统计-逐次回归
青岛市财政收入分析
下表列出了青岛市1995-2007年的各项主要经济数据，其中收入和产值以亿元为单位。
Excel表格下载地址
问题：哪些因素共同决定了财政收入？哪些因素与财政收入无关，仅仅是伴随着整体经济的增长而被动增长的？
新冠疫情影响因素
关于新冠疫情，复旦大学沈逸教授在公开演讲中有一个很著名的论断：“医疗资源越高、越民主，死的人就越多”
为了验证沈逸老师的这一论断，下表列出了2020全球各国新冠疫情状况以及各相关指标。新冠疫情数据统一选取2020.11.20.的数据。所有数据来源均为 Our World in Data，其所有数据源均在网站上有明确标注。
Excel表格下载
因变量共10项：
- population: 总人口
- total_cases: 新冠累积确诊数
- new_cases_smoothed: 新增确诊数（7日平均）
- total_deaths: 新冠累积死亡数
- new_deaths_smoothed: 新增死亡数（7日平均）
- total_cases_per_million：每百万人确诊数
- new_cases_smoothed_per_million： 每百万人新增确诊数 （7日平均）
- total_deaths_per_million：每百万人死亡数
- new_deaths_smoothed_per_million：每百万人新增死亡数（7日平均）
- reproduction_rate：传播率（每一个病人平均能传染几个人，>1为疫情扩大，<1为疫情逐步平息）
自变量共16项：
- stringency_index: 封锁政策严格程度（越大说明封锁越严格，根据9项指标综合计算而来：学校关闭，工作场所关闭，取消公众活动，限制公共场所聚集，关闭公共交通，居家令，公共信息宣传，限制境内人口流动，限制国际旅行）
- population_density: 人口密度
- median_age：年龄中位数
- aged_65_older：65+人口比例
- aged_70_older：70+人口比例
- cardiovasc_death_rate：心血管死亡率
- diabetes_prevalence：糖尿病发病率
- hospital_beds_per_thousand：每千人病床数
- life_expectancy：预期寿命
- human_development_index：人类发展指数
- DALY(2017) - Burden of disease：伤残生命调整年（2017），反映疾病负担，越高表明人们越处于患病状态
- gdp_per_capita：人均GDP
- Health expenditure per capita 2014, PPP (constant 2011 international $)：人均健康花费2014年数据，按购买力平价计算
- Liberal democracy index 2017：自由民主指数2017年数据
- Physicians (per 1,000 people)：每千人医生数量
- Nurses and midwives (per 1,000 people)：每千人护士数量（含助产士）
根据上面的数据，看看各疫情指标与什么因素相关？是否如沈逸老师所说的那样？
支持向量机(SVM)
安德森鸢尾花卉数据集(Anderson’s Iris data set)，包含三种鸢尾花的150个样本，每个样本包含了花萼长度、花萼宽度、花瓣长度、花瓣宽度四个特征（见下图）。现在要建立一个分类器，输入这几项特征的数值后，自动区分这个花是山鸢尾(Iris setosa)、变色鸢尾(Iris versicolor)还是维吉尼亚鸢尾(Iris virginica)。
