在醫(yī)學的廣闊天地里，《智能醫(yī)學綜合》如同璀璨的星辰，引領著考生們探索生命的奧秘。2025年貴州醫(yī)科大學碩士研究生招生考試智能醫(yī)學綜合(自命題)考試大綱的公布，更是為他們點亮了前行的明燈。

---

---

2025年貴州醫(yī)科大學碩士研究生招生考試智能醫(yī)學綜合(自命題)考試大綱

---

Ⅰ.考試性質(zhì)

本考研大綱適用于貴州醫(yī)科大學智能醫(yī)學及相關專業(yè)的研究生入學考試初試科目，旨在科學、公平、有效地測試考生是否具備繼續(xù)攻讀智能醫(yī)學專業(yè)碩士學位所需要的數(shù)據(jù)挖掘、生物信息分析、人工智能基礎等工科知識。評價的標準是高等院校優(yōu)秀本科畢業(yè)生能達到的及格或及格以上水平，以利于學校擇優(yōu)選拔，確保智能醫(yī)學專業(yè)碩士研究生的招生質(zhì)量。

---

Ⅱ.考查目標

智能醫(yī)學綜合考試范圍包括《數(shù)據(jù)挖掘?qū)д摗贰渡镄畔W算法導論》(參考書目：生物信息學(一) ) 和《P ython人工智能：原理、實踐及應用》(詳見V.參考書目)。《數(shù)據(jù)挖掘?qū)д摗芬罂忌鷮?shù)據(jù)和數(shù)據(jù)挖掘的基本概念、基本原理、基本分析工具和分析方法的掌握程度，了解考生是否具備運用所學知識分析和解決有關問題的能力;《生物信息學算法導論》考查生物信息學的基礎理論知識、常用數(shù)據(jù)分析算法和軟件工具，以及生物學數(shù)據(jù)庫等;《Python人工智能：原理、實踐及應用》要求考生掌握常見的人工智能方法和應用場景，并對Python編程語言有一定了解，能夠用Python實現(xiàn)人工智能算法。

---

Ⅲ.考試形式和試卷結構

一、試卷滿分及考試時間

本試卷滿分為300分，考試時間為180分鐘。

二、答題方式

答題方式為閉卷、筆試。

三、試卷內(nèi)容及題型結構

試卷內(nèi)容結構為：

1. 生物信息學算法導論約40%

2. 數(shù)據(jù)挖掘約40%

3. 人工智能導論約20%

試卷題型結構

選擇題：第1-100小題，每小題2分，共200分；簡答題：第101-107小題，每小題10分，共70分；綜合題：第108小題，共30分。

---

Ⅳ.考查內(nèi)容

一、生物信息學算法導論

(一)生物信息學的概念及發(fā)展歷史

1. 生物信息學的概念

2. 生物信息學的主要應用方面

(二)生物學數(shù)據(jù)庫及其檢索

1. 數(shù)據(jù)庫的概念

2. 數(shù)據(jù)庫的結構類型：定義，特點。

3. 生物學數(shù)據(jù)庫：一級數(shù)據(jù)庫與二級數(shù)據(jù)庫。

4. NCBI生物信息資源中心 ： PubMed 、GEO 、Gene 、GenBank、FASTA序列存儲格式、SRA、PMC和OMIM。

5.EBI生物信息資源中心：EMBL、Ensembl、ArrayExpress、UniProt、Reactome和BioMart。

(三)序列比對原理

1. 序列比對的概念

2. 序列的相似、同一與同源：三者概念與異同，直系同源與旁系同源。

3. 常用雙序列比對工具：BLAST。

4. 常用多序列比對算法：動態(tài)規(guī)劃算法，漸進式算法、迭代算法和統(tǒng)計概率算法。

5. 常用多序列比對工具： ClustalX/W ， Clustal Omega，T- Coffee，MultAlin和MAFFT。

(四)蛋白質(zhì)結構預測與分析

1. 蛋白質(zhì)結構特征：一級結構，二級結構，三級結構與四級結構。

2. 蛋白質(zhì)結構分類數(shù)據(jù)庫：SCOP2和CATH。

3. 蛋白質(zhì)結構比對：比對結果的內(nèi)容，應用方面與常用比對方法。

4. 蛋白質(zhì)結構預測：理論基礎，二級結構預測方法及相關數(shù)據(jù)庫，二級結構預測方法。

5. 蛋白質(zhì)對接：分類和常用分析軟件。

(五)基因組學

1. 基因組的概念

2. 基因組學分類

3. 蛋白編碼基因的注釋：注釋策略、功能注釋。

(六)轉(zhuǎn)錄組學

1. 轉(zhuǎn)錄組學的含義和研究對象;

2. RNA-seq與基因芯片技術的差異;

3. RNA-seq測序策略：單末端，雙末端;

4. RNA-seq文庫制備：制備步驟，鏈特異性文庫，非鏈特異性文庫;

5. 測序數(shù)據(jù)存儲格式：FASTQ格式特點;

6. RNA-seq數(shù)據(jù)處理：質(zhì)量控制，reads比對，轉(zhuǎn)錄本定量;

7. 功能分析：差異表達分析，聚類分析，富集分析，共表達分析。

(七)非編碼RNA

1. 非編碼RNA 的定義與分類;

2. 非編碼RNA 的功能預測：預測平臺;

3. microRNA：定義，功能，靶基因預測軟件;

4. lncRNA：定義，分類，功能，常用數(shù)據(jù)庫與分析軟件。

(八)蛋白質(zhì)組學

1. 蛋白質(zhì)組學概述：概念，蛋白質(zhì)組學技術應用領域。

2. 蛋白質(zhì)的大規(guī)模分離鑒定技術：蛋白質(zhì)二維電泳-質(zhì)譜技術，一維(二維)色譜-質(zhì)譜技術，同位素編碼親和標簽技術，表面增強激光解吸離子化飛行時間質(zhì)譜技術，蛋白質(zhì)芯片技術。

3. 蛋白質(zhì)翻譯后修飾：定義，常見類型。

4. 蛋白質(zhì)相互作用：蛋白質(zhì)互作預測的生物信息學方法。

(九)系統(tǒng)生物學

1. 系統(tǒng)生物學基本概念：系統(tǒng)生物學的定義，系統(tǒng)生物學與分子生物學的差異，系統(tǒng)生物學的基本框架。

2. 復雜網(wǎng)絡及特征：網(wǎng)絡的概念和分類，復雜網(wǎng)絡的統(tǒng)計特征，網(wǎng)絡的拓撲分析，生物中的復雜網(wǎng)絡。

3. 系統(tǒng)生物學基本技術與方法：蛋白質(zhì)-蛋白質(zhì)互作信息數(shù)據(jù)庫，常用蛋白質(zhì)-DNA相互作用數(shù)據(jù)庫，常用代謝途徑數(shù)據(jù)庫。

4. 蛋白質(zhì)-蛋白質(zhì)相互作用網(wǎng)絡：蛋白相互作用網(wǎng)絡的性質(zhì)， 網(wǎng)絡模體。

(十)分子進化與系統(tǒng)發(fā)育

1. 分子水平的進化：分子進化的概念，分子進化的特點，中性學說。

2. 分子系統(tǒng)發(fā)育分析的基本概念：系統(tǒng)發(fā)育樹和分子系統(tǒng)樹的概念，系統(tǒng)發(fā)育樹的分類，分子進化研究最根本的目的。

3. 分子系統(tǒng)發(fā)育樹的構建方法：基于距離的方法，最大簡約法，最大似然法，貝葉斯推斷法。

4. 系統(tǒng)發(fā)育樹構建及應用：構建系統(tǒng)發(fā)育樹的步驟，構建系統(tǒng)發(fā)育樹的常用軟件。

(十一)統(tǒng)計學習與推理

1. 統(tǒng)計模型與參數(shù)推斷：給定統(tǒng)計模型的參數(shù)估計方法，參數(shù)估計量的評選標準。

2. 聚類分析：距離尺度函數(shù)，聚類算法。

3. 深度學習：深度學習的核心，深度學習框架，深度學習模型。

(十二)生物信息學編程基礎

1. Linux 操作系統(tǒng)：Linux常用命令操作。

2. R編程語言：R包的安裝，基本運算，數(shù)據(jù)類型，R語言常用數(shù)學函數(shù)，R語言工作空間函數(shù)，R語言外部數(shù)據(jù)讀取與讀出，R語言基本繪圖函數(shù)。

(十三)新一代測序技術及其應用

1.Sanger測序法的特點;

2.二代測序的特點;

3. 二代測序技術平臺及其特點;

4. 三代測序技術的特點;

5. 生物信息學在二代測序中的應用。

---

二、數(shù)據(jù)挖掘

(一)數(shù)據(jù)挖掘概述

1. 數(shù)據(jù)挖掘的概念和任務：了解數(shù)據(jù)庫系統(tǒng)技術的演變過程;理解數(shù)據(jù)挖掘的概念;掌握知識發(fā)現(xiàn)過程的7個步驟。

2. 數(shù)據(jù)挖掘應用：掌握數(shù)據(jù)挖掘的數(shù)據(jù)類型;掌握數(shù)據(jù)挖掘功能和模式;理解數(shù)據(jù)挖掘與統(tǒng)計學、機器學習的聯(lián)系和區(qū)別;了解數(shù)據(jù)挖掘的應用領域;了解數(shù)據(jù)挖掘的主要問題。

(二)數(shù)據(jù)

1. 了解數(shù)據(jù)對象與屬性類型。

2. 理解數(shù)據(jù)的基本統(tǒng)計描述，掌握均值、中位數(shù)、眾數(shù)、極差、四分位數(shù)、方差、標準差和四分位數(shù)極差的概念和計算方法;了解數(shù)據(jù)基本統(tǒng)計描述的圖形顯示;了解度量數(shù)據(jù)的相似性和相異性。

3. 了解進行數(shù)據(jù)預處理的原因及其重要性;了解數(shù)據(jù)質(zhì)量涉及的因素;掌握數(shù)據(jù)預處理的主要步驟。

4. 了解數(shù)據(jù)清理的概念;了解處理數(shù)據(jù)缺失值的方法;了解處理噪音數(shù)據(jù)的方法。

5. 理解數(shù)據(jù)集成的概念;掌握冗余和相關性分析的方法(檢驗，Pearson積矩系數(shù))。

6. 了解數(shù)據(jù)變換的策略;掌握數(shù)據(jù)規(guī)范化的計算方法(最小-最大規(guī)范化、z分數(shù)規(guī)范化、按小數(shù)定標規(guī)范化)。

7. 理解數(shù)據(jù)歸約的概念;了解數(shù)據(jù)歸約的策略;了解線性回歸、對數(shù)線性模型、直方圖、聚類、抽樣等數(shù)據(jù)歸約方法。

8.理解數(shù)據(jù)離散化和概念分層的概念;了解數(shù)據(jù)離散化的方法(分箱、直方圖分析、聚類分析、相關分析)。

(三)分類和預測

1. 理解數(shù)據(jù)分類的概念;了解分類的兩個過程;理解監(jiān)督學習和非監(jiān)督學習的區(qū)別;了解分類和預測的數(shù)據(jù)預處理方法;掌握評估分類和預測方法的標準。

2. 了解決策樹的概念和優(yōu)缺點;了解決策樹歸分類的主要步驟;了解常用的屬性選擇度量，掌握信息增益度量的求法; 理解兩種常用的樹剪枝方法。

3. 了解評估分類器性能的度量;了解評估分類和預測準確率的方法(混淆矩陣、靈敏度和特小型、度量)。

4. 了解K-折交叉驗證和自助法的基本思想;了解ROC曲線的概念和特點。

5. 了解組合分類器的概念和常用的組合分類方法;了解裝袋和提升的基本思想以及兩者的區(qū)別;了解隨機森林的基本思想。

6. 了解類不平衡問題的概念;了解提高類不平衡數(shù)據(jù)分類準確率的一般方法。

(四)挖掘頻繁模式、關聯(lián)和相關性

1. 理解項集、閉項集、頻繁項集和關聯(lián)規(guī)則的概念;了解規(guī)則興趣度的兩種度量(支持度和置信度)。

2. 了解關聯(lián)規(guī)則挖掘的步驟。

3. 了解Apriori算法的步驟;了解FP-growth算法的步驟和優(yōu)缺點;掌握相關性度量提升度(lift)的計算方法。

(五)聚類分析

1. 理解聚類分析的概念;了解聚類分析的應用領域;了解比較聚類方法的標準;了解數(shù)據(jù)挖掘?qū)垲惖牡湫鸵?了解比較聚類方法的各個方面。

2. 理解劃分方法的概念和一般特點，以及典型算法;理解層次方法的概念和一般特點，以及典型算法;理解基于密度的聚類方法的概念和一般特點，以及典型算法;理解基于網(wǎng)格的聚類方法的概念和一般特點，以及典型算法;

3. 理解K-均值算法的步驟和優(yōu)缺點;

4. 了解算法方法的距離度量。

5. 了解聚類評估概念和主要任務;了解測定聚類質(zhì)量的方法。

---

三、人工智能導論

(一)人工智能基礎

1. 人工智能定義：了解掌握人工智能的基本概念與定義;

2. 人工智能學派：了解人工智能的主要學派及主旨思想;

3. 人工智能歷史：了解掌握人工智能的起源與發(fā)展歷程;了解掌握驅(qū)動新一代人工智能快速發(fā)展的數(shù)據(jù)、算法、算力等重要驅(qū)動因素;

4. 機器學習與深度學習：了解掌握機器學習與深度學習、計算機視覺、自然語言處理、知識圖譜、人機交互、機器人技術、SLAM技術等主要人工智能技術的基本概念和應用場景;

(二)Python編程基礎

1.Python基本語法：了解掌握Python語言的特點與發(fā)展;

2.Python數(shù)據(jù)類型：掌握Python語言基本語法與數(shù)據(jù)類型;

3.Python函數(shù)與參數(shù)：掌握常用函數(shù)的功能與用法;熟練使用基本數(shù)據(jù)類型與組合數(shù)據(jù)類型;掌握Python程序分支、循環(huán)等結構控制，掌握異常處理方法;掌握常用Python函數(shù)定義、調(diào)用及參數(shù)傳遞方法;掌握程序中變量作用域、返回值類型; 掌握代碼復用及模塊化編程方法; 掌握Python面向?qū)ο缶幊谭椒?，熟悉類的定義與使用、屬性和方法的定義與使用、類的繼承等;掌握Python文件系統(tǒng)讀、寫等基本方法和操作;掌握Python常用工具包，例如線性代數(shù)、可視化等;

(三)概率數(shù)理統(tǒng)計基礎

1. 概率基礎知識，例如概率分布、聯(lián)合概率、邊緣概率、條件概率等基本概念;

2. 概率分布：掌握離散隨機變量、連續(xù)隨機變量的主要性質(zhì)， 了解掌握伯努利分布、泊松分布、均勻分布、正態(tài)分布等常用概率分布的公式與參數(shù);

3. 樣本和參數(shù)估計：掌握樣本的概念和性質(zhì)，統(tǒng)計量的定義與性質(zhì)，三大抽樣分布函數(shù)的定義;掌握大數(shù)定理和中心極限定理;掌握參數(shù)估計的定義，掌握點估計、極大似然估計方法的原理;掌握評價估計量的標準、區(qū)間估計的概念和方法。

---

V. 參考書目

1. 陳銘主編，生物信息學(一)(第四版)，科學出版社，2022年。

2.(美)陳封能，(美)斯坦巴赫，(美)庫瑪爾，數(shù)據(jù)挖掘?qū)д?，人民郵電出版社，2010年。

3. 楊博雄等，Python人工智能：原理、實踐及應用，清華大學出版社，2021年。

---

在追求醫(yī)學卓越的道路上《智能醫(yī)學綜合》考試大綱是你們的得力助手和指路明燈。愿你們能夠緊跟大綱步伐深入挖掘這門學科的精髓為未來的學術生涯奠定堅實的基礎。

---

推薦閱讀：2025年貴州醫(yī)科大學碩士研究生招生考試自命題科目考試大綱發(fā)布