分子遗传学的作用范文
关键词：遗传算法；并行遗传算法；并行模型
中图分类号：TP301文献标识码：A文章编号：1009-3044（2014）10-2347-04
Abstract：ParallelGeneticAlgorithm（PGA）combinesHigh-speedparallelcomputerandnaturalparallelismofparallelgenetic，whichgreatlypromotestheresearchandapplicationingeneticalgorithm.TherecentresearchdevelopmentsinPGAmodels，performanceanalysis，algorithmimprovement，andimplementationplatformaresummarizedandreviewed，andthedevelopmenttrendsandapplicationperspectivesofPGAinthefutureisalsodiscussed.
Keywords：geneticalgorithm；parallelgeneticalgorithm；parallelmodel
并行遗传算法（PGA）作为GA的一个重要分支，得到了越来越多专家们的重视。PGA正成为GA中的一个重要研究方向。近年来，对于PGA的理论和应用研究，许多计算机科学家做了大量的工作并取得了一定的成果。并行遗传算法将并行计算机的高速并行性和遗传算法的天然并行性相结合，不仅提高了求解速度，而且由于种群规模的扩大和各子种群的隔离，减少了未成熟收敛的可能性，提高了求解质量。
1传统并行遗传算法模型
实现PGA，需要对传统GA进行修改：一是要把串行GA的单一种群分成多个子种群，分而治之；二是要控制、管理子种群之间的信息交换，不同的分治方法产生不同的PGA结构[1]。传统并行遗传算法模型[2][3]包括：主从式模型、细粒度模型、粗粒度模型、混合模型。
1.1主从式模型
主从式模型是遗传算法的直接并行化方案，不改变遗传算法的基本结构特点。在主从式模型中，遗传算子包括选择算子、交叉算子、变异算子以及其它高级算子都并行应用于单一种群，所有的并行处理都在单一种群内部进行。主从式模型易于实现，保留了简单遗传算法的搜索行为，可以直接应用于简单的遗传算法中。
1.1.1选择算子
在遗传算法中，选择算子[4]的核心思想就是优胜劣态，适应度高的个体进入下一代种群的概率大；适应度低的个体进入下一代种群的概率小。根据各个个体的适应度，按照一定的规则或方法进行实际的选择，用来确定重组或交叉个体，以及被选个体将产生多少个体代个体。计算适应度可以采用按比例或基于排序的适应度计算，进行实际的选择可采用赌选择法、随机遍历抽样法、局部选择法和锦标赛选择法等。
1.1.2交叉算子
在遗传算法中，交叉算子[5]就像人类社会的婚姻过程，交叉又称为基因重组，是结合来自父代种群中的信息产生新的个体，对每一对个体.以某个概率（称为交叉概率）交换它们之间的部分染色体。依据编码表示方法的不同，有实值交叉和二进制交叉操作。
1.1.3变异算子
变异算子[6]是对群体中的每一个个体，以某一概率（称为变异概率）改变某一个或某一些基因座上的基因值为其他的等位基因。针对不同的编码方案，常用的编译操作有实值变异和二进制变异。
1.2细粒度模型
当并行计算机系统的规模很大，处理器多到可以与染色体一一对应，即每一处理器上驻扎一个染色体时，可以采用细粒度模型的并行遗传算法。由于对处理器数量的要求很高，所以细粒度模型的应用范围不广，一般只运行于大规模的并行计算机。
1.3粗粒度模型
粗粒度并行遗传算法被称作分布式模型或孤岛模型。在粗粒度模型中，各个子群体在不同的处理器上相互独立的执行进化操作，每经过一定的进化代，各子群体间会交换若干的个体以引入其它子群体的优秀基因。粗粒度模型的通信开销较小，可获得接近线性的加速比，适合运行在通信带宽较低的集群系统上。在粗粒度模型的研究中，要解决的重要问题是参数选择，包括迁移拓扑、迁移率、迁移周期等。
1.4混合模型
混合PGA又称为多层并行PGA模型，它把三种基本模型混合形成层次结构，主要有粗粒度-细粒度、粗粒度-粗粒度、粗粒度-主从式。实际中应用较多是粗粒度-主从式模型。首先，按上层的并行模型将全局种群划分成若干种群，然后，各种群按照下层的并行模型将其分成若干子种群。在下模型中每个子种群按下层模型进行进化，而在上层模型中，种群之间按上层模型协调运行[7]。
对于不同的应用问题，基本GA的参数难于设定，但混合PGA允许GA参数随染色体进化而进化，因此，结点的结构是动态变化的，这样减少了遗传算法因具体求解任务而受影响的程度，所以混合PGA是自适应算法，然而该算法最为复杂，实现代价高[8]。
2并行遗传算法的性能分析
在上世纪90年代中期以前，虽然并行遗传算法被广泛应用于各种领域，但主要限于实践，为得到好的优化效果，研究者要进行大量的实验，试用各种策略和参数。
文献[9]给出了两条定性评价并行遗传算法的指标：（1）确定一个适应度指标，利用串行遗传算法最短的搜索时间（找到一个个体适应度高于适应度指标）除以并行遗传算法的搜索时间，作为并行遗传算法的加速比指标。（2）给定一段时间，利用并行遗传算法进行优化，能够得到的最高适应度比利用串行遗传算法搜索到的最高适应度高出多少。
3并行遗传算法的改进
经典遗传算法存在着局部搜索性能较差的缺陷，对于某些分布变化缓慢的问题，需要进行大量的计算，并且由于进化初期的超常个体使得种群过早收敛到局部最小值。而改进的并行遗传算法通过编码表示及参数设定的思想，在系统中建立一个存放精华个体的主机，来控制系统的通信以及精华种群的传播，使系统中通信量减少，有利于提高算法的时间性能。
3.1改进的主从式并行遗传算法
遗传算法的内在并行性不仅仅体现在适应度计算阶段，选择、交叉和变异三个阶段均可并行执行。之所以传统的主从模式没有将这三个阶段并行执行，是因为传统的主从模型针对并行集群设计，必须考虑结点间的通信延迟和负载平衡，因此不适宜对计算量相对较小的选择、交叉和变异三个阶段采用并行执行。而改进的主从式并行遗传算法[10]将选择、交叉和编译三个阶段也采用并行执行，在多核计算环境下通过多线程的方式实现程序的并行执行，进程间通信通过共享内存完成，通信延迟不再影响并行程序的性能。
3.2改进的粗粒度并行遗传算法
为了解决在分布式系统中，需要使每个处理器了解整个系统信息，需要花费大量时间，实现起来也比较复杂。传统粗粒度并行遗传算法存在容易早熟并且收敛速度较慢的不足。基于此，采用改进的并行遗传算法可以保证算法的时间开销，有效的增加种群的多样性，抑制早熟现象，提高最优解的质量[11]。文献[12]首先初始化种群，遗传代数归零；网络中的各个从机接受主机的启动信号后，开始进行串行遗传计算，对种群的大小、染色体的长度、交叉率、变异率、最大进化代等遗传参数进行设置；然后进行选择、交叉和变异操作后，分别计算个体的适应度；如果满足迁移条件，将当前从机中最优个体传送给主机的优秀基因库，之后接收主机发送的优秀基因，淘汰从机中适应度最差的个体。
3.3基于自适应迁移策略的并行遗传算法（AMPGA）
基于传统并行遗传算法存在迁移固定不变，盲目性等缺点[13]，提出了一种基于自适应迁移策略的并行遗传算法（AMPGA）[14]，其算法包括精英策略，编码方式，选择算子，交叉淘汰算子，迁移算子，接受算子等组成部分。在AMPGA中，各个子种群中执行个体的迁移时，改变了传统并行遗传算法迁移固定不变的缺点，根据当前的演化状态动态、有条件地迁移，并解决了盲目性与局限性等缺点。
综上所述，基于传统并行遗传算法在收敛速度，时间性能，求解精度及并行效率等方面存在局限性，提出的多种改进的并行遗传算法高效率的解决了一系列问题。
4并行遗传算法程序的实现平台
4.1工作站机群（COW）
工作站机群COW[15]是实现并行计算的一种新的主流技术，是属于分布式存储的MIMD并行计算机结构，由工作站和互连网络两部分组成。充分利用各工作站资源，统一调度、协调处理，大大提高了求解的质量。
在工作站机群上构造并行遗传算法，需要考虑的问题有：
1）子群体划分方式。可采用将整个群体M均匀分配到p个处理机的方式。
2）信息交换方式。在并行遗传算法运行过程中，各处理机间要互相交换一些信息，信息交换方式通过参加信息交换的对象、交换信息的内容、交换时间、交换信息量这四个部分组成。
4.2集群系统
从PC或工作站集群到SMP集群的可扩展计算机集群[16]正很快成为高性能计算的标准平台。这种系统建立在容易购买且价格低廉的商品化硬件、快速局域网和标准软件组件之上，他们根据预算和计算能力的要求做出调整，能够有效地运行高要求的并行和串行程序。借助高性能计算机（集群系统）[17]，在高性能并行软件环境的支持下，设计并实现一种并行遗传算法，使该算法具有可行性和有效性。
4.3多核微机
随着技术的成熟与价格的下降，多核CPU逐渐普及，而用高性能多核PC组建的集群系统具有投资风险小、结构灵活、可扩展性强、易于实现的特点，有很高的性价比，可以容易地利用较低的成本获得传统并行机的高计算性能。构建以多核PC为单计算节点的集群系统已成为并行计算机体系结构的一个发展趋势，也是一种有效适用的并行计算机系统的实现方法[18]。
4.4Internet
目前，遗传算法以粗粒度并行遗传算法最为流行，它只需在串行遗传算法中增加迁移子例程，在并行计算机的节点上各自运行一个副本，并定期交换几个个体即可，此算法非常适合在Internet平台下实现。其稳定性好，优化速度明显得到改善，优化质量得到显著提高，能较快地找到问题的最优解或次优解。但在实际应用中，还需考虑计算机之间的协同工作能力、网络通讯量、网络是否安全和用户是否愿意参与等问题。
5并行遗传算法的应用
并行遗传算法[19]是模拟自然界生物进化过程与机制求解问题的一类自组织与自适应的人工智能技术，已经广泛应用于计算机科学、人工智能、信息技术及工程实践等多个领域中。
1）列车控制
列车控制[20]问题是研究如何控制列车运行以使得能耗最小，采用主从式控制网络PGA能够有效解列车控制问题，PGA的加速比比较满意。GA与其它优化算法相结合能显示出强大的搜索优势，并且算法易实现。
2）组合优化
随着问题规模的增大，组合优化问题的搜索空间也急剧扩大，有时在目前的计算机上用枚举法很难或甚至不可能求出其精确最优解。对这类问题，遗传算法是寻求这种满意解的最佳工具之一。实践证明，遗传算法对于组合优化中的NP完全问题非常有效。例如，遗传算法已经在求解旅行商问题、背包问题、装箱问题、图形划分问题等方面得到成功的应用[21]。
3）带约束并行多机调度
在实际工程应用中，经常遇到的并行多机调度问题带有约束条件，最小化完工时间的带约束并行多机调度问题的并行遗传算法可解决这一问题。计算时间短，适应性强，鲁棒性高，适用于大规模问题。例如在单件生产车间调度、流水线生产车间调度、生产规则、任务分配等方面并行遗传算法都得到了有效的应用[22]。
4）函数优化
函数优化[23]是遗传算法的经典应用领域，也是对遗传算法进行性能评价的常用算例，很多人构造出了各种各样的复杂形式的测试函数。用几何特性各具特色的函数来评价遗传算法的性能，更能反映算法的本质效果。而对于一些非线性、多模型、多目标的函数优化问题，用其他优化方法较难求解，而并行遗传算法却可以方便地得到较好的结果。
5）机器人智能控制
机器人是一类复杂的难以精确建模的人工系统，而遗传算法的起源来自于对人工自适应系统的研究，所以机器人智能控制理所当然地成为遗传算法的一个重要应用领域。例如，遗传算法已经在移动机器人路径规划、关节机器人运动规划、机器人逆运动学求解、细胞机器人的结构优化和行动协调等方面得到研究和应用[24]。
6）自动控制
在自动控制领域中许多与优化相关的问题需要求解，因而并行遗传算法的应用日益增加，并显示了良好的效果[25]。
7）图像处理和模式识别
图像处理和模式识别是计算机视觉中的一个重要研究领域。在图像处理过程中，如扫描、特征提取、图像分割等不可避免地会产生一些误差，这些误差会影响到图像处理和识别的效果。如何使这些误差最小是使计算机视觉达到实用化的重要要求。并行遗传算法在图像处理中的优化计算方面是完全胜任的。目前，已在图像分割、图像恢复、图像边缘特征提取、几何形状识别等方面得到了应用[26]。
8）机器学习
学习能力是高级自适应系统所应具备的能力之一。基于并行遗传算法的机器学习，特别是分类器系统，在许多领域得到了应用。
9）人工生命
人工生命是用计算机等人工媒体模拟或构造出具有自然生物系统特有行为的人造系统。自组织能力和自学习能力是人工生命的两大主要特征。人工生命与遗传算法有着密切的关系，基于并行遗传算法的进化模型是研究人工生命现象的重要理论基础。
6小结
并行遗传算法的研究归纳起来分为理论与技术研究、应用研究两个方面。理论与技术研究主要从遗传操作、群体大小、参数控制、适应度评价以及并行实现技术等方面来提高算法的性能。开发并行遗传算法的商业软件、开拓更广泛的并行遗传算法应用领域是今后应用研究的主要任务。
参考文献：
[1]王小良，李强.并行遗传算法研究及其应用[J].微计算机信息，2007，23（3）：205-206.
[2]余艳芳，钱峰.并行遗传算法研究[J].化学世界，2002，3（7）：189.
[3]贾丽媛.并行遗传算法研究[J].湖南城市学院学报（自然科学版），2006，15（3）：72-74.
[4]郭肇禄.一种基于自适应迁移策略的并行遗传算法[D].江西理工大学，2009.
[5]刘嵩.改进的并行遗传算法应用研究[D].大连交通大学，2006.
[6]赵航涛.并行遗传算法概述[J].福建电脑，2006，4：31-32.
[7]于滨，姚宝珍，于艳弘.一种基于粗粒度―主从式的混合并行遗传算法[J].微型电脑应用，2004，20（9）：16-18.
[8]曾国荪，丁春玲.并行遗传算法分析[J].计算机工程，2001，27（9）：53-55.
[9]HanYangFoo.EsbensenH，SongJ.etal.Performanceimprovementofageneticalgorithmforfloorplanningwithparallelcomputingtechnology[A].Proc.ISCA97[C].YewYork，USA：IEEE，1997.3：1544-1547.
[10]谢克家，刘昕，王成良.多核计算环境下改进的主从式并行遗传算法[J].微计算机信息，2011，27（3）：164-166.
[11]赵戈.改进的并行遗传算法在知识库中的应用研究[D].大连交通大学，2008.
[12]刘嵩.改进的并行遗传算法应用研究[D].大连交通大学，2006.
[13]李伟，黄颖，李康顺.一种基于自适应迁移策略的并行遗传算法[J].武汉理工大学学报，2011，33（7）：138-142.
[14]郭肇禄.一种基于自适应迁移策略的并行遗传算法[D].江西理工大学，2009.
[15]张晓波，并行遗传算法求解应急系统最短路径的研究[D]，太原理工大学，2005.
[16]王冠.并行遗传算法及其在组合优化问题上的分布式应用[D].武汉理工大学，2003.
[17]马晓晨.迁移式并行遗传算法求解支持向量机反问题[D]，河北大学，2008.
[18]THOMASZEWSKIB，PABSTS，BLOCHINGERW.Paralleltechniquesforphysicallybasedsimulationonmulti-coreprocessorarchitectures[J].ComputersandGraphics，2008（32）：25-40.
[19]来金花.基于并行遗传算法的图像分割的设计与实现[D].天津工业大学，2009.
[20]吴昊.并行遗传算法的研究与应用[D].安徽大学，2001.
[21]李余琪.遗传算法在数据挖掘中的研究与应用[D].中南大学，2007.
[22]华灵群.基于遗传算法的旅行商问题仿真研究[D].西北工业大学，2006.
[23]李余琪.遗传算法在数据挖掘中的研究与应用[D].中南大学，2007.
[24]韩丽霞.解两类组合优化问题的遗传算法[D].西安电子科技大学，2005.
分子遗传学的作用范文
关键词：生物科学遗传学教学内容重复
中图分类号：G642.3文献标识码：ADOI：10.3969/j.issn.1672-8181.2013.19.020
遗传学是研究生物遗传和变异规律的一门科学。它是现代生命科学教学中最重要的主干课程之一，是高等院校生物科学等相关专业必修的专业基础课。现今，遗传学正以极快的速度向前发展，并不断渗透到其它生物、医学学科，这使得原本在遗传学中讲授的内容也同时出现在其他课程的教学内容中。这种现象反映了遗传学在生命科学中的核心地位，也凸显了高校遗传学教学所面临的教学内容重复问题。事实上，为体现一门课程的系统性、完整性和先进性，在编写教材时，学科之间有关内容的相互渗透、交叉以至重复是不可避免的。但相同的内容在多门课程的课堂教学中反复出现会使学生失去学习兴趣，浪费宝贵的课时，使教学效率大打折扣。本文将对该问题进行分析，并提出一些对策供同行讨论。
1遗传学与其它课程教学内容重复的具体表现
目前，我国各大专院校生物、医药、农林等专业均开设有遗传学。虽然不同专业的教学重点有所不同，但核心内容相对统一。遗传学是笔者所在学院生物科学等专业本科生的一门必修课，这门课的任务是：引导学生牢固掌握遗传学最重要的基本原理，熟悉各分支学科的主要理论与研究方法，了解遗传学的重大理论与技术进展，熟悉遗传学研究技术与实验装备，为学生毕业后在本学科以及相关学科中的发展打下坚实的基础。
除遗传学外，我院还为生物科学专业的学生开设有细胞生物学、分子生物学、基因工程、生物化学、微生物学等专业必修课。我们选用的遗传学教材的内容基本上涵盖了遗传学的各个发展阶段，其中，遗传物质的细胞学和分子基础、染色体的结构变异、基因突变与DNA损伤修复、原核生物和真核生物基因表达的调控等章节[1]与上述几门课程的教学内容分别存在着不同程度的交叉（表1），有的甚至是其它课程的重点内容。尤以分子生物学、基因工程这两门课的教学内容与遗传学的相似度最高，这三门课几乎都重复着共同的遗传学问题――遗传物质的结构、复制、转录、翻译、调控、突变、重组等。另外，我院生物科学专业细胞生物学、分子生物学的开课时间与遗传学相同，这使得遗传学教学内容重复的问题更加突出。
表1遗传学教学内容在其它课程中的分布
2问题的根源
其它课程的教学内容与遗传学出现重复并不是偶然的，这种局面的形成与遗传学自身的发展特点及其学科内涵有很大的关系。
遗传学的研究进程按照不同历史时期的学术水平和工作特点，大体上可划分为经典遗传学、生化遗传学、分子遗传学、基因工程学、基因组学和表观遗传学等数个既彼此相对独立又前后互相交融的不同发展阶段[2]。如果以半个多世纪前Watson和Crick提出DNA双螺旋结构为界，也可以简单的将整个遗传学的发展过程划分为经典遗传学（classicalgenetics）和分子遗传学（moleculargenetics）两大阶段：经典遗传学以孟德尔遗传学为基础，主要研究性状在系谱中的传递，即基因在亲代和子代之间的传递问题；分子遗传学则是在分子水平上研究生物遗传和变异机制的遗传学分支，主要研究基因的本质、基因的功能以及基因的变化等问题。
在整个遗传学的发展史上，分子遗传学的地位无疑是相当重要的。它的兴起使遗传学的面貌焕然一新，既系统地继承和发展了经典遗传学和生化遗传学的研究脉络，又全面地影响并渗透到后继学科的各个领域。从内容上来看，分子遗传学与分子生物学的学科界限十分模糊。通过对上述课程教学内容的分析我们也不难发现，那些重复的内容有相当一部分是分子遗传学范畴的。另外，由于生化遗传学和早期的分子遗传学研究都以微生物为材料，因此遗传学与微生物学、生物化学之间必然存在着千丝万缕的联系。而基因工程学、基因组学本身就是现代遗传学的分支学科，它们成为生物科学专业的必修课或进入课堂教学是高校课程设置不断细化和专业化的结果，也难免会与同时开设的遗传学存在教学内容上的重叠。
3解决教学内容重复问题的对策
教学内容重复无疑会影响教学效果。我们通过实践发现，从授课内容本身、教师和学生、以及教学方法等环节入手，能够有效地避免重复对教学带来的不利影响。
3.1合理调整教学内容
近些年来，同行们在遗传学教学内容的调整上作了大量的改革和探索。常见的做法是根据自己的理解及理论专长跳跃式地分割讲授，或根据自己的经验对教学内容做出取舍，甚至有人提出只讲经典遗传学而放弃分子遗传学。上述做法并不能有效地解决遗传学的教学内容重复问题，相反会造成教学不成体系的局面，对“教”和“学”都很不利[3]；而如果无视教学内容重复的存在，贪多求全、面面俱到，对所有内容蜻蜓点水般逐一讲解，又无法实现大学遗传学教学深度和难度的提升。
我们认为，对遗传学教学内容进行删减是必要的，但必须遵循遗传学的发展历史和保持其完整的知识结构体系，不能大刀阔斧整章删除，而应在重复章节内部进行微调，具体做法包括：精简繁杂冗长的内容，下放学生能看懂的内容（自学），突出基础性、应用性的内容，增加前瞻性的内容等。这就要求教师有较高的遗传学理论修养，准确把握各章节特别是重复内容在整个遗传学教学体系中的地位，做好教学内容的层次划分，根据层次选择不同的授课侧重点。
3.2加强授课教师之间以及师生间的协调沟通
教学内容重复已成为遗传学等课程授课教师的共识，对各自的教学内容进行删减无疑成了最简单、最常用的一种解决方法。但如果大家在没有交流的情况下对同样的内容都作了删除，重复的内容反而会变成被遗忘的内容。因此，积极促成遗传学与其他相关课程任课教师间的沟通十分必要。
我们认为，集体备课是教师之间进行相互沟通的一种有效形式。通过这种方式，相关课程的教学人员能够坐下来共同研究教学内容，在“知己知彼”的基础上协调、统筹各自的授课章节，明确重复内容的教学分工，制订满足包括遗传学在内的多门课程教学需要的授课计划，做到各有侧重而又不失体系的完整性。这不仅可避免实际教学过程中的低级重复，还能保证课程之间的相互衔接，有助于学生顺利地掌握所有课程的教学内容。另一方面，还应当加强授课教师和学生之间的课内外交流。如：教师可在开课前召开师生座谈会，了解所教班级学生对重复内容的掌握情况；开课后则根据学生的反馈，随时调整教学方案。
3.3优选教学方法
为了保持遗传学完整的知识结构体系，所谓的重复内容不但不可不讲，而且还要下功夫选择合适的教学形式或方法来讲。对于在其他课程已深入学过而在遗传学中只需一般了解的内容，通过简单的问答引导学生回顾这部分内容即可；对于对遗传学新知识点有重要铺垫作用的其他课程的基础性知识，可采取布置学生课前或课中自学、再集中小结的方法帮助学生巩固复习之，还要注意从遗传学的角度阐明同一知识点，突出遗传学的学科特色；对于其他课程仅略有涉及但在遗传学中须进一步加深了解的内容，宜先勾起学生对这部分知识的点滴回忆，同时指出学生现有知识的不足，从而激发他们的求知欲，然后顺理成章地讲下去，在学生的高度关注中完成该知识点在遗传学中的深入讲授；对于一些有特殊作用的重复内容，则要综合运用多种教学方法将其讲好讲透，如：减数分裂在遗传学和细胞生物学的教材中均有详细的描述，属于重复的教学内容，但却是理解遗传的连锁交换和重组的一把钥匙；在整个遗传学的教学过程中，应反复多次向学生强调和提及减数分裂过程中的染色体行为，将这部分知识迁移和渗透整合进连锁遗传分析、真核生物遗传分析、细菌和病毒的遗传分析等多个章节，使枯燥难懂的遗传学分析过程变得易于理解，让重复的内容为新的知识点和教学难点服务。
此外，遗传学与其他课程之间还可以开展合作教学。如：我们尝试将遗传学和细胞生物学这两门专业基础课的实验课合二为一，以综合性大实验的形式开设，从而将遗传学和细胞生物学关联起来，有助于学生从整体上把握这两门课程，实现了教学资源的整合，提高了教学效率，较好地化解了教学内容重复的问题。
4结语
遗传学与多门课程教学内容的重复是客观存在的，随着生物科学专业课程设置专业化程度的提高，这种局面将变得愈来愈突出。因此，调整遗传学教学内容势在必行。但无论进行怎样的调整，都必须遵循遗传学的发展历史、保持基础遗传学完整的知识结构体系。作为遗传学的授课教师，既要关心遗传学研究的最新动态，又要加强对遗传学理论体系的整体把握和理解，只有这样才能合理有效地解决遗传学教学内容重复的问题，从而节约教学资源，提高专业课教学质量。
参考文献：
[1]戴灼华，王亚馥，粟翼玟.遗传学[M].高等教育出版社，2008.
[2]吴乃虎.基因工程原理[M].科学出版社，1998.
[3]程焉平，刘春明，王洪振.尊重教学规律，保持遗传学教学的系统性[J].吉林师范大学学报（自然科学版），2007，（2）：82-84.
作者简介：袁茵（1981-），女，河南开封人，研究生，讲师，从事遗传学教学工作，广东药学院生命科学与生物制药学院，广东广州510006
陆幸妍，广东药学院生命科学与生物制药学院，广东广州510006
分子遗传学的作用范文篇3
生物都具有遗传和变异的现象。这是什么原因呢？从19世纪60年以来很多生物学家对此进行了深入详细的研究。1865年奥地利生物学家孟德尔通过豌豆杂交实验，提出了生物的性状，是由遗传因子控制的，但是当时所说的遗传因子仅仅是逻辑推理的概念。20世纪初期遗传学家们通过果蝇的遗传实验，认识到细胞核中染色体含有起遗传效应的基因，从而得出了染色体是基因的载体的结论。但是，对于基因的化学组成还不是很清楚。直到20世纪50年代以后，随着分子遗传学的发展，科学家们通过实验证实，起遗传作用是染色体中的DNA（脱氧核糖核酸的简称）分子。DNA是长链状而且具有双螺旋结构的分子（图1），每条染色体上一般只有一个DNA分子，一个DNA分子中包含多个基因，可以说，DNA是主要的遗传物质。基因是DNA上有遗传效应的片断。
染色体、DNA和基因的关系如图2所示。
每一种生物的体细胞中，染色体的数目是特定的，并且通常是成对存在，例如，人体细胞中有23对（46条）染色体（图3），狗是39对（78条），水稻有12对（24条）。常用作遗传研究的果蝇只有4对（8条）染色体（图4），在人体中这些成对的染色体，一条来自父亲，一条来自母亲。