生信概论chap5-2.pdfVIP

生物信息学概论 生物信息学概论 第五章序列模式识别(2) Bioinformatics, 2014, HUST 期望最大化算法 期望最大化算法 期望最大化算法 1. Expectation Maximization Algorithm 2. 已开发工具：Multiple EM for Motif Elicitation (MEME) 3. motif大致的位置与长度是确定的 4. 重点：确定motif在每条序列上的起始位 置 5. 分为两步： A. E step: 估计motif起始位置的期望最大化 B. M step: motif似然性的期望最大化 Bioinformatics, 2014, HUST 期望最大化算法(2) 期望最大化算法(2) 期望最大化算法(2) 1. 例，假设10条序 列，长度20个碱基 2. 进行多序列，大致 确定motif的位置 3. 待找motif长度为5 个碱基 Bioinformatics, 2014, HUST Motif的概率vs. 背景概率 Motif的概率vs. 背景概率 Motif的概率vs. 背景概率  1. 计算motif中每个位置的碱基的概率分布 2. 背景概率:根据剩下的序列计算四种碱基的概率 分布 Bioinformatics, 2014, HUST 似然性概率值的计算 似然性概率值的计算 似然性概率值的计算 背景概率 Bioinformatics, 2014, HUST 似然性概率值的计算(2) 似然性概率值的计算(2) 似然性概率值的计算(2) 计算每条序列，在不同的起始位置，其似然性的概 率值 Bioinformatics, 2014, HUST E step: 起始位置估计 E step: 起始位置估计 E step: 起始位置估计 Z值：motif在不同位置起始的几率值 假设，motif在任意位置起始的概率相同，则 Z值最大化，即为“最可能的起始位置” Bioinformatics, 2014, HUST M step：P值最大化 M step：P值最大化 M step：P值最大化 根据选择的最大Z值，重新计算矩阵，并计 算P值最大的motif P值最大 原先的 motif Bioinformatics, 2014, HUST EM算法：迭代 EM算法：迭代 EM算法：迭代