可以通过序列分析识别这些特征.pptVIP

解码问题： 给定一个隐马尔柯夫模型 M = （ A ， S ， Θ ）和一 个字符序列 X ，在 M 中为 X 寻找一条最优路径 ? * ， 在路径中的每一个状态都选择释放一个字符，要 求使得 P (X| ? *) 最大，记为： ? ? arg max ? P ( X | ? ) ? * ? ? 在处理 CpG 岛问题中，最优路径可以帮助我们 寻找 CpG 岛所在的位置。如果找到最优路径 ? * ， 则这条路径穿过的“ +‖ 状态将对应于 CpG 岛。 3 、 Viterbi 算法 ? 求解 HMM 模型的最优路径 ? 基本思想： 动态规划算法 ? 给定一个字符序列 X= (x 1 ,x 2 ,…,x L ) ，以 v k (i) 代表序列前缀 （ x 1 ,x 2 ,…,x i ）终止于状态 k （ k ? S,1≤i≤L ）的最可能路径 的概率。求解过程如下： （ 1 ）初始化 v begin ( 0 ) ? 1 ? k ? begin v k ( 0 ) ? 0 （ 2 ）对于每个 i=0,…,L -1 及每个 l ? S ，按下式进行递归计算： k ? S （ 3 ）最后，计算序列 X 终止于状态“ end‖ 最可能的路径概 率，即 P(X| ? *) 的值 v l ( i ? 1 ) ? e l ( x i ? 1 ) ? m ax { v k ( i ) ? f kl } P ( X | ? ) ? m ax { v k ( L ) ? f k , end } * k ? S ? 在正向的递归计算过程中，保 持向前推进的反向指针，这样， 在正向计算完成后，根据反向 指针重构最优路径 ? * 。 ? 算法的时间复杂度为 O (L|S|2), 空间复杂度为 O (L|S|) 。 ? 在概率的计算过程中，需要使用大量的乘法运算， 在有限计算精度的情况下，会产生误差。如果使 用对数值，可以解决这个问题。 ? 因此，以 v k (i) 代表序列前缀（ x 1 ,x 2 ,…,x i ）终止于 状态 k （ k ? S,1≤i≤L ）的最可能路径的对数得分值， 则初值按如下方式设置 v begin ( 0 ) ? 0 ? k ? begin v k ( 0 ) ? ?? ? 递归计算及最终得分计算改为 v l ( i ? 1 ) ? log e l ( x i ? 1 ) ? m ax { v k ( i ) ? log( f kl )} Score ( X | ? ) ? m ax { v k ( L ) ? log( f k , end )} （ 5-26 ） * k ? S k ? S 4 、前向概率和反向概率 ? 给定一个隐马尔可夫模型 M = （ A ， S ， Θ ） 一个字符序列 X= (x 1 ,x 2 ,…,x L ) 要求计算模型 M 产生 X 的概率 P( X | M ) ? 与最优路径问题不一样 前面的问题是在可以产生序列 X 的各种路径中， 选择一条最优路径 ? * ，使得 P (X| ? *) 最大。 而现在的问题是： 既然有多条路径可以产生序列 X ，那么模型 M 产生 序列 X 总的可能性有多大？ ? 如果有一条从状态“ begin‖ 出发，终止于状态 “ end‖ 的路径 ? = （ ? 0 , ? 1 , ? 2 ,…, ? L , ? L+1 ），其中 ? 0 =―begin‖ ， ? L=1 =―end‖, 该路径中各状态所释放 的字符组成的序列与 X 相同，则 P ( X , ? | M ) ? ? e ? i ( x i ) ? ? f ? i , ? i ? 1 l ? 1 l ? 0 L L （ 5-27 ） ? 模型 M 产生 X 的概率为 P ( X | M ) ? ? P ( X , ? | M ) ? （ 5-28 ） ? 这里 ? 代表所有那些从状态“ begin‖ 出发、终止 于状态“ end‖ 的路径。 ? 由于一个 HMM 模型中可能的路径非常多， 穷举每条路径显然是不合适的。 ? 下面介绍解决该问题的前向算法（ forward algorithm ）与反向算法 (backward algorithm) 。 ? 算法的根本任务是对于每个 1≤i≤L 及 k ? S, 计 算概率 P ( ? i =k| X ， M ) 。 [1] TTATG [2] TTATG [3] [4] [2] [3] TNNNN 非特异 tTATG tACGC tTGTC tCCAC tTATG tACGC tTGTC tCCAC TNNNC TNNNC 非特异 ATATA TACGC TTGTC TCCAC N N N NN ATATA TACGC TTGT