基因预测原理介绍

基因预测原理介绍

?

X

(

t

),

t

?

T

?

图一、真核生物基因结构

基础概念：

随机过程：一族无穷多个、相互有关联的随机变量。记为：

< /p>

?

X

(

t

),

t

?

T

?

由于参数

t

经常代表时间，故称为随机过程。

T

常为自 然数，整数或区间。当参数取值为

整数时，也称为随机序列。

马尔可夫过程：取值为整数的随机过程，若

t = i

时刻的取值只与时刻

i-1

取值有关，

则称为马尔可夫过 程，亦称为一阶马尔可夫链。

{

?< /p>

,

T

,

{

?

}}

隐马尔可夫模型：存在一个隐序列

H

，它是不可观测的，且由以下参数生成：

?

??

其中

π

α

为初始状态出现概率；

T

β

为转移概率，即

t< /p>

α

β

= P(h

i

=

β

| h

i-1

=

α

)

；

α

,

β

属于

{

σ

}

；

{

σ

}

为字符集，即隐序列由哪些字符组成。观测的结果称为明序列

O

，它由隐

序列按照生成概率

e

< br>α

a

生成。其中

e

α

a

= P(a |

α

)

；

{a}

为 明序列字符集。

隐马氏模型的三种典型问题：

可能性 问题：

给定模型参数，

当观察到一个明序列时，

这一明序列确实由给定模型生成的概

率有多大？

解码问题：

给定模型参数，

当观察到一个明 序列时，

这一明序列所对应的最可能的隐序列是

什么？

学习问题：观察到足够多明序列时，如何估计转移概率和生成概率

(

有的地方叫发射概率

)

< br>？

基因组编码区的隐马模型：

属于解码问题。

假设基因组由两种功能区域组成，

即编码区

和非编码区。分别由字母

c

，

n

代表。转移矩阵为同种字母延伸或变为另一种字母的概率。

初始状态概率为第一个字母出现

c

或

< br>n

的概率。明序列由

A

，

C

，

G

，

四个字母组成，生

成概率分别为编码区和非编码 区四个字母出现的概率。

半隐马模型：

隐序列的每一个状态持续时间

（持续长度）

是一个取值为正整 数的随机变