隐马尔可夫模型在生物信息学中的应用
2015-12-18黄影
电子科技 2015年8期
关键词:模型
黄 影
(西安文理学院数学与计算机工程学院,陕西西安 710068)
马尔可夫过程(Markov Process)是一种随机过程,其中每个时刻的状态形成了一个有限集合,且在已知目前状态(现在)的条件下,其未来的演变(将来)不依赖于自身以往的演变(过去)。马尔可夫链(Markov Chain)是一阶的马尔可夫过程,其中下一状态的概率分布只能由当前状态决定,在时间序列中其前面的事件均与之无关。在事件发展变化的过程中,从某种状态出发,下一时刻转移到其他状态的可能性,称为状态转移概率。在马尔可夫链中,所有状态都是直接可见的观察者,因此状态转移概率是唯一的参数。
隐马尔可夫模型(Hidden Markov Models,HMMs)是含有隐含未知参数的马尔可夫链[1-2]。HMMs由有限个状态组成,每一个状态都以一定的概率出现,状态之间的转换由转换概率表决定,每一个状态均可产生一个观察到的状态,在隐马尔科夫模型中,只有观察到的状态可见,真实的马尔科夫状态链不可见,因此被称为隐马尔科夫模型。
HMMs早期在自然语言处理领域获得了良好的应用[3],比如开始时用于语音识别[4],后来又用于音乐旋律分类[5]。随着HMMs的发展,现今在计算生物学和生物信息学中,也成为了经常被使用的模式识别(或机器学习)方法[6-7]。很多情况下,生物序列分析就是为每个残基(或核苷酸)赋予合适的标签,从而发现生物序列所具有的生物意义[8]。
1HMMs概念
1.1 一个例子
如图1所示,5-分位点识别问题是从基因发现问题中提炼出来的一个简单举例[1],用以引出对HMMs的介绍。……
登录APP查看全文
