北京大学生物信息学课程(5)

北京大学生物信息学课程(5)
马尔可夫模型的学习
马尔可夫模型 未来的状态至于当前的状态和状态的转移概率有关，而与之前和过往的状态无关。

空位罚分
引入了Gap open 和Gap extending
序列的比对是一个状态的转换
有限状态机模型

马尔可夫链，俄国数学家安德雷·马尔可夫（Андрей Андреевич Марков）以纪念其首次提出马尔可夫链和对其收敛性质所做的研究 [5]

关于马尔可夫模型的常用场景 及简单代码
数学模型——初步理解马尔可夫链（Markov chain）https://blog.csdn.net/wmhsjtu/article/details/104100893

那么对于马尔可夫模型中，最重要的2个数据是
1.初始的状态向量
2.状态转移矩阵

马尔可夫链(一阶和t阶)
概念在连续的时间，不连续的状态的描述，由初始的状态向其他的状态的转换，由转移矩阵来控制。t时刻的状态概率分布有且仅有之前有限个m个状态概率分布决定，通常简化学习，之分析之前的一个状态对当前的状态的影响。

akl和alk 不相等。转移矩阵不沿对角线对齐的。假定转移矩阵与t无关，即齐次马尔可夫链

放射空位罚分状态的改变

对于隐含马尔可夫模型，是一种统计模型，用来描述一个因含有未知参数的马尔可夫模型，它是结构最简单的动态贝叶斯网络，这是一种著名的邮箱图模型，主要用于时许数据的建模，在语音识别，自然语言处理等领域广泛应用。

那么我们常见的，基因组的编码和非编码区域的预测，内含子序列，剪切位点的预测以及基因区和非基因区域的预测，其实再很大的程度上，都是一种隐含马尔可夫模型。序列比对问题(考虑到除了比对以外，氨基酸残疾对状态的影响)。

状态1，2，3和输出a,b,c并非一一对应，根据输出的结果，反推各个状态，如下图所示。

如aabc 这个输出，可以理解为第一个状态出现a,第二个状态出现a,第三个状态出现b,在转化到c

通过隐含马尔可夫模型，能够得到一个输出结果的全概率，这个全概率包含几个可能结果的概率之和，尤其适用于多个比对模型的结果。