暑期学习之生物序列模体发现算法研究基础（二）

本文的主要任务主要是把上篇遗留的问题给解决n(*≧▽≦*)n

 

模体发现的难度评测

• 2d邻居概率
• E(l, d)值

先说2d邻居概率，它是这么一个意思，表示任意的两个l-mer的海明距离小于等于2d的概率，用表示 。越大，说明背景序列对模体发现的干扰性越大。(l, d)模体的性质：任意的两个模体实例的海明距离小于等于2d 。

公式如下：

首先求和的部分，总概率是把海明距离从0到2d的所有的概率加起来共同的概率之和。长为 l 的模体共|∑|的 l 次方种可能，那么跟他有i个差异的另一个模体的概率为分子部分，并且是随机从 l 里取i个，所以正好的种可能。组合起来，正是上式。

 

然后是E(l, d)值 ，他表示t条长为n的序列集合中包含的（l,d）模体的期望个数。直接在下面先给出公式（为什么会有我自己的水印我也不知道.....）：

首先分为两个部分，括号外面的是一共有多少种模体的可能性，里面是每一个是l-mer是模体的概率。表示的意思是（l, d)模体在随机序列中的随机位置上以最大d个位置差异出现的概率。（1-）的意思就是在某一个位置上不出现的概率，表示的意思就是在某一行都不出现的概率，用一减去它则是出现的概率，再来个t次方便是t行出现的概率，最后和括号外面的相乘，得到最终的模体期望个数。

需要注意的是：E（l，d）越大，问题的求解越困难，当期望大于1的时候，称为挑战问题实例。

 

今天还用c++写了模体发现的穷举法，明天再贴吧，后面还要写PMSP算法。继续努力。