SCFGs

Stochastic context-free grammars for tRNA modeling

Year: 1994
Authors: Yasubumi Sakakibara, Michael Brown, Richard Hughey, I.Saira Mian, Kimmen Sjolander, Rebecca C.Underwood and David Haussler
Journal Name: Nucleic Acids Research

Research Objective

通过类似于构建 HMM 的方式 (CYK) 生成包含碱基配对信息的 SCFG 来创建 tRNA 的统计模型

Background

CFG 的 grammer 由以下三部分组成。第一部分是有限的字母表，对于 RNA 序列，字母表对应核苷酸 A ， U ， G 和 C 。第二部分是有限的非终端节点 $S_1,...,S_n$ 和 根节点 $S_0$ 。第三部分是扩展非终端节点的规则集合 P ，终端节点序列由根节点 $S_0$ 通过规则 $P$ 一步一步生成。
定义 $S$ 为非终端节点， $a$ 表示终端节点。 $P$ 含有以下几种规则。 $S\to aSa$ 表示碱基对，比如 $S\to GSC$ 代表 G-C 碱基对。 $S\to aS$ 和 $S\to a$ 表示未配对碱基。 $S\to S$ 表示该位置没有核苷酸。 $S\to SS$ 表示二级结构分支。具体如下图所示。

Method

CFGs 的语法针对于一个序列会产生不同的树。SCFGs 通过改变后的 CYK 算法选择概率最大的树（生成的结构），解决了这个问题（结构预测问题）。
序列 $s$ 在一个 SCFG $G$ 所产生的所有树的概率之和为 $P(s|G)$ ，比较不同 SCFGs 所产生的概率即可确定 RNA 所在类别（分类问题）。