隐马尔科夫模型在多序列比对中的应用.docxVIP

隐马尔科夫模型在多序列比对中的应用摘要：序列比对是生物信息学研究中的一个重要的方法, 是生物信息学的基础。随着测序技术及生物信息学的高速发展，目前已经获得了大量的生物序列和数据结构，传统研究生物序列的方法已经无法再满足人们的需求，而隐马尔科夫模型（HMM）也渐渐在生物序列分析中脱颖而出。隐马尔科夫模型是一个双重随机过程，具有一定状态数的隐马尔科夫链和显示随机函数集，该模型用于生物序列分析是生物信息学(Bioinformatics) 研究的新领域。本文主要介绍了HMM在多序列比对中的应用。关键词：隐马尔科夫模型（HMM）；生物信息学；多序列比对1 生物序列比对的意义及概念序列比对是生物信息学中最基本、最重要的操作，通过序列比对可以发现生物序列中的功能、结构和进化的信息。序列比对的根本任务是：通过比较生物分子序列，发现它们的相似性，找出序列之间共同的区域，同时辨别序列之间的差异。研究序列相似性的目的之一是，通过相似序列的序列得到相似的结构或相似的功能。序列比对的理论基础是进化学说。许多生物学的事实表明：不同的核酸或蛋白质序列可能源于同一原始序列，经过序列内残基的取代、残基或序列片段的缺失、以及序列重组等遗传变异过程分别演化而来。在残基-残基比对中，可以明显看到序列中某些残基比其他位置上的残基更保守，这些信息揭示了这些保守位点上的残基对序列的结构和功能是至关重要的。因此，序列比对可用于蛋白质的功能域识别、二级结构预测、基因识别以及分子系统发育分析等方面的研究。序列比对根据同时进行比对的数目分为双序列比对（Pair-Wise Sequence Alignment）和多重序列比对(Multiple Sequence Alignment)。双序列比对是将两个序列的各个字符按照对应等同或者置换的关系进行对比排列，其结果是找出两个序列共有的排列顺序，这是学列相似程度的一种定性描述。与序列两两比对不一样，多重序列比对研究的是多个序列的相似性。序列的多重比对可用来有哪些信誉好的足球投注网站基因组序列的功能区域，也可用于研究一组蛋白质之间的进化关系。2 隐马尔科夫模型隐马尔科夫模型（Hidden Markov Models, HMM）是一种概率论模型，这种方法已经成功地应用于多个领域，如语音识别、光学字符识别等。HMM在生物信息学领域中也有着重要的应用，如基因识别、序列分析、进化发育分析及蛋白质结构预测研究等。隐马尔科夫模型可以用五个元素来描述：（1）N，模型的隐状态数目。虽然这些状态是隐含的，但在许多实际应用中，模型的状态通常有具体的物理意义；（2）M，每个状态的不同观测值的数目；（3）A ， 状态转移概率矩阵。描述了HMM模型中各个状态之间的转移概率。其中A_{IJ}= P(A_{T+1} =S_{J} | Q_{T}=S_{I}),1≤I,J≤N. 表示在T时刻、状态为SI的条件下，在T+1时刻状态是SJ的概率；（4）B ，观测概率矩阵。其中BJ(K) = P[VK(T) | QT = SJ]; 1≤J≤N,1≤K≤M.表示在T时刻、状态是SJ条件下，观察符号为VK(T)的概率；（5）π 初始状态概率矩阵 π={π_{J}| π_{J}= P[Q_{1} = S_{J}];1≤J≤N.表示在初始T=1时刻状态为SJ的概率。一般的，可以用λ=(A,B,π)来简洁的表示一个隐马尔科夫模型。给定了N,M,A,B,π后，隐马尔科夫模型可以产生一个观测序列 O=O1O2O3…OT。表示DNA序列的HMM如图1所示（方框表示各种状态，方框之间的连线表示状态转换）：图1 DNA序列的HMM3 基于隐马尔科夫模型的多重序列比对算法迭代比对是另一类有效的多重序列比对策略。它基于一个能产生比对的算法，并通过一系列的迭代方式改进多重序列比对，直到比对结果不再改善为止。这类算法根据改善比对的策略可以分为确定型和随机迭代比对方法。最简单的迭代比对类型是确定性。随机迭代方法包括Prrp,隐马尔科夫模型,模拟退火，遗传算法以及其他方法。某些方法可能是渐进方法和迭代方法的混合。隐马尔科夫模型是最近几年在机器学习领域都得到成功应用的关于序列分析的重要统计模型。隐马尔科夫模型最早用于语音识别，在80年代末90年代初开始用于生物信息学，目前已经用于DNA模型构建，多重序列比对，蛋白质二级结构预测，基因预测等方向。生物的基因组可以认为是某祖先基因经过若干代的进化而来的，这个祖先基因经过插入、删除和匹配而不断进化，最终衍变为一个基因家族。因此，隐马尔科夫模型之所以在生物序列分析中得到普遍应用是因为它正好模拟了生物基因的突变、插入、缺失、匹配过程。3.1基于隐马尔科夫模型的多重序列比对具体实现过程解决多重序列比对问题，就是通过对序列碱基的匹配、插入和删除操作，获得一个在某个评价模型下比分最优的结果集