Quanto è utile/interessante questa discussione:
| Autore |
Discussione |
|
|
genoveffa
Nuovo Arrivato
Prov.: Avellino
25 Messaggi |
 Inserito il - 19 giugno 2006 : 12:43:00
|
ciao a tutti ,
volevo chiedere se le catene di Markov e le HMM sono
la stessa cosa
grazie per la disponibilità
|
|
|
|
|
Saretta
Utente Junior
Prov.: Roma
Città: Provincia di Roma
263 Messaggi |
Inserito il - 19 giugno 2006 : 13:23:03
|
Da quello che ho capito io, l'Hidden Markov Models è un generatore di sequenze a probabilità definita,ossia si basano sulla catena di markov: La probabilità di un evento dipende esclusivamente dal precendente. Detto questo potrei sbagliare alla grande, io e la bioinformatica non siamo due cose molto vicine.. |
 |
|
|
dallolio_gm
Moderatore
Prov.: Bo!
Città: Barcelona/Bologna
2445 Messaggi |
Inserito il - 21 giugno 2006 : 12:24:34
|
beh, spero di non dire una sciocchezza affermando che le seconde sono un modo per ottenere le prime.
Le HMM sono dei sistemi utilizzati per descrivere un allineamento multiplo di sequenze.
Una catena di Markov e' un sistema (una serie di numeri aleatori ad essere precisi) determinato da due parametri: un insieme di probabilita' di partenza, ed una matrice delle probabilita' di transizione.
Per esempio, mettimamo di avere una seq. di DNA che puo' essere formata da solo 2 tipi di basi (C e G).
Le probabilita' per i valori iniziali potrebbero essere:
C: 0.5;
G:0.5
e la matrice delle prob. di transizione:
P:
[/ C G
C 0.8 0.2
G 0.4 0.6] Un sistema del genere potra' generare un numero infinito di sequenze di C e G, come queste:
CCGGCGCGG
GGCC
CGGCC
Per esempio, la probabilita' della seq. CGGC di essere stata generata tramite questa catena di MArkov e':
P(CGGC) = 0.5 (prob. iniziale di C in prima posizione) + 0.2 (prob. di passare da C a G) + 0.6 (prob. di passare da G a G) + 0.4 (prob. di passare da G a C)
e cosi' via.
Nei modelli nascosti di Markov, invece, tu non conosci quale sia la matrice di transizione (ne' le prob. iniziali): possiedi solo un gran numero di seq. e assumi che siano state generate dallo stesso sistema di Markov.
Allora puoi fare un allineamento multiplo, e cercare di identificare quali sono i parametri che approssimano con migliore precisione le tue seq. ad un sistema di Markov. |
Il mio blog di bioinformatics (inglese): BioinfoBlog
Sono un po' lento a rispondere, posso tardare anche qualche giorno... ma abbiate fede! :-) |
|
|
|
domi84
Moderatore
Città: Glasgow
1724 Messaggi |
Inserito il - 20 settembre 2007 : 18:13:21
|
Tiro fuori questo post vecchio perchè:
tanto per cominciare, grazie dallolio per aver spiegato le catene di Markov...ora le ho capite!!!
Poi, sul mio libro c'è scritto:
"Una catena S può essere considerata una catena di Markov di ordine k se è vero che la probabilità di avere l'elemento x nell'i-sima posizione di S dipende solo dai k elementi immediatamente precedenti, dove k definisce l'ordine della catena markoviana."
...
.........
....................
............................
perchè il libro ha cominciato a parlare arabo?
vabbè...
dopo dice:
"Se k=0 la statistica è data semplicemente dalla frequenza degli elementi, se k=1, dalla frequenza delle coppie di elementi (dinucleotidi o dipeptidi) e così via"
...se ho ben capito k mi dice il numero di elementi che devo andare a guardare dietro per fare la matrice delle probabilità di transizione???
E' così??? |
Il mio blog: http://domi84.blogspot.com/
Le foto che ho scattato... |
|
|
|
Ra1D
Utente Junior
Prov.: Bergamo
Città: Treviglio
174 Messaggi |
Inserito il - 21 settembre 2007 : 11:53:30
|
Chissà se incasino di più le cose oppure riesco a chiarire qualcosa....al momento scrivendo mi son mandato in fumo il cervello e non riesco nemmeno più a comprendere quello che ho scritto 
Diamo qualche definizione:
Proprietà Markoviana= un processo stocastico ha proprietà markoviana se la distribuzione di probabilità degli stati futuri, dati gli stati presenti e passati, dipende solo e soltanto dallo stato presente.
Catena di Markov:è una catena di stati e transizioni(cambiamenti di stato) che gode della proprietà Markoviana.
Se consideriamo una sequenza, possiamo dire che la probabilità che appaia un simbolo dipende dal simbolo che la precede, e viene detta transition probability. Ad esempio ho una sequenza di nucleotidi:
AGGCT
lo stato 1 è A
lo stato 2 è G
etc etc
posso calcolare tutte le probabilità di transizione A<->G, A<->T, A<->C, G<->T, etc tra tutti i possibili stati e quindi generare un modello.
Normalmente quando si osserva un fenomeno se ne conoscono gli stati, e si possono trovare i valori delle probabilità di transizione per generare un modello predittivo.
In bioinformatica invece, in particolar modo quando applicati alle sequenze per cercare motif o per fare pattern recognition, oppure per allineamenti multipli, gli stati non sono direttamente visibili (se sapessimo già com'è fatto il motif saremmo a cavallo). Per questo si aggiunge un livello cosiddetto "nascosto".
Hidden Markov model in questo modello abbiamo già le distribuzioni di probabilità per ogni stato, e le variabili che le influenzano, ma non le probabilità di transizione.
Non c'è più identità tra stati e simboli, ma abbiamo diversi stati del sistema che "emettono" simboli con specifica probabilità di emissione.
La sequenza degli stati è modellata da una catena di Markov nascosta, e non è possibile, osservando un singolo simbolo, definire in quale stato fosse il sistema quando il simbolo è stato emesso.
Ad esempio, nell'allineamento multiplo di sequenze, i tre stati considerati sono Inserzione, Delezione, Match.
Lo stato di Match emette simboli (i 20 aa) con probabilità posizione dipendenti prese dall'input (le sequenze dell'allineamento che stiamo svolgendo le conosciamo a priori, quindi conosciamo la probabilità che in data posizione ci sia un dato aa).
Quindi va definita una probabilità di transizione (di stato) posizione dipendente, per cui ad esempio la probabilità che ci sia un match in posizione j+1 quando in posizione j c'è un match, la probabilità che ci sia un'inserzione in j+1 quando c'è un match in j, e così via.
|
...e vicinissimo al mio sapere si accampa la tenebra della mia ignoranza... |
|
|
|
domi84
Moderatore
Città: Glasgow
1724 Messaggi |
Inserito il - 21 settembre 2007 : 12:08:52
|
GRAZIE!!!GRAZIE!!!!!!!!
Hai risposto a tutte le domande che mi ero posto(anche se ancora le dovevo postare!!!)!!!!!!!!
Adesso stampo questa pagina e la azzecco nel libro!!!!
GRAZIE ANCORA!!! |
Il mio blog: http://domi84.blogspot.com/
Le foto che ho scattato... |
|
|
|
Nereus
Nuovo Arrivato
20 Messaggi |
Inserito il - 29 agosto 2012 : 11:35:23
|
Madonna leggendo il libro e in giro su internet si riempiono tutti la loro caxxo di bocca di parole ma alla fine non si capisce nulla! In 4 righe si è riusciti a chiarire tutti i dubbi. Forse dovremmo essere noi comuni mortali a far capire ai grandi professoroni come si spiegano le cose! Quei maledetti!
GRazie mille.
Ora capisco perchè Socrate diceva che i libri sono una disgrazia e non potranno mai essere paragonabili a una discussione tra esseri senzienti -.- |
|
|
| |
Discussione |
|
|
|
Quanto è utile/interessante questa discussione:
| MolecularLab.it |
© 2003-18 MolecularLab.it |
|
|
|
hmm
Guide tools online
