skryt markovove modely
Download
Skip this Video
Download Presentation
Skryt é Markovove modely

Loading in 2 Seconds...

play fullscreen
1 / 30

Skryt é Markovove modely - PowerPoint PPT Presentation


  • 93 Views
  • Uploaded on

Skryt é Markovove modely. Andrej Lúčny Katedra aplikovanej informatiky FMFI UK [email protected] http://www.fmph.uniba.sk/~lucny. Motiva čná úloha. G. A. G. T. T. G. A. G. G. G. A. A. A. A. A. G. C. G. M áme jedno vlákno DNA, čo je postupnosť báz A, C, G, T

loader
I am the owner, or an agent authorized to act on behalf of the owner, of the copyrighted work described.
capcha
Download Presentation

PowerPoint Slideshow about ' Skryt é Markovove modely' - lumina


An Image/Link below is provided (as is) to download presentation

Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author.While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server.


- - - - - - - - - - - - - - - - - - - - - - - - - - E N D - - - - - - - - - - - - - - - - - - - - - - - - - -
Presentation Transcript
skryt markovove modely

Skryté Markovove modely

Andrej Lúčny

Katedra aplikovanej informatiky FMFI UK

[email protected]

http://www.fmph.uniba.sk/~lucny

slide2

Motivačná úloha

G

A

G

T

T

G

A

G

G

G

A

A

A

A

A

G

C

G

Máme jedno vlákno DNA, čo je postupnosť báz A, C, G, T

Potrebujeme určiť, ktoré časti vlákna sú exony (E), introny (I) a gény nekódujúca DNA (N)

G

A

G

T

T

G

A

G

G

G

A

A

A

A

A

G

C

G

N

N

N

N

N

N

I

I

I

I

I

E

E

E

E

E

E

N

slide3

N

E

N

I

N

I

I

E

E

E

I

N

C

T

G

C

A

C

T

T

T

C

C

G

A

A

A

G

G

G

A

A

A

Markovov model DNA:

Máme tri urny: E, I a N. V každej sú schované guličky A, C, G a T a na každej je ruleta, ktorej jamky sú podelené na úseky E, I a N

slide4

N

E

N

I

N

I

I

E

E

E

I

N

C

T

G

C

A

C

T

T

T

C

C

G

A

A

A

G

G

G

A

A

A

p(A) = 2/7

p(C) = 3/7

p(G) = 1/7

p(T) = 1/7

p(A) = 3/7

p(C) = 1/7

p(G) = 1/7

p(T) = 2/7

p(A) = 2/7

p(C) = 1/7

p(G) = 3/7

p(T) = 1/7

slide5

2/10

2/10

1/10

6/10

6/10

7/10

N

E

N

I

N

I

1/10

I

E

E

2/10

E

I

N

3/10

C

T

G

C

A

C

T

T

T

C

C

G

A

A

A

G

G

G

A

A

A

slide6

N

E

N

I

N

I

I

E

E

E

I

N

C

T

G

C

A

C

T

T

T

C

C

G

A

A

A

G

G

G

A

A

A

G

Markovov proces:

  • Vytiahneme jednu guličku z urny (a vrátime ju späť)
  • Zatočíme ruletou na urne a podľa výsledku sa presunieme
slide7

N

E

N

I

N

I

I

E

E

E

I

N

C

T

G

C

A

C

T

T

T

C

C

G

A

A

A

G

G

G

A

A

A

A

N N

GA

. . . . .

slide8

N

E

N

I

N

I

I

E

E

E

I

N

C

T

G

C

A

C

T

T

T

C

C

G

A

A

A

G

G

G

A

A

A

G

N N N

G A G

. . . . .

slide9

N

E

N

I

N

I

I

E

E

E

I

N

C

T

G

C

A

C

T

T

T

C

C

G

A

A

A

G

G

G

A

A

A

T

N N N N

G A G T

. . . . .

slide10

N

E

N

I

N

I

I

E

E

E

I

N

C

T

G

C

A

C

T

T

T

C

C

G

A

A

A

G

G

G

A

A

A

T

N N N N N

G A G T T

. . . . .

slide11

N

E

N

I

N

I

I

E

E

E

I

N

C

T

G

C

A

C

T

T

T

C

C

G

A

A

A

G

G

G

A

A

A

G

N N N N N N

G A G T T G

. . . . .

slide12

N

E

N

I

N

I

I

E

E

E

I

N

C

T

G

C

A

C

T

T

T

C

C

G

A

A

A

G

G

G

A

A

A

A

N N N N N N I

G A G T T G A

. . . . .

slide13

N

E

N

I

N

I

I

E

E

E

I

N

C

T

G

C

A

C

T

T

T

C

C

G

A

A

A

G

G

G

A

A

A

A

N N N N N N I I I I I

G A G T T G A G G G A

. . . . .

slide14

N

E

N

I

N

I

I

E

E

E

I

N

C

T

G

C

A

C

T

T

T

C

C

G

A

A

A

G

G

G

A

A

A

C

N N N N N N I I I I I E E E E E E

G A G T T G A G G G A A A A A G C

. . . . .

slide15

Dostávame výsledok Markovovho procesu: čo sme kedy z ktorej urny vytiahli

N

E

N

I

N

I

I

E

E

E

I

N

C

T

G

C

A

C

T

T

T

C

C

G

A

A

A

G

G

G

A

A

A

G

N N N N N N I I I I I E E E E E E N

G A G T T G A G G G A A A A A G C G

slide16

Skrytý Markovov proces: vidíme iba čo vyťahujeme, ale nie z ktorej urny

N

E

N

I

N

I

I

E

E

E

I

N

C

T

G

C

A

C

T

T

T

C

C

G

A

A

A

G

G

G

A

A

A

N N N N N N I I I I I E E E E E E N

G A G T T G A G G G A A A A A G C G

slide17

Pre danú postupnosť ťahov máme teraz uhádnuť z akých urien boli vytiahnuté

N

E

N

I

N

I

I

E

E

E

I

N

C

T

G

C

A

C

T

T

T

C

C

G

A

A

A

G

G

G

A

A

A

? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?

N N N N N N I I I I I E E E E E E N

G A G T T G A G G G A A A A A G C G

slide18

Vieme pre nejakú hypotézu spočítať nakoľko je pravdepodobná ?

N

E

N

I

N

I

I

E

E

E

I

N

C

T

G

C

A

C

T

T

T

C

C

G

A

A

A

G

G

G

A

A

A

p( ) = ?

N I I I E E E I I I E E E N N I I N

hypotéza

G A G T T G A G G G A A A A A G C G

slide19

2/10

2/10

1/10

6/10

6/10

7/10

N

E

N

I

N

I

1/10

I

E

E

2/10

E

I

N

3/10

C

T

G

C

A

C

T

T

T

C

C

G

A

A

A

G

G

G

A

A

A

p(A) = 2/7

p(C) = 3/7

p(G) = 1/7

p(T) = 1/7

p(A) = 3/7

p(C) = 1/7

p(G) = 1/7

p(T) = 2/7

p(A) = 2/7

p(C) = 1/7

p(G) = 3/7

p(T) = 1/7

ľahko to z markovovho modelu spočítame ako súčin pravdepodobností jednotlivých ťahov a presunov

. . . . .

p( ) = 1.6768E-19

N I I I E E E I I I E E E N N I I N

slide20

2/10

2/10

1/10

6/10

6/10

7/10

N

E

N

I

N

I

1/10

I

E

E

2/10

E

I

N

3/10

C

T

G

C

A

C

T

T

T

C

C

G

A

A

A

G

G

G

A

A

A

p(A) = 2/7

p(C) = 3/7

p(G) = 1/7

p(T) = 1/7

p(A) = 3/7

p(C) = 1/7

p(G) = 1/7

p(T) = 2/7

p(A) = 2/7

p(C) = 1/7

p(G) = 3/7

p(T) = 1/7

keď zrátame pravdepodobnosť hypotézy rovnajúcej sa skutočnosti, je vyššia než u náhodne zvolenej hypotézy

. . . . .

p( ) = 8.7350E-16

N N N N N N I I I I I E E E E E E N

slide21

G A G T T G A G G G A A A A A G C G

. . . . .

p( ) = 1.6768E-19

N I I I E E E I I I E E E N N I I N

. . . . .

p( ) = 8.7350E-16

N N N N N N I I I I I E E E E E E N

. . . . .

Stačilo by teraz prebehnúť všetky možnosti a nájsť najpravdepodobnejšiu. Asi to nebola presne tá skutočná, ale bola by snáď aspoň dostatočne podobná, aby sme sa z toho niečo dozvedeli. Tých možností je ale šialene veľa. Našťastie celkom jednoduchý (Viterbiho) algoritmus vie najpravdepodobnejšiu možnosť priamo spočítať.

slide22

Viterbiho algoritmus

Zamerajme sa na samotnú hodnotu pravdepodobnosti najpravdepodobnejšej postupnosti urien.

Počítajme pravdepodobnosti čiastočných postupností tvorených prvými n členmi postupnosti urien, ktoré končia urnou E, I a N

Predstavme si, že ich vieme pre určité n. Ako ich získame pre n+1 ?

n = 9

n = 10

... A G G G A A A ...

E

E

G

pE

E

I

E

E

pE’ = pEG.max( pE.pEE, pI.pIE, pN.pNE )

N

E

E

I

G

pI

I

I

I

I

pI’ = pIG.max( pE.pEI, pI.pII, pN.pNI)

N

I

E

N

G

pN

N

I

N

N

pN’ = pNG.max( pE.pEN, pI.pIN, pN.pNN)

N

N

slide23

Viterbiho algoritmus

Zvyšok je aplikovanie indukcie.

n = 1

n = L

GA G ..... G C G

pE = pEG

E

E

pI = pIG

p = max( pE, pI, pN )

I

I

pN = pNG

N

N

slide24

Viterbiho algoritmus

Treba samozrejme vypočítať nielen pravdepodobnosť ale aj postupnosť.

Na to stačí ísť spätne vždy po tej vetve ktorá bola najpravdepodobnejšia

ak hľadaná postupnosť má na pozícii 10 E, potom na pozícií 9 má N

n = 9

n = 10

... A G G G A A A ...

E

E

G

E

I

E

E

pE’ = pEG.max( pE.pEE, pI.pIE, pN.pNE )

N

E

max

E

I

G

I

I

I

I

max

pI’ = pIG.max( pE.pEI, pI.pII, pN.pNI)

N

I

E

N

G

N

I

N

N

max

pN’ = pNG.max( pE.pEN, pI.pIN, pN.pNN)

N

N

slide25

Týmto spôsobom môžeme pre náš prípad odhadnúť, že postupnosť urien bola nasledovná:

N

E

N

I

N

I

I

E

E

E

I

N

C

T

G

C

A

C

T

T

T

C

C

G

A

A

A

G

G

G

A

A

A

N N N N I I I I NEE E E E E N N N

N N N N N N I I I I I E E E E E E N

G A G T T G A G G G A A A A A G C G

slide26

Nájdená postupnosť síce nemusí nezodpovedať skutočnosti, ale je najpravdepodobnejšou možnosťou

N

E

N

I

N

I

I

E

E

E

I

N

C

T

G

C

A

C

T

T

T

C

C

G

A

A

A

G

G

G

A

A

A

N N N N I I I I NEE E E E E N N N

N N N N N N I I I I I E E E E E E N

G A G T T G A G G G A A A A A G C G

slide27

2/10

2/10

1/10

6/10

6/10

7/10

N

E

N

I

N

I

1/10

I

E

E

2/10

E

I

N

3/10

C

T

G

C

A

C

T

T

T

C

C

G

A

A

A

G

G

G

A

A

A

p(A) = 2/7

p(C) = 3/7

p(G) = 1/7

p(T) = 1/7

p(A) = 3/7

p(C) = 1/7

p(G) = 1/7

p(T) = 2/7

p(A) = 2/7

p(C) = 1/7

p(G) = 3/7

p(T) = 1/7

Ale ako vôbec získame Markovov model ?

Nuž z malej vzorky dát a predpokladáme, že je to dobrý odhad

Napr. ručne určíme 1% DNA a zvyšok spočítame

hmm ako bayesova sie
HMM ako Bayesova sieť

HMM je založený na zjednodušení, že viditeľná manifestácia ako i zmena skrytého stavu systému sú závislé iba na jeho aktuálnej hodnote (a nie napr. na predchádzajúcich hodnotách)

EINt-1

EINt

EINt+1

ACGTt-1

ACGTt

ACGTt+1

hmm roz renia
HMM rozšírenia
  • závislosť od predchádzajúcich N hodnôt
  • automatické generovanie vnútorných stavov
  • spojité HMM
slide30

Ďakujem za pozornosť !

Skryté Markovove modely

Andrej Lúčny

KAI FMFI Bratislava

[email protected]

http://www.fmph.uniba.sk/~lucny

ad