生物信息學主要應用到HMM隱馬可夫鏈的方法。數學中具有馬爾可夫性質的離散時間隨機過程。該過程中，在給定當前知識或信息的情況下，只有當前的狀態用來預測將來，過去（即當前以前的歷史狀態）對于預測將來（即當前以后的未來狀態）是無關的。在馬爾可夫鏈的每一步，系統根據概率分布，可以從一個狀態變到另一個狀態,也可以保持當前狀態。狀態的改變叫做過渡，與不同的狀態改變相關的概率叫做過渡概率。隨機漫步就是馬爾可夫鏈的例子。隨機漫步中每一步的狀態是在圖形中的點，每一步可以移動到任何一個相鄰的點，在這里移動到每一個點的概率都是相同的(無論之前漫步路徑是如何的)。

圖1  隱馬可夫鏈示意

1 評估問題

給定觀測序列O=O1O2O3…Ot和模型參數λ=(A,B,π)，怎樣有效計算某一觀測序列的概率，進而可對該HMM做出相關評估。例如，已有一些模型參數各異的HMM，給定觀測序列O=O1O2O3…Ot，我們想知道哪個HMM模型最可能生成該觀測序列。通常我們利用forward算法分別計算每個HMM產生給定觀測序列O的概率，然后從中選出最優的HMM模型。

這類評估的問題的一個經典例子是語音識別。在描述語言識別的隱馬爾科夫模型中，每個單詞生成一個對應的HMM，每個觀測序列由一個單詞的語音構成，單詞的識別是通過評估進而選出最有可能產生觀測序列所代表的讀音的HMM而實現的。

2 解碼問題

給定觀測序列O=O1O2O3…Ot和模型參數λ=(A,B,π)，怎樣尋找某種意義上最優的隱狀態序列。在這類問題中，我們感興趣的是馬爾科夫模型中隱含狀態，這些狀態不能直接觀測但卻更具有價值，通常利用Viterbi算法來尋找。

這類問題的一個實際例子是中文分詞，即把一個句子如何劃分其構成才合適。例如，句子“發展中國家”是劃分成“發展-中-國家”，還是“發展-中國-家”。這個問題可以用隱馬爾科夫模型來解決。句子的分詞方法可以看成是隱含狀態，而句子則可以看成是給定的可觀測狀態，從而通過建HMM來尋找出最可能正確的分詞方法。

3 學習問題

即HMM的模型參數λ=(A,B,π)未知，如何調整這些參數以使觀測序列O=O1O2O3…Ot的概率盡可能的大。通常使用Baum-Welch算法以及Reversed Viterbi算法解決。

• 1 . 生物信息學概述
• 2 . 生物信息學研究進展
• 3 . 生物信息學的應用
  • 3.1. 轉錄調控位點預測
  • 3.2. miRNA靶基因調控分析
  • 3.3. 基因全序列拼接分析
  • 3.4. 高通量測序分析
  • 3.5. GO（Gene Ontology）功能注釋
  • 3.6. 基因芯片聚類分析