1 / 24

M arkow- K etten

M arkow- K etten. Jens Keienburg, Nora Rieber, Samuel Bandara, Felix Bonowski . Übersicht. Definitionen Veranschaulichung; ‚Bienen-Modell‘ die Übergangsmatrix die Grenzmatrix Anwendung in Genomics. Stochastischer Prozess. Folge von Zufallsexperimenten

sylvain
Télécharger la présentation

M arkow- K etten

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. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript

  1. Markow-Ketten Jens Keienburg, Nora Rieber,Samuel Bandara, Felix Bonowski

  2. Übersicht • Definitionen • Veranschaulichung; ‚Bienen-Modell‘ • die Übergangsmatrix • die Grenzmatrix • Anwendung in Genomics

  3. Stochastischer Prozess • Folge von Zufallsexperimenten • beschreibbar durch Funktion X(t), t g T • X(t): ‚Zufallsvariable‘ • T: ‚Parameterraum‘ • M: ‚Zustandsraum‘; M = {X(t) | t g T} • Bsp: n-maliger Münzwurf

  4. Markow-Ketten • diskret in Zeit und Raum • Besonderheit: Wahrscheinlichkeit eines Zustands hängt nur von der Wahrscheinlichkeit des vorherigen ab • Markow-Kette ist bestimmt durch • Anfangsverteilung • Übergangswahrscheinlichkeiten • ihren Zustandsraum

  5. Chrysantheme Akelei Tulpe Geranie Das Bienen-Modell • Wohin geht die Biene als nächstes?

  6. Chrysantheme 1/2 1/3 Akelei Tulpe 1/3 1/2 1/3 1/4 1/3 1/3 1/4 A G C T 1/3 A 1/3 1/3 1/3 0 1/4 G 1/4 1/4 1/4 1/4 Geranie C 1/2 0 0 1/2 1/4 T 0 1/3 1/3 1/3 Übergangswahrscheinlicheiten

  7. Die Übergangsmatrix • P = • Allgemein:in der i-ten Zeile und der k-ten Spalte Wahrscheinlichkeit pik für einen Übergang vom Zustand i in den Zustand k

  8. Die Übergangsmatrix • P = • Matrix ist stochastischpikg [0;1] i,k = 1,2,...,N

  9. Chrysantheme Akelei Tulpe Geranie Mehrstufige Übergänge • Wo ist die Biene in n Zügen? • Grenzwert?

  10. Definitionen • p(n)= (p1(n), p2(n), …, PN(n)) Wahrscheinlichkeiten für jeden Zustand nach n Durchgängen • Anfangsverteilung: p(0) • z.B. (1 0 0 0) Biene sitzt auf Akelei • oder (0.25 0.25 0.25 0.25)  Anfangsort unbekannt

  11. Spätere Verteilungen • Zustände auf mehreren Wegen erreichbar • Nächster Zustand durch Anwendung der Übergangsmatrix zugänglich • p(n+1)= P*p(n) n Beispiel: = p(n) p(0) *

  12. Langfristiges Verhalten • Die Matrix limn®¥(P)n heißt Grenzmatrix • Wenn sie existiert erlaubt sie Aussagen über das langfristige Verhalten des Systems. • In unserem Beispiel: • limn®¥(P)n =

  13. Diskussion des Beispiels • In unserer Grenzmatrix sind die Elemente einer Spalte gleich (Ergodische Matrix) • Jede Anfangsverteilung führt im Grenzwert zur gleichen Verteilung p(¥)= (0,265 0,235 0,235 0,264) • Das dann der Fall, wenn es zwischen allen Zuständen irgendeinen zulässigen Weg gibt.

  14. Chrysantheme Akelei Tulpe Geranie Wahrscheinlichkeiten von Pfaden • Pfad: (C T G C A) p(CTGCA)=p(C®T)*p(T®G)…*P(G®A)

  15. C C A A T T G G Zwei Gärten… Garten 1 mit Übergangsmatrix P1 Gegeben: Die Biene hat die Blumen in der Reihenfolge CTGATC besucht. Frage: In welchen Garten war sie? Garten 2 mit Übergangsmatrix P2

  16. Genomics Problematik : Entschlüsselung des Genoms Welche Bereiche codieren ? Wo befinden sich Gene?

  17. Genomics Gene Prediction : Codierende und nicht codierende DNA-Sequenzen besitzen unterschiedliche Übergangswahrscheinlichkeiten. Mit Hilfe von Markovketten lassen sich Gene zuverlässig finden !

  18. Genomics Definition : Ein Open Reading Frame (ORF) ist eine Gensequenz, die von einem Start- und einem Stopcodon terminiert wird. Ein Gen ist ein codierender ORF Jeder ORF ist ein möglicher Kandidat für ein Gen. Wesentlich mehr ORF als Gene.

  19. Genomics Markowmodell : Xt(b) sei Zufallsvariable T ist Indexmenge mit T ={1, ...N}, wobei N = Anzahl der Basen Zustandsraum B ={A, C, T, G}, und b1, b2, ... g B Markow‘sche Eigenschaft : P( Xn(b) = b1 | Xn-1(b) = b1 , Xn-2(b) = b2, ... ) = P( Xn(b1) | Xn-1(b2) )

  20. Genomics Produkt aller Wahrscheinlichkeiten ist ein Maß für die Wahrscheinlichkeit eines Gens. Genom : Abhängigkeit Xn von Xn-1, ... Xn-j mit 0 < j < 8 ist Grad der Markowkette Auf jedes j-Tupel von Basen folgt eine Base. Erfassung der Übergangswahrscheinlichkeiten mit einer höher dimensionalen Übergangsmatrix.

  21. Genomics Versuch am Genom von E. Coli liefert folgende Ergebnisse

  22. Gene Prediction Ergebnisse : 1) Der Algorithmus identifiziert ein Gen mit einer Wahrscheinlichkeit von 94% richtig. 2) ORFs werden zu weniger als 10% fälsch- licherweise als Gene erkannt.

  23. Vielen Dank für Eure Aufmerksamkeit!

More Related