Earlier Applications of HiddenMarkov Chain Models
Notice bibliographique
Résumé
Introduction In this appendix some earlier application methods are briefly described. Markov chain models can be used to provide probability models for sequences of symbols. This will aid in genome annotation. The types of questions that can be asked include the following: Does a particular sequence belong to a particular family and what can one say about its internal structure? How can one discriminate between two sequences? Some general reviews are given in (Durbin et al., 1998, Chapters 2 and 3), (Robin et al., 2005, Chapters 1 and 2), but a more detailed review of observed Markov chains is provided by (Koski, 2001, Chapter 9). We have added some extra details to Koski's treatment. A straightforward application of Markov chains to genome sequencing. This approach does not seem to work for the following reasons: • The four bases A, T, G, C are not uniformly distributed in a sequence and the compositions vary within and between sequences. • Various k-tuples of bases are not uniformly distributed. However, exons and introns are often separated on the basis of dinucleotide frequencies. • It seems that higher-order chains need to be used as probabilities of a base in a particular location and then can depend not only on the immediately adjacent bases. In addition, the base composition can vary from one segment to another. The segmentation techniques for decomposing DNA sequences into homogeneous segments includes hidden Markov models. Frame-dependent Markov chains. These use the GeneMark software; information can be found at http://genemark.biology.gatech.edu/GeneMark/gm_info.html Mixture transition distribution chain of order k . These are called MTD(k) models. For a Markov chain of order k with a state-space of size N, there are (N − 1)N k entries in the transition matrix A to be estimated, (the column sums of A are 1), plus the initial probabilities. With N = 4 and k = 8, we have 3 ・ 4 8 = 196, 608 which is quite large. This has a further implication that we may not have enough data to calibrate all these entries in A. We comment on estimation using sparse data below.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,019 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,002 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,003 | 0,005 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,003 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,018 | 0,004 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».