Вероятность нахождения конкретной последовательности пар оснований


10

Размышления о вероятности всегда заставляют меня понять, насколько я плох в подсчете ...

Рассмотрим последовательность из базовых букв , каждый из которых имеет одинаковую вероятность. Какова вероятность того, что эта последовательность содержит конкретную последовательность пар оснований, представляющих интерес длины ?nA,T,C, and Grn

Возможны различных (одинаково вероятных) последовательностей. Начните с интересующей последовательности в начале полной последовательности; последовательности, подобные этой, возможны. Мы можем начать нашу последовательность интересов в разных местах. Следовательно, мой ответ .4n4nrn+1r(n+1r)/4r

Эта вероятность увеличивается в , что имеет смысл для меня. Но эта вероятность превышает 1, когда . Но этого не может быть. Вероятность должна приближаться к 1 в пределе (мне кажется), но не превышать его.nn>4r+r1

Я предполагаю, что я что-то считаю дважды. Что мне не хватает? Спасибо.

(К вашему сведению, не домашняя работа, просто игрушечный пример для подготовки к экзаменам. Вопрос, заданный моим другом-молекулярным биологом.)


Это правильно, не должно превышать единицу, поскольку это нарушит аксиомы вероятности: books.google.com/…
Крис Симокат,

Ответы:


5

Давайте рассмотрим небольшую версию этой проблемы с . Какова вероятность того, что последовательность из пяти букв будет содержать целевой файл ? Это легко: всех последовательностей начинаются с этой строки, еще заканчиваются ею, и никакая последовательность не начинается и не заканчивается этой строкой. Следовательно, шанс равен .A C G T 4 - 4 4 - 4 2 × 4 - 4n=5ACGT44442×44

С другой стороны, какова вероятность ? Еще раз, последовательностей начинаются с этой строки, та же самая пропорция заканчивается этой строкой, и всех последовательностей делают оба . Поэтому, согласно принципу включения-исключения, ответ будет .4 - 4 4 - 5 2 × 4 - 4 - 4 - 5AAAA44452×4445

В общем случае ответ зависит от структуры подстроки. Чтобы быть более конкретным, когда вы сканируете строку (слева направо, скажем) для , вы игнорируете все символы до тех пор , пока не увидите , что первоначальный . После этого, есть три возможности: следующий символ является матчем для , следующий один не является матч для , но это не (так что вы вернулись в годов- поживет для- состояние), или следующий один не является матч еще что это , помещая вас в точно пилообразной ап- состояние. Напротив, рассмотрим поиск . Предположим, вы видели префиксС С С Т С С С Т С С С С Т ... С ТACGTACCAAAAACTACGACTAC, Следующий символ будет соответствовать , если это . Когда это не соответствует, (i) переводит вас в начальное состояние ожидания , (ii) заставляет вас следить за , и (iii) означает, что вы уже видели и вы уже на полпути к матчу (и ищете второй ). Соответствующая «структура», очевидно, состоит из шаблонов подстрок в цели, которые соответствуют префиксу цели. Вот почему шансы зависят от целевой строки.GCAACTACTA

Диаграммы FSA, которые я защищаю в ответе в « Времени», взятом для того, чтобы нанести удар головой и хвостом в серии бросков, могут помочь в понимании этого явления.


3

Грубое приближение было бы . Вы берете вероятность того, что ваша последовательность не встречается в определенном месте, приравниваете ее к степени количества местоположений (ложно предполагая независимость), которая равна , а не , и это является приближением ее отсутствия поэтому вам нужно вычесть это из . п - г + 1 п - г 11(11/4r)nr+1nr+1nr1

Точный расчет будет зависеть от того, какой именно шаблон вы ищете. , скорее всего, не произойдет, чем .A T C G TAAAAAATCGT


Может быть, это только я, но кажется немного более ясным с точки зрения понимания того, как было построено уравнение. 1(1(1/4)r)n(r1)

@JoeRocc - Я подозреваю, что это личное. Если вы читаете со страницы до страницы книги, читали ли вы страница или страница? 300400400300+1=101400(3001)=101
Генри

Не беспокойтесь, я исходил из своей интуиции проблемы. Если мы интуитивно выведем уравнение, которое будет , то, пытаясь объяснить это кому-то, я думаю, что лучше оставить его таким, а не упрощать его до (хотя это, безусловно, может оказаться более интуитивным при рассмотрении). Ваша интуиция может быть другой в любом случае :)(a(b(c1+d)))ab+c1+d

2

Вы дважды подсчитываете последовательности, которые в несколько раз включают вашу целевую подпоследовательность, например, как в позиции A, так и в позиции B! = A. Вот почему ваша ошибочная вероятность может превышать 1


Очень хорошо сделано ! +1
Михаил Р. Черник

1

Можно получить точную вероятность конкретной подпоследовательности, используя цепную марковскую задачу. Особенности построения цепочки зависят от конкретной интересующей подпоследовательности, но я приведу несколько примеров того, как это сделать.


Точная вероятность по цепочке Маркова. Рассмотрим дискретную последовательность результатов где результаты в последовательности являются взаимозаменяемыми, и предположим, что нас интересует некоторая подстрока длины . Для любого заданного значения , пусть будет событием, когда возникает интересующая подстрока, и пусть будет событием, когда последними результатами являются первые символов в подстроке интерес (но не более того). Мы используем эти события, чтобы дать следующий раздел возможных состояний интереса:A,T,C,GknWHaaa<kk+1

State 0W¯H0,   State 1W¯H1,   State 2W¯H2,   State 3W¯H3,   State k1W¯Hk1,State kW.  

Поскольку предполагается, что последовательность результатов является у нас есть независимые результаты, зависящие от их соответствующих вероятностей . Интересующий вас процесс может быть представлен в виде цепей Маркова с дискретным временем, которые начинаются в при и переходят в соответствии с матрицей вероятности, которая зависит от конкретной интересующей подстроки. Матрица перехода всегда будетθA+θT+θC+θG=1State 0n=0(k+1)×(k+1)матрица, представляющая вероятности перехода с использованием вышеуказанных состояний. Если интересующая подстрока не была достигнута, то каждый переход может либо приблизить вас на один шаг к подстроке, либо вернуть вас в предыдущее состояние, которое зависит от конкретной подстроки. Как только подстрока достигнута, это поглощающее состояние цепи, представляющее тот факт, что произошло интересующее событие.

Например, если интересующей подстрокой является тогда матрица перехода:AAAAAA

P=[1θAθA000001θA0θA00001θA00θA0001θA000θA001θA0000θA01θA00000θA0000001.]

И наоборот, если интересующей подстрокой является тогда матрица перехода:ACTAGC

P=[1θAθA00001θAθCθAθC00001θAθTθA0θT0001θA000θA001θAθCθGθAθC00θG01θAθCθA0000θC0000001.]

Как видно выше, построение матрицы перехода требует внимания к конкретной подстроке. Неправильный результат возвращает вас к предыдущему состоянию в строке, которое зависит от конкретной интересующей подстроки. Как только матрица перехода построена, для данного значения вероятность наличия подстроки в цепочке равна . (Эта вероятность равна нулю для всех .)nP(W|n)={Pn}0,kn<k


Программирование этого в R: Вы можете запрограммировать это как функцию R, создав функцию, которая генерирует матрицу переходов для цепи Маркова и массив ее степеней вплоть до некоторого желаемого количества испытаний. Затем вы можете прочитать соответствующую вероятность перехода для значения которое представляет интерес. Вот пример кода для этого:n

#Create function to give n-step transition matrix for n = 1...N
#We will use the example of the substring of interest "AAAAAA"

#a is the probability of A
#t is the probability of T
#c is the probability of C
#g is the probability of G
#N is the last value of n
PROB <- function(N,a,t,c,g) { TOT <- a+t+c+g;
                              a <- a/TOT; 
                              t <- t/TOT; 
                              c <- c/TOT; 
                              g <- g/TOT; 

                              P <- matrix(c(1-a, a, 0, 0, 0, 0, 0,
                                            1-a, 0, a, 0, 0, 0, 0,
                                            1-a, 0, 0, a, 0, 0, 0,
                                            1-a, 0, 0, 0, a, 0, 0,
                                            1-a, 0, 0, 0, 0, a, 0,
                                            1-a, 0, 0, 0, 0, 0, a,
                                              0, 0, 0, 0, 0, 0, 1),
                                          nrow = 7, ncol = 7, 
                                          byrow = TRUE);
                              PPP <- array(0, dim = c(7,7,N));
                              PPP[,,1] <- P;
                              for (n in 2:N) { PPP[,,n] <- PPP[,,n-1] %*% P; } 
                              PPP }

#Calculate probability for N = 100 for equiprobable outcomes
N <- 100;
a <- 1/4;
t <- 1/4;
c <- 1/4;
g <- 1/4;
PROB(N,a,t,c,g)[1,7,N];

[1] 0.01732435

Как вы можете видеть из этого расчета, вероятность получения подстроки в бросков с равновероятными результатами составляет . Это всего лишь один пример, использующий конкретную подстроку и заданное количество испытаний, но его можно варьировать для получения вероятностей относительно других подстрок, представляющих интерес.AAAAAAn=1000.01732435

Используя наш сайт, вы подтверждаете, что прочитали и поняли нашу Политику в отношении файлов cookie и Политику конфиденциальности.
Licensed under cc by-sa 3.0 with attribution required.