从嘈杂的时间序列中推断隐藏的马尔可夫模型：分子动力学中缓解退化问题的方法
摘要：从含有噪声的时间序列中推断出隐藏的马尔可夫模型的一种新方法，无需假设模型架构，从而能够检测到退化状态。这基于Crutchfield等人发展的统计预测技术，并生成所谓的因果状态模型，相当于隐藏的马尔可夫模型。该方法适用于围绕离散值聚集且在这些值之间表现出多个转换的任意连续数据，例如固定粒子运动数据或荧光共振能量转移（FRET）光谱。已开发的算法在模拟数据上表现良好，能够在高噪声、稀疏数据条件下恢复用于生成数据的模型，并能推断出退化状态的存在。它们还应用于新的Holliday交叉结构动力学的实验FRET数据，提取了预期的两态模型，并提供了与先前结果和使用现有的最大似然方法得到的结果相一致的转换速率值。
作者：David Kelly, Mark Dillingham, Andrew Hudson and Karoline Wiesner
论文ID：1011.2969
分类：Quantitative Methods
分类简称：q-bio.QM
提交时间：2012-01-24