|
Das Dokument ist frei verfügbar. |
|
| Nachweis | Kein Nachweis verfügbar |
|
Hidden Markov Modell (HMM); Hidden Markov Modell höherer Ordnung (HHMM); Parsimonisches Hidden Markov Modell höherer Ordnung (PHHMM); Hidden Markov Modell mit skalierten Transitionsmatrizen (SHMM); Basisalgorithmen (Forward Backward Viterbi und State-Posterior Algorithmus); Trainingsalgorithmus (Baum-Welch und Bayes’scher Baum-Welch Algorithmus); Parsimonischer Cluster Algorithmus; DNA-Microarray-Daten (Genexpression ChIP-chip Array-CGH); Datensätze (Arabidopsis thaliana Saccharomyces cerevisiae Brustkrebs); Bioinformatik | |
Hidden Markov Model (HMM); Higher-Order Hidden Markov Model (HHMM); Parsimonious Higher-Order Hidden Markov Model (PHHMM); Hidden Markov Model with scaled transition matrices (SHMM); Basic Algorithms (Forward Backward Viterbi and State-Posterior algorithm); Training Algorithms (Baum-Welch and Bayesian Baum-Welch algorithm); Parsimonious Cluster Algorithm; DNA-microarray data (gene expression ChIP-chip Array-CGH); Data sets (Arabidopsis thaliana Saccharomyces cerevisiae Breast Cancer); Computational Biology | |
Hidden Markov Modelle erster Ordnung (HMMs) sind weit verbreitet in der Bioinformatik zur Analyse sequentieller Daten. Fast alle existierenden HMM-Ansätze können kein Vorwissen über Daten integrieren oder Abhängigkeiten zwischen nah benachbarten Messwerten modellieren. Um eine verbesserte Datenanalyse zu ermöglichen werden HMMs erster Ordnung zu HMMs mit skalierten Transitionsmatrizen HMMs höherer Ordnung und parsimonischen HMMs höherer Ordnung erweitert. Die erweiterten HMMs werden zur Analyse von unterschiedlichen DNA-Microarray-Datensätzen angewendet. Dies umfasst die Bestimmung von differentiell exprimierten Genen in Brustkrebstumoren und das Finden von Zielgenen von Transkriptionsfaktoren in Hefe und Pflanzen sowie die vergleichende Genomanalyse von unterschiedlichen Pflanzenökotypen. Durch die Verwendung von unabhängigen Validierungsdaten konnte gezeigt werden dass die erweiterten HMMs eine bessere Analyse der Daten im Vergleich zu HMMs und existierenden Verfahren ermöglichen. Diese Arbeit führt zwei neue Modellklassen ein: (i) HMMs mit skalierten Transitionsmatrizen (ii) parsimonische HMMs höherer Ordnung und enthält die erste große Studie mit diesen Modellen in der Bioinformatik. |
|
|