chaine de markov pour travailler sur l'adn, predire ilot cpg
dependance la base precedente
besoin d'une matrice de transition et d'une distribution initiale (souvent 1/4) somme des lihgnes de la matrice de transition == 1, car de ligne vers colonne
modeles très sequentiels. mais les modèles sont constant le long de la séquence
pour apprentissage d'un modele de type Mm, il faut compter les frequences des mots de taille m+1
travail sur un seul brin probleme si region GC+ et GC- sur la meme sequence, faire sur une fenetre glissante (1ere proposition historique)
construire 2 modeles qui - caracterise les ilots cpg - caracterise les modles hors cpg
2 fichiers app pour construire les modeles "...-app" pour faire l'apprentissage 2 fichiers test pour tester les modeles "...-test"
besoin library seqinr
pour lire les fasta
modeles a faire de taille 1 a 6, a nous de choisir
indication stat : calculer les sensibilité et specificité
m+ et m- utilisation de fenetre glissante pour passer de l'une a l'autre, mais question sur la taille de la fenetre, le taux de recouvrement entre deux fenetre...
pourquoi ne pas regrouper les deux modeles en un seul. processus observable qui identifie les lettres processus caché qui identifie la sucession de régions (modele de markov d'ordre 1)
differentes ecoles : approche supervisée, apprentissage a partir de sequences déjà connues, algorithme de Viterbi a faire approche non supervisée, premier modele aleatoire, puis apprentissage, algorithme EM
risque d'avoir des zones de changement entre deux états m+ ou m-, a lisser sans doute, ou alors juste catégoriser comme mal définis on evite les alternance pour une base
loi géometrique qui dicte selon qu'on reste plus ou moins longtemps dans un etat caractérisées par l'esperance de X, qui vaut 1/P
function qui cree le model function qui calcule specificité et sensibilité function qui test la vraisemblance function qui segmente les trois chromosomes (algo viterbi)
Add the following code to your website.
For more information on customizing the embed code, read Embedding Snippets.