跳轉到

5.1 隱藏馬可夫模型：序列中的統計密碼（1990s）【數學→生物】#

前因：比對不夠了——需要「家族的機率模型」#

Needleman–Wunsch（4.3）比對兩條序列，但生物學家真正想要的是：給定一個蛋白質家族（如數千個激酶），判斷新序列是否屬於這個家族；以及：在基因體長序列中，哪裡是基因？哪裡是垃圾？ 這需要把「家族」表示成一個可學習的機率模型——隱藏馬可夫模型（HMM）應運而生。

構造#

HMM = 有隱藏狀態 \(z_t\) 的馬可鏈 + 每個狀態發射可觀察符號 \(x_t\) ：

\[P(x_1\ldots x_T, z_1 \ldots z_T) = \pi_{z_1} b_{z_1}(x_1) \prod_{t=2}^{T} a_{z_{t-1} z_t}\, b_{z_t}(x_t)\]

三大演算法（皆為動態規劃的變形，血脈直承 4.3）：

問題 演算法 複雜度
給模型算序列機率 前向演算法 \(O(T N^2)\)
找最可能狀態路徑 Viterbi \(O(T N^2)\)
從資料學參數 Baum–Welch（EM） 迭代

生物應用的兩大類：

  1. Profile HMM：由多重比對建立「家族剖面」，match/insertion/deletion 三種隱藏狀態對應序列演化事件——HMMER 套件至今是蛋白質家族資料庫（Pfam）的引擎。
  2. 基因預測：隱藏狀態 = 外顯子/內含子/基因間區，發射機率描述密碼子統計——早期基因體註解（如 GENSCAN, 1997）全靠 HMM。

後果#

  1. 基因體註解的工業化：人類基因體草稿（5.2）的基因預測大量使用 HMM——沒有統計模型，「30 億鹼基中找出 2 萬個基因」無從下手。
  2. 語音→生物的技術遷移：HMM 在語音辨識中成熟後整套搬進生物——這是「AI 技術外溢到生物醫學」的第一波，預告 AlphaFold（5.3）之前，方法論早就在雙向流動。
  3. 通往深度學習的橋樑：Baum–Welch 就是 EM 演算法；Viterbi 是動態規劃；HMM 的參數化與發射模型的思想直接延續到 RNN/LSTM 語言模型——生物序列分析是機器學習的重要訓練場。今日蛋白質語言模型（ESM）正是「把序列當文字」這條 HMM 思路的極致版。

練習與思考#

  1. 寫一個兩狀態天氣 HMM（雨天/晴天），手算序列「走路濕了、沒帶傘」的最可能隱藏狀態。
  2. Profile HMM 的插入狀態為何必要？若省略，哪些真實演化事件會被錯誤建模？