Por lo que sabemos, la longitud de la cadena polipeptídica más pequeña es de 60 aminoácidos, por lo que si encontramos un marco de lectura abierto (ORF) de aproximadamente 60 codones sin la interrupción del codón de parada, podemos considerarlo como una posible región o gen codificante.
El modelo de Markov de quinto orden utiliza la frecuencia hexamérica para predecir las regiones de codificación, sin embargo, esto no parece muy específico.
¿Por qué no usaríamos modelos de Markov de orden superior con frecuencias más altas y más especificidad? ¿Aumentar el orden de los modelos de Markov no evitaría resultados falsos positivos?
El problema con los HMM cada vez más complejos es que su espacio de parámetros tiende a explotar con el orden n de los HMM. Una mayor cantidad de parámetros a menudo no es excelente porque reduce la posible cantidad de observaciones que se utilizan para entrenar cada parámetro y puede aumentar el sobreajuste del modelo.
A partir de la información que proporciona, es posible que el modelo de quinto orden alcance el punto óptimo de tener un gran rendimiento con un espacio de parámetros razonablemente contenido.
No está claro cómo funciona también su modelo.
¿Cada estado es un solo nucleótido o un solo KMER?
¿Es un HMM generalizado con estados separados para exones e intrones con los KMER como observaciones?
El trabajo del laboratorio de Bier ha demostrado que los 5-mers son muy buenos para diferenciar los potenciadores del fondo utilizando un modelo SVM para la clasificación. En su contexto, parece bastante razonable usar 6-mers para encontrar genes dado este hallazgo.
Para obtener más detalles, consulte "Análisis de secuencia biológica" de Sean Eddy y el trabajo del Dr. Michael Brent en la Universidad de Washington en Saint Louis (su laboratorio ha investigado mucho sobre los HMM para encontrar genes).
Sería útil tener una o pocas referencias en papel detrás de su pregunta.
iayork
RAM
eli korvigo