双序列比对的理论基础之建造替换矩阵的合理性证明
前言:如果对最大似然估计没有概念的话,可以看看我之前写的《似然,似然,似是而然》
结合前几篇文章我们大致的了解了计分矩阵的流程:对某以蛋白质家族进行多序列对比,然后按某一阈值(等同残基比)进行聚类,之后将匹配的无空位的区域划分为block,然后统计各个block中残基之间的联配的频率,用归一化的频率估计概率,进行最大似然估计,估计出在自然界中各残基联配的概率(即匹配模型M的参数)。
《双序列比对的基础(2)之替换(计分)矩阵系列》提出了疑问:怎么没进行最大似然估计啊?没有列似然函数啊,没有求极值点啊。从样本数据得到的频率怎么直接估计为总体的参数呢? 所以怀疑建造的替换矩阵是不合理的!
那么本文就探讨探讨这个问题。
首先,之前我们说过我们必须将生物学的问题抽象成数学模型。而残基对之间的联配可看做是多项分布。多项分布是二项分布的推广。
二项分布就是我抛出一枚硬币,它的结果不是正面就是反面。我们抛出10次,计算出现5次正面的概率很简单。而多项分布则是我扔色子会有六种状态,现在我扔了十次,我想知道出现事件A(A事件=点数为1出现2次和点数为2出现4次和点数为3出现1次和点数为4出现1次和点数为5出现1次和点数为6出1次。)的概率是多少?注意在多项分布中,每个状态出现的频率必须大于0!
而残基对之间的联配情况就可看做多项分布,只不过有210中状态(20种氨基酸的两两组合),并且在blocks中每种状态都出现过。所以我们就可以按照多项分布式列出似然函数,为进行最大似然估计奠定了基础。
符号说明:
n={n1、n2、n3、、、n210}
ni:第i种状态被观测到的频率。如 n1可表示鸟氨酸与亮氨酸在blocks中联配的频率。
N:blocks中出现的残基对总数=n1+ n2+n3+…+n210
θ={ θ1、 θ2、 θ3、、、 θ210}
θi=第i种状态出现的概率参数。
θML=n/N(用归一化的频率表示概率)
所以现在我们需要证明当θ=θML 时,似然函数L(n1,n2,n3,n210|θ)取得最大值。即可将 θML估计为在自然界中残基对联配和残基与空位联配的概率。
下面我们将提供两种证明方法。分别用到了相对熵的性质和拉格朗日乘数法。
第一种:此证明等价于任意θ!=θML,logL(n1,n2,n3,,,n210∣θ)L(n1,n2,n3,,,n210∣θML) >0
根据多向分布的概率函数可以轻易的写出对应的似然函数。(两函数形式上一样,只是看待的角度不一样) 因此
L(n1,n2,n3,n210|θ)=∏i=1210ni!N!*∏i=1210θini
从而,logL(n1,n2,n3,,,n210∣θ)L(n1,n2,n3,,,n210∣θML)=log∏i=1210θini∏i=1210(θiML)ni=∑i=1210nilogθiθiML
又因为
ni/N=θiML
所以将ni换掉,
∑i=1210nilogθiθiML = N∑i=1210θiMLlogθiθiML
我们可以发现:
∑i=1210θiMLlogθiθiML是相对熵的形式,而根据相对熵大于等于0的性质,且N大于0,所以我们得证。
ps:
相对熵:H(P∥Q)=∑iP(xi)logQ(xi)P(xi)
(相对熵大于等于0的证明将放在另一篇博客。)
第二种证明方法:
最大似然估计本身就是多元函数求极值点。所以我们应该求出并证明极值点为θML=n\N
我们现在所已知的是多元函数(即上文的似然函数)和变量的限制条件:∑i=1210θi=1
多元函数、极值、约束条件,看到这些我们可以很快的联想到可以使用拉格朗日乘数法。(另一篇博客将介绍此法的背景应用)
证明此法如下:
似然函数:L(n1,n2,n3,n210|θ)=∏i=1210ni!N!*∏i=1210θini
构造Lagrange函数:
Lagrange(θ1,θ2,θ3,θ210,λ)=L(n1,n2,n3,n210|θ)-λ(∑i=1210θi -1)
对似然函数取对数:
Lagrange(θ1,θ2,θ3,θ210,λ)=logN!−∑i=1210ni!+∑i=1210nilogθi-λ(∑i=1210θi -1)
然后对Lagrange函数求关于θi的偏导:
∂θi∂Lagrange(θ1,…,θ210,λ)=θini−λ
取极值时,导数为0:
θini−λ=0
故 λni=θi
又因为 ∑i=1210θi=∑i=1210λni=1
故λ=N
故θi=λni=Nni
故可证:θi=Nni=θiML
以上就是两种证明方法。写到这里,我自己明白了并最大似然估计出看此文的读者们明白了,233333333333。
奋发秃强
发布了53 篇原创文章 · 获赞 13 · 访问量 9149
私信
关注