双序列比对的理论基础之建造替换矩阵的合理性证明

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={n1n_{1}n1​、n2n_{2}n2​、n3n_{3}n3​、、、n210n_{210}n210​}
nin_{i}ni​:第i种状态被观测到的频率。如 n1n_{1}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=n1n_{1}n1​+ n2n_{2}n2​+n3n_{3}n3​+…+n210n_{210}n210​
θ\thetaθ={ θ1\theta_{1}θ1​、 θ2\theta_{2}θ2​、 θ3\theta_{3}θ3​、、、 θ210\theta_{210}θ210​}
θi\theta_{i}θi​=第i种状态出现的概率参数。
θML\theta^{ML}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\thetaθ=θML\theta^{ML}θML 时,似然函数L(n1n_{1}n1​,n2n_{2}n2​,n3n_{3}n3​,n210n_{210}n210​|θ\thetaθ)取得最大值。即可将 θML\theta^{ML}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\thetaθ!=θML\theta^{ML}θML,logLn1,n2,n3,,,n210θML)L(n1,n2,n3,,,n210θ)\log \frac { L(n_{1},n_{2},n_{3},,,n_{210}|\theta^{ML}) } { L \left( n _ { 1 } , n _ { 2 } ,n_{3} , ,, n _ {210 } |\theta \right) }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(n1n_{1}n1​,n2n_{2}n2​,n3n_{3}n3​,n210n_{210}n210​|θ\thetaθ)=N!i=1210ni!\frac { N ! } { \prod _ { i = 1 } ^ { 210 } n _ { i } ! }∏i=1210​ni​!N!​*i=1210θini\prod _ { i = 1 } ^ { 210 } \theta _ { i } ^ { n _ { i } }∏i=1210​θini​​

从而,logLn1,n2,n3,,,n210θML)L(n1,n2,n3,,,n210θ)\log \frac { L(n_{1},n_{2},n_{3},,,n_{210}|\theta^{ML}) } { L \left( n _ { 1 } , n _ { 2 } ,n_{3} , ,, n _ {210 } |\theta \right) }logL(n1​,n2​,n3​,,,n210​∣θ)L(n1​,n2​,n3​,,,n210​∣θML)​=logi=1210(θiML)nii=1210θini\log \frac { \prod _ { i = 1 } ^ { 2 1 0 } \left( \theta _ { i } ^ { M L } \right) ^ { n _ { i } } } { \prod _ { i = 1 } ^ { 210} \theta _ { i } ^ { n _ { i } } }log∏i=1210​θini​​∏i=1210​(θiML​)ni​​=i=1210nilogθiMLθi\sum _ { i = 1 } ^ { 210 } n _ { i } \log \frac { \theta _ { i } ^ { ML } } { \theta _ { i } }∑i=1210​ni​logθi​θiML​​
又因为
nin_{i}ni​/N=θiML\theta_{i}^{ML}θiML​
所以将nin_{i}ni​换掉,
i=1210nilogθiMLθi\sum _ { i = 1 } ^ { 210 } n _ { i } \log \frac { \theta _ { i } ^ { ML } } { \theta _ { i } }∑i=1210​ni​logθi​θiML​​ = Ni=1210θiMLlogθiMLθiN \sum _ { i = 1 } ^ { 210 } \theta _ { i } ^ { M L } \log \frac { \theta _ { i } ^ { M L } } { \theta _ { i } }N∑i=1210​θiML​logθi​θiML​​
我们可以发现:
i=1210θiMLlogθiMLθi\sum _ { i = 1 } ^ { 210 } \theta _ { i } ^ { M L } \log \frac { \theta _ { i } ^ { M L } } { \theta _ { i } }∑i=1210​θiML​logθi​θiML​​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(PQ)=iP(xi)logP(xi)Q(xi)H ( P \| Q ) = \sum _ { i } P \left( x _ { i } \right) \log \frac { P \left( x _ { i } \right) } { Q \left( x _ { i } \right) }H(P∥Q)=∑i​P(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\theta^{ML}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\sum _ { i = 1 } ^ { 210 } \theta _ { i }∑i=1210​θi​=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(n1n_{1}n1​,n2n_{2}n2​,n3n_{3}n3​,n210n_{210}n210​|θ\thetaθ)=N!i=1210ni!\frac { N ! } { \prod _ { i = 1 } ^ { 210 } n _ { i } ! }∏i=1210​ni​!N!​*i=1210θini\prod _ { i = 1 } ^ { 210 } \theta _ { i } ^ { n _ { i } }∏i=1210​θini​​
 构造Lagrange函数:
Lagrange(θ1\theta_{1}θ1​,θ2\theta_{2}θ2​,θ3\theta_{3}θ3​,θ210\theta_{210}θ210​,λ\lambdaλ)=L(n1n_{1}n1​,n2n_{2}n2​,n3n_{3}n3​,n210n_{210}n210​|θ\thetaθ)-λ\lambdaλ(i=1210θi\sum _ { i = 1 } ^ { 210 } \theta _ { i }∑i=1210​θi​ -1)
 对似然函数取对数:
Lagrange(θ1\theta_{1}θ1​,θ2\theta_{2}θ2​,θ3\theta_{3}θ3​,θ210\theta_{210}θ210​,λ\lambdaλ)=logN!i=1210ni!+i=1210nilogθi\log N ! - \sum _ { i = 1 } ^ { 210 } n _ { i } ! + \sum _ { i = 1 } ^ { 210 } n _ { i } \log \theta _ { i }logN!−∑i=1210​ni​!+∑i=1210​ni​logθi​-λ\lambdaλ(i=1210θi\sum _ { i = 1 } ^ { 210 } \theta _ { i }∑i=1210​θi​ -1)
  然后对Lagrange函数求关于θi\theta_{i}θi​的偏导:
Lagrange(θ1,,θ210,λ)θi\frac { \partial Lagrange \left( \theta _ { 1 } , \ldots , \theta _ { 210 } , \lambda \right) } { \partial \theta _ { i } }∂θi​∂Lagrange(θ1​,…,θ210​,λ)​=niθiλ\frac { n _ { i } } { \theta _ { i } } - \lambdaθi​ni​​−λ
  取极值时,导数为0:
niθiλ\frac { n _ { i } } { \theta _ { i } } - \lambdaθi​ni​​−λ=0
  故 niλ=θi\frac { n _ { i } } { \lambda } = \theta _ { i }λni​​=θi​
又因为 i=1210θi=i=1210niλ=1\sum _ { i = 1 } ^ { 210 } \theta _ { i } = \sum _ { i = 1 } ^ { 210 } \frac { n _ { i } } { \lambda } = 1∑i=1210​θi​=∑i=1210​λni​​=1
 故λ\lambdaλ=N
  故θi=niλ=niN\theta _ { i } = \frac { n _ { i } } { \lambda } = \frac { n _ { i } } { N }θi​=λni​​=Nni​​
  故可证:θi=niN=θiML\theta _ { i } = \frac { n _ { i } } { N }=\theta _ { i } ^ { ML }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。

双序列比对的理论基础之建造替换矩阵的合理性证明双序列比对的理论基础之建造替换矩阵的合理性证明 奋发秃强 发布了53 篇原创文章 · 获赞 13 · 访问量 9149 私信 关注
上一篇:【雷达通信】线性调频(LFM)脉冲压缩雷达matlab仿真


下一篇:雷达——雷达基本方程