4TABLE DES MATIÈRES
3.1.3 Analyse bayésienne d’images . . . . . . . . . . . . . . . 92
3.1.4 Chaînes chauffées . . . . . . . . . . . . . . . . . . . . . 93
3.2 Simulation de la probabilité invariante . . . . . . . . . . . . . 94
3.2.1 Simulation parfaite . . . . . . . . . . . . . . . . . . . . 95
3.2.2 Couplage depuis le passé . . . . . . . . . . . . . . . . . 99
3.3 Vitese de convergence . . . . . . . . . . . . . . . . . . . . . . . 101
3.4 Le recuit simulé . . . . . . . . . . . . . . . . . . . . . . . . . . 105
3.5 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 107
4 Chaînes de Markov et génome 111
4.1 Comment lire l’ADN ? . . . . . . . . . . . . . . . . . . . . . . 111
4.1.1 Les ilôts cpg . . . . . . . . . . . . . . . . . . . . . . . . 112
4.1.2 Recherche de gènes . . . . . . . . . . . . . . . . . . . . 113
4.2 Le modèle i.i.d . . . . . . . . . . . . . . . . . . . . . . . . . . 113
4.3 Le modèle de Markov . . . . . . . . . . . . . . . . . . . . . . . 115
4.3.1 Application aux ilôts cpg . . . . . . . . . . . . . . . . . 115
4.3.2 Recherche de gènes . . . . . . . . . . . . . . . . . . . . 116
4.3.3 Statistique des chaînes de Markov Mk . . . . . . . . . 117
4.3.4 Chaîne de Markov phasée . . . . . . . . . . . . . . . . 118
4.3.5 Chaîne de Markov localement homogène . . . . . . . . 118
4.4 Chaîne de Markov cachée . . . . . . . . . . . . . . . . . . . . . 119
4.4.1 Calcul de la vraisemblance . . . . . . . . . . . . . . . . 121
4.4.2 L’algorithme de Viterbi . . . . . . . . . . . . . . . . . . 122
4.4.3 Estimation des paramètres . . . . . . . . . . . . . . . . 123
4.5 Modèle semi–markovien caché . . . . . . . . . . . . . . . . . . 129
4.5.1 Les limites du modèle de Markov caché . . . . . . . . . 129
4.5.2 Chaîne semi–markovienne . . . . . . . . . . . . . . . . 130
4.5.3 Le modèle semi–markovien caché . . . . . . . . . . . . 131
4.5.4 Viterbi semi–markovien . . . . . . . . . . . . . . . . . 132
4.5.5 Recherche de gènes . . . . . . . . . . . . . . . . . . . . 133
4.6 Alignement de deux séquences . . . . . . . . . . . . . . . . . . 136
4.6.1 Algorithme de Needleman–Wunsch . . . . . . . . . . . 137
4.6.2 Chaîne de Markov cachée . . . . . . . . . . . . . . . . 138
4.6.3 Loi a posteriori de l’alignement . . . . . . . . . . . . . 142
4.6.4 Probabilité a posteriori . . . . . . . . . . . . . . . . . . 144
4.7 Un algorithme d’alignement multiple . . . . . . . . . . . . . . 146
4.8 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 148