一阶马尔可夫链在基因遗传中的应用
利用马尔可夫模型进行基因序列分析的教程(九)
利用马尔可夫模型进行基因序列分析的教程随着科技的不断发展，基因组学研究在生物学领域扮演着越来越重要的角色。
基因序列分析是基因组学研究的重要组成部分，它可以揭示基因的结构和功能，为疾病的研究和治疗提供重要参考。
马尔可夫模型是一种常用的序列分析工具，它在基因序列分析中有着广泛的应用。
本文将介绍如何利用马尔可夫模型进行基因序列分析。
1. 马尔可夫模型简介首先，我们来简单介绍一下马尔可夫模型。
马尔可夫模型是一种基于状态转移概率的数学模型，它可以描述状态序列的转移规律。
在基因序列分析中，我们可以将基因序列看作是由一系列基因组成的状态序列，而马尔可夫模型可以用来描述这些基因之间的转移概率。
这样一来，我们就可以利用马尔可夫模型来分析基因序列中的一些重要特征，比如基因的结构和功能。
2. 马尔可夫模型在基因序列分析中的应用接下来，我们将介绍一些马尔可夫模型在基因序列分析中的具体应用。
首先，马尔可夫模型可以用来预测基因序列中的一些重要结构，比如编码蛋白质的基因的起始子和终止子。
通过分析基因序列中的马尔可夫模型，我们可以发现这些结构的一些共性特征，从而帮助我们更好地理解基因的功能。
此外，马尔可夫模型还可以用来比较不同基因序列之间的相似性。
通过比较不同基因序列的马尔可夫模型，我们可以计算它们之间的相似性指标，从而帮助我们找出它们之间的一些共同特征。
这对于研究基因之间的进化关系非常有帮助。
3. 利用马尔可夫模型进行基因序列分析的具体步骤最后，我们将介绍一下利用马尔可夫模型进行基因序列分析的具体步骤。
首先，我们需要选择一个合适的马尔可夫模型，这通常包括选择模型的阶数和状态空间。
然后，我们需要根据基因序列的特点，来估计马尔可夫模型的参数。
这包括计算状态转移概率矩阵和初始状态分布。
最后，我们可以利用估计的马尔可夫模型来进行基因序列分析，比如预测基因结构和比较基因序列的相似性。
总结马尔可夫模型是一种强大的工具，它在基因序列分析中有着广泛的应用。
遗传算法的马尔可夫模型
遗传算法的马尔可夫模型
遗传算法是一种优化算法，其中马尔可夫模型可以被应用于遗传
算法的进化过程。
马尔可夫模型是一种随机过程模型，它基于状态转移概率建立状
态间的转移关系。
在遗传算法中，马尔可夫模型可以用来描述遗传信
息的演化过程。
在遗传算法中，个体的基因组合可以被看作是一个状态空间，而
状态转移概率可以被视为基因的变异和交叉操作。
通过马尔可夫模型，我们可以建立基因变异和交叉的转换概率矩阵，从而描述基因的演化
过程。
通过马尔可夫模型，可以在遗传算法的优化过程中，根据个体的
当前状态和环境条件，预测下一个状态的概率。
这有助于确定下一代
个体的选择和生成方式，从而提高优化过程的效率和收敛性。
总之，马尔可夫模型是遗传算法中一种重要的建模工具，它可以
描述个体基因信息的演化过程，并为优化过程提供指导。
通过合理利
用马尔可夫模型，我们可以更加有效地设计和改进遗传算法，以解决
各种优化问题。
利用马尔可夫模型进行基因序列分析的教程(五)
基因序列分析是生物信息学领域的重要研究内容之一。
利用马尔可夫模型进行基因序列分析可以帮助研究者理解基因的结构和功能，从而为疾病的治疗和预防提供重要的信息。
本文将介绍利用马尔可夫模型进行基因序列分析的基本原理和方法，希望读者能够通过本文了解基因序列分析的基本知识，并能够在实际研究中应用马尔可夫模型进行基因序列分析。
1. 马尔可夫模型简介马尔可夫模型是一种描述随机过程的数学模型，它具有“马尔可夫性质”，即未来的状态仅仅取决于当前的状态，与过去的状态无关。
在基因序列分析中，可以利用马尔可夫模型描述DNA序列中碱基的分布规律，从而推断基因的结构和功能。
2. 马尔可夫模型在基因序列分析中的应用在基因序列分析中，马尔可夫模型通常被用来预测DNA序列中的隐含Markov 模型和隐含马尔可夫模型，以及用在基因识别中。
通过对已知基因序列的训练，可以建立马尔可夫模型，然后利用该模型对未知的基因序列进行预测和分析。
3. 利用马尔可夫模型进行DNA序列的建模在利用马尔可夫模型进行基因序列分析时，首先需要对DNA序列进行建模。
通常情况下，可以将DNA序列中的碱基分为四类：A、C、G和T。
然后，可以利用马尔可夫模型描述碱基之间的转移概率。
以二阶马尔可夫模型为例，可以建立一个4*4的矩阵，表示从一个碱基转移到另一个碱基的概率。
4. 马尔可夫模型参数的估计在建立马尔可夫模型之后，需要对模型的参数进行估计。
参数估计的方法通常包括极大似然估计和贝叶斯估计。
通过对已知的训练数据进行统计分析，可以估计马尔可夫模型中的转移概率和初始状态概率。
5. 利用马尔可夫模型进行基因识别基因识别是基因序列分析的重要任务之一。
利用马尔可夫模型可以对DNA序列进行分析，从而识别其中的基因区域。
通过对DNA序列进行标记，可以利用马尔可夫模型进行概率推断，从而识别基因区域和非基因区域。
6. 马尔可夫模型在基因序列比对中的应用除了基因识别外，马尔可夫模型还可以应用于基因序列比对。
马尔可夫链计算方法在遗传变异预测中的应用效果考量
马尔可夫链计算方法在遗传变异预测中的应用效果考量引言遗传变异是指基因或染色体中的DNA序列发生了变化。
对于生物进化和遗传发育等过程具有重要意义。
准确预测遗传变异是遗传学和生物学研究的关键问题之一。
然而，由于传统的实验方法受限于成本和效率，基于计算模型的预测方法成为了研究的热点。
马尔可夫链计算方法作为一种重要的预测模型，在遗传变异预测中具有广泛的应用。
本文将考察马尔可夫链计算方法在遗传变异预测中的应用效果，并讨论其优势与局限性。
一、马尔可夫链基本原理马尔可夫链是一种离散时间和状态的随机过程，其基本原理是一种概率模型，描述了在给定当前状态下，从一个状态到另一个状态的转移概率。
它遵循“马尔可夫性”，即下一个状态的概率只取决于当前状态，与过去的状态无关。
马尔可夫链的状态空间可以是有限的或无限的。
二、马尔可夫链在遗传变异预测中的应用1. 马尔可夫链模型对序列分析的应用马尔可夫链模型可以用于分析DNA或RNA序列中的遗传变异。
通过建立序列的马尔可夫模型，可以预测序列中特定基因或氨基酸的出现概率，从而揭示可能的遗传变异。
例如，在细菌基因组序列中，马尔可夫链模型可以预测不同类型的基因功能区域，如启动子、编码区和终止子。
这种预测有助于理解基因组的结构和功能，为生命科学研究提供重要信息。
2. 马尔可夫链模型在遗传疾病风险预测中的应用马尔可夫链模型还可以用于预测遗传疾病的风险。
通过分析家族病史和基因序列数据，可以建立基因突变的马尔可夫模型。
该模型可以计算一个人遗传疾病的患病风险，从而帮助医生和患者做出相应的防治措施。
这在遗传咨询和个性化医学中具有重要的应用前景。
3. 马尔可夫链模型在群体遗传变异分析中的应用马尔可夫链模型还可以用于分析群体遗传变异的模式和动态。
通过建立群体的马尔可夫模型，可以预测群体的遗传变异趋势和演化方向。
这对于理解物种的遗传多样性、种群分化和进化等问题具有重要意义。
例如，在人类遗传变异研究中，马尔可夫链模型可以帮助揭示人类种群的历史演化和迁移路径。
利用马尔可夫模型进行基因序列分析的教程(七)
利用马尔可夫模型进行基因序列分析的教程基因序列是生物体内遗传信息的载体，对基因序列的分析可以帮助我们理解生物体的遗传特征，甚至可以为医学研究和生物工程领域提供重要的信息。
马尔可夫模型是一种用于分析序列数据的数学模型，它可以帮助我们理解序列数据的内在规律，对基因序列的分析中有着重要的应用。
本文将介绍利用马尔可夫模型进行基因序列分析的基本原理和方法。
基因序列可以被看作是由A、T、C、G四种碱基组成的序列，马尔可夫模型可以帮助我们理解这些碱基之间的相关性。
一阶马尔可夫模型假设当前的状态只与前一个状态有关，这在基因序列分析中意味着当前位置的碱基只与前一个位置的碱基有关。
我们可以通过建立基因序列的马尔可夫模型，来研究碱基之间的转移规律和相关性。
首先，我们需要对基因序列进行建模。
假设我们有一个基因序列“ATGCTA”，我们可以将其表示为一个状态序列，其中每个状态代表一个碱基。
然后我们可以统计每个碱基出现的频次，得到转移矩阵。
转移矩阵描述了从一个状态到另一个状态的转移概率，它可以帮助我们理解碱基之间的相关性和转移规律。
接下来，我们可以利用马尔可夫模型进行基因序列的分析。
通过计算马尔可夫链的平稳分布，我们可以得到每种碱基在基因序列中的出现概率。
这可以帮助我们理解基因序列的组成规律和特点。
此外，我们还可以利用马尔可夫模型进行基因序列的预测。
给定一个初始状态和马尔可夫链的转移矩阵，我们可以预测基因序列的未来状态，从而理解基因序列的发展趋势和特点。
除了一阶马尔可夫模型，我们还可以考虑更高阶的马尔可夫模型。
高阶马尔可夫模型考虑了当前状态与前几个状态的相关性，它可以更准确地描述基因序列中碱基之间的相关性和转移规律。
通过建立高阶马尔可夫模型，我们可以更深入地理解基因序列的特点和规律。
在基因序列分析中，马尔可夫模型还可以与其他的数学模型相结合，进行更深入的分析。
例如，我们可以将马尔可夫模型与隐马尔可夫模型相结合，用于基因序列的识别和预测。
马氏链模型在基因遗传中的应用
马氏链模型在基因遗传中的应用摘要：马尔可夫模型是研究离散时间、离散状态随机转移过程的有力工具。
本文利用状态转移的无后效性，通过定义状态和状态概率构造转移概率矩阵建立马氏模型，并讨论此模型在基因遗传中的应用。
关键词：马尔可夫模型；概率矩阵；基因遗传1 引言随着科技的进步，人们为了提高产量，越来越注重遗传学的研究。
豆子的茎秆有黄有绿，猪的毛有白有黑，人类会出现色盲等先天性疾病，这些都是基因遗传的结果。
无论是人，还是动植物的基因从一代到下一代的转移都是随机的，并且无后效性，于是马氏链成为遗传学的工具。
本文将利用马氏链建立一个属于完全优势基因遗传的模型，并讨论该模型在基因遗传中的应用。
2 模型的建立在自然界中，生物个体的遗传特征是由两个基因决定的，用A表示优势基因，用a表示劣势基因。
于是个体就有三种基因类型，即是两个优势基因AA，称为优种，优势基因与劣势基因各一个Aa，称为混种，两个劣势基因aa，称为劣种。
若个体的基因类型为优种或混种时，外部特征为优势，如豆子的茎秆是绿色，个体的基因类型为劣种时，外部特征是劣势，如豆子的茎秆是黄色。
生物繁殖时，一个后代从父本和母本中各继承一个基因，即后代属于哪一种基因类型完全由父母的基因类型决定，与再上一代的基因类型无关，满足马氏链模型中的无后效性。
下面利用马尔可夫模型来比较一下混种繁殖和优种繁殖两种繁殖形式，哪种更好?在繁殖的过程中用一混种与一个个体交配，所得后代仍用混种交配，如此继续下去，称为混种繁殖。
建立马氏链模型描述在混种繁殖下各代具有三种基因类型的概率，并讨论稳态情况。
用基因类型优种AA（第一种），混种Aa（第二种）和劣种aa（第三种）定义状态，状态概率表示第代个体具有第种基因类型的概率，记作。
当用混种Aa与优种AA交配时，后代的基因类型只能是AA和Aa，其概率各为½，当用混种Aa与Aa交配时，后代的基因类型可以是AA，Aa和aa，其概率分别为¼，½，¼，当用混种Aa与劣种aa交配时，后代的基因类型只能是Aa 和aa，其概率各为½，由此可以写出转移概率矩阵为设初始混种与优种交配，即，由（，为转移概率矩阵）式计算任意时段的状态概率，计算结果如下表，混种繁殖下三种基因类型的状态概率（初始与优种交配）由此表可以看出，当时，表明经过足够多代繁殖以后，优种、混种、劣种的比例接近于下面我们通过计算验证这个猜想。
马尔可夫链的基本概念与应用
马尔可夫链的基本概念与应用随机过程是用来描述随机事件演变的数学模型。
在现实生活中，很多情况下的随机事件都有时间上的相关性，也就是说当前的随机事件决定于之前的一些随机事件，这就涉及到了马尔可夫链。
马尔可夫链是序列上的随机过程，具有马尔可夫性质，即未来状态只由当前状态决定，而与之前的状态无关。
马尔可夫链的概念和应用在各个领域都有广泛的应用。
本文将从基本概念和应用两个方面介绍马尔可夫链。
一、基本概念马尔可夫链是一个由若干个状态及其转移概率组成的随机过程。
若状态空间为S={s1,s2,...,sn}，则一个马尔可夫链可以表示为一个n×n的矩阵P={pij}，其中pij表示转移从状态si到状态sj的概率。
一般来说，一个马尔可夫链从某一个状态开始，每一次转移是根据概率分布进行的，而且每次的转移只依赖于当前状态，而不依赖于之前的状态。
这也就是说，如果我们知道当前状态，就可以确定下一步的状态。
马尔可夫链的一个重要概念是状态转移矩阵。
状态转移矩阵是指某一时刻处于一个状态，下一时刻转移到另一个状态的所有可能性的概率矩阵。
在状态转移矩阵中，每一个元素pij表示从状态i 转移到状态 j 的概率。
状态转移矩阵是唯一的，因为每个状态只有一种可能的下一个状态。
马尔可夫链是一种随机过程，因此它的演化具有随机性。
由于其状态转移矩阵具有随机性，所以我们可以通过模拟来预测其未来的状态。
在模拟马尔可夫链时，我们需要一个状态转移矩阵和一个初始状态。
然后，根据初始状态和状态转移矩阵，我们可以生成整个马尔可夫链的状态序列。
二、应用马尔可夫链在各个领域都有广泛的应用。
以下是一些典型的应用。
1.自然语言处理在自然语言处理中，马尔可夫链被广泛用于以下场景：文本生成、词性标注、语音识别、机器翻译等等。
其中，最常见的应用是文本生成。
文本生成是指通过某种方式生成一段看似自然的、有意义的文本，而马尔可夫链是一种被广泛应用于文本生成的方法。
马尔可夫链生成文本的基本思路是：通过一个有限的语料库训练出一个马尔可夫模型，然后随机生成一些文本，最后通过概率分布进行筛选，从而得到一些看似自然的、有意义的文本。
使用马尔科夫链进行DNA序列分析的技巧(九)
DNA序列是构成生物遗传信息的重要组成部分，其分析对于揭示生物遗传信息的规律和特征具有重要意义。
马尔科夫链是一种数学工具，被广泛应用于DNA序列分析中。
本文将介绍使用马尔科夫链进行DNA序列分析的技巧。
1. 马尔科夫链简介马尔科夫链是一种随机过程，具有“马尔科夫性质”，即下一个状态的概率只依赖于当前状态，与过去的状态无关。
在DNA序列分析中，我们可以将碱基的排列看作一个马尔科夫链，每个碱基作为一个状态，转换概率则代表了不同碱基之间的转换关系。
利用马尔科夫链的性质，我们可以对DNA序列的特征进行建模和分析。
2. 马尔科夫链在基因预测中的应用基因是DNA序列中的功能单位，基因预测是DNA序列分析的重要任务之一。
利用马尔科夫链，可以建立基因识别模型，通过计算DNA序列中不同区域的转换概率，来判断该区域是否为基因。
通过训练大量已知基因的DNA序列，可以建立一个准确的基因识别模型，从而对未知DNA序列进行基因预测。
3. 马尔科夫链在序列比对中的应用序列比对是DNA序列分析中的常用技术，用于寻找不同DNA序列之间的相似性和差异性。
马尔科夫链可以用来构建序列比对算法，通过计算DNA序列中不同区域的转换概率，来寻找相似的序列片段。
利用马尔科夫链进行序列比对，可以提高比对的准确性和效率。
4. 马尔科夫链在DNA序列模式识别中的应用DNA序列中存在许多重要的模式，如启动子、终止子等。
利用马尔科夫链，可以建立模式识别模型，来识别DNA序列中的不同模式。
通过训练大量已知模式的DNA序列，可以建立一个准确的模式识别模型，从而对未知DNA序列进行模式识别。
5. 马尔科夫链在进化分析中的应用DNA序列的变异和进化是生物遗传信息的重要特征，马尔科夫链可以用来建立DNA序列的进化模型，从而揭示DNA序列的进化规律和特征。
利用马尔科夫链进行进化分析，可以帮助我们更好地理解生物遗传信息的演化过程。
结语马尔科夫链作为一种重要的数学工具，在DNA序列分析中具有重要的应用价值。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
文 章编 号 ：６ ２— ５ Ｘ（０ ０Ｊ４— ３ １— ３ １ ７ ０ ８ ２ １ ０ ０ ４ ０
一
阶 马 尔 可 夫 链 在 基 因 遗 传 中 的 应 用
樊 宏 亮
（ 四川农业大学 生命科学与理学 院，四川 雅安 ６ ５ １ ） ２ ０ ４
摘
要 ： 临床 上 ， 个 家 系中如果 同时存在 两种 单基 因病 ， 在 一 而控 制 这 两种 单基 因病 的致 病 基 因位 于不
的是位于非同源染色体上基因， 父母 的基 因类型决定后代 的基 因类型 ， 而基 因在遗传时随代数的递增 ， 基因
比例 也就 趋于 一种 相对 稳态 。用 一 阶马尔 可夫链模 型对 非 同源 染色 体 上 的基 因进 行 了分 析 ， 到 基 因 的遗 得
传规律趋于相对稳态。并进一步运用此模型对常染色体上的传染疾病进行 了预测 ， 为控制常染色体遗传病
２ 基 因类 型 描述
生物 的表 型 由相 应 的基 因决 定 ， 因分 显性 基 因 ｄ和 隐性基 因 ｒ 基 两种 。每 种表 型 由两个 基 因决定 ， 个 每 基 因可 以是 ｄ ｒ ， 中任一个 。于是形 成 了 ３种基 因型 ： 显性 纯合 体 Ｄ（ ） 杂 合体 日（ ） 隐性 纯 合体 Ｒ（ｒ ， ， ｒ） 基 因型为显 性纯 合体 和杂合 体 时表征 呈 显性 ， 因类 型 为 隐性 纯 合 体 时 ， 基 表形 成 隐性 。生 物 繁 殖 时后 代 以 随机概 率继 承父母 的各 一个 基 因型 ， 成后代 的基 因。父母 的基 因类 型决 定后 代 基 因型 的概率 。群体 中雄 形
过程 。
定 义 ： 有 以下两 个性 质 的马尔 可夫 过程 称为 马尔 可夫链 ： 具 （ ）无 后效 性 ， １ 即系统 的第 ｎ次 实验 结果 出现 的状 态 只与第 （ ｎ一１ 次 时 的状 态有 关 ，而与 它 以前 的状 ）
态无关 ；
（ ）具 有稳 定性 ， ２ 该过 程逐 渐趋 于稳 定状态 ， 初始 状态 无关 。 与 若 齐次 马 氏链 的 ｋ步转移 矩 阵 Ｐ（ ） ｋ 在 一 ∞ 的极 限矩 阵存 在 ， 为ｌ 记 ｉ ￣ ｌ 是一 个 随 机矩 阵 。该 ｍＰ，ｌｍＰ Ｊ ｉ 随机矩 阵也是 一个 转移 矩 阵 ， 对任 意 的 自然 数 ｎ 都 有 （ｉ ＝ｌ 且 ， １ ｍＰ） ｉ ｍＰ。若 齐次 马 氏链 的 ｋ步 转 移 矩 阵 Ｐ （） ｋ 的极 限矩 阵存在 ， 随着 系统 的不 断 演化 ， 终 系 统状 态 之 问 的转 移 概 率保 持 不 变 ， 则 最 系统 体 现 出统 计 规 律性 的特征 ， 演化 为一个 稳定 的系统 。为方 便起 见 ， 在实 际 问题 中经 常 考虑 有 限个 状 态 的齐 次 马 氏链 ， 们 它 的 ｋ步转移 矩 阵 的极 限矩 阵存 在 ， 处涉 及 的都是 这一 类 系统 。 此
提供 便利 。
１ 一 阶马 尔可 夫 链 原 理
马尔 可夫链 模 型是 以俄 国数 学 家 Ｍａｋｖ的名 字命 名 的一 种 动态 随机 数学 模 型 ，它通 过 分析 随机 变量 ｒｏ 现时 的运 动情况 来预 测这 些变 量未来 的运 动 情 况 。设 考察 对 象 为 一包 含 Ⅳ 个 状 态 且 状态 问两 两互 斥 的 系 统， 系统从 一个 状态转 移 到另一 状态 的过程 为状 态转 移 ， 整个 系统 不 断 实 现状 态 转 移 的过程 称 为 马 尔 可夫
（： ｓ ， ５ ’ ，＝ ，， ３则： ５ …， ）ｋ １２…，； ，
Ｐ Ｐ ２ Ｊ Ｊ １
Ｊ（） ＝ Ｓ（） ｓ ０
Ｐ２ １ 尸２ ２ Ｐｌ， ＾ Ｐ２ Ⅳ
；
ｉ
；
ＰＮ Ｎ
ＪⅣ Ｐ舵 Ｐ１
此 式 即为马 尔可夫 预测模 型 ， 系统在 经 过 ｋ次转 移后 的状态 ｓ 只取决 于初 始状 态 ｓ。和转移矩 阵 Ｐ 。 ‘ ‘ ’
性、 雌性的比例相等， 基因型的分布相同（ 记作 Ｄ： ： 。每一雄性个体以 Ｄ： Ｒ的概率与一个雌性个体交 ） ：
收 稿 日期 ：０ ０— ４—１ 修 回 日期 ：０ ０— ５—１ 。 ２１ ０ ２； ２１ ０ ０
作者简介 ： 樊宏亮 （ ９７一） 男 ， １８ ， 内蒙古呼和浩特市人 ， 本科在读 ， 从事概率统计 、 生物信息 工程研究 。
３２ ４
重庆工商大学学报（自然科学版）
第２ ７卷
马尔可夫链 模 型如 下 ： 设 系统在 ｋ＝ ｏ时 的初 始 状态 Ｓ ＝ （ Ｌ叭， ， ’ ∞ ．∽， … ｓ ）为 已知 ， 过 ｋ次转 移 后 的状 态 向量 Ｓ ’＝ ｓ ｓ 经
第２ ７卷 第 ４期
Ｖ０． ７ ＮＯ． １２ ４
重 庆工 商 大学 学报 （ 自然科 学版 ）
ＪＣ ｏｇ ｉｇＴｃ ｎｌ ｕｉ ｓ Ｕ ｉ （ ａ Ｓ ｉ ｄ ｈｎｑｎ ｅｈ ｏ Ｂ ｓ ｅｓ ｎｖ Ｎ ｔ ｃ Ｅ ） ｎ ．
２１ ０ ０年 ８月
Ａｕ ． ０１ ｇ２ ０
中 图分 类号 ： ２ １ ６ Ｏ １ ．２
文献 标志 码 ： Ａ
人类 两种 单基 因性 状或 单基 因病伴 随 遗传 的现 象是 普遍 存 在 的 ， 当一 个家 系 中同 时存 在两 种 单基 因病 时， 首先 要确定 控 制这两 种单 基 因病 的基 因是 位 于一 对 同源 染 色体 上 ， 是位 于非 同源 染 色体 上 。现 分 析 还
同的染 色体 ， 即非 同源染 色体上 ， 遗传 方式符 合 自由组合 定律 制 。根 据 基 因在 遗传 时趋 于稳 态 的情 况 ， 其 运
用马 尔可 夫模 型 对非 同源染 色体 体 上 的基 因类型进 行 分析 ， 为控 制 常 染 色体遗 传病提 供 预测 。 并
关 键词 ： 尔可夫链 ； 因遗 传 ； 马 基 预测