8.9 ¿Qué hemos aprendido?

Usando el marco computacional básico proporcionado por Hidden Markov Models, hemos aprendido a inferir el conjunto más probable de estados ocultos subyacentes a una secuencia de caracteres observados. En particular, una combinación de los algoritmos hacia adelante y hacia atrás permitió una forma de esta inferencia, es decir, la decodificación posterior, en el tiempo O (KN ²). También aprendimos cómo se puede usar el aprendizaje no supervisado o supervisado para identificar los mejores parámetros para un HMM cuando se proporciona un conjunto de datos sin etiquetar o etiquetado. La combinación de estos métodos de decodificación y estimación de parámetros permite la aplicación de HMM a una amplia variedad de problemas en biología computacional, de los cuales la isla CpG y la identificación génica forman un pequeño subconjunto. Dada la flexibilidad y el poder analítico que proporcionan los HMM, estos métodos jugarán un papel importante en la biología computacional en el futuro previsible.