ICON：针对含漂移时间轨迹的无限隐马尔可夫模型的一种改进

贝叶斯非参数方法近来已变革了数据科学中的新兴领域。无限隐马尔可夫模型（iHMM）就是这样一种有前景的方法，它推广了隐马尔可夫模型（HMM），而 HMM 本身已成为单分子数据分析中的主力工具。iHMM 超越了 HMM，因为它能自洽地学习 HMM 所学习的所有参数，并额外学习状态的数量，无需借助任何模型选择步骤。尽管 iHMM 具有通用性，但单分子时间轨迹中常见的简单特征（如漂移）会导致对漂移的过度解读并引入伪状态。在此，我们提出了一种 iHMM 的改进，能够处理源自一条或多条轨迹（例如 FRET）的含漂移数据。我们的全贝叶斯方法将 iHMM 与一个连续控制过程（漂移）耦合，该过程在学习 iHMM 确定的所有其他量（包括状态数）的同时被自洽地学习。该方法的一个关键优势在于，所有轨迹——无论漂移情况或各轨迹所访问的状态如何——现在都可以被同等对待，从而消除了依赖用户的轨迹筛选（基于漂移水平）、去除漂移的预处理以及对状态数的后处理模型选择。