숨은 마코프 모델에서 일반적인 런·패턴 분포 계산 방법

초록

본 논문은 관측 시퀀스가 주어졌을 때 숨은 상태 시퀀스 내 패턴(런, 경쟁 패턴, 일반화된 후속 패턴 등)의 확률 분포를 효율적으로 계산하는 일반적인 프레임워크를 제시한다. 고차 마코프 의존성을 허용하고, 보조 마코프 체인을 도입해 계산을 단순화한다. DNA CpG 섬 분석을 포함한 두 사례를 통해 방법의 실용성을 입증한다.

상세 분석

이 연구는 기존 HMM 이론에서 “관측값이 주어졌을 때 숨은 상태의 패턴이 발생했을 확률”을 구하는 네 번째 문제를 체계적으로 다룬다. 핵심 아이디어는 원래의 숨은 상태 시퀀스 {Xₜ} 를 확장하여 보조 마코프 체인 {Zₜ} 를 정의하고, 이 체인의 전이 행렬과 초기 분포를 이용해 패턴 발생 여부를 마코프 연쇄 상에서 추적하는 것이다. 이렇게 하면 복잡한 조건부 확률을 직접 계산할 필요 없이 전통적인 전방‑후방 알고리즘(α, β 변수)과 유사한 재귀식을 적용할 수 있다.

특히 논문은 다음과 같은 기술적 확장을 포함한다.

1. 고차 HMM 지원: 상태 전이가 m‑차 마코프 의존성을 가질 때, ˜Xₜ = (X_{t‑m+1},…,X_t) 로 정의된 확장 상태 공간을 사용해 전방·후방 변수 α_t(˜X_t), β_t(˜X_t)를 재귀적으로 계산한다. 이는 기존 1차 HMM 의 Baum‑Welch 알고리즘을 일반화한 형태이며, 계산 복잡도는 상태 공간 크기의 m‑제곱에 비례한다.
2. 패턴 클래스: 단순 패턴(특정 심볼 시퀀스), 복합 패턴(여러 단순 패턴의 합집합), 경쟁 패턴(c개의 복합 패턴 중 먼저 나타나는 것), 일반화된 후속 패턴(모든 패턴이 지정된 횟수만큼 나타난 뒤의 시간) 등 다양한 패턴 정의를 포괄한다. 각 패턴은 “대기 시간” W(Λ) 로 표현되며, 이 대기 시간의 분포를 구하는 것이 목표이다.
3. 카운팅 방식: 겹치지 않는 카운팅(SWNO, WPNO)과 겹치는 카운팅(Overlapping) 두 가지 방법을 명시적으로 구분한다. 이는 패턴이 부분적으로 겹칠 때 발생할 수 있는 중복 계산을 제어하며, 실제 생물학적 데이터에서 의미 있는 해석을 가능하게 한다.
4. 보조 마코프 체인 구성: 패턴 인식에 필요한 메모리(예: 현재까지 매치된 접두사 길이)를 상태에 포함시켜 새로운 마코프 체인을 만든다. 전이 확률은 원래 HMM 의 전이·발생 확률과 패턴 매칭 로직의 곱으로 정의되며, 이를 통해 전방·후방 변수에 패턴 존재 여부를 자연스럽게 통합한다.
5. 알고리즘 구현: 전방 재귀식(α)와 후방 재귀식(β)을 이용해 전체 관측 시퀀스 Y(1:T) 에 대한 조건부 확률 P(Y(T)) 를 구하고, 이후 특정 시간 T* ≥ T 에서 패턴이 발생할 확률을 누적한다. 대기 시간 분포는 합산된 α·β 값에 패턴 종료 상태를 곱해 얻는다.
6. 응용 사례: 첫 번째 예시는 지질학적 데이터에 간단한 런 패턴을 적용해 방법론을 시연한다. 두 번째 예시는 인간 DNA에서 CpG 섬을 탐지하는 복합 패턴 모델을 구축하고, Viterbi 경로와 달리 전체 조건부 분포를 이용해 섬의 개수·길이·간격 등에 대한 사후 확률을 추정한다. 특히 최소 섬 길이와 최소 간격 같은 생물학적 제약을 보조 체인에 포함시켜 현실적인 결과를 도출한다.

이러한 접근법은 HMM 기반 데이터 마이닝에서 “패턴 존재 여부를 확률적으로 평가”하는 새로운 도구를 제공한다. 기존에 Viterbi 경로에 의존해 단일 최적 상태 시퀀스를 사용하던 관행을 넘어, 전체 상태 공간을 통합적으로 고려함으로써 불확실성을 정량화하고, 특히 다중 최적 해가 존재하는 경우에 더 신뢰할 수 있는 추정치를 제공한다. 또한 고차 의존성을 자연스럽게 포함시켜, 생물학·음성인식·이미지 처리 등 다양한 분야에 바로 적용 가능하다.