PWM 与 PSSM

快速概览

PWM（位置权重矩阵）和 PSSM（位置特异打分矩阵）是 motif 的核心表示方法：它们通过位置相关的统计权重，使得我们可以对任意候选片段计算'像不像这个 motif'的得分。

PWM 是基于对数比值的打分矩阵，PSSM 是其应用形式
核心思想是用背景概率归一化，突出 motif 的统计特征
它是 motif 扫描和序列 logo 可视化的基础

所属板块 核心方法

索引、比对、组装与概率模型构成的核心算法主轴。

阅读目标 帮助建立阅读上下文

先判断这页与你当前问题的关系，再决定是否深入展开。

建议前置 先建立相关基础对象与方法直觉

建议先建立相关基础对象与方法直觉，再进入本页。

是什么

PWM（Position Weight Matrix，位置权重矩阵）和 PSSM（Position-Specific Scoring Matrix，位置特异打分矩阵）是描述序列 motif 的经典表示方式。

它们的核心思想是：一个 motif 不是要求每个位置都完全一样，而是允许每个位置对不同字符有不同偏好。

要解决什么生物信息学问题

很多真实序列模式并不是”固定字符串”，而是：

某些位置非常保守；
某些位置允许多种字符；
整体上呈现统计偏好而不是绝对规则。

PWM / PSSM 让我们可以用矩阵形式刻画这种偏好，并用一个统一框架来”打分”候选序列片段。

数学模型

从 PFM 到 PWM

给定位置频率矩阵 PFM，其中 $f_{i,c}$ 表示位置 $i$ 上字符 $c$ 的频率，PWM 的定义为：

w_\{i,c\} = \log_2\left(\frac\{f_\{i,c\}\}\{b_c\}\right)

其中：

$w_{i,c}$ 是位置 $i$ 上字符 $c$ 的权重
$f_{i,c}$ 是位置 $i$ 上字符 $c$ 的频率
$b_c$ 是字符 $c$ 的背景频率

为了避免零概率，通常使用伪计数：

\tilde\{f\}_\{i,c\} = \frac\{\text\{count\}_\{i,c\} + \alpha\}\{N + 4\alpha\}

w_\{i,c\} = \log_2\left(\frac\{\tilde\{f\}_\{i,c\}\}\{b_c\}\right)

PSSM 打分

对于候选序列片段 $s = s_1s_2...s_L$ ，其 PSSM 得分为：

\text\{score\}(s) = \sum_\{i=1\}^\{L\} w_\{i,s_i\}

概率解释

PSSM 得分可以理解为对数似然比：

\text\{score\}(s) = \log_2\left(\frac\{P(s|\text\{motif\})\}\{P(s|\text\{background\})\}\right)

其中：

$P(s|\text{motif}) = \prod_{i=1}^{L} f_{i,s_i}$ 是 motif 模型下的序列概率
$P(s|\text{background}) = \prod_{i=1}^{L} b_{s_i}$ 是背景模型下的序列概率

得分越高，说明序列越像由 motif 生成，而非随机背景。

算法步骤

构建 PWM

算法1：从 PFM 构建 PWM

输入：PFM（或原始计数），背景频率 b_c，伪计数 α
输出：PWM

1. for i = 1 to L:
     for each character c ∈ \{A, C, G, T\}:
        f_ic = (PFM[i][c] + α) / (N + 4α)
        PWM[i][c] = log₂(f_ic / b_c)
2. return PWM

时间复杂度：O(L)

PSSM 扫描

算法2：使用 PSSM 扫描序列

输入：PWM，序列 seq，motif 长度 L
输出：每个起始位置的得分

1. for pos = 1 to (|seq| - L + 1):
     score = 0
     for i = 1 to L:
        c = seq[pos + i - 1]
        score += PWM[i][c]
     output score at position pos

时间复杂度：O(|seq| · L)

阈值选择

常用阈值选择方法：

固定阈值：根据经验设定
百分位数阈值：在随机序列上计算得分分布，选择 top p%
FDR 控制：根据假发现率调整阈值
基于 p-value：计算每个得分的统计显著性

示例

示例数据

假设我们有以下 5 个 motif 实例：

TATAAA
TATGAA
TATAAT
TATCAA
TATAAA

步骤 1：构建 PFM

统计每个位置上各碱基的出现次数：

位置	A	C	T	总计
1	0	0	5	5
2	5	0	0	5
3	0	0	5	5
4	4	1	0	5
5	5	0	0	5
6	4	0	1	5

步骤 2：转换为频率

使用伪计数 α = 0.5，N = 5：

\tilde\{f\}_\{i,c\} = \frac\{\text\{count\}_\{i,c\} + 0.5\}\{5 + 4 \times 0.5\} = \frac\{\text\{count\}_\{i,c\} + 0.5\}\{7\}

对于位置 1，碱基 T：

\tilde\{f\}_\{1,T\} = \frac\{5 + 0.5\}\{7\} = \frac\{5.5\}\{7\} \approx 0.786

对于位置 1，碱基 A：

\tilde\{f\}_\{1,A\} = \frac\{0 + 0.5\}\{7\} = \frac\{0.5\}\{7\} \approx 0.071

步骤 3：构建 PWM

假设背景频率 $b_A = b_C = b_G = b_T = 0.25$ ：

w_\{i,c\} = \log_2\left(\frac\{\tilde\{f\}_\{i,c\}\}\{0.25\}\right)

对于位置 1，碱基 T：

w_\{1,T\} = \log_2\left(\frac\{0.786\}\{0.25\}\right) = \log_2(3.144) \approx 1.65

对于位置 1，碱基 A：

w_\{1,A\} = \log_2\left(\frac\{0.071\}\{0.25\}\right) = \log_2(0.284) \approx -1.82

完整 PWM：

位置	A	C	G	T
1	-1.82	-1.82	-1.82	1.65
2	1.65	-1.82	-1.82	-1.82
3	-1.82	-1.82	-1.82	1.65
4	0.85	-1.82	-1.82	-1.82
5	1.65	-1.82	-1.82	-1.82
6	0.85	-1.82	-1.82	-1.82

步骤 4：扫描候选序列

候选序列 1：TATAAA

\text\{score\} = w_\{1,T\} + w_\{2,A\} + w_\{3,T\} + w_\{4,A\} + w_\{5,A\} + w_\{6,A\}

= 1.65 + 1.65 + 1.65 + 0.85 + 1.65 + 0.85 = 8.30

候选序列 2：CGCGCG

\text\{score\} = w_\{1,C\} + w_\{2,G\} + w_\{3,C\} + w_\{4,G\} + w_\{5,C\} + w_\{6,G\}

= (-1.82) + (-1.82) + (-1.82) + (-1.82) + (-1.82) + (-1.82) = -10.92

候选序列 3：TATGAA

\text\{score\} = 1.65 + 1.65 + 1.65 + (-1.82) + 1.65 + 0.85 = 6.63

显然 TATAAA 得分最高，最像该 motif。

复杂度分析

时间复杂度

构建 PWM：O(L)，L 是 motif 长度
扫描序列：O(M · L)，M 是序列长度
全基因组扫描：对于长度为 G 的基因组，复杂度为 O(G · L)

空间复杂度

PWM 存储：O(L · 4) = O(L)
扫描时临时空间：O(L)

与真实工具或流程的连接

这类表示广泛用于：

motif 扫描；
转录因子结合位点分析；
profile-style 模式识别；
作为更复杂概率模型（如 profile HMM）的基础直觉。

在实际流程中，你往往会看到：

从 motif discovery 工具输出的 PFM/PWM；
使用 PSSM 进行 genome-wide 扫描，给出高分候选位点；
再结合进化保守性、表达数据和实验验证进行过滤。