近日，国际学术期刊《生物信息学》（Bioinformatics）在线发表了中国科学院上海生命科学研究院生物化学与细胞生物学研究所系统生物学重点实验室陈洛南研究组的一项最新研究成果。该研究题为《通过隐马尔科夫模型检测复杂生物系统相变前的临界状态》，提出了一种基于隐马尔科夫模型的新方法，用于预测复杂生物系统动态发展过程中的临界状态。

复杂系统的临界状态预测一直是生命科学、环境科学以及金融学等多个领域的研究热点。随着大数据技术的快速发展，科学家们开始探索利用数据分析方法来识别临界状态的标志物。然而，现实中的复杂系统通常具有以下特点：容易受到外界噪声干扰、临界点前缺乏明显表型或特征，以及个体差异的存在使得普适性标志物难以确定。因此，如何利用个体的时序动态信息，准确预测系统状态的临界点，成为一个重要的研究方向。

针对这一挑战，陈洛南研究组与华南理工大学刘锐研究组合作开发了一种基于隐马尔科夫模型的新方法。该方法通过分析生物过程的时序数据，将动态过程划分为三个阶段：转移前状态、临界状态和转移后状态。转移前状态和转移后状态被视为平稳的马尔科夫过程，而临界状态则被视为一个时变的马尔科夫过程。通过探测转移前状态的终点，研究人员能够捕捉到临界现象发生的预警信号。

该方法采用机器学习中的非监督学习算法，具有高效性、稳定性强以及仅依赖个体动态数据等优势。研究团队成功将这一方法应用于三组生物数据，包括小鼠肺部急性伤害、MCF-7乳腺癌以及肝部肿瘤的临界期预测，均取得了显著成果。

该研究得到了中国科学院和国家自然科学基金委的经费支持，展示了隐马尔科夫模型在复杂生物系统动态分析中的潜力，为临界状态的预测提供了新的工具和思路。