الگوی مارکوف پنهان در مسائل بیوانفورماتیک کاربرد فراوانی دارد. برای مثال این الگو در هم ردیفی دنباله ­ ها، تفسیر خانواده ­ های پروتئین و پیش ­ بینی ژن بکار می ­ رود. پارامترهای این الگو از طریق الگوریتم بام-ولش تعلیمی که یک الگوریتم EM است برآورد می شود. بکارگیری کارآمدترین الگوریتمها برای دنباله های طویل نیازمند حجم وسیعی از حافظه می ­ باشد. در این مقاله روش ­ های مختلفی از جمله استراتژی پیشرو و استراتژی پسرو را که به منظور کاهش حافظه این الگوریتم ارائه شده ­ اند معرفی می ­ کنیم. در ادامه الگوریتمی براساس مشاهدات از راست به چپ و از چپ به راست اعضای دنباله ارائه می شود که دارای حافظه خطی است. کارایی این الگوریتم بر روی داده ­ های شبیه ­ سازی شده از پروتئین ­ ها بررسی می ­شود.

روش های استنباط متعددی برای شبکه های ژنی وجود دارد، ولی در همه آن ها تنها از اطلاعات نمونه استفاده می شود و کمتر مواردی وجود دارد که از اطلاعات گذشته یا اطلاعات موازی استفاده شده باشد. در این پژوهش به استنباط بیزی شبکه های ژنی پرداخته می شود. تلاش می شود از اطلاعات موجود در قالب یک الگوی بیزی استفاده شود. بدیهی است با به کارگیری توزیع پیشین مناسب و توجه به عدم استقلال پارامترهای موجود در شبکه های ژنی تعیین الگویی مورد نظر است که بتوان نتایج بهتری را نسبت به اطلاعات گذشته و نیز اطلاعات موجود در نمونه ها به دست آورد. به علاوه ابر پارامترها به دو روش برآورد می شوند و نتایج آن در یک مطالعه شبیه سازی مبتنی بر نمونه گیری گیبز مورد بررسی قرار گرفته، معایب و مزایای هر یک از آن ها بیان خواهند شد