MASTERARBEIT - Fachhochschule Salzburg

8. Zusammenfassung und Ausblick 101(VMSA) aligniert werden. In einem zusätzlichen Arbeitsgang wird mit einer alternativenAlignierungsmethode das VMSA nachaligniert, um das Ergebnis weiter zu verbessern.Dazu werden die vom HMM unaligniert gebliebenen Bereiche in Snippets extrahiertund diese mit ClustalW aligniert. Danach werden die alignierten MSA-Snippetswieder in das VMSA zurückgeführt.Eine Erweiterung erfährt die Methode, indem das Profil-MSA in einem iterativen Prozessschrittweise mit Sequenzen aligniert und erweitert wird, um es in jedem Durchlaufneuerlich für Alignierungen wiederzuverwenden.Die Trennfähigkeit, Sensibilität und Stabilität eines Hidden Markov Modells und dieAlignierungsergebnisse hängen von einer Reihe von Parametern ab. Die Sequenzanzahlund die Sequenzlänge der Profil-MSA spielt dabei eine ebenso wesentliche Rolle, wiedie Anzahl der Emissionsspalten und die Sequenzlänge der zu alignierenden Sequenzen.Diese Multivariabilität der Parameter erschwert einerseits die Vorhersagbarkeitder Modelleigenschaften, anderseits auch die Vergleichbarkeit der Testergebnisse übermehrere Modelle und Zyklen hinweg.Da die quantitative Beurteilung eines MSA aufgrund fehlender Gesamtscores schwermöglich ist, stützt sich die Bewertung der Ergebnisse auf die Beobachtung der Scoresund deren dynamische Entwicklung im iterativen Prozess. Dabei wird - vorerstgraphisch - die dynamische Entwicklung der Scoredichtefunktionen während mehrererIterationen bewertet. Eine nachfolgende numerische Bewertung erfolgt über denVergleich der Entropieänderung der Emissionsmatrizen und der Mittelwertänderungstandardisierter Z-Scores.Die Implementation und Evaluation der Ergebnisse zeigt, dass die Erstellung einesmultiplen Sequenzalignments über ein Hidden Markov Modell grundsätzlich und problemlosmöglich ist. Kritisch ist vielmehr die Parametrisierung eines HMM in Formdes Trainings und die objektive Bewertung der Ergebnisse. Die zur Verfügung stehendenScores, die derzeit nur Singlealignments mit dem HMM bewerten, sind dafür nurbegrenzt verwertbar. Diese sind teilweise stark modell- und sequenzlängenabhängig,womit eine modellübergreifende Bewertung und ein objektiver Vergleich der Alignierungsergebnisseschwer möglich ist.