structure-.---中文使用手冊(cè)

1、Structure 2.3中文使用手冊(cè)Jonathan K. PritchardaXiaoquan WenaDaniel Falushb 1 2 3a芝加哥大學(xué)人類遺傳學(xué)系b牛津大學(xué)統(tǒng)計(jì)學(xué)系軟件來(lái)自 ://structure.html 2010年2月2日1我們?cè)赟tructure工程中的其他的同事有Peter Donnelly、Matthew Stephens和Melissa Hubisz。2開發(fā)這個(gè)程序的第一版時(shí)作者JP、MS、PD在牛津大學(xué)統(tǒng)計(jì)系。3關(guān)于Structure的討論和問(wèn)題請(qǐng)發(fā)給在線的論壇上：structure-softwaregoo

2、glegroups 。 在郵遞問(wèn)題之前請(qǐng)查對(duì)這個(gè)文檔并搜索以前的討論。1 引言程序Structure使用由不連鎖的標(biāo)記組成的基因型數(shù)據(jù)實(shí)施基于模型的聚類方法來(lái)推斷群體結(jié)構(gòu)。這種方法由普里查德Pritchard、斯蒂芬斯Stephens和唐納利Donnelly2000a在一篇文章中引入，由Falush、斯蒂芬斯Stephens和普里查德Pritchard2003a，2007在續(xù)篇中進(jìn)行了擴(kuò)展。我們的方法的應(yīng)用包括證明群體結(jié)構(gòu)的存在，鑒定不同的遺傳群體，把個(gè)體歸到群體，以及鑒定移居者和摻和的個(gè)體。簡(jiǎn)言之，我們假定有K個(gè)群體這里K可能是未知的的一個(gè)模型，每個(gè)群體在每個(gè)位點(diǎn)上由一組等位基因頻率來(lái)刻畫。

3、樣本內(nèi)的個(gè)體被按照概率分配到群體，或共同分配到兩個(gè)或更多個(gè)群體，如果它們的基因型說(shuō)明它們是混和的。假定在群體內(nèi)，位點(diǎn)處于哈迪-溫伯格平衡和連鎖平衡。不精確地講，個(gè)體被按到達(dá)這一點(diǎn)那樣的方法指定到群體。我們的模型不假定一個(gè)特別的突變過(guò)程，并且它可以應(yīng)用于大多數(shù)通常使用的遺傳標(biāo)記，包括微衛(wèi)星microsatellites、SNP和RFLP。模型假定在亞群體內(nèi)標(biāo)記不處于連鎖不平衡LD，因此我們不能處理極其靠近的標(biāo)記。從2.0版開始，我們現(xiàn)在能夠處理弱連鎖的標(biāo)記。雖然這里實(shí)現(xiàn)的計(jì)算方法是相當(dāng)強(qiáng)有力的，但是為了保證明智的答案，在運(yùn)行程序的過(guò)程中還是需要謹(jǐn)慎。例如，不可能從理論上確定適宜的運(yùn)行長(zhǎng)度時(shí)間，這

4、需要用戶自己做一些實(shí)驗(yàn)。這份資料描述軟件的使用和解釋，并補(bǔ)充發(fā)表的文章，這些文章提供了對(duì)方法的更正式的描述和評(píng)價(jià)。1.1 概述軟件包Structure由幾個(gè)局部組成。程序的計(jì)算局部用C語(yǔ)言編寫。我們發(fā)布源碼和用于各種平臺(tái)目前有蘋果機(jī)，Windows，Linux，Sun的可執(zhí)行文件。C可執(zhí)行文件讀取用戶提供的一個(gè)數(shù)據(jù)文件。還有一個(gè)Java前端為用戶提供各種有幫助的工具，包括對(duì)輸出的簡(jiǎn)單的處理。你也可以從命令行調(diào)用Structure而不是使用前端。這份資料包括關(guān)于怎樣格式化數(shù)據(jù)文件、怎樣選擇適宜的模型、以及怎樣解釋結(jié)果的信息。它也有關(guān)于使用兩種界面命令行和前端的細(xì)節(jié)以及各種用戶定義的參數(shù)的匯總。1

5、.2 在2.3版中有哪些更新？2.3版2021年4月發(fā)布引入了新的模型用于改良數(shù)據(jù)集結(jié)構(gòu)的推論，其中1數(shù)據(jù)對(duì)于通常的結(jié)構(gòu)模型來(lái)說(shuō)信息不夠，缺乏以提供準(zhǔn)確的推論，但是2抽樣的地點(diǎn)與群體歸屬關(guān)系population membership相關(guān)。在這種情形下，通過(guò)明確利用抽樣地點(diǎn)信息，我們使結(jié)構(gòu)得到改善，經(jīng)常允許性能提高很多Hubisz et al., 2021。我們希望在下幾個(gè)月釋放更進(jìn)一步的改良。 表1：實(shí)例數(shù)據(jù)文件。這里MARKERNAMES = 1, LABEL = 1, POPDATA = 1, NUMINDS = 7, NUMLOCI = 5, MISSING = -9, POPFLAG

6、= 0, LOCDATA = 0, PHENOTYPE = 0, EXTRACOLS = 0。第2列顯示個(gè)體的地理取樣位置。我們也可以把數(shù)據(jù)存儲(chǔ)為每個(gè)個(gè)體一行ONEROWPERIND = 1，在這種情況下第一行為“George 1 -9 -9 145 -9 66 64 0 0 92 94”。Loc_a Loc_b Loc_c Loc_d Loc_e 喬治1-9 14566092喬治1-9 -9 64094保拉110614268192保拉110614864094馬修2110145-9 092馬修2110148661-9 鮑勃210814264194鮑勃2-9 142-9 094Anja 1112

7、142-9 1-9 Anja 111414266194彼得1-9 145660-9 彼得1110145-9 1-9 卡斯坦2108145620-9 卡斯坦2110145641922 數(shù)據(jù)文件的格式基因型數(shù)據(jù)的格式顯示在表2中表1顯示一個(gè)例子。根本上，整個(gè)數(shù)據(jù)集被作為一個(gè)矩陣安排在單個(gè)文件里，其中個(gè)體的數(shù)據(jù)在行里，位點(diǎn)在列里。用戶能對(duì)格式做出假設(shè)干選擇，大多數(shù)這些數(shù)據(jù)除基因型外！是可選擇的。對(duì)于一個(gè)二倍體生物，每個(gè)個(gè)體的數(shù)據(jù)可以是作為連續(xù)的2行被儲(chǔ)存，其中每個(gè)位點(diǎn)在一列，或者在一行中，其中每個(gè)位點(diǎn)在連續(xù)的兩列。除非你打算使用連鎖模型見下面，否那么單個(gè)個(gè)體的等位基因的次序并不重要。預(yù)基因型pre-

8、genotype數(shù)據(jù)列見下面對(duì)每個(gè)體記錄兩次。更一般地，對(duì)于n倍體生物來(lái)說(shuō)，每個(gè)個(gè)體的數(shù)據(jù)被儲(chǔ)存在n個(gè)連續(xù)的行中，除非ONEROWPERIND選項(xiàng)被使用。 2.1 數(shù)據(jù)文件的組成局部：輸入文件的要素如下所列。如果給出，它們一定按以下順序，然而大多數(shù)是可選的并且可以被完全刪除。用戶必須指明哪些數(shù)據(jù)被給出，或者在前端里front end，或者當(dāng)從命令行運(yùn)行Structure時(shí)在一個(gè)單獨(dú)的文件mainparams里。同時(shí)，用戶也要指定個(gè)體和位點(diǎn)的數(shù)目。2.2 行1. 標(biāo)記名稱可選擇；字符串 文件的第一行可以包含數(shù)據(jù)集里的每個(gè)標(biāo)記的標(biāo)識(shí)符的一個(gè)列表。這一行包含整數(shù)或字母的L個(gè)字符串，其中L是位點(diǎn)的數(shù)目

9、。2. 隱性等位基因僅用于有顯性的標(biāo)記數(shù)據(jù)；整數(shù)SNP或者微衛(wèi)星數(shù)據(jù)一般將不包括這一行。但是如果選項(xiàng)RECESSIVEALLELES被設(shè)置為1，那么程序要求有這一行來(lái)說(shuō)明每個(gè)標(biāo)記上哪個(gè)等位基因如果有的話是隱性的。關(guān)于更多的信息請(qǐng)參閱第4.1節(jié)。該選項(xiàng)用于象AFLP那樣的數(shù)據(jù)，以及用于多倍體的情形，其中基因型可能是模糊的。3. 標(biāo)記之間的距離可選擇；實(shí)數(shù)文件里的下一行是一個(gè)標(biāo)記之間距離的集合，供有連鎖的位點(diǎn)使用。這些應(yīng)該是遺傳距離例如，厘摩，或者是這種距離的一些替代，基于例如物理距離。如果標(biāo)記距離粗略地與重組率成正比，那么距離的實(shí)際單位不是那么重要 。前端從數(shù)據(jù)估計(jì)一個(gè)適宜的尺度，但是命令行版本

10、的用戶必須在文件extraparams里設(shè)置LOG10RMIN、LOG10RMAX和LOG10RSTART。標(biāo)記必須按照連鎖群中的圖譜次序排列。當(dāng)連續(xù)的標(biāo)記來(lái)自不同的連鎖群例如，不同的染色體時(shí)，這應(yīng)該用數(shù)值-1注明。第一個(gè)標(biāo)記也被賦值為-1。所有其他的距離都是非負(fù)的。這一行包含L個(gè)實(shí)數(shù)。4. 連鎖相信息可選擇；僅用于二倍體數(shù)據(jù)；在范圍0, 1內(nèi)的實(shí)數(shù)。這只供連鎖模型使用。這是L個(gè)概率的一行，出現(xiàn)在每個(gè)個(gè)體的基因型數(shù)據(jù)之后。如果連鎖相是完全知道的，或者沒有連鎖相信息可用，那么這些行是不必要的。當(dāng)有來(lái)自家系數(shù)據(jù)的局部連鎖相信息，或者當(dāng)來(lái)自雄性的單倍體X染色體數(shù)據(jù)和二倍體常染色體數(shù)據(jù)被一起輸入時(shí)，它

11、們可能是有用的。對(duì)于連鎖相信息有兩種可選擇的表示：1個(gè)體的兩行數(shù)據(jù)被假設(shè)為分別與父本的和母本的相對(duì)應(yīng)。連鎖相行說(shuō)明當(dāng)前標(biāo)記上的排序正確的概率設(shè)置MARKOVPHASE = 0；2連鎖相行說(shuō)明與以前的等位基因有關(guān)的一個(gè)等位基因的連鎖相是正確的概率設(shè)置MARKOVPHASE = 1。第一項(xiàng)應(yīng)該填入0.5，以便把這行填寫到L項(xiàng)。例如以下數(shù)據(jù)輸入表示來(lái)自一個(gè)男性的信息，有5個(gè)連鎖相未知的常染色體微衛(wèi)星位點(diǎn)，后面是3個(gè)X染色體位點(diǎn)，使用母本/父本相模型：102156165101143105104101100148163101143 -9 -9 -90.5 0.5 0.5 0.5 0.5 1.0 1.0

12、1.0其中-9表示“缺失數(shù)據(jù)，這里缺失是由第二X染色體缺乏造成的，0.5說(shuō)明常染色體位點(diǎn)的連鎖相是未知的，1.0說(shuō)明X染色體位點(diǎn)由母本遺傳的概率為1.0，因此其連鎖相是的。相同的信息可以用markovphase模型來(lái)描述。這樣的話輸入文件將讀為：102156165101143105104101 100148163101143-9-9-9 0.5 0.5 0.5 0.5 0.5 0.5 1.0 1.0這里，2 1.0 s 說(shuō)明那個(gè)第1 和第2，其次和第3 個(gè)X染色體位點(diǎn)彼此完全同相。注意站點(diǎn)以站點(diǎn)產(chǎn)量在這些2 模式下將不同。在第一例子中，Structure將輸出母親和父親染色體的任務(wù)可能發(fā)生的事

13、件。在第2 個(gè)情況下，它將輸出在輸入文件里列舉的每等位基因的可能發(fā)生的事件。5. 個(gè)體/ 基因型數(shù)據(jù)必需的取樣的每一個(gè)個(gè)體的數(shù)據(jù)象在下面描述的那樣安排成一行或多行。2.3 個(gè)體/基因型數(shù)據(jù)個(gè)體數(shù)據(jù)的每一行包含以下要素。這些形成數(shù)據(jù)文件里的列。1. Label標(biāo)簽可選擇；字符串 一串整數(shù)或者字母，用來(lái)指明樣本中的每個(gè)個(gè)體。2. PopData可選擇；整數(shù)一個(gè)整數(shù)，指明一個(gè)用戶定義的群體，從其中獲得個(gè)體例如這些整數(shù)可以指明個(gè)體取樣的地理位置。在默認(rèn)的模型中，這個(gè)信息不被聚類算法使用，但是能用來(lái)幫助組織輸出例如，將來(lái)自相同的預(yù)定義群體的個(gè)體彼此緊挨著繪圖。3. PopFlag可選擇；0或者1一個(gè)布爾

14、標(biāo)簽，說(shuō)明使用學(xué)習(xí)樣本時(shí)是否使用PopData見USEPOPINFO，在下面。注：布爾Boolean變量標(biāo)簽是取值為TRUE或FALSE的變量，在這里分別用整數(shù)1使用PopData和0不使用PopData表示。 4. LocData可選擇；整數(shù)一個(gè)整數(shù)，為每個(gè)個(gè)體指明一個(gè)用戶定義的取樣地點(diǎn)或者其他特性，例如一個(gè)分享的表現(xiàn)型。當(dāng)LOCPRIOR模型被翻開時(shí)，這個(gè)信息用來(lái)幫助聚類。如果你僅僅希望使用LOCPRIOR模型的PopData，那么你可以省略LocData列，并設(shè)置LOCISPOP = 1這告訴程序使用PopData來(lái)設(shè)置地點(diǎn)。5. Phenotype可選擇；整數(shù) 一個(gè)整數(shù)，為每個(gè)個(gè)體指明

15、一個(gè)所關(guān)心的表現(xiàn)型的值表中的f(i)。表現(xiàn)型信息實(shí)際上沒有用于Structure。這里用來(lái)允許與關(guān)聯(lián)作圖程序STRAT有一個(gè)平滑的接口。 6. Extra Columns可選擇；字符串 用戶把被程序忽略的附加數(shù)據(jù)包括在輸入文件里可能是方便的。這些數(shù)據(jù)就在這里輸入，可以是由整數(shù)或字符組成的串。7. Genotype Data必需的；整數(shù) 一個(gè)給定位點(diǎn)上的每個(gè)等位基因應(yīng)該由一個(gè)獨(dú)特的整數(shù)來(lái)編碼例如微衛(wèi)星重復(fù)得分。2.4 缺失的基因型數(shù)據(jù)缺失數(shù)據(jù)應(yīng)該用沒在數(shù)據(jù)中的其他地方出現(xiàn)過(guò)的一個(gè)數(shù)字來(lái)標(biāo)明按照慣例經(jīng)常使用-9。這個(gè)數(shù)字也可以用于有單倍體和二倍體數(shù)據(jù)混合的地方例如男性中的X和常染色體位點(diǎn)。缺失數(shù)據(jù)

16、值是與描述數(shù)據(jù)集特性的其它參數(shù)一起被設(shè)置的。2.5 格式化的錯(cuò)誤。我們已經(jīng)進(jìn)行了相當(dāng)仔細(xì)的錯(cuò)誤檢查，以保證數(shù)據(jù)集的格式正確，并且程序?qū)⒃噲D提供一些關(guān)于存在的任何問(wèn)題的性質(zhì)的提示。前端要求在每行的結(jié)束回車，不允許在行內(nèi)回車；Structure的命令行版本以與處理空格或制表符Tab同樣的方式處理回車。可能出現(xiàn)的一個(gè)問(wèn)題是，在將數(shù)據(jù)導(dǎo)入Structure之前用來(lái)組裝數(shù)據(jù)的編輯程序可能引入隱藏的格式化字符，經(jīng)常在行的末尾，或者在文件的末尾。前端能自動(dòng)除去大多數(shù)這些錯(cuò)誤，但是當(dāng)數(shù)據(jù)文件好似處于正確的格式時(shí)，這類問(wèn)題可能對(duì)錯(cuò)誤負(fù)責(zé)。如果你正在把數(shù)據(jù)導(dǎo)入到一個(gè)Unix系統(tǒng)，dos2unix功能可能對(duì)徹底清理

17、這些錯(cuò)誤有幫助。3 用戶的建模決策3.1 祖先模型個(gè)體的祖先有4個(gè)主要模型：1 非混合模型個(gè)體離散地來(lái)自一個(gè)群體或者另一個(gè)群體；2混合模型每個(gè)個(gè)體從K個(gè)群體中的每一個(gè)抽取他/她的基因組的一局部；3連鎖模型象混合模型一樣，但是連鎖的位點(diǎn)更可能來(lái)自相同的群體；4有先驗(yàn)信息的模型允許Structure使用關(guān)于取樣地點(diǎn)的信息：或者幫助用弱的數(shù)據(jù)進(jìn)行的聚類，發(fā)現(xiàn)遷移者，或者預(yù)定義一些群體。關(guān)于模型1、2 、4的詳情見Pritchard等2000a和Hubisz 等2021，關(guān)于模型3的詳情見Falush等2003a。1. 非混合模型。每個(gè)體完全來(lái)自K個(gè)群體之一。輸出報(bào)告?zhèn)€體i來(lái)自群體k的后驗(yàn)概率。每個(gè)群

18、體的先驗(yàn)概率是1 / K。這個(gè)模型適合于研究完全離散的群體，并且經(jīng)常比混合模型在檢測(cè)微妙的結(jié)構(gòu)方面更強(qiáng)有力。2. 混合模型。個(gè)體可能具有混合的祖先。這可以表述為個(gè)體i從群體k中的祖先那里繼承了他的/她的基因組的一局部。輸出記錄這些比例的后驗(yàn)平均估計(jì)值。以祖先向量q(i)為條件，每個(gè)等位基因的起源是獨(dú)立的。我們推薦這個(gè)模型作為大多數(shù)分析的起始點(diǎn)。這是處理真實(shí)群體的大多數(shù)復(fù)雜性的一個(gè)相當(dāng)靈活的模型。混合是真實(shí)數(shù)據(jù)的一個(gè)普通特征，如果你使用非混合模型，你或許不會(huì)發(fā)現(xiàn)它。混合模型也能以一種自然的方式處理混合的區(qū)域hybrid zones。表2：數(shù)據(jù)文件的格式，為兩行的格式。大多數(shù)這些組成局部是可選的欲

19、了解詳細(xì)信息，參見正文。Ml是標(biāo)記l的標(biāo)識(shí)符。rl說(shuō)明哪個(gè)等位基因，如果有的話，在每個(gè)標(biāo)記上是隱性的僅針對(duì)顯性的基因型數(shù)據(jù)。Di,i+1是標(biāo)記i和i + 1之間的距離。ID(i)是個(gè)體i的標(biāo)簽，g(i)是個(gè)體i的一個(gè)預(yù)先定義的群體索引PopData；f(i)是一個(gè)被用來(lái)合并學(xué)習(xí)樣品的標(biāo)簽PopFlag；l(i)是個(gè)體i的取樣地點(diǎn)LocData；f(i)可以儲(chǔ)存?zhèn)€體i的表現(xiàn)型；y1(i), ., yn(i)用于儲(chǔ)存額外的數(shù)據(jù)這些數(shù)據(jù)會(huì)被程序忽略；(xli,1, xli,2)儲(chǔ)存?zhèn)€體i在位點(diǎn)l上的基因型。pi(l)是個(gè)體i中的標(biāo)記l的連鎖相的信息。3. 連鎖模型。這實(shí)質(zhì)上是將混合模型推廣，來(lái)處理“

20、混合連鎖不平衡，即，在最近混和的群體中的連鎖標(biāo)記之間出現(xiàn)的相關(guān)性。Falush等2003a描述了該模型和更詳細(xì)的計(jì)算。根本的模型是，過(guò)去的t個(gè)世代，有一次混合事件，將K個(gè)群體混合了。如果你考慮單個(gè)染色體，它由一系列“塊chunk組成，這些“塊是從混合時(shí)的祖先那里作為離散的單位遺傳來(lái)的。出現(xiàn)混合LD是因?yàn)檫B鎖的等位基因經(jīng)常在相同的塊上，因此來(lái)自相同的祖先群體。塊的大小被假設(shè)為獨(dú)立的指數(shù)隨機(jī)變量，具有平均長(zhǎng)度1/t以摩爾根為單位。在實(shí)踐中我們估計(jì)“重組率r，所用的數(shù)據(jù)對(duì)應(yīng)于從現(xiàn)在的塊切換到新的塊的比率。個(gè)體i里的每個(gè)塊以概率qk(i)獨(dú)立地來(lái)自群體k，其中qk(i)是那個(gè)個(gè)體的祖先來(lái)自群體k的比例

21、。總起來(lái)，新模型保存了混合模型的主要要素，但是在單個(gè)塊上的全部等位基因必須來(lái)自相同的群體。新的MCMC算法結(jié)合了可能的塊大小和斷點(diǎn)。它對(duì)于每個(gè)體報(bào)告總的祖先，考慮連鎖，并且也能報(bào)告染色體的每一點(diǎn)兒的起源的可能性，如果用戶想要的話。當(dāng)使用連鎖的位點(diǎn)來(lái)研究混合的群體時(shí)，這個(gè)新模型表現(xiàn)得比原先的混合模型更好。它得到對(duì)祖先向量的更準(zhǔn)確的估計(jì)，并且能從數(shù)據(jù)中抽出更多的信息。這對(duì)混合作圖應(yīng)該是有用的。該模型不是用于處理非常緊密連鎖的標(biāo)記之間的背景LD的。顯然，這個(gè)模型是大多數(shù)混合群體的復(fù)雜現(xiàn)實(shí)的大大的簡(jiǎn)化。不過(guò)，混合的主要的效應(yīng)是在連鎖的標(biāo)記之間建立長(zhǎng)遠(yuǎn)的相關(guān)性，因此我們這里的目的是在一個(gè)相當(dāng)簡(jiǎn)單的模型中

22、將那個(gè)特征包括進(jìn)來(lái)。計(jì)算比混合模型的要慢一點(diǎn)，特別對(duì)于大的K和不知道連鎖相的數(shù)據(jù)。不過(guò)，它們對(duì)于數(shù)千個(gè)位點(diǎn)和個(gè)體以及多個(gè)群體來(lái)說(shuō)還是切實(shí)可行的。如果有關(guān)于標(biāo)記的相對(duì)位置的信息通常是一張遺傳圖譜，那么只能使用該模型。4. 使用先驗(yàn)的群體信息。Structure的默認(rèn)模式只使用遺傳學(xué)的信息來(lái)了解群體結(jié)構(gòu)。不過(guò)，經(jīng)常有可以與聚類相關(guān)的附加信息例如，取樣的個(gè)體的物理特性或者取樣的地理位置。目前，Structure可以用3種方式使用這種信息： LOCPRIOR模型：利用取樣位置作為先驗(yàn)信息來(lái)輔助聚類用于結(jié)構(gòu)信號(hào)比擬弱的數(shù)據(jù)集。有一些數(shù)據(jù)集，其中有真實(shí)的群體結(jié)構(gòu)例如，取樣位置之間的顯著的FST，但是信號(hào)太

23、弱，標(biāo)準(zhǔn)的Structure模型不能發(fā)現(xiàn)。對(duì)于標(biāo)記很少、個(gè)體很少或者非常弱的Structure，經(jīng)常是這樣的情況。在這種情形下，為了提高性能，Hubisz等2021開展了新模型，利用地點(diǎn)信息來(lái)輔助聚類。對(duì)于這樣的數(shù)據(jù)集，其中結(jié)構(gòu)的信號(hào)太弱以致使用標(biāo)準(zhǔn)的Structure模型不能被發(fā)現(xiàn)，新模型經(jīng)常能提供群體結(jié)構(gòu)和個(gè)體祖先的準(zhǔn)確的推斷。簡(jiǎn)言之，LOCPRIOR模型的根本原理如下。通常，Structure假定個(gè)體的所有局部都大約是先驗(yàn)等可能的。因?yàn)榭赡艿木植康臄?shù)目非常巨大，對(duì)于Structure來(lái)說(shuō)，需要信息非常豐富的數(shù)據(jù)來(lái)斷定個(gè)體的任何特定的局部被聚類到群具有強(qiáng)的統(tǒng)計(jì)支持。相反，LOCPRIOR模

24、型認(rèn)為實(shí)際上，來(lái)自相同的取樣位置的個(gè)體經(jīng)常來(lái)自相同的群體。因此，建立LOCPRIOR模型以期望取樣的位置可能關(guān)于祖先是信息豐富的。如果數(shù)據(jù)說(shuō)明位置是信息豐富的，那么LOCPRIOR模型允許Structure使用這種信息。Hubisz等2021開展了一對(duì)LOCPRIOR模型：一種用于沒有混合的情況，一種用于有混合的情況。在兩種情況中，內(nèi)在的模型以及似然函數(shù)與標(biāo)準(zhǔn)版本相同。關(guān)鍵的差異是允許structure使用地點(diǎn)信息來(lái)幫助聚類即，通過(guò)修改先驗(yàn)信息來(lái)得到與位置有關(guān)的更偏愛的聚類解決方案。LOCPRIOR模型具有符合需要的特性：i當(dāng)不存在結(jié)構(gòu)時(shí)，它們不傾向于發(fā)現(xiàn)結(jié)構(gòu)；ii當(dāng)個(gè)體的祖先與取樣位置不相關(guān)

25、時(shí)，他們能夠無(wú)視取樣的信息；iii當(dāng)群體結(jié)構(gòu)的信號(hào)非常強(qiáng)大時(shí)，舊模型和新模型根本上給出相同的答案。因此，我們建議在大多數(shù)數(shù)據(jù)數(shù)量非常有限的情形下使用新模型，特別是當(dāng)標(biāo)準(zhǔn)的Structure模型不提供一個(gè)Structure的清晰信號(hào)時(shí)。但是，因?yàn)楝F(xiàn)在已經(jīng)積累了標(biāo)準(zhǔn)的Structure模型的很多經(jīng)驗(yàn)，我們建議對(duì)于信息非常豐富的數(shù)據(jù)集將根本模型作為默認(rèn)Hubisz 等等，2021。為了運(yùn)行LOCPRIOR模型，用戶必須首先為每個(gè)個(gè)體指定“取樣地點(diǎn)，作為一個(gè)整數(shù)編碼。即，我們假定樣品是在一組別離的位置收集的，并且我們不使用關(guān)于地點(diǎn)的任何空間信息。我們認(rèn)識(shí)到，在一些研究中，每個(gè)個(gè)體可能在一個(gè)不同的地點(diǎn)收

26、集，因此將個(gè)體塞進(jìn)一套更小的別離的地點(diǎn)可能不是對(duì)數(shù)據(jù)的理想的代表。 “地點(diǎn)也可以代表一個(gè)表現(xiàn)型、生態(tài)型ecotype或者民族團(tuán)體ethnic group。地點(diǎn)被鍵入到輸入文件中，要么在PopData列設(shè)置LOCISPOP = 1中，要么作為一個(gè)單獨(dú)的LocData列參閱第2.3節(jié)。為了使用LOCPRIOR 模型，你必須首先指定或者用混合模型用非混合的模型。如果你使用的是圖形用戶界面版本，那么勾選“use sampling locations as prio用取樣位置作為先驗(yàn)信息框。如果你使用的是命令行版本，那么設(shè)置LOCPRIOR = 1。注意，LOCPRIOR與連鎖模型不兼容。 我們迄今的經(jīng)

27、驗(yàn)是當(dāng)不存在結(jié)構(gòu)時(shí)，LOCPRIOR模型不偏向于檢測(cè)到假的結(jié)構(gòu)。你可以把相同的診斷用于是否有真的結(jié)構(gòu)，當(dāng)你沒使用LOCPRIOR時(shí)。另外查看r的值可能有幫助，它確定由位置攜帶的信息的數(shù)量。r的值接近1，或者<1，說(shuō)明位置是信息豐富的。r的更大的值說(shuō)明或者沒有群體結(jié)構(gòu)，或者結(jié)構(gòu)不依賴位置。USEPOPINFO模型：使用取樣位置來(lái)對(duì)移居者或者雜交種進(jìn)行檢驗(yàn)供信息非常豐富的數(shù)據(jù)數(shù)據(jù)集使用。在一些數(shù)據(jù)集里，用戶可能發(fā)現(xiàn)預(yù)確定的組例如取樣位置幾乎正好與結(jié)構(gòu)聚類相對(duì)應(yīng)，除了少數(shù)似乎被錯(cuò)誤歸類的個(gè)體以外。Pritchard等2000a提出了正式的Bayesian檢驗(yàn)，用于評(píng)價(jià)是否在這個(gè)樣品內(nèi)的任何個(gè)體

28、是他們認(rèn)為的群體的移民，或者具有新近的移民祖先。注意這個(gè)模型假定被預(yù)先規(guī)定的群體通常是正確的。它采用十分強(qiáng)大的數(shù)據(jù)來(lái)克服先驗(yàn)的錯(cuò)誤分類。在使用USEPOPINFO模型之前，你也應(yīng)該在沒有群體信息的情況下運(yùn)行程序，以保證預(yù)確定的群體與遺傳學(xué)的信息粗略一致。為了使用這模型，把USEPOPINFO設(shè)置為1，并且選擇MIGRPRIOR的一個(gè)值在Pritchard等2000a中它是v。你可以在0.001到0.1的范圍內(nèi)為v選擇一個(gè)值。每個(gè)個(gè)體的預(yù)確定的群體被設(shè)置在輸入數(shù)據(jù)文件中見PopData。用這種方式，在輸入文件里被分配到群體k的個(gè)體在Structure算法中將被分配到群k。因此，被預(yù)先規(guī)定的群體應(yīng)

29、該是在1和MAXPOPS (K)之間的整數(shù)。如果任何個(gè)體的PopData超出這個(gè)范圍，它們的q將按正常的方式被更新即沒有先驗(yàn)的群體信息，根據(jù)將被使用的模型，如果USEPOPINFO被關(guān)上的話。USEPOPINFO模型：預(yù)先指定一些個(gè)體的起源的群體來(lái)幫助未知起源的個(gè)體的祖先估計(jì)。使用USEPOPINFO模型的第二個(gè)方法是定義“學(xué)習(xí)樣本learning samples，它被預(yù)定義為來(lái)自特定的群。然后用Structure來(lái)聚類剩下的個(gè)體。注意：在前端里，這個(gè)選項(xiàng)使用“Update allele frequencies using only individuals with POPFLAG=1”選項(xiàng)被

30、翻開，位于“Advanced Tab標(biāo)簽下。學(xué)習(xí)樣品是利用數(shù)據(jù)文件里的PopFlag列實(shí)現(xiàn)的。預(yù)先規(guī)定的群體被用于那些個(gè)體，它們的PopFlag = 1并且它們的PopData在1.K中。對(duì)于PopFlag = 0的個(gè)體，PopData值被忽略。如果數(shù)據(jù)文件里沒有PopFlag列，那么當(dāng)USEPOPINFO被開啟時(shí)，PopFlag被為全部個(gè)體設(shè)置為1。具有PopFlag = 0的或者PopData不在(1.K)中的個(gè)體的祖先，根據(jù)混合或者沒有混合的模型被更新，象由用戶指定的那樣。如上所述，如果有很少的個(gè)體沒有預(yù)先規(guī)定的群體，將a設(shè)置成一個(gè)明智的值來(lái)可能是有幫助的。USEPOPINFO的應(yīng)用可能

31、在幾個(gè)方面有幫助。例如，可能有一些個(gè)體的來(lái)源是的，我們的目標(biāo)是對(duì)未知來(lái)源的另外的個(gè)體進(jìn)行歸類。例如，我們可能從一群品種編號(hào)為1 . . .K的狗中收集數(shù)據(jù)，然后使用Structure為未知的也許是雜交種起源的另外的狗估計(jì)祖先。通過(guò)預(yù)先設(shè)置群體數(shù)目，我們可以保證Structure聚類對(duì)應(yīng)于預(yù)先確定的品種，這使輸出更可解釋，并且能改良推論的準(zhǔn)確性。當(dāng)然，如果兩個(gè)預(yù)先確定的品種在遺傳上是相同的，那么未知起源的狗可能被推斷為具有混合的祖先。USEPOPINFO的另一種用途是用于這樣一種情況：用戶想要只使用個(gè)體的一個(gè)子集來(lái)更新等位基因頻率。通常，Structure分析使用全部可得到的個(gè)體來(lái)更新等位基因頻

32、率估計(jì)值。但是有一些情況，在那里你可能想對(duì)于一些個(gè)體估計(jì)祖先，沒有那些個(gè)體會(huì)影響等位基因頻率的估計(jì)。例如你可以有學(xué)習(xí)樣品的一個(gè)標(biāo)準(zhǔn)的收集，然后周期性地你想要為新的一批基因型化的個(gè)體估計(jì)祖先。使用默認(rèn)的選項(xiàng)，個(gè)體的祖先估計(jì)稍微取決于它們所在的批次。通過(guò)使用PFROMPOPFLAGONLY，你可以保證等位基因頻率估計(jì)值只依賴于PopFlag = 1的那些樣品。在不同的情況下，Murgia等2006想要確定一套無(wú)性系的狗瘤的起源。那些瘤如此緊密有關(guān)以至于使用的缺省設(shè)置時(shí)瘤形成它們自己的一類。通過(guò)使用PFROMPOPFLAGONLY，Murgia等迫使瘤與其他canid聚類分在一組。意見：我們建議首先

33、運(yùn)行Structure的根本的版本，以便證實(shí)被預(yù)先規(guī)定的標(biāo)簽確實(shí)確實(shí)符合實(shí)際的遺傳學(xué)群體。其次，當(dāng)使用學(xué)習(xí)樣品時(shí)，通過(guò)設(shè)置比0大的MIGRPRIOR來(lái)允許一些錯(cuò)誤的分類可能是明智的。3.2 等位基因頻率模型對(duì)于等位基因頻率有兩個(gè)根本的模型。一個(gè)模型假定每個(gè)群體內(nèi)的等位基因頻率是獨(dú)立的，從一個(gè)分布中抽取，這個(gè)分布由參數(shù)l指定。那是用于Pritchard等2000a種的原先的模型。通常我們?cè)O(shè)置l = 1；這是缺省設(shè)置。Falush等2003a實(shí)施了一個(gè)模型，具有相關(guān)的等位基因頻率。這個(gè)模型標(biāo)明不同群體中的頻率很可能是相似的或許由于遷移或者由于共有的祖先。更詳細(xì)的資料如下。獨(dú)立的模型對(duì)于很多數(shù)據(jù)集表

34、現(xiàn)不錯(cuò)。粗略地說(shuō)，這最先說(shuō)我們期望在不同的群體中的等位基因頻率彼此不同。相關(guān)的頻率模型說(shuō)它們實(shí)際上可能十分相似。對(duì)于親緣關(guān)系近的群體，這經(jīng)常改良聚類，但是可能增加過(guò)高估計(jì)的K的危險(xiǎn)如下。如果一個(gè)群體與其他群體分歧較大，那么當(dāng)那個(gè)群體被除去時(shí)，相關(guān)的模型有時(shí)可以取得更好的推論。估計(jì)l: 固定l = 1對(duì)于大多數(shù)數(shù)據(jù)是一個(gè)好主意，但是在一些情況下，例如SNP數(shù)據(jù)，其中大多數(shù)次要的等位基因是稀少的，這時(shí)候較小的數(shù)值可能工作得更好。對(duì)于這個(gè)原因，你可以讓程序?yàn)槟愕臄?shù)據(jù)估計(jì)l。你可能想要這樣做一次，或許對(duì)于K = 1來(lái)說(shuō)，然后將l固定在被估計(jì)的值上，因?yàn)樵谠噲D同時(shí)國(guó)際太多的假設(shè)參數(shù)(l, a, F)時(shí)對(duì)

35、于非識(shí)別性non-identifiability好似有一些問(wèn)題。相關(guān)的等位基因頻率模型: 如同F(xiàn)alush等2003a描述的那樣，相關(guān)的頻率模型使用一個(gè)多維的矢量，PA，它記錄假設(shè)的“祖先群體中的等位基因頻率。假定在我們的樣品中代表的K個(gè)群體每個(gè)都已經(jīng)經(jīng)歷過(guò)與這些祖先頻率的獨(dú)立的漂移，速率分別用參數(shù)F1, F2, F3, ., FK表示。除歸因于有點(diǎn)不同的模型的差異和估計(jì)的差異外，被估計(jì)的Fk值應(yīng)該數(shù)量上類似于FST值。此外，對(duì)于具有許多混合的數(shù)據(jù)要準(zhǔn)確地估計(jì)Fk很難。PA被假設(shè)為具有Dirichlet先驗(yàn)，具有與上面的群體頻率使用的相同的形式：pAl· D(l1, l2, . .

36、. , ), (1)對(duì)每個(gè)l獨(dú)立。然后，群體k中的頻率的先驗(yàn)為， 2對(duì)每個(gè)k和l獨(dú)立。在這個(gè)模型里，F(xiàn)與遺傳學(xué)距離FST有密切的關(guān)系。按照FST的標(biāo)準(zhǔn)的參數(shù)化方法，每個(gè)群體中的期望頻率由總的平均頻率給出，當(dāng)?shù)任换虻目傤l率為p時(shí)，跨越亞群體的頻率的方差為p(1 p)FST。這里的模型幾乎一樣，除了我們對(duì)模型稍微做了推廣以外，通過(guò)允許每個(gè)群體以一個(gè)不通的速率Fk漂離祖先群體，如同群體具有不同的大小時(shí)可能被期望的那樣。我們也試圖估計(jì)“祖先頻率，而不是使用平均的頻率。我們將獨(dú)立的先驗(yàn)prior放于Fk上，與平均數(shù)為0.01、標(biāo)準(zhǔn)差為0.05的分布成正比但是有PrFk ³ 1 = 0。先驗(yàn)分

37、布的參數(shù)可以由用戶修改。一些實(shí)驗(yàn)說(shuō)明，0.01的先驗(yàn)平均值對(duì)應(yīng)于非常低細(xì)分的水平，對(duì)于獨(dú)立頻率模型的數(shù)據(jù)經(jīng)常導(dǎo)致好的表現(xiàn)。在其他的問(wèn)題中其中群體之間的差異更加明顯，好似數(shù)據(jù)通常壓倒了這個(gè)Fk的先驗(yàn)。3.3 程序要運(yùn)行多長(zhǎng)時(shí)間？ 程序從一個(gè)隨機(jī)的配置啟動(dòng)，從那里采取一系列步驟穿過(guò)參數(shù)空間，每個(gè)步驟只依賴于前一個(gè)步驟的參數(shù)值。這個(gè)程序在運(yùn)行期間引起不同的點(diǎn)上的Markov鏈的狀態(tài)之間的相關(guān)性。希望是通過(guò)運(yùn)轉(zhuǎn)模擬足夠久，相關(guān)性將可以被無(wú)視。有兩個(gè)問(wèn)題要擔(dān)憂：1 burnin長(zhǎng)度：在收集數(shù)據(jù)使啟動(dòng)配置的影響減到最小之前模擬要運(yùn)行多久，2在burnin以得到準(zhǔn)確的參數(shù)估計(jì)之后模擬要運(yùn)行多久。要選擇適宜的

38、burnin長(zhǎng)度，看看由這個(gè)程序打印的歸納統(tǒng)計(jì)量的值是真的有幫助的例如a，F(xiàn)，在群體之間的分歧距離Di,j，以及似然，以便了解它們是否已經(jīng)收斂。通常10000100000的burnin非常足夠了。要選擇適當(dāng)?shù)倪\(yùn)行長(zhǎng)度，你需要在每個(gè)K上做幾次運(yùn)行，也許長(zhǎng)度不同，看看你是否得到一致的答案。通常，利用10000100000步運(yùn)行你能得到參數(shù)P和Q的好的估計(jì)，但是Pr(X|K)的準(zhǔn)確的估計(jì)可能需要更長(zhǎng)時(shí)間的運(yùn)行。實(shí)際上，你的運(yùn)行時(shí)間的長(zhǎng)度可能決定于你的計(jì)算機(jī)速度和耐心。如果你正處理極其大的數(shù)據(jù)集，并且被運(yùn)行時(shí)間阻止，你可以試著修剪運(yùn)行的長(zhǎng)度和標(biāo)記/個(gè)體的數(shù)量，至少為探索的分析。前端提供了幾個(gè)主要參數(shù)的

39、時(shí)間序列曲線。在burnin階段結(jié)束之前你應(yīng)該看看這些曲線，以便了解這些曲線是否看起來(lái)到達(dá)了平衡。如果在burnin階段結(jié)束時(shí)數(shù)值仍然在增加或者減少，你需要增加burnin長(zhǎng)度。如果在整個(gè)運(yùn)行期間即，不只是在burnin期間a的估計(jì)值變化非常大，你可以通過(guò)增大ALPHAPROPSD來(lái)得到對(duì)Pr(X|K)的更準(zhǔn)確的估計(jì)，這改良了在那種形勢(shì)下的混合。見在第5節(jié)的一個(gè)有關(guān)的問(wèn)題。4 缺失數(shù)據(jù)，無(wú)效的等位基因和顯性標(biāo)記當(dāng)不斷改良Q和P時(shí)，程序忽略缺失的基因型數(shù)據(jù)。當(dāng)在一個(gè)特別的位點(diǎn)有漏缺數(shù)據(jù)的可能性與個(gè)體在那里有什么等位基因無(wú)關(guān)時(shí)，這種方法是正確的。當(dāng)具有漏缺數(shù)據(jù)的個(gè)體的Q的估計(jì)不那么準(zhǔn)確時(shí)，沒有特別

40、的原因阻止這樣的個(gè)體參加分析，除非他們根本幾乎沒有數(shù)據(jù)。當(dāng)數(shù)據(jù)以系統(tǒng)的方式遺漏時(shí)，出現(xiàn)一個(gè)嚴(yán)重的問(wèn)題，如同用無(wú)效等位基因那樣。這些不適合假設(shè)的模型，即使沒有群體結(jié)構(gòu)，也能夠?qū)е旅黠@的違背哈迪-溫伯格。人們不應(yīng)該期望假設(shè)的模型對(duì)這類破壞是穩(wěn)健的。但是如果無(wú)效的等位基因可能是一個(gè)重要的問(wèn)題的話，那么顯性標(biāo)記模型下面可以被使用。在樣本中有多名家庭成員也會(huì)破壞模型假定。這有時(shí)會(huì)導(dǎo)致K的過(guò)高估計(jì)，特別對(duì)于相關(guān)的頻率模型Falush等，2003a，但是當(dāng)K固定時(shí)，這對(duì)將個(gè)體分配給群體的影響很小。4.1 顯性標(biāo)記、無(wú)效等位基因和多倍體基因型對(duì)一些類型的遺傳學(xué)標(biāo)記例如AFLP來(lái)說(shuō)，區(qū)分全部基因型是不可能的。其

41、它類型的標(biāo)記可能導(dǎo)致模棱兩可的基因型，如果由于附近序列的變化導(dǎo)致PCR產(chǎn)物不能擴(kuò)增，一局部等位基因?yàn)椤盁o(wú)效。從2.2版開始，我們實(shí)現(xiàn)了一個(gè)模型，處理與顯性標(biāo)記相關(guān)的基因型的模糊性。總之，我們假定在任何特定的位點(diǎn)可能有對(duì)全部其他等位基因例如A為隱性的單個(gè)的等位基因，而全部其他的標(biāo)記是共顯性的。因此AB和BB將作為“表現(xiàn)型B出現(xiàn)在未加工的基因型數(shù)據(jù)中，AC和CC將被記錄為C，而BC將被記錄為BC。當(dāng)有模糊性時(shí)，模型在可能的基因型上求和。全部的細(xì)節(jié)在Falush等2007里給出。 為了執(zhí)行這些計(jì)算，必須告訴算法每個(gè)位點(diǎn)上的哪個(gè)等位基因如果有的話是隱性的。這通過(guò)設(shè)置RECESSIVEALLELES=1

42、來(lái)進(jìn)行，并且在輸入文件頂上包括一行單L整數(shù)，在標(biāo)記名稱和圖譜距離的可選的行之間，說(shuō)明在數(shù)據(jù)集里的L個(gè)位點(diǎn)的每個(gè)上面的隱性等位基因。如果一個(gè)給定的位點(diǎn)上的全部標(biāo)記是共顯性的，那么那個(gè)位點(diǎn)上的隱性值必須被調(diào)整成MISSING缺失的數(shù)據(jù)值。相反，如果隱性等位基因從未在純合狀態(tài)被觀察到，但是你認(rèn)為它可能存在例如可能有無(wú)效的等位基因，那么就把隱性值設(shè)置成在那個(gè)位點(diǎn)沒被觀察到的等位基因而不是MISSING！ . 編碼基因型數(shù)據(jù)：如果表現(xiàn)型是不模糊的，那么它被在Structure輸入文件里按照它本來(lái)的樣子編碼。如果它是模糊的，那么它被作為顯性等位基因的純合體編碼。例如，表現(xiàn)型A 被編碼為AA，B被編碼為BB

43、，BC被編碼為BC，等等。如果標(biāo)記是其他方面為二倍體的一個(gè)個(gè)體中的單倍體例如男性中的X染色體，那么第2個(gè)等位基因被象以前一樣編碼為MISSING缺失。當(dāng)A是隱性的時(shí)，基因型AB、AC等等在輸入文件里是不合法的。當(dāng)RECESSIVEALLELES被用來(lái)處理無(wú)效的等位基因時(shí)，看起來(lái)是無(wú)效的純合體homozygote null的基因型應(yīng)該作為隱性等位基因的純合體而不是作為缺失數(shù)據(jù)被輸入。在實(shí)踐中可能不確定是否一個(gè)失敗的基因型真的歸因于純合的無(wú)效等位基因。Structure應(yīng)該對(duì)這些編碼為缺失的數(shù)據(jù)是穩(wěn)健的，除非無(wú)效等位基因在一個(gè)位點(diǎn)上的頻率很高。在多倍體PLOIDY>2中形勢(shì)更復(fù)雜，因?yàn)樯踔翆?duì)

44、共顯性標(biāo)記都可能有基因型的模糊。在雜合體中準(zhǔn)確地識(shí)別出基因型經(jīng)常是困難的。例如在三倍體中，表現(xiàn)型AB可能是AAB或者ABB。如果Structure在RECESSIVEALLELES=0的條件下運(yùn)行，那么就假定沒有模糊。對(duì)于多倍體，當(dāng)RECESSIVEALLELES=1時(shí)，Structure允許數(shù)據(jù)包含具有基因型模糊和不具有基因型模糊的位點(diǎn)。如果一些位點(diǎn)不模糊那么設(shè)置代碼NOTAMBIGUOUS為一個(gè)整數(shù)，這個(gè)整數(shù)不與數(shù)據(jù)內(nèi)的的任何等位基因相匹配，并且不等于MISSING缺失。然后在輸入文件頂上的隱性等位基因的行里為不模糊的位點(diǎn)放置NOTAMBIGUOUS代碼。如果不是那樣，而是在一個(gè)特定的位點(diǎn)

45、上等位基因全部是共顯性的，但是有關(guān)于每個(gè)的數(shù)目例如為在四倍體里的微衛(wèi)星模糊，那么就把隱性等位基因代碼設(shè)置為MISSING。最后，如果有隱性等位基因，并且還有關(guān)于每個(gè)等位基因的數(shù)目的模糊性，那么設(shè)置隱性等位基因代碼來(lái)說(shuō)明哪個(gè)等位基因是隱性的。存在拷貝數(shù)模糊性的等位基因的編碼與存在顯性標(biāo)記的那些相似。因此，舉例來(lái)說(shuō)，在四倍體中，觀察到3個(gè)共顯性位點(diǎn)B、C和D，這應(yīng)該被編碼為B C D D或者等效地B B C D或者任何包括3個(gè)等位基因中的每一個(gè)的其他組合。它不應(yīng)該被編碼為B C D (MISSING)，因?yàn)檫@說(shuō)明該特定的個(gè)體在所指的位點(diǎn)是三倍體。如果在這個(gè)位點(diǎn)上存在一個(gè)隱性等位基因A，它也不能被編

46、碼為B C D A。Pr(K)的估計(jì): 當(dāng)RECESSIVEALLELES被用于二倍體時(shí)，Markov鏈的每個(gè)步驟上的似然值是通過(guò)在可能的基因型上求和來(lái)計(jì)算的。為了便于編碼，當(dāng)要么PLOIDY>2要么使用了連鎖模型時(shí)，我們以當(dāng)前推算的(imputed)基因型為條件。這減小似然值,并且好似大大地?cái)U(kuò)大似然值的方差。有限的經(jīng)驗(yàn)說(shuō)明在后一種情況下這導(dǎo)致對(duì)K的估計(jì)效果變差，你應(yīng)該把K的這種估計(jì)看做是不可靠的。5 K群體數(shù)目的估計(jì)在描述這個(gè)程序的我們的文章里，我們指出這個(gè)問(wèn)題應(yīng)該被小心對(duì)待，由于兩個(gè)原因：1要獲得對(duì)Pr(X|K)的準(zhǔn)確估計(jì)在計(jì)算上是困難的，我們的方法僅僅提供一個(gè)專門的ad hoc近似

47、；2K的生物學(xué)解釋可能不是簡(jiǎn)單的。在我們的經(jīng)驗(yàn)里我們發(fā)現(xiàn)真正的困難在于第2個(gè)問(wèn)題。我們的用于估計(jì)K的程序一般在具有少量離散的群體的數(shù)據(jù)集中計(jì)算效果較好。不過(guò)，很多現(xiàn)實(shí)世界的數(shù)據(jù)集并不準(zhǔn)確地符合Structure模型例如，由于通過(guò)距離或者近交而產(chǎn)生的隔離。在那些情況里對(duì)于什么是K的正確值可能沒有一個(gè)自然的答案?；蛟S由于這種原因，在真實(shí)的數(shù)據(jù)中我們的模型選擇標(biāo)準(zhǔn)的值隨著增加的K而繼續(xù)增加是不稀有的。那么集中于捕獲數(shù)據(jù)中的大多數(shù)結(jié)構(gòu)的K的值通常是講得通的，這在生物學(xué)上似乎是合理的。5.1估計(jì)K的步驟1. 命令行版本在文件extraparams里把COMPUTEPROBS和INFERALPHA設(shè)置為1

48、。前端版本確保a允許改變。2. 對(duì)不同的MAXPOPS (K)值運(yùn)行MCMC方案。最后它將輸出一行“Estimated Ln Prob of Data。這是ln Pr(X|K)的估計(jì)。你應(yīng)該對(duì)每個(gè)K獨(dú)立地運(yùn)行幾次，以便證實(shí)不同運(yùn)行得到的估計(jì)值是一致的。如果與不同的K獲得的估計(jì)值的變異性相比，一個(gè)給定的K的不同運(yùn)行的變異性是顯著的，那么你可能需要使用更長(zhǎng)的運(yùn)行或者更長(zhǎng)的burnin時(shí)期。如果lnPr(X|K)看起來(lái)是雙峰的bimodal或者多峰的multimodal，那么MCMC方案可能找到不同的答案。你可以對(duì)此進(jìn)行驗(yàn)證，通過(guò)比擬在單個(gè)K上的不同運(yùn)行的Q。參看Pritchard et al. (

49、2000a)的數(shù)據(jù)集2AData Set 2A，也見下面有關(guān)多峰性Multimodality的局部，。3. 計(jì)算K的后驗(yàn)概率。例如，對(duì)于論文中的數(shù)據(jù)集2A這里K是2，我們得到K ln Pr(X|K)1 -43562 -39833 -39824 -39835 -4006我們一開始可以假定一個(gè)關(guān)于K = 1, ., 5的均勻先驗(yàn)分布。然后根據(jù)貝葉斯定理，Pr(K = 2)由下式給出： 3如果我們將該式簡(jiǎn)化為下面的公式，計(jì)算就會(huì)更容易 45.2 輕微的違背模型可能導(dǎo)致過(guò)高估計(jì)K 當(dāng)存在真正的群體結(jié)構(gòu)時(shí)，這導(dǎo)致不連鎖的位點(diǎn)之間的LD，以及違背哈迪溫伯格比例。粗略地說(shuō)，這是被Structure算法使用的

50、信號(hào)。但是模型的一些違背也能導(dǎo)致哈迪溫伯格或連鎖不平衡。這些包括近交和基因型鑒定錯(cuò)誤例如偶然的、未被發(fā)現(xiàn)的無(wú)效的等位基因。即使在沒有群體結(jié)構(gòu)的情況下，對(duì)于K >1，這些類型的因素也可能導(dǎo)致弱的統(tǒng)計(jì)信號(hào)。從2版本開始，我們提出相關(guān)的等位基因頻率模型correlated allele frequency model應(yīng)該被用作默認(rèn)，因?yàn)樗诶щy的問(wèn)題上經(jīng)常實(shí)現(xiàn)更好的執(zhí)行，但是用戶應(yīng)該意識(shí)到，在這樣的設(shè)置中可能更容易過(guò)高估計(jì)K，與獨(dú)立的頻率模型下相比Falush et al. (2003a)。 下一節(jié)討論怎樣確定推斷的結(jié)構(gòu)是否是真實(shí)的。5.3 關(guān)于選擇K的非正式提示；結(jié)構(gòu)是真實(shí)的嗎？有兩個(gè)非正式

51、的提示，可能有助于選擇K。第一個(gè)是，對(duì)于比適宜的值有效零更小的K，Pr(K)常常是非常小的，對(duì)于更大的K，那么有或多或少的高原，如同上面顯示的數(shù)據(jù)集2A的例子中那樣。在這種情形中其中K的幾個(gè)值給出log Pr(X|K)的相似的估計(jì)下，似乎這些估計(jì)中最小的常常是正確的。對(duì)于我們通過(guò)“或多或少的高原所表示的東西，要提供一個(gè)鞏固的規(guī)那么有點(diǎn)難。對(duì)于小數(shù)據(jù)集來(lái)說(shuō)，這可能意味著log Pr(X|K)的值在5-10的范圍內(nèi)，但是Daniel Falush寫道“在非常大的數(shù)據(jù)集中，K = 3和K = 4之間的差異可能是50，但是如果K = 3和K = 2之間的差異是5 000，那么我將肯定選擇K = 3。想

52、要使用更正式的標(biāo)準(zhǔn)這種標(biāo)準(zhǔn)將這一點(diǎn)納入了考慮的讀者可能對(duì)Evanno等2005的方法感興趣。我們認(rèn)為考慮這一點(diǎn)的一種明智的方法是就模型選擇而言。即，我們可能不總是能知道K的真值，但是我們應(yīng)該致力于捕獲數(shù)據(jù)里的主要結(jié)構(gòu)的K的最小的值。第二提示是，如果真的有單獨(dú)的群體，那個(gè)，通常有許多有關(guān)a的值的信息，一旦Markov 鏈?zhǔn)諗?，a通常將相對(duì)恒定范圍經(jīng)常為0.2或更少。不過(guò)，如果沒有任何真正的結(jié)構(gòu)，在運(yùn)行過(guò)程中a通常變化很大。這一點(diǎn)的一個(gè)必然的結(jié)果是當(dāng)沒有群體結(jié)構(gòu)時(shí)，你將通常將看到分配給每個(gè)群體的樣本的比例是大致勻稱的每個(gè)群體中1/K，大多數(shù)個(gè)體將被公平地混和。如果一些個(gè)體被強(qiáng)烈地分配到一群體或者另

53、一個(gè)，以及如果分配給每組的比例不對(duì)稱，那么這是你有真正的群體結(jié)構(gòu)的強(qiáng)的跡象。假定你有兩個(gè)清楚的群體，但是你試圖決定是否這些中之一是更進(jìn)一步再分例如，Pr(X|K = 3)的值類似于P(X|K = 2)，或者也許比P(X|K = 2)還大一點(diǎn)。那么，你能嘗試的一件事情是只使用你疑心可能被再分的群體內(nèi)的個(gè)體來(lái)運(yùn)行Structure，看看是否有一個(gè)如上所述的強(qiáng)信號(hào)?？傊?，你應(yīng)該對(duì)根據(jù)小的Pr(K)的差異推斷的群體結(jié)構(gòu)持疑心態(tài)度，如果1對(duì)于分派沒有清楚的生物學(xué)解釋，2對(duì)全部群體的分派大致勻稱，沒有個(gè)體被強(qiáng)烈地分配。5.4 通過(guò)距離數(shù)據(jù)的隔離通過(guò)距離的隔離指的是這樣的想法：個(gè)體可能跨越一些地區(qū)呈空間分布

54、，帶有本地分散的。在這種形勢(shì)下，等位基因頻率跨越地區(qū)逐漸變化。根底的Structure模型對(duì)來(lái)自這種情況的數(shù)據(jù)不很適合。當(dāng)這發(fā)生時(shí)，推斷的K 的值，以及在每組中的相應(yīng)的等位基因頻率可能相當(dāng)任意。取決于取樣的方案，大多數(shù)個(gè)體可能在多個(gè)組中具有混合的成員身份。即，算法將嘗試使用K的不同組分的加權(quán)平均數(shù)來(lái)對(duì)跨越地區(qū)的等位基因頻率建模。在這樣的形勢(shì)下，結(jié)果的解釋可能具有挑戰(zhàn)性。6 背景LD和其他miscellania 6.1 序列數(shù)據(jù)，緊密連鎖的SNP和單體型數(shù)據(jù)Structure模型假定位點(diǎn)在群體內(nèi)是獨(dú)立的即，在群體內(nèi)不處于LD。序列數(shù)據(jù)或者來(lái)自非重組區(qū)域的比方Y(jié)染色體或者mtDNA的數(shù)據(jù)很可能違反

55、這個(gè)假定。如果你有序列數(shù)據(jù)或來(lái)自多個(gè)獨(dú)立區(qū)域的密集的SNP數(shù)據(jù)，那么盡管數(shù)據(jù)不完全適合模型，Structure實(shí)際上可能表演得想當(dāng)好。粗略地說(shuō)，這將發(fā)生，倘假設(shè)跨越不同的區(qū)域有足夠的獨(dú)立性，以至于區(qū)域內(nèi)的LD不在數(shù)據(jù)中占優(yōu)勢(shì)。當(dāng)有足夠的獨(dú)立區(qū)域時(shí)，區(qū)域內(nèi)的依賴性dependence的主要代價(jià)將是Structure在特別的個(gè)體的分派中低估不確定性。例如，F(xiàn)alush等2003b把Structure用于來(lái)自H. pylori的MLST多位點(diǎn)序列數(shù)據(jù)，以了解H. pylori的群體結(jié)構(gòu)和遷移歷史。在那種情況下，在區(qū)域內(nèi)有足夠的重組以至于群體結(jié)構(gòu)的信號(hào)超過(guò)了背景LD。關(guān)于MLST數(shù)據(jù)的更多情況，也見第

56、10節(jié)。在人類的應(yīng)用中，Conrad等2006發(fā)現(xiàn)來(lái)自36個(gè)連鎖的區(qū)域的3000個(gè)SNP生產(chǎn)明智但是嘈雜的答案，在一個(gè)全世界的樣本中，根本上與基于微衛(wèi)星的以前的結(jié)果一致見他們的Supplementary Methods Figure SM2。然而，如果數(shù)據(jù)被一個(gè)或者少數(shù)非重組的或在低重組的區(qū)域主導(dǎo)，那么，Structure可能被嚴(yán)重地誤導(dǎo)。例如，如果數(shù)據(jù)只由Y染色體數(shù)據(jù)組成，那么估計(jì)的結(jié)構(gòu)大概將反映出關(guān)于Y染色體樹的某些事情，而非群體結(jié)構(gòu)本身。使用這樣的數(shù)據(jù)的影響很可能是：1算法低估祖先估計(jì)中的不確定性的程度，在最壞的情況下，可能是有偏的或者不準(zhǔn)確的；2K的估計(jì)不可能表演得好。如果你有Y或者mtDNA數(shù)據(jù)加上許多核標(biāo)記，一個(gè)平安和有效的解決方法是重新編碼來(lái)自每個(gè)連鎖區(qū)域的單體型，以至于單體型被描述為一個(gè)具有n等位基因的單個(gè)位點(diǎn)。如果有許多單體型，那么可以把相關(guān)的單體型歸類到一起。注意連鎖模型不一定比非混合模型對(duì)于處理這些問(wèn)題更好。連鎖模型不是設(shè)計(jì)來(lái)處理群體內(nèi)的背景LD的，并且很可能被類似地干擾。6.2 多峰性Struc