structure 2.3 - 中文

1、Structure 2.3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)系軟件來自/structure.html 2010年2月2日1我們?cè)赟tructure項(xiàng)目中的其他的同事有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的討論和問題請(qǐng)發(fā)給在線的論壇上：structure-software

2、。 在郵遞問題之前請(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（Donnelly）（2000a）在一篇文章中引入，由Falush、斯蒂芬斯（Stephens）和普里查德（Pritchard）（2003a，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

3、頻率來刻畫。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，如果它們的基因型表明它們是混和的。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)體被按達(dá)到這一點(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)行程序的過程中還是需要謹(jǐn)慎。例如，不可能從理論上確

4、定合適的運(yùn)行長(zhǎng)度（時(shí)間），這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)部分組成。程序的計(jì)算部分用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、怎樣選擇合適的模型、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

5、細(xì)節(jié)以及各種用戶定義的參數(shù)的匯總。1.2 在2.3版中有哪些更新？2.3版（2009年4月發(fā)布）引入了新的模型用于改進(jìn)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)模型來說信息不夠，不足以提供準(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., 2009）。我們希望在下幾個(gè)月釋放更進(jìn)一步的改進(jìn)。 表1：實(shí)例數(shù)據(jù)文件。這里MARKERNAMES = 1, LABEL = 1, POPDATA = 1, NUMINDS = 7, NUMLOCI

6、 = 5, MISSING = -9, POPFLAG = 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210814

7、264194鮑勃2-9 142-9 094Anja 1112142-9 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）?；旧?，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)格式做出若干選擇，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

8、型（見下面），否則單個(gè)個(gè)體的等位基因的次序并不重要。預(yù)基因型（pre-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倍體生物來說，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)文件的組成部分：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

9、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。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，則程序要求有這一行來表明每個(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，其中基因型可能是含糊的。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

10、果標(biāo)記距離（粗略地）與重組率成正比，則距離的實(shí)際單位不是那么重要 。前端從數(shù)據(jù)估計(jì)一個(gè)合適的尺度，但是命令行版本的用戶必須在文件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，則這些

11、行是不必要的。當(dāng)有來自家系數(shù)據(jù)的部分連鎖相信息，或者當(dāng)來自雄性的單倍體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)。連鎖相行表明當(dāng)前標(biāo)記上的排序正確的概率（設(shè)置MARKOVPHASE = 0）；（2）連鎖相行表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)。例如下列數(shù)據(jù)輸入表示來自一個(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：102156165

12、101143105104101100148163101143 -9 -9 -90.5 0.5 0.5 0.5 0.5 1.0 1.0 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表明常染色體位點(diǎn)的連鎖相是未知的，1.0表明X染色體位點(diǎn)由母本遺傳的概率為1.0，因此其連鎖相是已知的。相同的信息可以用markovphase模型來描述。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 表明那個(gè)第1 和第2，其次和第3 個(gè)

13、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)的每一行包含下列要素。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）

14、。在默認(rèn)的模型中，這個(gè)信息不被聚類算法使用，但是能用來幫助組織輸出（例如，將來自相同的預(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)布爾標(biāo)簽，表明使用學(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模型被打開時(shí)，這個(gè)信息用來幫助聚類。如果你僅僅希望使用L

15、OCPRIOR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)

16、獨(dú)特的整數(shù)來編碼（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)過的一個(gè)數(shù)字來標(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)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?？赡艹霈F(xiàn)的一個(gè)問題是，在將數(shù)據(jù)導(dǎo)入Structure之前用來組

17、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)文件好像處于正確的格式時(shí)，這類問題可能對(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/她的基因組的一部分）；（3）連鎖模型（象混合模型一樣，但是連鎖的位點(diǎn)更可能來自相同的群體）；（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

18、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（2009），關(guān)于模型3的詳情見Falush等（2003a）。1. 非混合模型。每個(gè)體完全來自K個(gè)群體之一。輸出報(bào)告?zhèn)€體i來自群體k的后驗(yàn)概率。每個(gè)群體的先驗(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/她的基因組的一部分。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

19、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?；旌鲜钦鎸?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)這些組成部分是可選的（欲了解詳細(xì)信息，參見正文）。Ml是標(biāo)記l的標(biāo)識(shí)符。rl表明哪個(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)被用來合并學(xué)習(xí)樣品的標(biāo)簽（PopFl

20、ag）；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，來處理“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?；镜哪Ｐ褪牵^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

21、位遺傳來的。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)立地來自群體k，其中qk(i)是那個(gè)個(gè)體的祖先來自群體k的比例?？偲饋恚履Ｐ捅Ａ袅嘶旌夏Ｐ偷闹饕?，但是在單個(gè)塊上的全部等位基因必須來自相同的群體。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)來研究混合的群體時(shí)，這

22、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，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)單的模型中將那個(gè)特征包括進(jìn)來。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，它們對(duì)于數(shù)千個(gè)位點(diǎn)和個(gè)體以及多個(gè)群體來說還是切實(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），則只能使用該模型。4. 使用先驗(yàn)的群體信息。Structure的默認(rèn)模

23、式只使用遺傳學(xué)的信息來了解群體結(jié)構(gòu)。不過，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)信息來輔助聚類用于結(jié)構(gòu)信號(hào)比較弱的數(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（2009）發(fā)展了新模型，利用地點(diǎn)信息來輔助聚類。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S

24、tructure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模型的基本原理如下。通常，Structure假定個(gè)體的所有部分都大約是先驗(yàn)等可能的。因?yàn)榭赡艿牟糠值臄?shù)目非常巨大，對(duì)于Structure來說，需要信息非常豐富的數(shù)據(jù)來斷定個(gè)體的任何特定的部分被聚類到群具有強(qiáng)的統(tǒng)計(jì)支持。相反，LOCPRIOR模型認(rèn)為實(shí)際上，來自相同的取樣位置的個(gè)體經(jīng)常來自相同的群體。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)表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（2009）發(fā)展了一

25、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)鍵的差別是允許structure使用地點(diǎn)信息來幫助聚類（即，通過修改先驗(yàn)信息來得到與位置有關(guān)的更偏愛的聚類解決方案）。LOCPRIOR模型具有合乎需要的特性：（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)時(shí)，他們能夠忽視取樣的信息；（iii）當(dāng)群體結(jié)構(gòu)的信號(hào)非常強(qiáng)大時(shí)，舊模型和新模型基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)

26、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)集將基本模型作為默認(rèn)（Hubisz 等等，2009）。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分離的位置收集的，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)收集，因此將個(gè)體塞進(jìn)一套更小的分離的地點(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LO

27、CISPOP = 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，則勾選“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，則設(shè)置LOCPRIOR = 1。（注意，LOCPRIOR與連鎖模型不兼容。） 我們迄今的經(jīng)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

28、近1，或者<1，表明位置是信息豐富的。r的更大的值表明或者沒有群體結(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

29、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)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USEPOPI

30、NFO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)定義為來自特定的群。然后用Structure來聚類剩下的個(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)被打開，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

31、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)明智的值來可能是有幫助的。USEPOPINFO的應(yīng)用可能在幾個(gè)方面有幫助。例如，可能有一些個(gè)體的來源是已知的，我們的目標(biāo)是對(duì)未知來源的另外的個(gè)體進(jìn)行歸類。例如，我們可能從一群已知品種（編號(hào)為1 . . .K）的狗

32、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，并且能改進(jìn)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)體來更新等位基因頻率估計(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，

33、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：我們建議首先運(yùn)行Structure的基本的版本，以便證實(shí)被預(yù)先規(guī)定的標(biāo)簽確實(shí)的確符合實(shí)際的遺傳學(xué)群體。其次，當(dāng)使用學(xué)習(xí)樣品時(shí)，通過設(shè)置比0大的

34、MIGRPRIOR來允許一些錯(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)基本的模型。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)集表現(xiàn)不錯(cuò)。粗略地說，這最先說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)的頻率模型說它們實(shí)際上可能十分相似。對(duì)于親

35、緣關(guān)系近的群體，這經(jīng)常改進(jìn)聚類，但是可能增加過高估計(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，則當(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來說，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)于非識(shí)別性（non-identifiability）好像有一些問題。相關(guān)的等位基因頻率模型: 如同F(xiàn)alush等（2

36、003a）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)不同的模型的差別和估計(jì)的差別外，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, . . . , ), (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

37、，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)分布的參數(shù)可以由用戶修改。一些實(shí)驗(yàn)表明，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)

38、于獨(dú)立頻率模型的數(shù)據(jù)經(jīng)常導(dǎo)致好的表現(xiàn)。在其他的問題中（其中群體之間的差別更加明顯），好像數(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。希望是通過運(yùn)轉(zhuǎn)模擬足夠久，相關(guān)性將可以被忽視。有兩個(gè)問題要擔(dān)心：（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。要選擇合適的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（

39、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

40、，以便了解這些曲線是否看起來達(dá)到了平衡。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，你可以通過增大ALPHAPROPSD來得到對(duì)Pr(X|K)的更準(zhǔn)確的估計(jì)，這改進(jìn)了在那種形勢(shì)下的混合。（見在第5節(jié)的一個(gè)有關(guān)的問題）。4 缺失數(shù)據(jù)，無效的等位基因和顯性標(biāo)記當(dāng)不斷改進(jìn)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

41、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)重的問題，如同用無效等位基因那樣。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。但是如果無效的等位基因可能是一個(gè)重要的問題的話，則顯性標(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）來說，區(qū)分全部基因型是不可能的。其它類型的標(biāo)記可能導(dǎo)致模棱兩可的基因型，如

42、果由于附近序列的變化導(dǎo)致PCR產(chǎn)物不能擴(kuò)增，一部分等位基因?yàn)椤盁o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?？傊?，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。這通過設(shè)置RECESSIVEALLELES=1來進(jìn)行，并且在輸入文件頂

43、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，表明在數(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)型是不含糊的，那么它被在Structure輸入文件里按照它本來的樣子編碼。如果它是含糊的，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，BC被

44、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被用來處理無效的等位基因時(shí)，看起來是無效的純合體（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

45、為甚至對(duì)共顯性標(biāo)記都可能有基因型的含糊。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，那么就假定沒有含糊。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)不含糊那么設(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含糊的位點(diǎn)放置NOTAMBIGUOUS代碼。如果不是那樣，而是在一

46、個(gè)特定的位點(diǎn)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）含糊，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)目的含糊性，則設(shè)置隱性等位基因代碼來表明哪個(gè)等位基因是隱性的。存在拷貝數(shù)含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，舉例來說，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@表明該特定的個(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

47、，它也不能被編碼為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在可能的基因型上求和來計(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,并且好像大大地?cái)U(kuò)大似然值的方差。有限的經(jīng)驗(yàn)表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)

48、專門的（ad hoc）近似；（2）K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，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。或許由于這種原因，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COMPUTEP

49、ROBS和INFERALPHA設(shè)置為1。（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)看起來是雙峰的（bimodal）或者多峰的（multimodal），則MCMC方案可能找到不同的答案。你可以對(duì)此進(jìn)行驗(yàn)證，通過比較在單個(gè)K上的不同

50、運(yùn)行的Q。（參看Pritchard et al. (2000a)的數(shù)據(jù)集2A（Data Set 2A），也見下面有關(guān)多峰性（Multimodality）的部分，）。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 （4）5.2 輕微的違背模型可能導(dǎo)致過高估計(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

51、LD，以及違背哈迪溫伯格比例。粗略地說，這是被Structure算法使用的信號(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

52、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)非正式的提示，可能有助于選擇K。第一個(gè)是，對(duì)于比合適的值（有效零）更小的K，Pr(K)常常是非常小的，對(duì)于更大的K，則有或多或少的高原，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“或多或少的高原”所表示的東西，要提供一個(gè)堅(jiān)固的規(guī)則有點(diǎn)難。對(duì)于小數(shù)據(jù)集來說，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之間的差別可能

53、是50，但是如果K = 3和K = 2之間的差別是5 000，那么我將肯定選擇K = 3”。想要使用更正式的標(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，如果沒有任何真正的結(jié)構(gòu)，在運(yùn)行過程中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

54、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懷疑可能被再分的群體內(nèi)的個(gè)體來運(yùn)行Structure，看看是否有一個(gè)如上所述的強(qiáng)信號(hào)。總之，你應(yīng)該對(duì)根據(jù)小的Pr(K)的差別推斷的群體結(jié)構(gòu)持懷疑態(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

55、派大致勻稱，沒有個(gè)體被強(qiáng)烈地分配。5.4 通過距離數(shù)據(jù)的隔離通過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，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?；A(chǔ)的Structure模型對(duì)來自這種情況的數(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。取決于取樣的計(jì)劃，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

56、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)或者來自非重組區(qū)域的（比如Y染色體或者mtDNA）的數(shù)據(jù)很可能違反這個(gè)假定。如果你有序列數(shù)據(jù)或來自多個(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，這將發(fā)生，倘若跨越不同的區(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用于來自H. pylori的MLST（多位點(diǎn)序列）數(shù)據(jù)，以了解H.

57、 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)超過了背景LD。（關(guān)于MLST數(shù)據(jù)的更多情況，也見第10節(jié)）。在人類的應(yīng)用中，Conrad等（2006）發(fā)現(xiàn)來自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，基本上與基于微衛(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；（2）K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)安全和有效的解決辦法是重新編碼來自每個(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，則可以把相關(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)于處理這些問題更好。連鎖模型不是設(shè)計(jì)來處理群體內(nèi)的背景LD的，并且很可能被類似地干擾。6.2 多峰性Structure算法在參數(shù)空間中的一個(gè)隨機(jī)的地方開始，