structure 2.3 - 中文

1、Structure 2.3使用手冊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)計學(xué)系軟件來自/structure.html 2010年2月2日1我們在Structure項目中的其他的同事有Peter Donnelly、Matthew Stephens和Melissa Hubisz。2開發(fā)這個程序的第一版時作者（JP、MS、PD）在牛津大學(xué)統(tǒng)計系。3關(guān)于Structure的討論和問題請發(fā)給在線的論壇上：structure-software

2、。 在郵遞問題之前請查對這個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，把個體歸到群體，以及鑒定移居者和摻和的個體。簡言之，我們假定有K個群體（這里K可能是未知的）的一個模型，每個群體在每個位點上由一組等位基因

3、頻率來刻畫。樣本內(nèi)的個體被（按照概率）分配到群體，或共同分配到兩個或更多個群體，如果它們的基因型表明它們是混和的。假定在群體內(nèi)，位點處于哈迪-溫伯格平衡和連鎖平衡。不精確地講，個體被按達(dá)到這一點那樣的方法指定到群體。我們的模型不假定一個特別的突變過程，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。雖然這里實現(xiàn)的計算方法是相當(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)行長度（時間），這需要用戶自己做一些實驗。這份資料描述軟件的使用和解釋，并補(bǔ)充發(fā)表的文章，這些文章提供了對方法的更正式的描述和評價。1.1 概述軟件包Structure由幾個部分組成。程序的計算部分用C語言編寫。我們發(fā)布源碼和用于各種平臺（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數(shù)據(jù)文件。還有一個Java前端為用戶提供各種有幫助的工具，包括對輸出的簡單的處理。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）。我們希望在下幾個月釋放更進(jìn)一步的改進(jìn)。 表1：實例數(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列顯示個體的地理取樣位置。我們也可以把數(shù)據(jù)存儲為每個個體一行（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顯示一個例子）。基本上，整個數(shù)據(jù)集被作為一個矩陣安排在單個文件里，其中個體的數(shù)據(jù)在行里，位點在列里。用戶能對格式做出若干選擇，大多數(shù)這些數(shù)據(jù)（除基因型外！）是可選擇的。對于一個二倍體生物，每個個體的數(shù)據(jù)可以是作為連續(xù)的2行被儲存，其中每個位點在一列，或者在一行中，其中每個位點在連續(xù)的兩列。除非你打算使用連鎖模

8、型（見下面），否則單個個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）對每個體記錄兩次。（更一般地，對于n倍體生物來說，每個個體的數(shù)據(jù)被儲存在n個連續(xù)的行中，除非ONEROWPERIND選項被使用。） 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）在一個單獨(dú)的文件mainparams里。同時，用戶也要指定個體和位點的數(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)集里的每個標(biāo)記的標(biāo)識符的一個列表。這一行包含整數(shù)或字母的L個字符串，其中L是位點的數(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RECESSIVEALLELES被設(shè)置為1，則程序要求有這一行來表明每個標(biāo)記上哪個等位基因（如果有的話）是隱性的。關(guān)于更多的信息請參閱第4.1節(jié)。該選項用于象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；實數(shù)）文件里的下一行是一個標(biāo)記之間距離的集合，供有連鎖的位點使用。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，則距離的實際單位不是那么重要 。前端從數(shù)據(jù)估計一個合適的尺度，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，這應(yīng)該用數(shù)值-1注明。第一個標(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個實數(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)的實數(shù)）。這只供連鎖模型使用。這是L個概率的一行，出現(xiàn)在每個個體的基因型數(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，它們可能是有用的。對于連鎖相信息有兩種可選擇的表示：（1）個體的兩行數(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)的一個等位基因的連鎖相是正確的概率（設(shè)置MARKOVPHASE = 1）。第一項應(yīng)該填入0.5，以便把這行填寫到L項。例如下列數(shù)據(jù)輸入表示來自一個男性的信息，有5個連鎖相未知的常染色體微衛(wèi)星位點，后面是3個X染色體位點，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表明常染色體位點的連鎖相是未知的，1.0表明X染色體位點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 表明那個第1 和第2，其次和第3 個

13、X染色體位點彼此完全同相。注意站點以站點產(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. 個體/ 基因型數(shù)據(jù)（必需的）取樣的每一個個體的數(shù)據(jù)象在下面描述的那樣安排成一行或多行。2.3 個體/基因型數(shù)據(jù)個體數(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個體。2. PopData（可選擇；整數(shù)）一個整數(shù)，指明一個用戶定義的群體，從其中獲得個體（例如這些整數(shù)可以指明個體取樣的地理位置）

14、。在默認(rèn)的模型中，這個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)定義群體的個體彼此緊挨著繪圖）。3. PopFlag（可選擇；0或者1）一個布爾標(biāo)簽，表明使用學(xué)習(xí)樣本時是否使用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)）一個整數(shù)，為每個個體指明一個用戶定義的取樣地點（或者其他特性，例如一個分享的表現(xiàn)型）。當(dāng)LOCPRIOR模型被打開時，這個信息用來幫助聚類。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）。5. Phenotype（可選擇；整數(shù)） 一個整數(shù)，為每個個體指明一個所關(guān)心的表現(xiàn)型的值（表中的f(i)）。（表現(xiàn)型信息實際上沒有用于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)） 一個給定位點上的每個等位基因應(yīng)該由一個

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)過的一個數(shù)字來標(biāo)明（按照慣例經(jīng)常使用-9）。這個數(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）。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 格式化的錯誤。我們已經(jīng)進(jìn)行了相當(dāng)仔細(xì)的錯誤檢查，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。前端能自動除去大多數(shù)這些錯誤，但是當(dāng)數(shù)據(jù)文件好像處于正確的格式時，這類問題可能對錯誤負(fù)責(zé)。如果你正在把數(shù)據(jù)導(dǎo)入到一個Unix系統(tǒng)，dos2unix功能可能對徹底清理這些錯誤有幫助。3 用戶的建模決策3.1 祖先模型個體的祖先有4個主要模型：（1） 非混合模型（個體離散地來自一個群體或者另一個群體）；（2）混合模型（每個個體從K個群體中的每一個抽取他/她的基因組的一部分）；（3）連鎖模型（象混合模型一樣，但是連鎖的位點更可能來自相同的群體）；（4）有先驗信息的模型（允許Structure使用關(guān)于取樣地點的信息：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。每個體完全來自K個群體之一。輸出報告?zhèn)€體i來自群體k的后驗概率。每個群體的先驗概率是1 / K。這個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微妙的結(jié)構(gòu)方面更強(qiáng)有力。2. 混合模型。個體可能具有混合的祖先。這可以表述為個體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平均估計值。以祖先向量q(i)為條件，每個等位基因的起源是獨(dú)立的。我們推薦這

19、個模型作為大多數(shù)分析的起始點。這是處理真實群體的大多數(shù)復(fù)雜性的一個相當(dāng)靈活的模型?；旌鲜钦鎸崝?shù)據(jù)的一個普通特征，如果你使用非混合模型，你或許不會發(fā)現(xiàn)它?；旌夏Ｐ鸵材芤砸环N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)識符。rl表明哪個等位基因，如果有的話，在每個標(biāo)記上是隱性的（僅針對顯性的基因型數(shù)據(jù)）。Di,i+1是標(biāo)記i和i + 1之間的距離。ID(i)是個體i的標(biāo)簽，g(i)是個體i的一個預(yù)先定義的群體索引（PopData）；f(i)是一個被用來合并學(xué)習(xí)樣品的標(biāo)簽（PopFl

20、ag）；l(i)是個體i的取樣地點（LocData）；f(i)可以儲存?zhèn)€體i的表現(xiàn)型；y1(i), ., yn(i)用于儲存額外的數(shù)據(jù)（這些數(shù)據(jù)會被程序忽略）；(xli,1, xli,2)儲存?zhèn)€體i在位點l上的基因型。pi(l)是個體i中的標(biāo)記l的連鎖相的信息。3. 連鎖模型。這實質(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)的計算?；镜哪Ｐ褪?，過去的t個世代，有一次混合事件，將K個群體混合了。如果你考慮單個染色體，它由一系列“塊（chunk）”組成，這些“塊”是從混合時的祖先那里作為離散的單

21、位遺傳來的。出現(xiàn)混合LD是因為連鎖的等位基因經(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，具有平均長度1/t（以摩爾根為單位）。在實踐中我們估計“重組率”r，所用的數(shù)據(jù)對應(yīng)于從現(xiàn)在的塊切換到新的塊的比率。個體i里的每個塊以概率qk(i)獨(dú)立地來自群體k，其中qk(i)是那個個體的祖先來自群體k的比例?？偲饋?，新模型保留了混合模型的主要要素，但是在單個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。它對于每個體報告總的祖先，考慮連鎖，并且也能報告染色體的每一點兒的起源的可能性，如果用戶想要的話。當(dāng)使用連鎖的位點來研究混合的群體時，這

22、個新模型表現(xiàn)得比原先的混合模型更好。它得到對祖先向量的更準(zhǔn)確的估計，并且能從數(shù)據(jù)中抽出更多的信息。這對混合作圖應(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，這個模型是大多數(shù)混合群體的復(fù)雜現(xiàn)實的大大的簡化。不過，混合的主要的效應(yīng)是在連鎖的標(biāo)記之間建立長遠(yuǎn)的相關(guān)性，因此我們這里的目的是在一個相當(dāng)簡單的模型中將那個特征包括進(jìn)來。計算比混合模型的要慢一點，特別對于大的K和不知道連鎖相的數(shù)據(jù)。不過，它們對于數(shù)千個位點和個體以及多個群體來說還是切實可行的。如果有關(guān)于標(biāo)記的相對位置的信息（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信息來輔助聚類用于結(jié)構(gòu)信號比較弱的數(shù)據(jù)集。有一些數(shù)據(jù)集，其中有真實的群體結(jié)構(gòu)（例如，取樣位置之間的顯著的FST），但是信號太弱，標(biāo)準(zhǔn)的Structure模型不能發(fā)現(xiàn)。對于標(biāo)記很少、個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，利用地點信息來輔助聚類。對于這樣的數(shù)據(jù)集，其中結(jié)構(gòu)的信號太弱以致使用標(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)和個體祖先的準(zhǔn)確的推斷。簡言之，LOCPRIOR模型的基本原理如下。通常，Structure假定個體的所有部分都大約是先驗等可能的。因為可能的部分的數(shù)目非常巨大，對于Structure來說，需要信息非常豐富的數(shù)據(jù)來斷定個體的任何特定的部分被聚類到群具有強(qiáng)的統(tǒng)計支持。相反，LOCPRIOR模型認(rèn)為實際上，來自相同的取樣位置的個體經(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使用地點信息來幫助聚類（即，通過修改先驗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，它們不傾向于發(fā)現(xiàn)結(jié)構(gòu)；（ii）當(dāng)個體的祖先與取樣位置不相關(guān)時，他們能夠忽視取樣的信息；（iii）當(dāng)群體結(jié)構(gòu)的信號非常強(qiáng)大時，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Structure的清晰信號

26、時。但是，因為現(xiàn)在已經(jīng)積累了標(biāo)準(zhǔn)的Structure模型的很多經(jīng)驗，我們建議對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個體指定“取樣地點”，作為一個整數(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)于地點的任何空間信息。（我們認(rèn)識到，在一些研究中，每個個體可能在一個不同的地點收集，因此將個體塞進(jìn)一套更小的分離的地點可能不是對數(shù)據(jù)的理想的代表。） “地點”也可以代表一個表現(xiàn)型、生態(tài)型（ecotype）或者民族團(tuán)體（ethnic group）。地點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)驗是當(dāng)不存在結(jié)構(gòu)時，LOCPRIOR模型不偏向于檢測到假的結(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。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：使用取樣位置來對移居者或者雜交種進(jìn)行檢驗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)聚類相對應(yīng)，除了少數(shù)似乎被錯誤歸類的個體以外。Pritchard等（2000a）提出了正式的Bayesian檢驗，用于評價是否在這個樣品內(nèi)的任何個體是他們認(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)來克服先驗的錯誤分類。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選擇一個值。每個個體的預(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)。如果任何個體的PopData超出這個范圍，它們的q將按正常的方式被更新（即沒有先驗的群體信息，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)先指定一些個體的起源的群體來幫助未知起源的個體的祖先估計。使用USEPOPINFO模型的第二個方法是定義“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來聚類剩下的個體。注意：在前端里，這個選項使用“Update allele frequencies using only individuals with POPFLAG=1”選項被打開，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列實現(xiàn)的。預(yù)先規(guī)定的群體被用于那些個體，它們的PopFlag = 1（并且它們的

31、PopData在（1.K）中）。對于PopFlag = 0的個體，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，PopFlag被為全部個體設(shè)置為1。具有PopFlag = 0的或者PopData不在(1.K)中的個體的祖先，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，如果有很少的個體沒有預(yù)先規(guī)定的群體，將a設(shè)置成一個明智的值來可能是有幫助的。USEPOPINFO的應(yīng)用可能在幾個方面有幫助。例如，可能有一些個體的來源是已知的，我們的目標(biāo)是對未知來源的另外的個體進(jìn)行歸類。例如，我們可能從一群已知品種（編號為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：用戶想要只使用個體的一個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體來更新等位基因頻率估計值。但是有一些情況，在那里你可能想對于一些個體估計祖先，沒有那些個體會影響等位基因頻率的估計。例如你可以有學(xué)習(xí)樣品的一個標(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體估計祖先。使用默認(rèn)的選項，個體的祖先估計（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，以便證實被預(yù)先規(guī)定的標(biāo)簽確實的確符合實際的遺傳學(xué)群體。其次，當(dāng)使用學(xué)習(xí)樣品時，通過設(shè)置比0大的

34、MIGRPRIOR來允許一些錯誤的分類可能是明智的。3.2 等位基因頻率模型對于等位基因頻率有兩個基本的模型。一個模型假定每個群體內(nèi)的等位基因頻率是獨(dú)立的，從一個分布中抽取，這個分布由參數(shù)l指定。那是用于Pritchard等（2000a）種的原先的模型。通常我們設(shè)置l = 1；這是缺省設(shè)置。Falush等（2003a）實施了一個模型，具有相關(guān)的等位基因頻率。這個模型標(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)立的模型對于很多數(shù)據(jù)集表現(xiàn)不錯。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際上可能十分相似。對于親

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的K的危險（如下）。如果一個群體與其他群體分歧較大，則當(dāng)那個群體被除去時，相關(guān)的模型有時可以取得更好的推論。估計l: 固定l = 1對于大多數(shù)數(shù)據(jù)是一個好主意，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，這時候較小的數(shù)值可能工作得更好。對于這個原因，你可以讓程序為你的數(shù)據(jù)估計l。你可能想要這樣做一次，或許對于K = 1來說，然后將l固定在被估計的值上，因為在試圖同時國際太多的假設(shè)參數(shù)(l, a, F)時對于非識別性（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（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個群體每個都已經(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。除歸因于有點不同的模型的差別和估計的差別外，被估計的Fk值應(yīng)該數(shù)量上類似于FST值。此外，對于具有許多混合的數(shù)據(jù)要準(zhǔn)確地估計Fk很難。PA被假設(shè)為具有Dirichlet先驗，具有與上面的群體頻率使用的相同的形式：pAl· D(l1, l2, . . . , ), (1)對每個l獨(dú)立。然后，群體k中的頻率的先驗為， （2）對每個k和l獨(dú)立。在這個模型里

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，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，除了我們對模型稍微做了推廣以外，通過允許每個群體以一個不通的速率（Fk）漂離祖先群體，如同群體具有不同的大小時可能被期望的那樣。我們也試圖估計“祖先頻率”，而不是使用平均的頻率。我們將獨(dú)立的先驗（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）。先驗分布的參數(shù)可以由用戶修改。一些實驗表明，0.01的先驗平均值對應(yīng)于非常低細(xì)分的水平，對

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Fk的先驗。3.3 程序要運(yùn)行多長時間？ 程序從一個隨機(jī)的配置啟動，從那里采取一系列步驟穿過參數(shù)空間，每個步驟（只）依賴于前一個步驟的參數(shù)值。這個程序在運(yùn)行期間引起不同的點上的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。有兩個問題要擔(dān)心：（1） burnin長度：在收集數(shù)據(jù)使啟動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)估計之后模擬要運(yùn)行多久。要選擇合適的burnin長度，看看由這個程序打印的歸納統(tǒng)計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)行長度，你需要在每個K上做幾次運(yùn)行，也許長度不同，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，但是Pr(X|K)的準(zhǔn)確的估計可能需要更長時間的運(yùn)行。實際上，你的運(yùn)行時間的長度可能決定于你的計算機(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)行時間阻止，你可以試著修剪運(yùn)行的長度和標(biāo)記/個體的數(shù)量，至少為探索的分析。前端提供了幾個主要參數(shù)的時間序列曲線。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)束時數(shù)值仍然在增加或者減少，你需要增加burnin長度。如果在整個運(yùn)行期間（即，不只是在burnin期間）a的估計值變化非常大，你可以通過增大ALPHAPROPSD來得到對Pr(X|K)的更準(zhǔn)確的估計，這改進(jìn)了在那種形勢下的混合。（見在第5節(jié)的一個有關(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，程序忽略缺失的基因型數(shù)據(jù)。當(dāng)在一個特別的位點有漏缺數(shù)據(jù)的可能性與個體在那里有什么等位基因無關(guān)時，這種方法是正確的。當(dāng)具有漏缺數(shù)據(jù)的個體的Q的估計不那么準(zhǔn)確時，沒有特別的原因阻止這樣的個體參加分析，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，出現(xiàn)一個嚴(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破壞模型假定。這有時會導(dǎo)致K的過高估計，特別對于相關(guān)的頻率模型（Falush等，2003a），但是當(dāng)K固定時，這對將個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，一部分等位基因為“無效”。從2.2版開始，我們實現(xiàn)了一個模型，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可能有對全部其他等位基因（例如A）為隱性的單個的等位基因，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，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)行這些計算，必須告訴算法每個位點上的哪個等位基因（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個位點的每個上面的隱性等位基因。如果一個給定的位點上的全部標(biāo)記是共顯性的，那么那個位點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)置成在那個位點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個體中的單倍體（例如男性中的X染色體），那么第2個等位基因被象以前一樣編碼為MISSING（缺失）。當(dāng)A是隱性的時，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，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。在實踐中可能不確定是否一個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位點上的頻率很高。在多倍體（PLOIDY>2）中形勢更復(fù)雜，因

45、為甚至對共顯性標(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。對于多倍體，當(dāng)RECESSIVEALLELES=1時，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。如果一些位點不含糊那么設(shè)置代碼NOTAMBIGUOUS為一個整數(shù)，這個整數(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放置NOTAMBIGUOUS代碼。如果不是那樣，而是在一

46、個特定的位點上等位基因全部是共顯性的，但是有關(guān)于每個的數(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個共顯性位點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個等位基因中的每一個的其他組合。它不應(yīng)該被編碼為B C D (MISSING)，因為這表明該特定的個體在所指的位點是三倍體。如果在這個位點上存在一個隱性等位基因A

47、，它也不能被編碼為B C D A。Pr(K)的估計: 當(dāng)RECESSIVEALLELES被用于二倍體時，Markov鏈的每個步驟上的似然值是通過在可能的基因型上求和來計算的。為了便于編碼，當(dāng)要么PLOIDY>2要么使用了連鎖模型時，我們以當(dāng)前推算的(imputed)基因型為條件。這減小似然值,并且好像大大地擴(kuò)大似然值的方差。有限的經(jīng)驗表明在后一種情況下這導(dǎo)致對K的估計效果變差，你應(yīng)該把K的這種估計看做是不可靠的。5 K（群體數(shù)目）的估計在描述這個程序的我們的文章里，我們指出這個問題應(yīng)該被小心對待，由于兩個原因：（1）要獲得對Pr(X|K)的準(zhǔn)確估計在計算上是困難的，我們的方法僅僅提供一個

48、專門的（ad hoc）近似；（2）K的生物學(xué)解釋可能不是簡單的。在我們的經(jīng)驗里我們發(fā)現(xiàn)真正的困難在于第2個問題。我們的用于估計K的程序一般在具有少量離散的群體的數(shù)據(jù)集中計算效果較好。不過，很多現(xiàn)實世界的數(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）。在那些情況里對于什么是K的正確值可能沒有一個自然的答案?；蛟S由于這種原因，在真實的數(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。你應(yīng)該對每個K獨(dú)立地運(yùn)行幾次，以便證實不同運(yùn)行得到的估計值是一致的。如果與不同的K獲得的估計值的變異性相比，一個給定的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的運(yùn)行或者更長的burnin時期。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。你可以對此進(jìn)行驗證，通過比較在單個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. 計算K的后驗概率。例如，對于論文中的數(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關(guān)于K = 1, ., 5的均勻先驗分布。然后根據(jù)貝葉斯定理，Pr(K = 2)由下式給出： （3）如果我們將該式簡化為下面的公式，計算就會更容易 （4）5.2 輕微的違背模型可能導(dǎo)致過高估計K 當(dāng)存在真正的群體結(jié)構(gòu)時，這導(dǎo)致不連鎖的位點之間的

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。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，對于K >1，這些類型的因素也可能導(dǎo)致弱的統(tǒng)計信號。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)，因為它在困難的問題上經(jīng)常實現(xiàn)更好的執(zhí)行，但是用戶應(yīng)該意識到，在這樣的設(shè)置中可能更容易過高估計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)是否是真實的。5.3 關(guān)于選擇K的非正式提示；結(jié)構(gòu)是真實的嗎？有兩個非正式的提示，可能有助于選擇K。第一個是，對于比合適的值（有效零）更小的K，Pr(K)常常是非常小的，對于更大的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的幾個值給出log Pr(X|K)的相似的估計下），似乎這些估計中最小的常常是正確的。對于我們通過“或多或少的高原”所表示的東西，要提供一個堅固的規(guī)則有點難。對于小數(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)將這一點納入了考慮）的讀者可能對Evanno等（2005）的方法感興趣。我們認(rèn)為考慮這一點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，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。這一點的一個必然的結(jié)果是當(dāng)沒有群體結(jié)構(gòu)時，你將通常將看到分配給每個群體

54、的樣本的比例是大致勻稱的（每個群體中1/K），大多數(shù)個體將被公平地混和。如果一些個體被強(qiáng)烈地分配到一群體或者另一個，以及如果分配給每組的比例不對稱，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）。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)的個體來運(yùn)行Structure，看看是否有一個如上所述的強(qiáng)信號?？傊?，你應(yīng)該對根據(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）對于分派沒有清楚的生物學(xué)解釋，（2）對全部群體的分

55、派大致勻稱，沒有個體被強(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。在這種形勢下，等位基因頻率跨越地區(qū)逐漸變化。基礎(chǔ)的Structure模型對來自這種情況的數(shù)據(jù)不很適合。當(dāng)這發(fā)生時，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。取決于取樣的計劃，大多數(shù)個體可能在多個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)來對跨越地區(qū)的等位基因頻率建模。在這樣的形勢下，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)很可能違反這個假定。如果你有序列數(shù)據(jù)或來自多個獨(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。當(dāng)有足夠的獨(dú)立區(qū)域時，區(qū)域內(nèi)的依賴性（dependence）的主要代價將是Structure在特別的個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個連鎖的區(qū)域的3000個SNP生產(chǎn)明智（但是嘈雜）的答案，在一個全世界的樣本中，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，一個安全和有效的解決辦法是重新編碼來自每個連鎖區(qū)域的單體型，以至于單體型被描述為一個具有n等位基因的單個位點。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）混合模型對于處理這些問題更好。連鎖模型不是設(shè)計來處理群體內(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)空間中的一個隨機(jī)的地方開始，