Structure!o3中文使用手冊(cè)

JonathanK.Pritchard3

XiaoquanWena

DanielFalushb123

，芝加哥大學(xué)人類遺傳學(xué)系

b牛津大學(xué)記錄學(xué)系

軟件來(lái)自

http://pritchobsd.uchicagOoedu/structure.html

2月2日

?我們?cè)赟tructure項(xiàng)目中的其他的同事有PeterDonnellyMatthewStephons和Melissa

Hubisz.

2開(kāi)發(fā)這個(gè)程序的第一版時(shí)作者（JP、MS、PD）在牛津大學(xué)記錄系.

3有關(guān)Strueture的討論和問(wèn)題請(qǐng)發(fā)給在線的論壇上：structure一.在郵遞問(wèn)題之前請(qǐng)查對(duì)

這個(gè)文檔并搜索此前的討論.

1引言

程序Structure使用由不連鎖的標(biāo)識(shí)構(gòu)成的基因型數(shù)據(jù)實(shí)行基于模型的聚類措施來(lái)推斷

群體構(gòu)造。這種措施由普里查德(Pritchard)、斯蒂芬斯(Stephens)和唐納利(Donnelly)(a)

在一篇文章中引入，由Falush、斯蒂芬斯(Stephens)和普里?杳德(Pritchard)(a,)在續(xù)篇

中進(jìn)行了擴(kuò)展。我們的措施的應(yīng)用包括證明群體構(gòu)造的存在，鑒定不一樣的遺傳群體，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也許是未知的)的一種模型，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(huà)。樣本內(nèi)的個(gè)體被(按照概率)分派到群體，或共同分派到

兩個(gè)或更多種群體，假如它們的基因型表明它們是混和的.假定在群體內(nèi)，位點(diǎn)處在哈迪一

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)那樣的措施指定到群體。

我們的模型不假定一種尤其的突變過(guò)程，并且它可以應(yīng)用于大多數(shù)一般使用的遺傳標(biāo)

識(shí),包括微衛(wèi)星(microsatellites)SNP和RFLP。模型假定在亞群體內(nèi)標(biāo)識(shí)不處在連鎖不

平衡(LD),因此我們不能處理極其靠近的標(biāo)識(shí).從2.0版開(kāi)始，我們目前可以處理弱連鎖的

標(biāo)識(shí).

雖然這里實(shí)現(xiàn)的計(jì)算措施是相稱強(qiáng)有力的，不過(guò)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，不也許從埋論上確定合適的運(yùn)行長(zhǎng)度(時(shí)間)，這需要顧客自己做某

些試驗(yàn).這份資料描述軟件的使用和解釋，并補(bǔ)充刊登的文章，這些文章提供了對(duì)措施的改

正式的描述和評(píng)價(jià)。

1.1概述

軟件包Structure由幾種部分構(gòu)成.程序的計(jì)算部分用C語(yǔ)言編寫(xiě)。我們公布源碼和用于多

種平臺(tái)（目前有蘋(píng)果機(jī),Windows,Linux,Sun）的可執(zhí)行文獻(xiàn)。C可執(zhí)行文獻(xiàn)讀取顧客提供的

一種數(shù)據(jù)文獻(xiàn)。尚有一利3va前端為顧客提供多種有協(xié)助的工具，包括對(duì)輸出的簡(jiǎn)樸的處理。

你也可以從命令行調(diào)用Slruclure而不是使用前端.

這份資料包括有關(guān)怎樣格式化數(shù)據(jù)文獻(xiàn)、怎樣選擇合適的模型、以及怎樣解釋成果的信

息。它也有有關(guān)使用兩種界面（命令行和前端）的細(xì)節(jié)以及多種顧客定義的參數(shù)的匯總。

1o2在2。3版中有哪些更新？

2。3版（4月公布）引入了新的模型用于改善數(shù)據(jù)集構(gòu)造的推論，其中（I）數(shù)據(jù)對(duì)于一

般的構(gòu)造模型來(lái)說(shuō)信息不夠，局限性以提供精確的推論，不過(guò)（2）抽樣的地點(diǎn)與群體歸屬關(guān)

系（populationmembership）有關(guān)。在這種情形下，通過(guò)明確運(yùn)用抽樣地點(diǎn)信息，我們使構(gòu)造

得到改善，常常容許性能更高諸多（Hubiszetal.,）.我們但愿在下幾種月釋放更深入的改

善。

表1：實(shí)例數(shù)據(jù)文獻(xiàn)。這里MARKERNAMES=I,LABEL=LPOPDATA=1,NUMINDS=7,

NUML0CI=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=l),在這種狀況下第一行為“George1-9—9145—96664009294”。

Loc_aLoc_bLoc_cLoc_dLoc_e

喬治1-914566092

喬治1—9—964094

保拉110614268192

保拉110614864094

馬修2110145-9092

馬修2110148661-9

鮑勃210814264194

鮑勃2-9142-9094

Anja1112142-91—9

Anja1)1414266194

彼得1—9145660-9

彼得1110145-91—9

卡斯坦2108145620-9

卡斯坦211014564I92

2數(shù)據(jù)文獻(xiàn)的格式

基因型數(shù)據(jù)的格式顯示在表2中（表1顯示一種例子基本上，整個(gè)數(shù)據(jù)集被作為一種

矩陣安排在單個(gè)文獻(xiàn)里，其中個(gè)體的數(shù)據(jù)在行里,位點(diǎn)在列里。顧客能對(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)于一種二倍體生物，每個(gè)個(gè)體的數(shù)據(jù)可以是作為持續(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)在持續(xù)的兩列.除非你打算使用連鎖模型（見(jiàn)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(jiàn)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)持續(xù)的行中，

除非ONEROWPER1ND選項(xiàng)被使用。）

2.1數(shù)據(jù)文獻(xiàn)的構(gòu)成部分：

輸入文獻(xiàn)的要素如下所列。假如給出，它們?定按如下次序，然而大多數(shù)是可選的并且

可以被完全刪除。顧客必須指明哪些數(shù)據(jù)被給出，或者在前端里（fromend）,或者（當(dāng)從命

令行運(yùn)行Slruclure時(shí)）在一種單獨(dú)的文獻(xiàn)mainparams里。同步，顧客也要指定個(gè)體和位點(diǎn)的

數(shù)目。

2.2行

I.標(biāo)識(shí)名稱（可選擇；字符串）文獻(xiàn)的第一行可以包括數(shù)據(jù)集里的每個(gè)標(biāo)識(shí)的標(biāo)識(shí)符

的一種列表.這一行包括整數(shù)或字母的L個(gè)字符串，其中心是位點(diǎn)的數(shù)目.

2.隱性等位基因（僅用于有顯性的標(biāo)識(shí)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.不過(guò)假如選項(xiàng)RECESSIVEALLELES被設(shè)置為I,則程序規(guī)定有這一行來(lái)表

明每個(gè)標(biāo)識(shí)上哪個(gè)等位基因（假如有的話）是隱性的。有關(guān)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，其中基因型也許是

模糊的.

3.標(biāo)識(shí)之間的距離（可選擇；實(shí)數(shù)）文獻(xiàn)里的下一行是一種標(biāo)識(shí)之間距離的集合.供有

連鎖的位點(diǎn)使用。這些應(yīng)當(dāng)是遺傳距離（例如，厘摩），或者是這種距離的某些音

代，基于（例如）物理距離.假如標(biāo)識(shí)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)一種合適的尺度，不過(guò)命令行版本的顧客必須

在文獻(xiàn)extraparams里設(shè)置LOGIORMIN、LOG10RMAX和LOG10RSTART。標(biāo)識(shí)必

須按照連鎖群中的圖譜次序排列。當(dāng)持續(xù)的標(biāo)識(shí)來(lái)自不一樣的連鎖群（例如，不一

樣的染色體）時(shí)，這應(yīng)當(dāng)用數(shù)值-1注明。笫一種標(biāo)識(shí)也被賦值為-1.所有其他的距離

都是非負(fù)的.這一行包括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,門內(nèi)的實(shí)數(shù)）.這只供連鎖

模型使用。這是，個(gè)概率的一行，出FI前每個(gè)個(gè)體的基因型數(shù)據(jù)之后。假如連鎖相

是完全懂得的，或者沒(méi)有連鎖相信息可用，則這些行是不必要的。當(dāng)有來(lái)自家系數(shù)

據(jù)的部分連鎖相信息，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)，它們也許是有用的。對(duì)于連鎖相信息有兩種可選擇的表達(dá)：（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)。連鎖相行表明目前標(biāo)識(shí)上

的排序?qū)Φ牡母怕剩ㄔO(shè)置MARKOVPHASE=0）；（2）連鎖相行表明與此前的等

位基因有關(guān)的一種等位基因的連鎖相是對(duì)的的概率（設(shè)置MARKOVPHASE=1）。

第?項(xiàng)應(yīng)當(dāng)填入0。5,以便把這行填寫(xiě)到L項(xiàng)。例如下列數(shù)據(jù)輸入表達(dá)來(lái)自?種男

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)，背面是3個(gè)X染色體位點(diǎn)，使

用母本/父本相模型：

1

1003-9-9-9

0.5Oo50.50.5Oo5U01.()I。0

其中-9表達(dá)“缺失數(shù)據(jù)”，這里缺失是由第二X染色體缺乏導(dǎo)致的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100,因此其連鎖

相是已知的.相似的信息可以用markovphase模型來(lái)描述.這樣的話輸入文獻(xiàn)將讀為：

102156165101143105104101

100148163101143—9-9-9

0o50.50.50.50o50.51.0L0

這里，21°0s表明那個(gè)第1和第2,另一方面和第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模式下將不一樣。在第一例子中，Structure將輸出母

親和父親染色體的任務(wù)也許發(fā)生的事件。在第2個(gè)狀況下，它將輸出在輸入文獻(xiàn)里

列舉的每等位基因的也許發(fā)生的事件.

5.個(gè)體/基因型數(shù)據(jù)（必需的）取樣的每?種個(gè)體的數(shù)據(jù)象在下面描述的那樣安排成?

行或多行。

2.3個(gè)體/基因型數(shù)據(jù)

個(gè)體數(shù)據(jù)的每一行包括下列要索這些形成數(shù)據(jù)文獻(xiàn)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)）一種整數(shù)，指明一種顧客定義的群體，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，不過(guò)能用來(lái)協(xié)助組織輸出（例如，未來(lái)自相似的預(yù)定義群體的個(gè)體彼

此緊挨著繪圖）.

3.PopFlag（可選擇；0或者I）一種布爾標(biāo)簽，表明使用學(xué)習(xí)樣本時(shí)與否使用PopDaia（見(jiàn)

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PopDa⑶表達(dá).）

4.LocData（可選擇；整數(shù)）一種整數(shù)，為每個(gè)個(gè)體指明一種顧客定義的取樣地點(diǎn)（或者

其他特性，例如一種分享的體現(xiàn)型）。當(dāng)LOCPRIOR模型被打開(kāi)時(shí)，這個(gè)信息用來(lái)

協(xié)，助聚類。假如你僅僅但愿使用LOCPRIOR模型的PopData,那么你可以省略LocData

歹|J，并設(shè)置LOCISPOP=I（這告訴程序使用PopData來(lái)設(shè)置地點(diǎn)）。

5.Phenotype（可選擇；整數(shù)）一種整數(shù)，為每個(gè)個(gè)體指明一種所關(guān)懷的體現(xiàn)型的值

（表中的。卬）。（體現(xiàn)型信息實(shí)際上沒(méi)有用于Structure。這里用來(lái)容許與關(guān)聯(lián)作

圖程序STRAT有一種平滑的接口。）

6.ExtraCo加mns（可選擇；字符串）顧客把被程序忽視的附加數(shù)據(jù)包括在輸入文獻(xiàn)

里也許是以便的。這些數(shù)據(jù)就在這里輸入，可以是由整數(shù)或字符構(gòu)成的串。

7.GenotypeData（必需的；整數(shù)）一種給定位點(diǎn)上的每個(gè)等位基因應(yīng)當(dāng)由一種獨(dú)特

的整數(shù)來(lái)編碼（例如微衛(wèi)星反復(fù)得分）.

2.4缺失的基因型數(shù)據(jù)

缺失數(shù)據(jù)應(yīng)當(dāng)用沒(méi)在數(shù)據(jù)中的其他地方出現(xiàn)過(guò)的一種數(shù)字來(lái)標(biāo)明（按照通例常常使用

-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)集特性的其他參數(shù)一起被設(shè)置的。

2.5格式化的錯(cuò)誤.

我們已經(jīng)進(jìn)行了相稱仔細(xì)的錯(cuò)誤檢查,以保證數(shù)據(jù)集的格式對(duì)的，并且程序?qū)⒃噲D提供

某些有關(guān)存在的任何問(wèn)題的性質(zhì)的提醒.前端規(guī)定在每行的結(jié)束回車，不容許在行內(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.

也許出現(xiàn)的一種問(wèn)題是，在將數(shù)據(jù)導(dǎo)入Structure之前用來(lái)組裝數(shù)據(jù)的編輯程序也許引入

隱藏的格式化字符，常常在行的末尾,或者在文獻(xiàn)的末尾，前端能自動(dòng)除去大多數(shù)這些錯(cuò)誤,

不過(guò)當(dāng)數(shù)據(jù)文獻(xiàn)仿佛處在對(duì)的的格式時(shí)，此類問(wèn)題也許對(duì)錯(cuò)誤負(fù)責(zé)。假如你正在把數(shù)據(jù)導(dǎo)入

到一種Unix系統(tǒng),dos2unix功能也許對(duì)徹底清理這些錯(cuò)誤有協(xié)助，

3顧客的建模決策

3.1祖先模型

個(gè)體的祖先有4個(gè)重要模型：（I）非混合模型（個(gè)體離散地來(lái)自一種群體或者另一種群

體）；（2）混合模型（每個(gè)個(gè)體從K個(gè)群體中的每一種抽取他/她的基因組的一部分）；（3）

連鎖模型（象混合模型同樣，不過(guò)連鎖的位點(diǎn)更也許來(lái)自相似的群體）；（4）有先驗(yàn)信息的

模型（容許Struclure使用有關(guān)取樣地點(diǎn)的信息:或者協(xié)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)定義某些群體）。有關(guān)模型1、2、4的詳情見(jiàn)Pritchard等（a）和Hubisz等（），有關(guān)

模型3的詳情見(jiàn)Falush等（a）。

1.非混合模型。每個(gè)體完全來(lái)自K個(gè)群體之一.輸巴匯報(bào)個(gè)體i來(lái)自群體左的后驗(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，并且常常比混

合模型在檢測(cè)微妙的構(gòu)造方面更強(qiáng)有力。

2.混合模型。個(gè)體也許具有混合的祖先。這可以表述為個(gè)體i從群體A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

為條件，每個(gè)等位基因的來(lái)源是獨(dú)M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)雜性的一種

相稱靈活的模型?；旌鲜钦鎸?shí)數(shù)據(jù)的?種?般特性，假如你使用非混合模型,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（hybridzones）。

表2：數(shù)據(jù)文獻(xiàn)的格式,為兩行的格式.大多數(shù)這些構(gòu)成部分是可選的（欲理解詳細(xì)信

息，參見(jiàn)正文）。防是標(biāo)識(shí)/的標(biāo)識(shí)符。力表明哪個(gè)等位基因，假如有的話，在每個(gè)

標(biāo)識(shí)上是隱性的（僅針對(duì)顯性的基因型數(shù)據(jù)）。&升|是標(biāo)識(shí)，和i+1之間的距離"/＞一

是個(gè)體，?的標(biāo)簽，月⑺是個(gè)體泊勺一種預(yù)先定義的群體索引（PopData）；/"是一種被

用來(lái)合并學(xué)習(xí)樣品的標(biāo)簽（PopFlag）是個(gè)體/?的取樣地點(diǎn)（LocData）：”可以儲(chǔ)

存?zhèn)€體,?的體現(xiàn)型；yJT.。。，用于儲(chǔ)存額外的數(shù)據(jù)（這些數(shù)據(jù)會(huì)被程序忽

視）；（X/-1,Xi2）儲(chǔ)存?zhèn)€體,?在位點(diǎn)/上的基因型?！ㄋ莻€(gè)體,?中的標(biāo)識(shí)/的連鎖相

的信息.

LabelPopFlagLocationPhenErtraColsLoe1Loc2Loc3....LoeL

z1\/1

/Dt!

\/g\

/D/11/1

X/gI

/2\

l0

x7

?2\

\fZJ0

y(?)刖…愁）Z嚴(yán)六」）必）

ID3/①2①3XL

興)嚴(yán),…，湍）上)Ji，2)鏟）

ID①g⑴【⑴x2甲

(3)源)

P2

產(chǎn)）/(N)2）0（N）鏟）鏟）鏟）守

IN)產(chǎn)/(N)2）0(N)—鏟野或2）鏟）????鏟

*)

虻P6????

3。連鎖模型。這實(shí)質(zhì)上是將混合模型推廣，來(lái)處理“混合連鎖不平衡”，即，在

近來(lái)混和的群體中的連鎖標(biāo)識(shí)之間出現(xiàn)的有關(guān)性。Falush等（a）描述了該模型和更詳

細(xì)的計(jì)算.

基本的模型是，過(guò)去的r個(gè)世代，有一次混合事件，將K個(gè)群體混合了。假如你考慮單

個(gè)染色體，它由一系列“塊（chunk）”構(gòu)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是由于連鎖的等位基因常常在相似的塊上，因

此來(lái)自相似的祖先群體。

塊的大小被假設(shè)為獨(dú)立的指數(shù)隨機(jī)變量,具有平為長(zhǎng)度1〃（以摩爾根為單位）,在實(shí)

踐中我們估計(jì)“重組率”〃所用的數(shù)據(jù)對(duì)應(yīng)于從目前的塊切換到新的塊的比率。個(gè)

體i里的每個(gè)塊以概率碼①獨(dú)立地來(lái)自群體上其中詼⑷是那個(gè)個(gè)體的祖先來(lái)自群體〃的

比例。

總起來(lái)，新模型保留了混合模型的重要要素，不過(guò)在單個(gè)塊上的所有等位基因必須來(lái)

自相似的群體。新的MCMC算法結(jié)合了也許的塊大小和斷點(diǎn).它對(duì)于每個(gè)體匯報(bào)總的

祖先，考慮連鎖，并且也能匯報(bào)染色體的每一點(diǎn)人的來(lái)源的也許性，假如顧客想要的

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)新模型體現(xiàn)得比原先的混合模型更好.

它得到對(duì)祖先向量的更精確的估計(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)當(dāng)是有用的.該模型不是用于處理非常緊密連鎖的標(biāo)識(shí)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)，混合的重要的效

應(yīng)是在連鎖的標(biāo)識(shí)之間建立長(zhǎng)遠(yuǎn)的有關(guān)性，因此我們這里的目的是在一種相稱簡(jiǎn)樸

的模型中將那個(gè)特性包括進(jìn)來(lái).

計(jì)算比混合模型的要慢一點(diǎn)，尤其對(duì)于大的K和不懂得連鎖相的數(shù)據(jù)。不過(guò)，它們

對(duì)于數(shù)千個(gè)位點(diǎn)和個(gè)體以及多種群體來(lái)說(shuō)還是切實(shí)可行的。假如有有關(guān)標(biāo)識(shí)的相對(duì)

位置的信息（一般是一張遺傳圖譜），則只能使用該模型.

4.使用先驗(yàn)的群體信息。Structure的默認(rèn)模式只贊用遺傳學(xué)的信息來(lái)理解群體構(gòu)造。

不過(guò)，常常有可以與聚類有關(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，Slruclure可以用3種方式使用這種信息:

?LOCPRIOR模型：運(yùn)用取樣位置作為先驗(yàn)信息來(lái)輔助聚類--用于構(gòu)造信號(hào)比較弱

的數(shù)據(jù)集。有某些數(shù)據(jù)集，其中有真實(shí)的群體構(gòu)造（例如，取樣位置之間的明顯的吊7）,

不過(guò)信號(hào)太弱，原則的Structure模型不能發(fā)現(xiàn).對(duì)于標(biāo)識(shí)很少、個(gè)體很少或者#常弱

的Slructure,常常是這樣的狀況.

在這種情形下，為了提高性能，Hubisz等（）發(fā)展了新模型，運(yùn)用地點(diǎn)信息來(lái)輔助聚類。

乂寸于這樣的數(shù)據(jù)集，其中構(gòu)造的信號(hào)太弱以致使用原則的Structure模型不能被發(fā)現(xiàn),

新模型常常能提供群體構(gòu)造和個(gè)體祖先的精確的推斷.

簡(jiǎn)言之,LOCPRIOR模型的基本原理如下.一般，Structure假定個(gè)體的所有部分都大概

是先驗(yàn)等也許的。由于也許的部分的數(shù)目非常巨大，對(duì)于Struclure來(lái)說(shuō)，需要信息非

常豐富的數(shù)據(jù)來(lái)斷定個(gè)體的任何特定的部分被聚類到群具有強(qiáng)的記錄支持。相

反,LOCPRIOR模型認(rèn)為實(shí)際匕來(lái)自相似的取樣位置的個(gè)體常常來(lái)自相似的群體。

因此，建立LOCPRIOR模型以期望取樣的位置也許有關(guān)祖先是信息豐富的.假如數(shù)

據(jù)表明位置是信息豐富的，那么LOCPRIOR模型容許Structure使用這種信息。

Hubisz等0發(fā)展了一對(duì)LOCPRIOR模型：一種用于沒(méi)有混合的狀況，一種用于有混合

的狀況。在兩種狀況中，內(nèi)在的模型（以及似然函數(shù)）與原則版本相似。關(guān)鍵的差異

是容許structure使用地點(diǎn)信息來(lái)協(xié)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(ài)的聚類處理方案）。

LOCPRIOR模型具有合乎需要的特性:（i）當(dāng)不存在構(gòu)造時(shí)，它們不傾向于發(fā)現(xiàn)構(gòu)造;

（ii）當(dāng)個(gè)體的祖先與取樣位置不有關(guān)時(shí)，他們可以忽視取樣的信息；（iii）當(dāng)群體

構(gòu)造的信號(hào)非常強(qiáng)大時(shí)，舊模型和新模型基本上給出相似的答案。因此，我們提議在

大多數(shù)數(shù)據(jù)數(shù)量非常有限的情形下使用新模型，尤其是當(dāng)原則的Structure模型不提

供一種Structure的清晰信號(hào)時(shí)。不過(guò)，由于目前已經(jīng)積累了原則的Structure模型的諸

多經(jīng)驗(yàn)，我們提議對(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，）.

為了運(yùn)行LOCPRIOR模型，顧客必須首先為每個(gè)個(gè)體指定“取樣地點(diǎn)”，作為-?種整

數(shù)編碼。即，我們假定樣品是在一組分離的位置搜集的，并且我們不使用有關(guān)地點(diǎn)的

仃何空間信息。（我們認(rèn)識(shí)到，在某些研究中，每個(gè)個(gè)體也許在一種不一樣的地點(diǎn)搜

集，因此將個(gè)體塞進(jìn)一套更小的分離的地點(diǎn)也許不是對(duì)數(shù)據(jù)的理想的代表。）“地點(diǎn)”

也可以代表一種體現(xiàn)型、生態(tài)型（ecolype）或者民族團(tuán)體（ethnicgroup）o

地點(diǎn)被鍵入到輸入文獻(xiàn)中，要么在PopData列（設(shè)置LOCISPOP=1）中，要么作

為一種單獨(dú)的LocData列（參閱第23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。假如你使用的是圖形顧客界面版本，則勾選

“usesamplinglocationsasprio”（用取樣位置作為先驗(yàn)信息）框。假如你使用的是命

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)不存在構(gòu)造時(shí)，LOCPRIOR模型不偏向于檢測(cè)到假的構(gòu)造。

你可以把相似的診斷用于與否有真的構(gòu)造，當(dāng)你沒(méi)使用LOCPRIOR時(shí)。此外查看，?的

值也許有協(xié)助，它確定由位置攜帶的信息的數(shù)量?！傅闹悼拷?,或者（1,表明位置

是信息豐富的?！傅母蟮闹当砻骰蛘邲](méi)有群體構(gòu)造，或者構(gòu)造不依賴位置。

USEPOPINFO模型：使用取樣位置來(lái)對(duì)移居者或者雜交種進(jìn)行檢杳--供信息非常

豐富的數(shù)據(jù)數(shù)據(jù)集使用。在某些數(shù)據(jù)集里，顧客也許發(fā)現(xiàn)預(yù)確定的組（例如取樣位置）

幾乎恰好與構(gòu)造聚類相對(duì)應(yīng)，除了少數(shù)似乎被錯(cuò)誤歸類的個(gè)體以外.Pritchard等（a）

提出了正式的Bayesian檢查，用于評(píng)價(jià)與否在這個(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?般是對(duì)的的。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)當(dāng)在沒(méi)有群體信息的

狀況下運(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的一種值（在

Pritchard^（a）中它是立。你可以在0。001到0。1的范圍內(nèi)為v選擇一種值。

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)文獻(xiàn)中（見(jiàn)PopData）。用這種方式,

在輸入文獻(xiàn)里被分派到群體人的個(gè)體在Structure算法中將被分派到群匕因此,被預(yù)先

規(guī)定的群體應(yīng)當(dāng)是在1和MAXPOPS（K）之間的整數(shù).假如任何個(gè)體的PopDala超過(guò)這

個(gè)范圍，它們的夕珞按正常的方式被更新（即沒(méi)有先驗(yàn)的群體信息，根據(jù)將被使用的

模型，假如USEPOPINFO被關(guān)上的話。）

USEPOPINFO模型：預(yù)先指定某些個(gè)體的來(lái)源的群體來(lái)協(xié)助未知來(lái)源的個(gè)體的祖

先估計(jì)。使用USEPOPINFO模型的第二個(gè)措施是定義“學(xué)習(xí)樣本"（learningsamples）,

它被預(yù)定義為來(lái)自特定的群。然后用Structure來(lái)聚類剩余的個(gè)體。注意：在前端里,

這個(gè)選項(xiàng)使用“UpdateallelefrequenciesusingonlyindividualswithPOPFLAG=I"選

項(xiàng)被打開(kāi)，位于“AdvancedTab”標(biāo)簽下。

學(xué)習(xí)樣品是運(yùn)用數(shù)據(jù)文獻(xiàn)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值被忽視。假如數(shù)據(jù)文獻(xiàn)里沒(méi)有PopFlag列，那么當(dāng)USEPOPINFO被啟

動(dòng)時(shí),PopFlag被為所有個(gè)體設(shè)置為1。具有PopFlag=0的或者PopData不在（K.<?

K）中的個(gè)體的祖先，根據(jù)混合或者沒(méi)有混合的模型被更新,象由顧客指定的那樣。如上

所述,假如有很少的個(gè)體沒(méi)有預(yù)先規(guī)定的群體，將a設(shè)置成一種明智的值來(lái)也許是有

協(xié)助的。

USEPOPINFO的應(yīng)用也許在幾種方面有協(xié)助。例如，也許有某些個(gè)體的來(lái)源是

己知的，我們的目的是對(duì)未知來(lái)源的此外的個(gè)體進(jìn)行歸類。例如I,我們也許從一群

已知品種（編號(hào)為1..。K）的狗中搜集數(shù)據(jù);然后使用Structure為未知的（也許是雜

交種）來(lái)源的此外的狗估計(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，并且能改善推論的精確性。（當(dāng)然，

假如兩個(gè)預(yù)先確定的品種在遺傳上是相似的，那么未知來(lái)源的狗也許被推斷為具有

混合的祖先。

USEPOPINFO的另一種用途是用于這樣一種狀況：顧客想要只使用個(gè)體的一種

子集來(lái)更新等位基因頻率。一般，Stnicuire分析使用所有可得到的個(gè)體來(lái)更新等位

基因頻率估計(jì)值。不過(guò)有某些狀況，在那里你也許想對(duì)于某些個(gè)體估計(jì)祖先，沒(méi)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)樣品的一種原則的搜集,

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。在不一樣的狀況下，

Murgia等（）想要確定一套無(wú)性系的狗瘤的來(lái)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(jiàn):我們提議首先運(yùn)行Structure的基本的版本，以便證明被預(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。另一方面，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)容許某些錯(cuò)誤的分類也許是明智的.

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.一種模型假定每個(gè)群體內(nèi)的等位基因頻率是獨(dú)立

的，從一種分布中抽取,這個(gè)分布由參數(shù)九指定.那是用于Pritchard等（a）種的原先的模型。

一般我們?cè)O(shè)置兀=1：這是缺省設(shè)置

Falush等（a）實(shí)行了一種模型，具有有關(guān)的等位基因頻率.這個(gè)模型標(biāo)明不一樣群體中的

頻率很也許是相似的（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)「諸多數(shù)據(jù)集體現(xiàn)不錯(cuò).粗略地說(shuō)，這最先說(shuō)我們期望在不一樣的群體中

的等位基因頻率彼此不一樣。有關(guān)的頻率模型說(shuō)它們實(shí)際上也許十分相似。對(duì)于親緣關(guān)系近

的群體，這常常改善聚類，不過(guò)也許增長(zhǎng)過(guò)高估計(jì)的K的危險(xiǎn)（如下）.假如一種群體與其他

群體分歧較大，則當(dāng)那個(gè)群體被除去時(shí)，有關(guān)的模型有時(shí)可以獲得更好的推論。

估計(jì)Q固定人1對(duì)于大多數(shù)數(shù)據(jù)是一種好主意，不過(guò)在某些狀況下，例如SNP數(shù)據(jù).其中

大多多次要的等位基因是稀少的，這時(shí)候較小的數(shù)值也許工作得更好.對(duì)于這個(gè)原因，你可

以讓程序?yàn)槟愕臄?shù)據(jù)估計(jì)I你也許想要這樣做一次，或許對(duì)于K=1來(lái)說(shuō),然后將九固定在被估

計(jì)的值上，由于在試圖同步國(guó)際太多的假設(shè)參數(shù)（九，a,刀時(shí)對(duì)于非識(shí)別性

（non-identifiability）仿佛有某些問(wèn)題.

有關(guān)的等位基因頻率模型：如同F(xiàn)alush等（a）描述的那樣，有關(guān)的頻率模型使用一種（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)Q,匕，f3…,

心表達(dá).除歸因于有點(diǎn)不一樣的模型的差異和估計(jì)的差異外，被估計(jì)的人值應(yīng)當(dāng)數(shù)量上類似

于FsX直。此外，對(duì)于具有許多混合的數(shù)據(jù)要精確地估計(jì)人很難。

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似的形式：

（入1，九2，o..,Aj）,（1）

對(duì)每個(gè)/獨(dú)立。然后，群體A中的頻率的先驗(yàn)為

對(duì)每個(gè)2和/獨(dú)立.在這個(gè)模型里，尸與遺傳學(xué)距離外而親密的關(guān)系。按照八7的原則的參數(shù)化

措施，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〃時(shí)，跨越亞群

體的頻率的方差為p（l-〃）FST.這里的模型幾乎同樣，除了我們對(duì)模型稍微做了推廣以外，

通過(guò)容許每個(gè)群體以一種不通的速率（入）漂離祖先群體，如同群體具有不一樣的大小時(shí)也

許被期望的那樣.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）放于凡上，與平均數(shù)為0。01、原則差為0。05的Y分布成正

比（不過(guò)有Pr[&21]=0）.Y先驗(yàn)分布的參數(shù)可以由顧客修改。某些試驗(yàn)表明，0o01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)常常導(dǎo)致好的體現(xiàn)。在其他的

問(wèn)題中（其中群體之間的差異愈加明顯），仿佛數(shù)據(jù)一般壓倒了這個(gè)人的先驗(yàn).

3.3程序要運(yùn)行多長(zhǎng)時(shí)間？

程序從一種隨機(jī)的配置啟動(dòng)，從那里采用一系列環(huán)節(jié)穿過(guò)參數(shù)空間，每個(gè)環(huán)節(jié)（只）依

賴于前一種環(huán)節(jié)的參數(shù)值.這個(gè)程序在運(yùn)行期間引起不一樣的點(diǎn)上的Markov鏈的狀態(tài)之間的

有關(guān)性。但愿是通過(guò)運(yùn)轉(zhuǎn)模擬足夠久，有關(guān)性將可以被忽視。

有兩個(gè)問(wèn)題要緊張：（I）burnin長(zhǎng)度：在搜集數(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以得到精確的參數(shù)估計(jì)之后模擬要運(yùn)行多久。

要選擇合適的bumin長(zhǎng)度，看看由這個(gè)程序打印的歸納記錄量的值是真的有協(xié)助的（例

如（a,E在群體之間的分歧距離?！?，以及似然），以便理解它們與否已經(jīng)收斂。一般1000（"

—100000的burnin非常足夠了.

要選擇合適的運(yùn)行長(zhǎng)度，你需要在每個(gè)K上做幾次運(yùn)行，也許長(zhǎng)度不一樣,看看你與否得

到一致的答案。一般，運(yùn)用10000—JOOOOO步運(yùn)行你能得到參數(shù)（P和Q）的好的估計(jì)，不過(guò)

Pr（X]K）的精確的估計(jì)也許需要更長(zhǎng)時(shí)間的運(yùn)行。實(shí)際上，你的運(yùn)行時(shí)間的長(zhǎng)度也許決定于

你的計(jì)算機(jī)速度和耐心。假如你正處理極其大的數(shù)據(jù)集,并且被運(yùn)行時(shí)間制止，你可以試著

修剪運(yùn)行的長(zhǎng)度和標(biāo)識(shí)/個(gè)體的數(shù)量，至少為探索的分析。

前端提供了兒種重要參數(shù)的時(shí)間序列曲線。在burnin階段結(jié)束之前你應(yīng)當(dāng)看看這些曲

線，以便理解這些曲線與否看起來(lái)到達(dá)了平衡。假如在burnin階段結(jié)束時(shí)數(shù)值仍然在增長(zhǎng)或

者減少，你需要增長(zhǎng)burnin長(zhǎng)度。

假如在整個(gè)運(yùn)行期間（即，不只是在bumin期間）Q的估計(jì)值變化非常大，你可以通過(guò)

增大ALPHAPROPSD來(lái)得至IJ對(duì)Pr（XIK）的更精確的估計(jì)，這改善了在那種形勢(shì)下的混合。（見(jiàn)

在第5節(jié)的一種有關(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)識(shí)

當(dāng)不停改善。和P時(shí)，程序忽視缺失的基因型數(shù)據(jù)。當(dāng)在一種尤其的位點(diǎn)有漏缺數(shù)據(jù)的

也許性與個(gè)體在那里有什么等位基因無(wú)關(guān)時(shí)，這種措施乃對(duì)的的。當(dāng)具有漏缺數(shù)據(jù)的個(gè)體的

Q的估計(jì)不那么精確時(shí)，沒(méi)有尤其的原因制止這樣的個(gè)體參與分析，除非他們主線幾乎沒(méi)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)一種嚴(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,雖然沒(méi)有群體構(gòu)造，也可以導(dǎo)致明顯的違反哈迪-溫伯格。人們不應(yīng)當(dāng)期望

假設(shè)的模型對(duì)此類破壞是穩(wěn)健的。不過(guò)假如無(wú)效的等位基因也許是一種重要的問(wèn)題的話，則

顯性標(biāo)識(shí)模型（下面）可以被使用。

在樣本中有多名家庭組員也會(huì)破壞模型假定。這有時(shí)會(huì)導(dǎo)致K的過(guò)而估計(jì)，尤其對(duì)于有

關(guān)的頻率模型（Falush等，a）,不過(guò)當(dāng)K固定期，這對(duì)將個(gè)體分派給群體的影響很小.

4o1顯性標(biāo)識(shí)、無(wú)效等位基因和多倍體基因型

對(duì)某些類型的遺傳學(xué)標(biāo)識(shí)（例如AFLP）來(lái)說(shuō)，辨別所有基因型是不也許的.其他類型的

標(biāo)識(shí)也許導(dǎo)致模棱兩可的基因型，假如由于附近序列的變化導(dǎo)致PCR產(chǎn)物不能擴(kuò)增，一部分

等位基由于“無(wú)效”。從2.2版開(kāi)始，我們實(shí)現(xiàn)了一種模型,處理與顯性標(biāo)識(shí)有關(guān)的基因型的模

糊性。

總之，我們假定在任何特定的位點(diǎn)也許有對(duì)所行其他等位基因（例如A）為隱性的單個(gè)的

等位基因，而所有其他的標(biāo)識(shí)是共顯性的。因此A8和將作為“體現(xiàn)型”B出目前未加工

的基因型數(shù)據(jù)中，AC和CC將被記錄為C,而8C將被記錄為8C。當(dāng)有模糊性時(shí)，模型在也許

的基因型上求和。所有的細(xì)節(jié)在Falush等（）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（假如有的話）是隱性的.

這通過(guò)設(shè)置RECESSIVEALLELES=1來(lái)進(jìn)行，并且在輸入文獻(xiàn)頂上包括一行單L整數(shù)，在標(biāo)識(shí)

名稱和圖譜距離的（可選的）行之間，表明在數(shù)據(jù)集里的7/個(gè)位點(diǎn)的每個(gè)上面的隱性等位基因。

假如一種給定的位點(diǎn)上的所有標(biāo)識(shí)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，假如隱性等位基因從未在純合狀態(tài)被觀測(cè)到,不過(guò)你認(rèn)為它

也許存在（例如也許有無(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(méi)被觀測(cè)到的

等位基因（而不是MISSING!）.

編碼基因型數(shù)據(jù)：假如體現(xiàn)型是不模糊的，那么它被在Structure輸入文獻(xiàn)里按照它本來(lái)

的樣子編碼.假如它是模糊的，那么它被作為顯性等位基因的純合體編碼。例如，體現(xiàn)型A被

編碼為被編碼為3氏BC被編碼為BC,等等。假如標(biāo)識(shí)是其他方面為二倍體的一利個(gè)體

中的單倍體（例如男性中的X染色體），那么第2個(gè)等位基因被象此前同樣編碼為MISSING（缺

失）。當(dāng)A是隱性的時(shí)，基因型48、AC等等在輸入文獻(xiàn)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

（homozygotenull）的基因型應(yīng)當(dāng)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)踐中也許不確定與否一種失敗的基因型真的歸因于純合的無(wú)效等位基因。Smiclure應(yīng)當(dāng)

對(duì)這些編碼為缺失的數(shù)據(jù)是穩(wěn)健的，除非無(wú)效等位基因在一種位點(diǎn)上的頻率很高。

在多倍體（PLOIDY>2）中形勢(shì)更復(fù)雜，由于甚至對(duì)共顯性標(biāo)識(shí)都也許有基因型的模糊。

在雜合體中精確地識(shí)別出基因型常常足困難的。例如在二倍體中，體現(xiàn)型A3也許是AM或

者AB8。假如Structure在RECESSIVEALLELES=O的條件下運(yùn)行，那么就假定沒(méi)有模糊。

對(duì)于多倍體，當(dāng)RECESSIVEALLELES=I時(shí)，Slructure容許數(shù)據(jù)包括具有基因型模糊和

不具有基因型模糊的位點(diǎn)。假如某些位點(diǎn)不模糊那么設(shè)置代碼NOTAMBIGUOUS為一種整

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

輸入文獻(xiàn)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.假如不是

那樣，而是在一種特定的位點(diǎn)上等位基因所有是共顯性的，不過(guò)有有關(guān)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。最終，假如有隱

性等位基因，并且尚有有關(guān)每個(gè)等位基因的數(shù)目的模糊性，則設(shè)置隱性等位基因代碼來(lái)表明

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)識(shí)的那些相似.

因此，舉例來(lái)說(shuō)，在四倍體中，觀測(cè)到3個(gè)共顯性位點(diǎn)8、C和。，這應(yīng)當(dāng)被編碼為BCDD或者

等效地BBCD或者任何包括3個(gè)等位基因中的每一種的其他組合。它不應(yīng)當(dāng)被編碼為BCD

（MISSING）,由于這表明該特定的個(gè)體在所指的位點(diǎn)是三倍體。假如在這個(gè)位點(diǎn)上存在

一種隱性等位基因A,它也不能被編碼為BCDAo

Pr（K）的估計(jì)：當(dāng)RECESSIVEALLELES被用于二倍體時(shí)，Markov鏈的每個(gè)環(huán)節(jié)上的

似然值是通過(guò)在也許的基因型上求和來(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)，我們以目前推算的（impuled）基因型為條件。這減小似然值，并且仿佛大大

地?cái)U(kuò)大似然值的方差。有限的經(jīng)驗(yàn)表明在后一種狀況下這導(dǎo)致對(duì)K的估計(jì)效果變差，你應(yīng)當(dāng)把

K的這種估計(jì)看做是不可靠的。

5K（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)當(dāng)被小心看待，由于兩個(gè)原因:

（1）要獲得對(duì)Pr（x|/O的精確估計(jì)在計(jì)算上是困難的，我們的措施僅僅提供一種專門的（ad

hoc）近似；（2）K的生物學(xué)解釋也許不是簡(jiǎn)樸的.

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

具有少許離散的群體的數(shù)據(jù)集中計(jì)算效果很好。不過(guò)，諸多現(xiàn)實(shí)世界的數(shù)據(jù)集并不精確地符

合Siruclure模型（例如，由于通過(guò)距離或者近交而產(chǎn)生的隔離）。在那些狀況里對(duì)于什么是K

的對(duì)的值也許沒(méi)有一種自然的答案。

或許由于這種原因，在真實(shí)的數(shù)據(jù)中我們的模型選擇原則的值伴隨增長(zhǎng)的K而繼續(xù)增長(zhǎng)

是不稀有的。那么集中于捕捉數(shù)據(jù)中的大多數(shù)構(gòu)造的K的值一般是講得通的，這在生物學(xué)上似

乎是合理的。

5o1估計(jì)K的環(huán)節(jié)

l.(命令行版本)在文獻(xiàn)extraparams里把COMPUTEPROBS和INFERALPHA設(shè)置

為L(zhǎng)(前端版本)保證a容許變化。

2.對(duì)不一樣的MAXPOPS(K)值運(yùn)行MCMC方案.最終它將輸出一行aEstimatedLn

ProbofData"o這是InPr(X]K)的估計(jì)。你應(yīng)當(dāng)對(duì)每個(gè)K獨(dú)立地運(yùn)行幾次,以便證

明不一樣運(yùn)行得到的估計(jì)值是一致的。假如與不一樣的K獲得的估計(jì)值的變異性

相比，一種給定的K的不一樣運(yùn)行的變異性是明顯的，那么你也許需要使用更長(zhǎng)的

運(yùn)行或者更長(zhǎng)的burnin時(shí)期。假如lnP「(X]K)看起來(lái)是雙峰的(bimodal)或者多

峰的(multimodal),則MCMC方案也許找到不一樣的答案。你可以對(duì)此進(jìn)行驗(yàn)

證，通過(guò)比較在單個(gè)K上的不一樣運(yùn)行的Q.1參看Pritchardetal.(a)的數(shù)據(jù)集2A

(DataSet2A),也見(jiàn)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

KInPr(XIK)

1-4356

2-3983

3—3982

4一3983

5-4(X)6

我們一開(kāi)始可以假定一種有關(guān)長(zhǎng)={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:

,3983

;

--------------------------------(3))

,-4356,L-3983i,L-3982-iL-3983i-L-4006°

假如我們將該式簡(jiǎn)化為下面的公式，計(jì)算就會(huì)更輕易

~l

——---：---e------：-----=0.21(4)

e-374+,e-1+.e0+.e-I+.e-24

5.2輕微的違反模型也許導(dǎo)致過(guò)高估計(jì)K

當(dāng)存在真正的群體構(gòu)造時(shí)，這導(dǎo)致不連鎖的位點(diǎn)之間的LD,以及違反哈迪溫伯格比例。

粗略地說(shuō)，這是被Slructure算法使用的信號(hào)。不過(guò)模型的某些違反也能導(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（例如偶爾的、未被發(fā)現(xiàn)的無(wú)效的等位基因）.雖然

在沒(méi)有群體構(gòu)造的狀況下，對(duì)于K〉I,這些類型的原因也也許導(dǎo)致弱的記錄信號(hào).

從2版本開(kāi)始，我們提出有關(guān)的等位基因頻率模型（correlatedallelefrequencymodel）應(yīng)

當(dāng)被用作默認(rèn)，由于它在困難的問(wèn)題上常常實(shí)現(xiàn)更好的執(zhí)行，不過(guò)顧客應(yīng)當(dāng)意識(shí)到，在這樣

的設(shè)置中也許更輕易過(guò)高估計(jì)K,與獨(dú)立的頻率模型下相比（Falushetal。（a））。

下一節(jié)討論怎樣確定推斷的構(gòu)造與否是真實(shí)的。

5.3有關(guān)選擇K的非正式提醒；構(gòu)造是真實(shí)的嗎？

有兩個(gè)非正式的提醒，也許有助于選擇K.第一種是，對(duì)于比合適的值（有效零）更小的

K,Pr（K）常常是非常小的，本于更大的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的兒種值給出logPr（X|K）的相似的估計(jì)下），似乎這些

估計(jì)中最小的常常是對(duì)的狗.

對(duì)于我們通過(guò)“或多或少的高原”所示的東西，要提供一種結(jié)實(shí)的規(guī)則有點(diǎn)難。對(duì)于小

數(shù)據(jù)集來(lái)說(shuō),這也許意味著logPr(X|K)的值在5-10的范圍內(nèi)，不過(guò)DanielFalush寫(xiě)道”在非常

大的數(shù)據(jù)集中，K=3和K=4之間的差異也許是50,不過(guò)假如K=3和K=2之間的差異是5000,

那么我將肯定選擇K=3"。想要使用改正式的原則(這種原則將這一點(diǎn)納入了考慮)的讀者也

許對(duì)Evanno等()的措施感愛(ài)好.

我們認(rèn)為考慮這一點(diǎn)的一種明智的措施是就模型選擇而言。即，我們也許不總是能懂得

K的真值，不過(guò)我們應(yīng)當(dāng)致力于捕捉數(shù)據(jù)里的重要構(gòu)造的K的最小的值。

第二提醒是，假如真的有單獨(dú)的群體，那個(gè)，一般有許多有關(guān)a的值的信息，一旦Markov

鏈?zhǔn)諗浚琣一般將相對(duì)恒定(范圍常常為0。2或更少).不過(guò)，假如沒(méi)有任何真正的構(gòu)造，在運(yùn)

行過(guò)程中a一般變化很大。

這一點(diǎn)的一種必然的成果是當(dāng)沒(méi)有群體構(gòu)造時(shí)，你將一般將看到分派給每個(gè)群體的樣本

的比例是大體勻稱的(每個(gè)群體中1/K),大多數(shù)個(gè)體將被公平地混和.假如某些個(gè)體被強(qiáng)烈地

分派到一群體或者另一種，以及假如分派給每組的比例不對(duì)稱，那么這是你有真正的群體構(gòu)

造的強(qiáng)的跡象。

假定你有兩個(gè)清晰的群體，不過(guò)你試圖決定與否這些中之一是更深入再分(例如，Pr

(*K=3)的值類似于P(XIK=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也許被再分的群體內(nèi)的個(gè)體來(lái)運(yùn)行Siructure,看看與否有一種如

上所述的強(qiáng)信號(hào)。

總之，你應(yīng)當(dāng)對(duì)根據(jù)小的Pr（2的差異推斷的群體構(gòu)造持懷疑態(tài)度，假如（I）對(duì)于分派

沒(méi)有清晰的生物學(xué)解釋，（2）對(duì)所有群體的分派大體勻稱，沒(méi)有個(gè)體被強(qiáng)烈地分派。

5o4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)體也許跨越莫些地區(qū)呈空間分布，帶有當(dāng)?shù)胤稚?/p>

的.在這種形勢(shì)下，等位基因頻率跨越地區(qū)逐漸變化.基礎(chǔ)的Structure模型對(duì)來(lái)自這種狀況的

數(shù)據(jù)不很適合。當(dāng)這發(fā)生時(shí)，推斷的K的值，以及在每組中的對(duì)應(yīng)的等位基因頻率也許相

稱任意.取決于取樣的計(jì)戈人大多數(shù)個(gè)體也許在多種組中具有混合的組員身份。即，算法將

嘗試使用K的不?樣組分的加權(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，成果的解釋也許具有挑戰(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)不處在LD）。序列數(shù)據(jù)或者來(lái)

自非重組區(qū)域的（例如Y染色體或者mtDNA）的數(shù)據(jù)很也許違反這個(gè)假定.

假如你有序列數(shù)據(jù)或來(lái)自多種獨(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)際上也許演出得想當(dāng)好.粗略地說(shuō)，這將發(fā)生，倘若跨越不一樣的區(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）的重要代價(jià)將是Structure在尤其的個(gè)體的分派中低估不確定性。

例如,Falush等（b）把Slructure用于來(lái)自"〃的”的MLST（多位點(diǎn)序列）數(shù)據(jù)，以理解〃。

?的群體構(gòu)造和遷移歷史。在那種狀況下，在區(qū)域內(nèi)有足夠的重組以至于群體構(gòu)造的信號(hào)

超過(guò)了背景LD。（有關(guān)MLST數(shù)據(jù)的更多狀況,也見(jiàn)第10節(jié)）。在人類的應(yīng)用中，Conrad等

（）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（不過(guò)嘈雜）的答案，在一種全世界的樣

本中，基本上與基于微衛(wèi)星的此前的成果一致[見(jiàn)他們的SupplementaryMethodsFigure

SM2]o

然而，假如數(shù)據(jù)被一種或者少數(shù)非重組的或在低重組的區(qū)域主導(dǎo)，那么，Structure也許被

嚴(yán)重地誤導(dǎo)。例如,假如數(shù)據(jù)只由Y染色體數(shù)據(jù)構(gòu)成，那么估計(jì)的構(gòu)造大概將反應(yīng)出有美Y染

色體樹(shù)的某些事情,而非群體構(gòu)造自身。使用這樣的數(shù)據(jù)的影響很也許是：（1）算法低估祖先

估計(jì)中的不確定性的程度、在最壞的狀況下，也許是有偏的或者不精確的；（2）K的估計(jì)不也許

演出得好。假如你有Y或者mtDNA數(shù)據(jù)加上許多核標(biāo)識(shí)，一種安全和有效的處理措施是重新

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?種具有〃等位基因的單個(gè)位點(diǎn)。

假如有許多單體型，則可以把有關(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，并且很也許被類似地干擾。

6o2多峰性

Structure算法在參數(shù)空間中的一種隨機(jī)的地方開(kāi)始，然后朝著參數(shù)空間的一種峰收斂。

（在這里的上下文內(nèi)，峰可以被看作，松弛地講，具有高的后驗(yàn)概率的一種聚類解.）當(dāng)不

使用先驗(yàn)的標(biāo)簽時(shí)，在K類的編號(hào)過(guò)程中沒(méi)有固有的意思，因此有K!個(gè)對(duì)稱的峰，對(duì)應(yīng)于對(duì)

類標(biāo)簽的排列。理論上，Sl「ucture可以在這些峰之間切換,不過(guò)這一般對(duì)真正的數(shù)據(jù)集不發(fā)生

（Pritchardctal.,a）.為準(zhǔn)備用于出版的圖，諾厄?羅森堡（NoahRosenberg）的試驗(yàn)室有一

種有協(xié)助的程序，CLUMPP,在對(duì)數(shù)據(jù)繪圖之前跨越不一樣的運(yùn)行把類標(biāo)簽排列成行（第10

節(jié)）。

除了這些對(duì)稱的峰之外，某些數(shù)據(jù)集也許尚有此外的非對(duì)稱的峰.Structure的目前的實(shí)行

一般不在實(shí)際長(zhǎng)度的運(yùn)行過(guò)程中在這些之間穿過(guò)。這表明不一樣的運(yùn)行也許產(chǎn)生明顯不一樣

的答案，并且更長(zhǎng)時(shí)間的運(yùn)行或許將不能修正這一點(diǎn).

這重要是對(duì)于非常更雜的數(shù)據(jù)集的一種問(wèn)題，具有大的K值，例如K〉5或者K>10（不

過(guò)見(jiàn)Pritchard等（a）中的數(shù)據(jù)集2A的例子）。你可以檢查Q的成果，以理解這與否發(fā)生了。

Rosenberg等（）提出了此類,,青形的仔細(xì)的分析，對(duì)一種數(shù)據(jù)集，其中估計(jì)的K大概是19。

6O3當(dāng)大多數(shù)個(gè)體被混合時(shí),估計(jì)混合比例

假如親本的群體的代表非常少，估計(jì)混合比例也許尤其具有挑戰(zhàn)性.在Pritchard等（b）

中對(duì)于模擬數(shù)據(jù)有一種這樣的例子。數(shù)據(jù)假定是來(lái)自大多數(shù)個(gè)體有某種程度的歐洲祖先的美

國(guó)黑人群體的一種樣本。對(duì)那些數(shù)據(jù)來(lái)說(shuō)，估計(jì)的祖先比例與真實(shí)（模擬）值高度有關(guān)，不

過(guò)祖先的實(shí)際比例是有偏的。那個(gè)例子也是我們用真正的數(shù)據(jù)的更新近的經(jīng)歷的代表。

這發(fā)生由于在缺乏任何程度非摻和的個(gè)體的狀況下，也許有某些不可識(shí)別性

（nonidentifiability），在那里有也許把等位基因頻率推得更開(kāi)，把混合比例擠壓到一起（反

過(guò)來(lái)也是這樣），獲得兒乎同樣的模型擬合.當(dāng)有強(qiáng)烈非對(duì)稱的混合時(shí)，使用POPALPHAS

1（每個(gè)群體單獨(dú)的a）能協(xié)助一點(diǎn)，不過(guò)不處理基本的問(wèn)題。因此，在這些情形下的混合性的

估計(jì)應(yīng)當(dāng)被謹(jǐn)慎看待.

7從命令行運(yùn)行Structure

有許多由顧客設(shè)置的程序參數(shù)。這些在兩個(gè)文獻(xiàn)中（mainparams和exiraparams）,每當(dāng)

程序執(zhí)行的時(shí)候，這些文獻(xiàn)被讀取。mainparams指定數(shù)據(jù)文獻(xiàn)的輸入形式和最基本的運(yùn)行參

數(shù)。extraparams指定多種程序選項(xiàng)。你需要設(shè)置mainparams里的所有值，而以extraparams里

的默認(rèn)值開(kāi)始運(yùn)行或許沒(méi)有問(wèn)題。注意默認(rèn)模型假定混合，并且不使用顧客定義的P