R包ade4的AMOVA分析

AMOVA（Analysis of molecular variance）是一种非参数分析方法，基于对象间距离检验组间差异的显著性。

AMOVA最初是针对DNA单倍型实施的，利用分子标记检测种群分化，通过进化距离（evolutionary distance）度量并计算单倍型（含等位基因）或基因型间的方差（δ²），推断群体遗传变异水平。后经拓展，可适用于任何标记系统（marker system），例如AFLP、SNP或SSR等标记，广泛用于遗传多样性和群体遗传结构研究中。

本篇简介使用R包ade4，执行AMOVA。

示例数据集

ade4中的内置数据集humDNAm，提供了10种人群中线粒体DNA限制性位点的单倍型频率。（https://rdrr.io/cran/ade4/man/humDNAm.html）

humDNAm 是3组数据的列表：

distances，56个单倍型的距离（距离矩阵，欧式距离属性），通过计算每两个单倍型之间限制性位点的差异数获得的；

samples，10种人群中56个单倍型的丰度；

structures，10种人群所处的地区名称。

library(ade4)
 
data(humDNAm)
 
names(humDNAm)
as.matrix(humDNAm$distance)[1:6,1:6]
head(humDNAm$samples)
head(humDNAm$structures)

ade4包的AMOVA方法

接下来使用AMOVA，目的为通过单倍型之间的一些分子差异测量以细分人群。如果观测到人群之间存在较大方差，则有证据支持预期的结构。

ade4包中执行AMOVA的函数为amova()。

#初步计算，详情 ?amova
#注：amova() 中输入的距离矩阵必须为欧氏距离属性，否则会报错
amovahum <- amova(samples = humDNAm$samples, distances = sqrt(humDNAm$distances), structures = humDNAm$structures)
amovahum

result中，分别显示每个分层的Df（自由度）、Sum Sq（总方差，即离差平方和）、Mean Sq （均方差，即SS/df）等统计指标。

componentsofcovariance中，显示了在每个分层中检测到的变异。Sigma代表了每个层次结构级别的方差，%代表了方差占比。

statphi中，Phi表征了人群分化的程度，值越高越明显。

如果对其中某些内容感兴趣，可以提取输出。

#例如
amovahum$result
amovahum$componentsofcovariance
amovahum$statphi
 
write.table(amovahum$componentsofcovariance, 'componentsofcovariance.txt', sep = '\t', col.names = NA, quote = FALSE)

置换检验

由于初始结果中未进行精确的检验，因此我们无法得知差异水平的显著性。randtest()提供了基于置换的方法用于测试。

#这里随机置换 99 次为例，详情 ?randtest
randtesthum <- randtest(amovahum, nrepet = 99)
randtesthum

plot(randtesthum)

人群分化程度的显著性检验显示，存在显著的人群结构。（如果不显著，p值大于0.05）

同时在三个直方图中，直方图代表随机分布，黑线代表实际观测的数据，由图可知，存在显著的人群结构。（如果不显著，则黑线将与直方图区域存在较大的重叠）

如果对其中某些内容感兴趣，可以提取输出。

#例如
summary(randtesthum)

randtesthum$expvar
randtesthum$adj.pvalue
randtesthum$plot

对于非欧式距离的输入

上述提到，amova()中输入的距离矩阵必须为欧氏距离属性，否则会报错。

但不幸的是，许多遗传距离测度并不总是欧氏几何性质的。如果有必要用到其它类型的距离测度，则需要在使用时作个转化，例如常见的平方根转化等。

之后将转化后的距离用作amova()的输入，就可以了。

友情链接