Skip to main content

The Gibbs and split–merge sampler for population mixture analysis from genetic data with incomplete baselines

Buy Article:

$50.00 plus tax (Refund Policy)

Abstract:

Although population mixtures often include contributions from novel populations as well as from baseline populations previously sampled, unlabeled mixture individuals can be separated to their sources from genetic data. A Gibbs and split–merge Markov chain Monte Carlo sampler is described for successively partitioning a genetic mixture sample into plausible subsets of individuals from each of the baseline and extra-baseline populations present. The subsets are selected to satisfy the Hardy–Weinberg and linkage equilibrium conditions expected for large, panmictic populations. The number of populations present can be inferred from the distribution for counts of subsets per partition drawn by the sampler. To further summarize the sampler's output, co-assignment probabilities of mixture individuals to the same subsets are computed from the partitions and are used to construct a binary tree of their relatedness. The tree graphically displays the clusters of mixture individuals together with a quantitative measure of the evidence supporting their various separate and common sources. The methodology is applied to several simulated and real data sets to illustrate its use and demonstrate the sampler's superior performance.

Bien que les mélanges de populations contiennent des contributions des nouvelles populations en plus de celles des populations originales déjà échantillonnées, les individus non identifiés du mélange peuvent être séparés en fonction de leur source par leurs caractéristiques génétiques. Nous décrivons un échantillonneur de Gibbs de type Monte Carlo avec procédure de séparation–regroupement par chaînes de Markov qui sépare successivement un échantillon contenant un mélange génétique en sous-ensembles plausibles d'individus à la fois de la population d'origine et des populations additionnelles présentes. Les sous-ensembles sont sélectionnés de manière à satisfaire aux exigences de l'équilibre Hardy–Weinberg et de l'équilibre de liaison attendus dans de grandes populations panmictiques. Le nombre de populations présentes peut être estimé à partir de la distribution des nombres de sous-ensembles par partition retirés par l'échantillonneur. Afin de mieux résumer le produit de l'échantillonneur, les probabilités d'attribution conjointe des individus du mélange aux mêmes sous-ensembles sont calculées à partir des partitions et elles servent à construire un arbre binaire de leur degré de parenté. L'arbre représente graphiquement les groupements d'individus du mélange de même qu'une mesure quantitative des données qui appuient leurs différentes sources séparées et communes. Nous appliquons la méthodologie à plusieurs ensembles de données réelles et simulées afin d'en illustrer l'utilisation et de démontrer la performance supérieure de cet échantillonneur.[Traduit par la Rédaction]

Document Type: Research Article

Publication date: 2006-03-01

More about this publication?
  • Published continuously since 1901 (under various titles), this monthly journal is the primary publishing vehicle for the multidisciplinary field of aquatic sciences. It publishes perspectives (syntheses, critiques, and re-evaluations), discussions (comments and replies), articles, and rapid communications, relating to current research on cells, organisms, populations, ecosystems, or processes that affect aquatic systems. The journal seeks to amplify, modify, question, or redirect accumulated knowledge in the field of fisheries and aquatic science. Occasional supplements are dedicated to single topics or to proceedings of international symposia.
  • Information for Authors
  • Submit a Paper
  • Subscribe to this Title
  • Terms & Conditions
  • Sample Issue
  • Reprints & Permissions
  • Ingenta Connect is not responsible for the content or availability of external websites
  • Access Key
  • Free ContentFree content
  • Partial Free ContentPartial Free content
  • New ContentNew content
  • Open Access ContentOpen access content
  • Partial Open Access ContentPartial Open access content
  • Subscribed ContentSubscribed content
  • Partial Subscribed ContentPartial Subscribed content
  • Free Trial ContentFree trial content
Cookie Policy
X
Cookie Policy
Ingenta Connect website makes use of cookies so as to keep track of data that you have filled in. I am Happy with this Find out more