ADMIXTURE 的堆叠柱状图很容易让人产生直觉。一根柱子代表一个样本,颜色比例看起来像清楚的组成答案。但图能画出来,并不意味着样本身份对应正确,也不意味着两次运行中的同一种颜色代表同一个成分。若忽略矩阵行列的含义,一张外观整齐的图可以把结论完全颠倒。
本文依据官方手册和方法论文讲解,并实际运行原创 Python 矩阵审阅练习。这里没有安装或执行 ADMIXTURE,所有示例 Q、P 和分组信息均为人为构造,不是该软件的推断结果。目标是让读者学会检查已有结果、识别错配,并把展示结论限制在数据能够支持的范围内。官方手册

一、模型中的成分不等于现成的历史标签
ADMIXTURE 用一个给定成分数的统计模型描述基因型差异,估计样本的成分比例和各成分中的等位基因频率。它的优势是把大量标记组织成可以比较的模型参数,也便于检查样本间的结构差异。原始方法面向不相关个体的多标记基因型,结果需要放回输入样本和模型条件中解释。原始方法论文
因此,最初应把颜色叫作成分一、成分二,而不是直接赋予某个历史群体名称。输入覆盖了哪些样本、选择了哪些标记、设定多少成分,都会参与定义这次分析的问题。若要进一步讨论祖源来源,需要参考样本、独立证据和适合该问题的方法,不能仅凭一组颜色完成命名。
这个区别也影响图注写法。应说明样本集合、过滤规则、标记处理和模型设定,让读者知道柱子的比例是在什么条件下估计的。仅展示一个配色图并写上群体名称,会把模型中的相似性描述变成比数据本身更强的结论。保留中性的成分名称,反而更方便比较不同设置下哪些模式稳定。
二、Q 的行和为一,P 的行不必如此
Q 表示逐样本的成分比例,每行对应一个个体,每列对应一个成分。在示例中,我们构造四个样本、两个成分,其第一成分比例依次为零点九、零点八、零点二和零点一。每个样本的两个比例之和为一,所有元素都在零到一之间。
P 则保存位点在各个成分中的等位基因频率。按输出表的组织方式,一行对应一个位点,各列对应同一组统计成分。频率虽然也处于零到一之间,却没有跨成分求和等于一的要求。不同成分都可以在同一个位点具有较高频率,因为这些列描述的是不同条件下的频率。
练习先使用三个位点组成的 P 表,随后另设一个有效频率表,三行的和分别为一点四、零点四和一点八。程序仍通过取值范围与维度检查。假如把 P 的每行强行除以行和,就会把原来的等位基因频率改成另一种量,随后计算的预测也不再对应原模型。
| 文件或矩阵 | 行对应什么 | 列对应什么 | 应优先核对 |
|---|---|---|---|
| Q | 输入个体 | 统计成分 | 与样本顺序一致,行和接近一 |
| P | 输入位点 | 同一组统计成分 | 位点顺序、计数等位基因、取值范围 |
| FAM 中的身份字段 | 输入个体 | 家系与个体标识等 | 与 Q 的行一一对应 |
| 分组或表型信息 | 外部样本记录 | 分组和附加变量 | 用身份键连接,检查重复与缺失 |
这张表的实际价值,是提醒我们存在两套不同的对应关系。Q 的错误通常发生在样本轴,P 的错误通常发生在位点轴,而两个矩阵之间还共享成分轴。只验证文件行数和列数相同,不能证明三条轴都正确。
三、同时交换成分列,预测可以完全不变
为了直接看清成分标签的意义,练习对每个样本和位点计算一个加权频率。它等于该样本每个成分的比例,乘以这个位点在对应成分中的频率,再把各项相加。在二倍体计数模型中,这个频率乘以二,就给出相应的期望等位基因计数。
第一位样本的比例为零点九和零点一,第一位点的频率为零点八和零点二,因此加权频率为零点七四。现在同时交换 Q 与 P 的两列,计算变成零点一乘零点二加上零点九乘零点八,答案仍然相同。脚本检查全部十二个样本与位点组合,最大差异为零。
如果只交换 Q 的两列而不交换 P,最大差异则达到零点四八。这里不是软件重新发现了不同结构,而是人为破坏了共享成分轴的对应关系。比较两次结果时,先辨别差异是否只是列标签交换,再讨论是否存在真正不同的拟合,能避免把配色变化写成生物学变化。
本例只有两个成分,因此可以枚举全部列排列,选择与原 Q 差异最小的一种,结果恢复到零差异。成分数增加后可以使用适当的匹配方法,但应先确认样本完全对应,且两次运行使用同一套比较对象。若两个结果的样本集合不同,应先建立共同样本集合,再计算匹配依据。
不同成分数之间则不能简单套用一一对应。有时一个旧成分在更大的模型中被拆分,有时多个成分整体重组。强迫每个颜色继承同一个名称,可能掩盖模型变化。跨成分数展示时,可以说明颜色对齐采用什么规则,但不要把视觉连续性当作成分具有恒定身份的证明。
四、样本顺序错了,分组均值会完全翻转
接下来我们设定前两个样本属于 A 组,后两个属于 B 组。按正确身份连接后,A 组的第一成分均值是零点八五,B 组是零点一五。随后只把外部分组表的行顺序改成 B 组在前、A 组在后,Q 本身完全不变。
如果直接按当前行号拼接,计算得到的 A 组均值变成零点一五,B 组变成零点八五。图仍可以正常绘制,所有比例仍在合理范围内,组间差异甚至看起来非常明显。但它完全来自错误的样本对应,不能靠观察配色或检查行和发现。
脚本用家系标识和个体标识组成联合键,再将分组表映射回 Q 对应的原始输入顺序,结果恢复正确。连接之前先确认键唯一,之后检查未匹配样本和连接后的行数。如果一个样本在外部表中出现多次,直接合并还可能复制 Q 行,使某些个体被重复计入统计。
这也是为什么只保存 Q 而不保存最终输入样本清单不够。分析过程中若过滤过样本,原始清单与真正进入拟合的清单可能不同。后续再根据最早的文件重建顺序,容易把错误传播到每一张图。应把最终 FAM、分组表、连接规则和展示顺序一同归档。
同一原则适用于位点。练习把 P 的前两行调换,却仍按原位点编号解释,预测加权频率的最大差异达到零点四。维度依旧正确,元素也没有超界,只有位点身份错了。因此重新排列或筛选位点时,必须同步处理 P 与对应标记清单。
五、为什么重复高度相关的标记会改变权重
大量位点并不一定等于同样多的独立信息。如果一段区域内的标记高度相关,将它们全部当成独立证据,可能让该区域在拟合目标中获得更大权重。官方手册建议考虑连锁不平衡处理,但具体筛选方案仍应结合数据和研究目的。标记稀疏化说明
原创练习用一个更简单的似然例子解释权重问题。假设两个候选方案在两个位点预测的频率分别为零点九与零点六,以及零点六与零点九,而观测计数都为二。两个方案各自在一个位点表现更好,两个位点各算一次时,总对数似然相同。
接着把第一个位点重复十次、第二个位点只保留一次。没有增加新的观察内容,但候选方案的对数似然差达到约七点二九八,偏向在第一个位点预测更好的方案。这只是独立因子乘积的原创演示,没有调用 ADMIXTURE,却足以说明重复证据如何改变优化偏好。
真实的相关标记不会总是完全相同,因此不能用这个数值推断某个区域的实际影响。实用做法是保存筛选后的位点集合,并检查结果对合理筛选设置是否敏感。若某个成分只在保留一大片高度相关标记时出现,解释时就需要单独核查该区域,而不是仅凭总体位点更多就认为结果更可信。
六、交叉验证选的是预测表现,不是历史真相
ADMIXTURE 的交叉验证可以帮助比较不同成分数下的预测表现。方法会遮蔽部分已观测的基因型单元格,用剩余数据拟合,再评价对被遮蔽条目的预测。它不是直接计算某个成分数就是历史真实群体数的后验概率。交叉验证方法说明
理解遮蔽单位很重要。遮蔽矩阵中的部分单元格,和把一个新群体的所有个体留到模型外,是不同的验证问题。前者仍可以利用这些个体的其他标记。若研究目标是评估对新样本或新来源群体的适用性,不能直接把默认交叉验证误差当作相应的外部验证答案。
比较成分数时,应使用一致的数据和筛选规则,同时记录多次运行的稳定性。如果最低误差与相邻设置非常接近,报告时可以展示这一区域的变化,而不必把一个极小的数值优势包装成唯一解释。还应检查低误差结果是否伴随异常样本、批次或局部标记主导。
随机初值带来的变化也需要与标签交换分开。先对齐成分列,再比较比例和拟合表现。如果换列后差异消失,只是等价标记。如果同一设置反复出现不同结构,才有必要检查局部最优、收敛情况和数据支持是否充分。仅选择最符合预期的一张图,会隐藏这些不稳定性。
七、运行记录应该保留到能重建对应关系
正式使用软件时,应保存输入文件、版本、成分数、随机种子、日志和输出目录。官方手册说明输出写在当前工作目录,文件名包含成分数。因此同一数据、同一成分数的多次运行,应放进不同目录,避免重复运行覆盖先前结果。这个组织细节直接关系到后续比较是否真的使用了不同结果。
有监督分析与投影分析也需要分开理解。给部分样本提供类别信息,与固定先前估计的成分频率再分析新个体,约束条件不同。投影时,位点集合、顺序和等位基因计数方向必须与提供的频率参数一致。否则即使矩阵尺寸吻合,前面展示的位点错配仍可能发生。投影方法论文
本文没有运行这些软件模式,因此不提供伪造的耗时、收敛次数或结果文件。对已有项目,更有价值的做法是先用少量可核查的数据检查整个身份传递过程,再扩大范围。模型拟合只是流程的一部分,文件对应关系错误会在任何复杂算法之前就改变问题。
八、从可检查的矩阵开始,再决定怎样展示
下载原创练习包,运行下面的命令,可以得到 Q 示例表与完整核验结果。程序只使用 Python 标准库,自动验证联合换列不变、单独换列改变预测、错误行拼接翻转组均值,以及重复标记改变似然权重这些关系。
python3 197-admixture/run.py output-admixture-review
拿到实际结果后,可以按同样顺序审阅。先核对维度、取值范围和身份,再检查成分对齐与重复运行的一致性,之后才决定样本排序、配色和标签。图注要说明成分数、标记处理、样本集合与展示规则,尤其要区分模型估计和外部提供的分组信息。
最终,一张有解释力的图应允许读者追溯每根柱子对应谁、每种颜色如何对齐,以及结论在不同合理设置下是否稳定。做到这些之后,颜色才是帮助理解结果的表达方式,而不会替代统计证据本身。
需要把样本核验、矩阵审阅和批量分析记录整理成可复用流程时,可了解云生信生物信息学分析环境与计算服务。
