<span style="color:rgb(34,34,34);font-family:arial,sans-serif;font-size:13px;background-color:rgb(255,255,255)">Hi Kelvin,</span><div style="color:rgb(34,34,34);font-family:arial,sans-serif;font-size:13px;background-color:rgb(255,255,255)">
<br></div><div style="color:rgb(34,34,34);font-family:arial,sans-serif;font-size:13px;background-color:rgb(255,255,255)">sorry about this reaction as prompt as the one of a stone in drunker stupor. </div><div style="color:rgb(34,34,34);font-family:arial,sans-serif;font-size:13px;background-color:rgb(255,255,255)">
<br></div><div style="color:rgb(34,34,34);font-family:arial,sans-serif;font-size:13px;background-color:rgb(255,255,255)">I guess you have probably moved a bit further on the interpretation of your results by now. Any how, I can try to tell you something<br>
</div><div style="color:rgb(34,34,34);font-family:arial,sans-serif;font-size:13px;background-color:rgb(255,255,255)">useful (? - who knows)</div><div style="color:rgb(34,34,34);font-family:arial,sans-serif;font-size:13px;background-color:rgb(255,255,255)">
<br></div><div style="color:rgb(34,34,34);font-family:arial,sans-serif;font-size:13px;background-color:rgb(255,255,255)"><div class="gmail_quote"><div class="im" style="color:rgb(80,0,80)"><blockquote class="gmail_quote" style="margin:0px 0px 0px 0.8ex;border-left-width:1px;border-left-color:rgb(204,204,204);border-left-style:solid;padding-left:1ex">
<div><span style="border-collapse:collapse;color:rgb(34,34,34)"><br></span></div><div><font color="#222222" face="arial, sans-serif">Here are my questions:</font></div><div><font color="#222222" face="arial, sans-serif">1. For the sPCA based on spatial (not depth) coordinates, the barplot of eigenvalues shows the typical pattern of PC3 > PC4 > PC5, but if you look at the screeplot (the graph of PC score variance vs spatial autocorrelation), PC5 accounts for a larger amount of variance than PC3 and 4. This seems contradictory to me. Does anyone have an explanation?</font></div>
<div><span style="border-collapse:collapse;color:rgb(34,34,34)"><br></span></div></blockquote></div><div>the eigenvalues in the spca have two components, the variance and the spatial autocorrelation, if you type summary(yourspca)[[3]] you will see the list of var and morane values for each of the eigenvalues. The PC5 may be correlated with genetic variables with higher variance than the ones contributing to pc3 and 4 but that are not spatially ordered? </div>
<div class="im" style="color:rgb(80,0,80)"><div><br></div><blockquote class="gmail_quote" style="margin:0px 0px 0px 0.8ex;border-left-width:1px;border-left-color:rgb(204,204,204);border-left-style:solid;padding-left:1ex">
<div><span style="border-collapse:collapse;color:rgb(34,34,34)"></span></div><div><span style="border-collapse:collapse;color:rgb(34,34,34)">2. Next, to do more exploratory analyses, I wanted to see how robust these results were for different distance limits (d2) in constructing the connection network. I noticed that when I pick an arbitrary number, like d2=12 for the sPCA using spatial (not depth) coordinates, the spatial patchiness disappears and instead there now appears to be a cline.  Because sPCA decomposes both genetic and spatial variance, is it possible for the spatial variance to swamp out the genetic variance, particularly if you define a connection network too arbitrarily? In other words, by defining d2=12, does the sPCA miss the finer scale spatial patchiness that was found when I defined my connection network with a more "sensible" d2? </span></div>
<div><span style="border-collapse:collapse;color:rgb(34,34,34)"><br></span></div></blockquote></div><div>In my personal experience with spca, usually if the spatial patterns are strong no matter what graph is used they do not change substantially, in the worst case just a few points look a bit different. In your specific case the fact that you decided to consider neighbours on the basis of the positive spatial autocorrelation sounds a bit circular, in this case you might be forcing the method to highlight the pattern of positive spatial autocorrelation that may not be driving the genetic distribution of your sample. I would rather go for inverse distances which are usually more accurate. Btw, did you run the global and local tests? If they change from significant to non significant changing the neighbouring method I would not think that there is a spatial significant pattern.  </div>
<div class="im" style="color:rgb(80,0,80)"><div> </div><blockquote class="gmail_quote" style="margin:0px 0px 0px 0.8ex;border-left-width:1px;border-left-color:rgb(204,204,204);border-left-style:solid;padding-left:1ex"><div>
<span style="border-collapse:collapse;color:rgb(34,34,34)"></span></div><div><font color="#222222" face="arial, sans-serif">3. Clearly depth and space are autocorrelated with each other. Based on the partial mantel tests, both are significantly, but only weakly correlated with genetic relatedness. Are there any general guidelines for interpreting low Mantel r values? </font><span style="border-collapse:collapse;color:rgb(34,34,34)">As I understand it, Mantel r is not the same as a correlation r, because Mantel tests are based on distances and not raw data. I've seen other studies commenting on how small Mantel r's are often reported, but so far, I have not come across any studies that report values as small as mine. </span></div>
<div><span style="border-collapse:collapse;color:rgb(34,34,34)"><br></span></div></blockquote></div><div>I've never seen so small mantel test values either...In this case, when I first read about this issue of 'controlling' depth for the space I had two different thoughts about it:</div>
<div><br></div><div>1. if you think about spatial proximities, being less or more depth does not mean to be more or less close, clearly. Considering your results of a spatial gradient from more to less depth, this is likely highlighting a adaptive pattern to depth, but maybe this is exactly the reason why you run the method on depth only. </div>
<div><br></div><div>2. If I wanted to see the effect of space and depth, I would probably use the depth in combination with a linear simplified distance scheme (like points on a line or a circle reproducing the spatial shape of the coral reef) and build the spatial connection with it. In this case you would analyse together the role of spatial distances (in 3-D) and the potential role of adaptation, which is already disentangled in the spatial analysis based on depth only.</div>
<div><br></div><div>End. Just to let you know I hate you a bit because you work in the Hawaii. </div><div>Ciao</div><div><br></div><div>Valeria</div><div> </div></div></div><br><div class="gmail_quote">On 30 January 2013 21:10, Kelvin Gorospe <span dir="ltr"><<a href="mailto:kgorospe@hawaii.edu" target="_blank">kgorospe@hawaii.edu</a>></span> wrote:<br>
<blockquote class="gmail_quote" style="margin:0 0 0 .8ex;border-left:1px #ccc solid;padding-left:1ex"><div><span style="border-collapse:collapse;color:rgb(34,34,34);font-family:arial,sans-serif;font-size:13px"><div>Hello all,</div>
</span><span style="border-collapse:collapse;color:rgb(34,34,34);font-family:arial,sans-serif;font-size:13px"><div>

<span style="border-collapse:collapse;color:rgb(34,34,34);font-family:arial,sans-serif;font-size:13px"><br></span></div>I'd like to ask some input on interpreting some results. I have microsatellite genotypes, depth, and spatial coordinates for 2352 corals from a single coral reef. I ran partial mantel tests looking at the relationship between genetic relatedness and space (controlling for depth) as well as the relationship between genetic relatedness and depth (controlling for space) and found highly significant p values (p=0.001) but very small Mantel r values (0.008 for space and 0.01 for depth). So there is a small, but still significant relationship between genetics and space as well as genetics and depth on a very small scale (the reef covered an area of only about 1300m^2 with depths of between 1 and 4m). </span></div>


<div><span style="border-collapse:collapse;color:rgb(34,34,34);font-family:arial,sans-serif;font-size:13px"><br></span></div><div><span style="border-collapse:collapse;color:rgb(34,34,34);font-family:arial,sans-serif;font-size:13px">Next, I wanted to visualize these structures using sPCA. So first I constructed two connection networks: both neighbor by distance connections, but one based on depth measurements (0,z) and one based on spatial coordinates (x,y). The distance limit (d2) for each network was based on inspecting correlograms for genetics vs. depth and genetics vs. space and using the extent of positive autocorrelation as the upper limit (d2) for defining neighbors in each of the connection networks. After performing sPCA I then plot the PCs using the spatial (x,y) coordinates to visualize the spatial arrangement of genetic relatedness. The sPCA based on spatial coordinates show a patchy reef, groups of similar PC scores clumping together throughout the reef. The sPCA based one depth coordinates, however, show a depth cline, with corals in the center of the reef (the shallow part) having distinct PC scores from corals on the outer slopes of the reef (the deeper part). </span></div>


<div><span style="border-collapse:collapse;color:rgb(34,34,34);font-family:arial,sans-serif;font-size:13px"><br></span></div><div><font color="#222222" face="arial, sans-serif"><span style="border-collapse:collapse">Here are my questions:</span></font></div>


<div><font color="#222222" face="arial, sans-serif"><span style="border-collapse:collapse">1. For the sPCA based on spatial (not depth) coordinates, the barplot of eigenvalues shows the typical pattern of PC3 > PC4 > PC5, but if you look at the screeplot (the graph of PC score variance vs spatial autocorrelation), PC5 accounts for a larger amount of variance than PC3 and 4. This seems contradictory to me. Does anyone have an explanation?</span></font></div>


<div><span style="border-collapse:collapse;color:rgb(34,34,34);font-family:arial,sans-serif;font-size:13px"><br></span></div><div><span style="border-collapse:collapse;color:rgb(34,34,34);font-family:arial,sans-serif;font-size:13px">2. Next, to do more exploratory analyses, I wanted to see how robust these results were for different distance limits (d2) in constructing the connection network. I noticed that when I pick an arbitrary number, like d2=12 for the sPCA using spatial (not depth) coordinates, the spatial patchiness disappears and instead there now appears to be a cline.  Because sPCA decomposes both genetic and spatial variance, is it possible for the spatial variance to swamp out the genetic variance, particularly if you define a connection network too arbitrarily? In other words, by defining d2=12, does the sPCA miss the finer scale spatial patchiness that was found when I defined my connection network with a more "sensible" d2? </span></div>


<div><span style="border-collapse:collapse;color:rgb(34,34,34);font-family:arial,sans-serif;font-size:13px"><br></span></div><div><font color="#222222" face="arial, sans-serif"><span style="border-collapse:collapse">3. Clearly depth and space are autocorrelated with each other. Based on the partial mantel tests, both are significantly, but only weakly correlated with genetic relatedness. Are there any general guidelines for interpreting low Mantel r values? </span></font><span style="border-collapse:collapse;color:rgb(34,34,34);font-family:arial,sans-serif;font-size:13px">As I understand it, Mantel r is not the same as a correlation r, because Mantel tests are based on distances and not raw data. I've seen other studies commenting on how small Mantel r's are often reported, but so far, I have not come across any studies that report values as small as mine. </span></div>


<div><span style="border-collapse:collapse;color:rgb(34,34,34);font-family:arial,sans-serif;font-size:13px"><br></span></div><div><span style="border-collapse:collapse;color:rgb(34,34,34);font-family:arial,sans-serif;font-size:13px">I've also tried to attach some graphs to this email, but I'm not sure if the list serve allows attachments. But hopefully my descriptions of my results were still good enough to get some feedback. Any input would be greatly appreciated! Thanks everyone!</span></div>


<div><font color="#222222" face="arial, sans-serif"><span style="border-collapse:collapse"><br></span></font></div>
<br>_______________________________________________<br>
adegenet-forum mailing list<br>
<a href="mailto:adegenet-forum@lists.r-forge.r-project.org">adegenet-forum@lists.r-forge.r-project.org</a><br>
<a href="https://lists.r-forge.r-project.org/cgi-bin/mailman/listinfo/adegenet-forum" target="_blank">https://lists.r-forge.r-project.org/cgi-bin/mailman/listinfo/adegenet-forum</a><br></blockquote></div><br>