Hi everyone,<br><br>I find Adegenet -DAPC-  to be very usefull -yet I don't fully understand all the subtilities.<br><br>I'll here try to ask a few simple questions with associated screenshots. I'll mostly use examples to ask my questions as I believe it a very efficient way to do it.<br>

(I'm working with 17 microsats on animals)<br><br>I'm sorry if all this sounds newbie - please feel free to redirect me to any .pdf I might have miss.<br><br>I believe the two main questions I want to answer with DAPC are :<br>

<br>1 - How different my clusters are ?  (I know this depend on a lot of things and that I can't compare with other species/genes)<br>  I feel like one way to do it is to check is a few components still finds a lot of structure. <br>

  Another is, using alpha scores and the whole classic process, to visually see how assigned to their cluster the individuals are.<br><br>2 - Is there any sub-(genetic)clusters in my sample? for example, I have sampled 50 ids in the same location. But maybe there is two (sub) population here and I sample 40 of the first one and 10 of the other. I want to see that (i.e. compoplot), to go back to my data and to check if I can find patterns related with what the genetic tells me.<br>

<br>Now here is my problem : depending what number of discriminant function I'm using, I get totally different results with the same sub-dataset.<br>And, with the same number of discriminant function but with adding another population (very structured) to my first sub-dataset, then the first sub-dataset will be different again.<br>

<br>--->  I'm a little lost in what to choose as a number of discriminant function (I understand the alpha-score, but sometimes it will tell me "21", when using only "5" will give me the same exact compoplot).<br>

It would not be such a problem if differences would be small, but here it is : often all my individuals are 100% in one color, but it's never the same pattern. <br>One compoplot I'll have ids 1, 2, 5, 6 that are 100% red, and 3, 4, 7 that are 100% blue.<br>

Then I just redo the analysis changing the number of discriminant function and I get 1, 3, 7 100% red and 2, 4, 5, 6 100% blue.<br>See attached screenshots A, B and C from the SAME dataset. (I'm trying to use small number of DF as I don't like my ids to be 100% in one color, I feel I miss some information)<br>

<br>---> the same thing happen if I add other populations. The whole pattern change again. See screenshot D<br><br><br>So is there any guideline that would give me something a little less absolute that totally different results?<br>

<br>If I want, for example, to note all my outliers (ids that does not belong the their original geographic cluster) and check for their caracteristic (size, sex etc...) how am I supposed to do that if outliers change depending on priors ? especially with more than 700 individuals and 16 geographic clusters.<br>

<br>If I want to account for how much different 3 clusters are, and if using the opt alpha score gives me three 100% differenciated clusters, but using a lower one start to create a mix between two of the clusters : can I just decide to use a lot of different numbers of discriminant function to explore the dataset ? or is it "wrong" ?<br>
<br><br><br>Additional information :<br>my 'exploring' workflow looks like :<br><br>> grp <- find.clusters(obj, max.n.clust = 35)<br>x (50-150)<br>x (depend what I want to see)<br><br>> dapc1 <- dapc(obj, grp$grp)<br>
x (N/3 or 100 if N is large)<br>x (either alpha score number or smaller because I have a strong structure)<br><br>> compoplot(dapc1, grp$grp)<br><br><br><br><br>Any imput or help more than welcome.<br><br>Best,<br><br>
Thomas<br><br><br><br>