<div dir="ltr"><p class="MsoNormal"><span lang="EN-US">Doctor
Thibault and dear colleagues,</span></p><p class="MsoNormal"><span lang="EN-US"><br></span></p>

<p class="MsoNormal" style="text-align:justify"><span lang="EN-US">I would like to thank you for the valuable criticism
you made in this output. The idea behind the IS was, solely, to have a first
draft of the georeferenced clusters because in spatial clusters<span>  </span>I'm well-aware that several different
genoypes at the same coordinates in species with a very low mobility or with no
mobility could be a strong indication that the genetic variability is only due to
environment while a great genetic diversity nearby may result from a short
dispersal highly spatial correlated. To need of further confirmation by sPCA
and/or clustering techniques. </span></p>

<p class="MsoNormal" style="text-align:justify"><span lang="EN-US"><br></span></p><p class="MsoNormal" style="text-align:justify"><span lang="EN-US">The identification of spatial clusters in PCA, particularly by sPCA is no doubt more realiable than with Monmonier algoritm in this case. But I'd rather try to
study more deeply each one of the 3 different methods (distance based-methods,
Parsymony and maximum Likelihood) proposed in your tutorial "Trees"
just to check it in first place if they might be appropriate to this dataset, Secondly,
if they would gave different information perhaps with higher resolution when
compared to classic NJ Tree, after validation by bootstrap.<span>  </span>Eventually, if none is appropriate I always be
able to rely on several clustering techniques more adequate for qualitative
data, available at the "Cluster" package and to perform the
validation by "cl Valid" following several criteria.<span> <br></span></span></p><p class="MsoNormal" style="text-align:justify"><span lang="EN-US"><span>  </span><span><br></span></span></p>


<p class="MsoNormal" style="text-align:justify"><span lang="EN-US">From a very simplistic point of view, PCA analysis
(not scaled) might provides us with information of the genetic variability
whereas sPCA about the significance of local and global structures. But, on the
whole, the information provided by these two analysis: Moran's Index , variance
and allele loadings, enable us to discriminate the loci more informative on
genetic variability but not spatially structured from those whose variability
its spatial structured. To be further confirmed through biplots. </span></p>

<p class="MsoNormal" style="text-align:justify"><span lang="EN-US"><br></span></p><p class="MsoNormal" style="text-align:justify"><span lang="EN-US">Another challenge ahead. To figure out the way to
select the PC's having biological meaning and most probably not associated to
the highest eigenvalues. Particularly, in the absence of traits or phenotype
information.</span></p><p class="MsoNormal" style="text-align:justify"><br><span lang="EN-US"></span></p><p class="MsoNormal" style="text-align:justify"><span lang="EN-US">Please, feel free to make more comments or to give another suggestion(s). <br>
</span></p>

<p class="MsoNormal" style="text-align:justify"><span lang="EN-US"> </span></p>

<p class="MsoNormal" style="text-align:justify"><span lang="EN-US">Cheers,</span></p>

<p class="MsoNormal" style="text-align:justify"><span lang="EN-US">Manuela </span></p></div><div class="gmail_extra"><br><br><div class="gmail_quote">2014-06-02 17:20 GMT+01:00 Jombart, Thibaut <span dir="ltr"><<a href="mailto:t.jombart@imperial.ac.uk" target="_blank">t.jombart@imperial.ac.uk</a>></span>:<br>
<blockquote class="gmail_quote" style="margin:0 0 0 .8ex;border-left:1px #ccc solid;padding-left:1ex">Hi Manuela,<br>
<br>
thanks for re-posting on the forum. In this case, it seems that locations are very aggregated - a lot of genotypes were sampled roughly at the same place. Monmonier is unlikely to do well under such circumstances. The algorithm is very sensitive to local differences, and these are unstable for this kind of spatial distribution. I would recommend other approaches. For instance, if you want to define spatial clusters, you could use a basic clustering algorithm based on the principal components of a PCA (if spatial structure is obvious) or sPCA (if not, but there is still a spatial structure). Assuming 'foo' is your analysis (PCA or sPCA), one example would be using something along the lines of:<br>

<br>
h1 <- hclust(dist(foo$li)^2)<br>
plot(h1)<br>
cutree(h1)<br>
<br>
Etc.<br>
Check ?hclust for different clustering methods.<br>
<br>
Cheers<br>
Thibaut<br>
<br>
<br>
________________________________________<br>
From: <a href="mailto:adegenet-forum-bounces@lists.r-forge.r-project.org">adegenet-forum-bounces@lists.r-forge.r-project.org</a> [<a href="mailto:adegenet-forum-bounces@lists.r-forge.r-project.org">adegenet-forum-bounces@lists.r-forge.r-project.org</a>] on behalf of Manuela [<a href="mailto:manuelacorreia2@gmail.com">manuelacorreia2@gmail.com</a>]<br>

Sent: 31 May 2014 21:46<br>
To: <a href="mailto:adegenet-forum@lists.r-forge.r-project.org">adegenet-forum@lists.r-forge.r-project.org</a><br>
Subject: [adegenet-forum] Monmonier algorithm and individual scores<br>
<div class="HOEnZb"><div class="h5"><br>
Dear colleagues of Adegenet forum,<br>
<br>
First of all I must congratulate Doctor Thimbault for the wonderful work he has been so far developed. And following his own suggestion I'm sharing with you a specific issue raised by the output generated by Monmonier algorithm used for boundary detection.<br>

I have a sample made of 170 individuals, collected on 9 different places and genotyped for 19 SNPs by Realtime PCR.<br>
Before I run this line on the R script I had to explain to you about each one of them:<br>
mon1<- monmonier(xy ,D, gab)<br>
<br>
xy – spatial coordinates UTM/Km) ;<br>
D – pairwise allele sharing distance (“Prabclus” package);<br>
gab <-chooseCN(xy,ask=FALSE,type=1)  (Delaunay Triangulation)<br>
<br>
plot(mon1,1:170,method=”greylevel”,add.arr=FALSE,bwd=6,col=”red”)<br>
>From the output produced, it can be clearly seen that there are 4 clusters of individuals having four scores (50,100,150,200). But, I can't find a way to have access to individual scores. As matter in fact, I consulted in detail all the arguments provided on Plot function but none of them seemed to me to be on the way I could extract the individuals scores (IS).<br>

I’m wondering if you could give me a hint about it. Any help will be appreciated.<br>
Kind regards,<br>
Manuela (Biochemist)<br>
</div></div></blockquote></div><br></div>