<div dir="ltr">Hi Siobhan, <br><br>As a preliminary suggestion that will be easy to investigate, I would suggest that perhaps the number of PCs retained is affecting your results from find.clusters. <br><br>Have you had a look at the xvalDapc function? Similar to a.score, xvalDapc can be used to help mediate the trade-off between discriminatory power and over-fitting. I would be curious to see what xvalDapc recommends as the number of PCs to retain to best differentiate the four groups you are identifying via other methods. If the optimal number of PCs selected by xvalDapc for the four groups is greater than the 11 PCs you have selected with a.score, this would suggest that you may not have enough information for the BIC to identify more than one cluster, so I would recommend re-running find.clusters with the number of PCs suggested by xvalDapc to see if you get different results. <br><br>Of course, it is possible that the problem lies elsewhere, or that according to the BIC there is simply not enough evidence for more than one cluster, but at least it will be very easy to check this theory.  Please let us know the results and we can then continue to search for other solutions if necessary. <br><br><div>Best, <br>Caitlin. </div></div><div class="gmail_extra"><br><div class="gmail_quote">On Tue, Sep 9, 2014 at 7:31 AM, Siobhan Dennison <span dir="ltr"><<a href="mailto:siobhan.dennison@mq.edu.au" target="_blank">siobhan.dennison@mq.edu.au</a>></span> wrote:<br><blockquote class="gmail_quote" style="margin:0 0 0 .8ex;border-left:1px #ccc solid;padding-left:1ex"><div dir="ltr">I am working on genetic structure of a threatened species, and as such have rather small sample sizes. Two of my four populations are out of HWE, and so I am using DAPC to look at population clustering because it does not assume HWE. <br><div><br></div><div>The DAPC yielded 4 clusters as I expected, using the location information, and retaining a very conservative 11 PCs (following a.score). However, when I wanted to look at clustering with no location priors on the data, things got a bit weird. I used the find.clusters option in adegenet, and I keep getting very different results to my other analyses - the lowest BIC falls at K=1, but the BIC values are extremely low (~420), steadily increasing from there (I attached the graph FYI). <div><br></div><div>My Fst values based on microsatellites suggest high differentiation between the 4 sites. I standardised my Fst values following Miermans 2006, which gave rather high Fst values (0.2-0.4). My mitochondrial Fst values are also high (>0.5).</div><div><br></div><div>Using Structure with LOCprior (accounting for low sample sizes), I get K=4 as the most likely number of clusters, and PCA also shows delineation between the four sample sites.<br clear="all"><div><br></div><div>Given that all of my other analyses tell the same story (that there a four rather differentiated sites), I'm wondering if anyone can tell me where I might be going wrong here? </div><div><br></div><div>Any pointers would be greatly appreciated!!</div><div><br></div><div>Thanks,</div><div>Siobhan</div><span class="HOEnZb"><font color="#888888">-- <br><div dir="ltr"><br></div>
</font></span></div></div></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></div>