如何使用R語言實現對SSR數據做主成分分析

# 如何使用R語言實現對SSR數據做主成分分析

## 一、SSR數據與主成分分析概述

簡單序列重復（Simple Sequence Repeats, SSR）是基因組中廣泛分布的短串聯重復序列，在遺傳多樣性分析和群體遺傳學研究中具有重要作用。主成分分析（Principal Component Analysis, PCA）是一種降維技術，能夠將高維SSR數據轉化為低維空間的可視化結果，直觀展示樣本間的遺傳關系。

### SSR數據特點
- 多等位基因特性
- 高信息含量
- 共顯性標記
- 通常以0/1矩陣或等位基因頻率形式存儲

## 二、數據準備與預處理

### 1. 數據格式轉換
典型的SSR原始數據格式示例：
```r
# 樣本ID  標記1  標記2  標記3
# Sample1  145/148  210/210  180/184
# Sample2  148/152  210/212  184/188

使用adegenet包轉換為genind對象：

library(adegenet)
ssr_data <- read.structure("input_file.str", 
                          n.ind = 50, 
                          n.loc = 20,
                          onerowperind = FALSE)

2. 缺失數據處理

# 用均值替代缺失值
ssr_data_imputed <- scale(na.roughfix(ssr_data))

# 或刪除缺失值超過10%的位點
ssr_data_clean <- ssr_data[, colMeans(is.na(ssr_data)) < 0.1]

三、PCA實現步驟

1. 核心函數實現

# 使用prcomp函數
pca_result <- prcomp(ssr_data_imputed, 
                    center = TRUE, 
                    scale. = TRUE)

# 使用FactoMineR包
library(FactoMineR)
pca_res <- PCA(ssr_data_imputed, graph = FALSE)

2. 結果解釋

查看方差貢獻率：

summary(pca_result)
# 輸出示例：
# Importance of components:
#                           PC1    PC2    PC3
# Standard deviation     2.1456 1.9872 1.5123
# Proportion of Variance 0.3214 0.2756 0.1598
# Cumulative Proportion  0.3214 0.5970 0.7568

提取特征向量：

pca_result$rotation[,1:3]

四、結果可視化

1. 基礎可視化

plot(pca_result$x[,1], pca_result$x[,2],
     xlab = "PC1 (32.14%)",
     ylab = "PC2 (27.56%)",
     pch = 16, col = "blue")

2. 使用ggplot2增強可視化

library(ggplot2)
pca_df <- data.frame(PC1 = pca_result$x[,1],
                    PC2 = pca_result$x[,2],
                    Population = pop_labels)

ggplot(pca_df, aes(PC1, PC2, color = Population)) +
  geom_point(size = 3) +
  stat_ellipse(level = 0.95) +
  labs(x = "PC1 (32.14%)", y = "PC2 (27.56%)") +
  theme_minimal()

3. 三維PCA展示

library(rgl)
plot3d(pca_result$x[,1:3], 
       col = as.numeric(factor(pop_labels)),
       size = 5)

五、進階分析技巧

1. 確定最佳主成分數

# 碎石圖法
screeplot(pca_result, type = "lines")

# 平行分析
library(psych)
fa.parallel(ssr_data_imputed, fa = "pc")

2. 變量貢獻分析

library(factoextra)
fviz_contrib(pca_result, choice = "var", axes = 1, top = 10)

3. 群體結構分析

library(LEA)
# 轉換為geno格式
write.structure(ssr_data, "temp.str")
struct2geno("temp.str", ploidy = 2)

# 運行STRUCTURE分析
obj.snmf = snmf("temp.geno", K = 1:5)

六、注意事項

1. 數據標準化：SSR數據通常需要等位基因頻率標準化

   ssr_scaled <- scale(ssr_data, center = TRUE, scale = TRUE)
   

2. 標記篩選：優先選擇多態性高的位點（PIC > 0.5）

3. 樣本量要求：建議樣本量至少是變量數的5-10倍

4. 解釋限度：前三個主成分通常解釋60-80%的變異

七、完整代碼示例

# 完整分析流程
library(adegenet); library(ggplot2)

# 1. 數據導入
ssr <- read.structure("data.str", n.ind = 100, n.loc = 25)

# 2. 數據預處理
ssr_clean <- na.omit(ssr)
ssr_scaled <- scaleGen(ssr_clean, NA.method = "mean")

# 3. PCA分析
pca <- prcomp(ssr_scaled, scale. = TRUE)

# 4. 可視化
fviz_pca_ind(pca, 
             col.ind = as.factor(pop(ssr_clean)),
             addEllipses = TRUE)

通過上述步驟，研究人員可以有效地利用R語言對SSR數據進行主成分分析，揭示群體遺傳結構，為后續的遺傳多樣性研究和育種策略制定提供科學依據。 “`