Estrutura Da Populacao

O que é estrutura populacional e por que você se importa

A estrutura da populacao descreve como um grupo de indivíduos está dividido em subgrupos genéticos, geralmente devido à geografia, comportamentos reprodutivos ou barreiras históricas. Em termos práticos, significa que nem todos os membros de uma espécie compartilham alelos na mesma frequência. Isso importa porque modelos estatísticos que ignoram essa divisão tendem a produzir falsos positivos em estudos de associação, e análises filogenéticas ficam distorcidas quando lotes mistos são tratados como homogêneos.

Como calcular estrutura da populacao do jeito que funciona na prática

Você começa com dados genotipados — SNPs, microssatélites ou sequências. O fluxo normal é: controle de qualidade dos marcadores, escolha do método de inferência, definição do número de clusters (K) e interpretação dos resultados. A ferramenta mais usada hoje é o STRUCTURE, mas o ADMIXTURE e o fastSTRUCTURE rodaram mais rápido para mim em conjuntos com mais de cem mil SNPs. O R package adegenet também é sólido para visualizações. O problema é que a maioria das pessoas pula o passo de filtragem e já joga os dados brutos no modelo. Eu aprendi isso na peor forma possivel. Em um projeto com Populus tremula, rodei o STRUCTURE sem filtrar marcadores em desequilíbrio de ligação e o K interpretável sumiu. Os gráficos de log-probabilidade ficaram instaveis e a separação dos clusters ficou borrosa. A correcao foi simples: prune os SNPs com D' > 0,8 usando plink --indep-pairwise 50 5 0,2, depois voltei pro modelo. A estrutura apareceu clara em 38 minutos.

Metodos e o que eles realmente mostram

Análise de componentes principais (PCA) é rapida e visual. Ela projeta variacao genetica em dimensoes reduzidas e costuma revelar agrupamentos geograficos sem precisar assumir nenhum modelo de mistura. O ponto fraco é que PCAs sozinhas nao quantificam a proporcao de ancestraldade de cada individuo. Métodos baseados em likelihood ou bayesianos, como STRUCTURE e ADMIXTURE, estimam a fracao de genoma que veio de cada cluster simulado. Eles entregam o Q-matrix, que é util para corrigir estratificacao em GWAS. A desvantagem é o custo computacional. Para conjuntos grandes, o ADMIXTURE com cross-validation costuma levar entre 10 e 40 minutos em hardware moderado, enquanto o STRUCTURE pode levar horas ou dias para o mesmo tamanho de dados.

FST e analise hierarquica medem diferenciacao entre grupos definidos previamente. Se você ja sabe que tem tres regioes amostrais, calcular FST entre elas e testar significancia com permutacoes (10 mil permuocoES eh o padrao) funciona bem. O cuidado aqui e nao usar FST isoladamente para definir clusters novos, porque ele reflete diferenciacao, nao necessariamente historia demografica.

Pegadinhas que eu vejo todo mundo tropecar

A primeira e escolher K errado. O K logico da Probabilidade primitiva (Ln P(D)) sobe ate estabilizar, mas o criterio de Evanno, delta K, as vezes aponta K=2 mesmo quando a historia real envolve tres ou quatro grupos sobrepostos. Eu costumo rodar K de 1 a 10, comparar tanto o Ln P(D) quanto o delta K, e olhar os mapas de cores do Q-matrix antes de decidir. Se os clusters parecem fragmentados em K maior sem mudancas biologicamente relevantes, é sinal de overfitting. A segunda pegadinha é ignorar amostragem geografica enviesada. Se voce amostra dois individuos de uma montanha e quarenta de um vale proximo, o algoritmo pode interpretar a diferenca de frequencia alélica como estrutura quando, na verdade, eh apenas viés de densidade amostral. A solucao é amostrar de forma mais uniforme ou, se isso for impossivel, rodar analises de sensibilidade removendo individuos para ver se os clusters se mantem.

Outro erro comum: tratar o resultado computacional como verdade biologica sem validacao. Estrutura detectada por SNPs pode ser ruido de sequenciamento, consanguinidade local ou derivadegenética recente, nao necessariamente isolamento reprodutivo. O ideal é cruzar com dados ecologicos, como distancia geografica, barreira fisica ou registro historico de introducao da especie.

Cenários onde a análise falha completamente

Se a diferenciacao entre grupos eh muito baixa, com FST abaixo de 0,01, a maioria dos metodos nao consegue resolver estrutura significativa, independente do numero de marcadores. Mais SNPs ajudam um pouco, mas o sinal genético simplesmente nao existe. Nesses casos, o problema é demografico, nao metodologico, e voce deve relatar a falta de estruturacao ao invés de forcar uma interpretacao. Também funciona mal em hibridizacao recente e intensa. Quando dois lineagens trocam genes ha poucas geracoes, o Q-matrix mostra misturadifusa e os clusters ficam impossiveis de separar. Abordagens alternativas como tree-mix ou modelos de gene flow explicitos sao mais adequadas.

Quando nao usar estrutura populacional classica

Se seu foco eh predicao de valor genético em melhoramento vegetal, a abordagem de pedigree ou genomic best linear unbiased prediction (GBLUP) corrige estratificacao de maneira mais direta que ajustar K como covariavel. Se voce estuda especiacao com fluxo genico assimetrico, modelos de coalescente com migracao, como os implementados no MIGRATE-N ou no ai, entregam informacao demografica que STRUCTURE e ADMIXTURE jamais fornecerao.