Bayesian inference from the conditional genetic stock identification model

Genetic stock identification (GSI) estimates stock proportions and individual assignments through comparison of genetic markers with reference populations. It is used widely in anadromous fisheries to estimate the impact of oceanic harvest on riverine populations. Here, we provide a formal, explicit description of Bayesian inference in the conditional GSI model, documenting an approach that has been widely used in the last 5 years, but not formally described until now. Subsequently, we describe a novel cross-validation method that permits accurate prediction of GSI accuracy when making Bayesian inference from the conditional GSI model. We use cross-validation and simulation of genetic data to confirm the occurrence of a bias in reporting-unit proportions recently reported in Hasselman et al. (2016). Then, we introduce a novel parametric bootstrap approach to reduce this bias, and we demonstrate the efficacy of our correction. Our methods have been implemented as a user-friendly R package, rubias, which makes use of Rcpp for computational efficiency. We predict rubias will be widely useful for GSI of fish populations.

L’identification génétique des stocks (IGS) estime les proportions de stocks et les affectations d’individus en comparant des marqueurs génétiques à ceux de populations de référence. L’approche est largement utilisée dans les pêches aux espèces anadromes pour estimer l’incidence de la pêche océanique sur les populations de rivières. Nous présentons une description explicite formelle d’inférence bayésienne dans le modèle d’IGS conditionnel, qui documente une approche largement utilisée au cours des 5 dernières années, mais dont une description formelle n’avait pas encore été faite. Nous décrivons ensuite une nouvelle méthode de validation croisée qui permet la prédiction exacte de l’exactitude de l’IGS quand une inférence bayésienne est faite à partir du modèle d’IGS conditionnel. Nous utilisons la validation croisée et la simulation de données génétiques pour confirmer la présence d’un biais dans les proportions d’unités de rapport récemment rapportées dans Hasselman et al. (2016). Nous présentons ensuite une nouvelle approche d’autoamorçage paramétrique pour réduire ce biais et démontrons l’efficacité de cette correction. Nos méthodes ont été mises en application dans un progiciel en R, rubias, qui utilise Rcpp à des fins d’efficacité computationnelle. Nous prédisons que rubias sera très utile pour l’IGS de populations de poissons. [Traduit par la Rédaction]