我有一些数据集，其中包含一些人群的i个不同等位基因/ SNP的频率。另外，我记录了一些因素，这些因素由于过去的选择效应而改变了种群中这些等位基因的频率。假定可以以每个选择因子的简单线性回归形式描述选择影响。
现在，我想估计等位基因频率在相同的选择力作用下的期望值（因此，我设置了selection=1）。这些新的等位基因频率a'_i导出为
a'_i = a_i - function[a_i|selection=1]
以人口中等位基因a_i的当前频率i和function[a_i|selection=1]作为在没有选择力的情况下的估计等位基因频率。
但是，整个过程存在一些限制：
a'_i的最小值为0。a'_i的总和必须为1。通常，我将通过应用多个线性回归来解决此问题。但是随后的约束没有得到满足...
有什么想法如何使用约束条件进行此分析（也许使用线性方程/回归系统或结构方程建模）？
Here是一个示例数据集，其中包含ABO主要等位基因组（p，q，r）的等位基因频率以及选择变量（x，y，z）。
尽管此示例文件仅包含3个等位基因和3个影响变量，但我的所有数据集均包含多达1050个等位基因/ SNP，并且始终有8个选择变量可能会对（但不必）对等位基因频率产生影响...
在此先感谢您的想法，代码段和提示！