标签：性状 Vg 笔记 repeatmodel dat 因子 DMU ANIMAL ped
单性状重复力模型
本次主要是演示如何使用DMU分析单性状重复力模型.
重复力模型和动物模型的区别:
不是所有的性状都可以分析重复力模型, 首先重复力模型是动物模型的拓展, 它适合一个个体多个观测值的情况.
- 比如猪的产仔数, 一个母猪有多个胎次
- 比如鸡的产蛋, 不同时间段, 鸡都有产蛋量
- 牛的产奶量, 不同的测定日, 产奶量不同
- 猪的饲料消耗, 也是重复测量的数据
只有这样的数据才可以将永久环境效应剖分出来.
重复力是遗传力的上限:
教科书上这样说, 这句话怎么理解呢?
首先, 我们认为
P
=
G
+
E
P = G + E
P=G+E
遗传力为
h
2
=
V
g
/
(
V
g
+
V
e
)
h^2 = Vg/(Vg+Ve)
h2=Vg/(Vg+Ve)
这里的Vg如果有重复测量的数据, 可以剖分为可以遗传的部分, 和不可以遗传的部分(永久环境效应), 那么遗传力的计算公式为:
h
2
=
V
g
V
g
+
V
p
e
+
V
e
h^2 = \frac{Vg}{Vg+Vpe+Ve}
h2=Vg+Vpe+VeVg
重复力的计算公式为:
h
p
e
2
=
V
g
+
V
p
e
V
g
+
V
p
e
+
V
e
h_{pe}^2 = \frac{Vg+Vpe}{Vg+Vpe+Ve}
hpe2=Vg+Vpe+VeVg+Vpe
当Vpe为0时, 重复力=遗传力, 当Vpe>0时, 重复力>遗传力, 所以说重复力是遗传力的上限!
数据使用learnasreml包中的数据
learnasreml是我编写的辅助学习asreml的R包, 里面有相关的数据和代码, 这里我们用其中的repeatmodel.dat和repeatmodel.ped的数据.
如果没有软件包, 首先安装:
setwd("d:/dmu-test/")
library(devtools)
# install_github("dengfei2013/learnasreml")
library(learnasreml)
data("repeatmodel.dat")
data("repeatmodel.ped")
dat = repeatmodel.dat
ped = repeatmodel.ped
summary(dat)
summary(ped)
看一下数据:
> summary(dat)
ANIMAL BYEAR AGE YEAR LAYDATE
1 : 5 1000 : 109 2:308 1004 : 79 Min. : 0.00
3 : 5 1001 : 98 3:322 1005 : 78 1st Qu.:20.00
9 : 5 999 : 86 4:339 1003 : 69 Median :24.00
17 : 5 1002 : 85 5:315 1006 : 64 Mean :23.54
42 : 5 987 : 70 6:323 1002 : 60 3rd Qu.:27.00
50 : 5 989 : 66 988 : 54 Max. :41.00
(Other):1577 (Other):1093 (Other):1203
> summary(ped)
ID FATHER MOTHER
Min. : 1 Min. : 0.0 Min. : 0.0
1st Qu.: 328 1st Qu.: 0.0 1st Qu.: 135.0
Median : 655 Median : 0.0 Median : 538.0
Mean : 655 Mean : 261.5 Mean : 547.4
3rd Qu.: 982 3rd Qu.: 458.0 3rd Qu.: 932.0
Max. :1309 Max. :1304.0 Max. :1306.0
数据介绍:
- 有因子4个: 分别是 ANIMAL BYEAR AGE YEAR
- 有变量1个: LAYDATE
- 缺失值用0表示
- 系谱中有三列数据, 无出生时间一列, 缺失值为0
需要做的处理
- 系谱增加第四列出生时间, 因为数据都是数字, 没有字符串, 不需要转化
- 在保存数据时, 去掉行头
- 编辑DIR文件
使用R语言清洗数据, 并保存数据到D盘dmu-test
dat = repeatmodel.dat
ped = repeatmodel.ped
summary(dat)
summary(ped)
dmuped = ped
dmuped$Birth = 2018
head(dat)
library(data.table)
# write.table(dat,"animal-model.txt",row.names = F,col.names = F)
fwrite(dat,"repeat-model.txt",sep = " ",col.names = F)
fwrite(dmuped,"repeat-ped.txt",sep = " ",col.names = F)
编写DIR文件
想要分析的模型:
观测值: LAYDATE (第四列)
固定因子: 第二列, 第三列, 第四列
随机因子: ID, ide(ID)
所以这里编写DIR
第一部分, 是注释, 这里所写的东西会输出到结果文件, 基本上就是模型的解释, 这部分没有强制要求, 可以省略
$COMMENT
Estimate variance components for BWT
Model
y: LAYDATE
fixed: BYEAR + AGE + YEAR
random: ANIMAL +ide(ANIMAL)
第二部分是分析方法, 默认是AI
$ANALYSE 1 1 0 0
第三部分是定义因子数和变量书, 以及文件位置:
$DATA ASCII (4,1,0) d:/dmu-test/repeat-model.txt
第四部分, 定义变量名, 也是为了方便结果输出, 相当于数据的行头名
$VARIABLE
ANIMAL BYEAR AGE YEAR
BWT
第五部分, 有6行, 定义模型
整体来说是:
第一行: 单性状 # 1
第二行: 无吸收 # 0
第三行: 主要定义y变量, 固定因子, 随机因子
- 分析的是第一个变量 # 1
- 无权重考虑 # 0
- 共五个因子(固定+随机, 固定写前面, 随机写后面) # 5
- 第一个固定因子是第二列因子 #2 #BYEAR
- 第二个固定一致是第三列因子 #3 #AGE
- 第三个固定因子是第四列 #4 #YEAR
- 第四个随机因子是第一列 #1 #ANIMAL
- 第五个随机因子是第一列 #1 #ANIMAL
- 所以, 5个因子, 三个固定因子:2,3,4, 两个随机因子:1,1 #1 0 5 2 3 4 1 1
第四行: 有两个随机因子, 他们的关系是独立的, 所以是2 1 2
1
0
1 0 5 2 3 4 1 1
2 1 2
0
0
第六部分: 指定系谱
$VAR_STR 1 PED 2 ASCII d:/dmu-test/repeat-ped.txt
注意, 如果想要输出BLUP值, 定义:$DMUAI
$DMUAI
10
1D-7
1D-6
1
完整DIR文件, 放入model.txt中, 然后重命名为: Uni_repeatmodel.DIR
$COMMENT
Estimate variance components for BWT
Model
y: LAYDATE
fixed: BYEAR + AGE + YEAR
random: ANIMAL +ide(ANIMAL)
$ANALYSE 1 1 0 0
$DATA ASCII (4,1,0) d:/dmu-test/repeat-model.txt
$VARIABLE
ANIMAL BYEAR AGE YEAR
BWT
$MODEL
1
0
1 0 5 2 3 4 1 1
2 1 2
0
0
$VAR_STR 1 PED 2 ASCII d:/dmu-test/repeat-ped.txt
$DMUAI
10
1D-7
1D-6
1
执行DIR文件
这里运行的run_dmuai.bat, 将DMU安装路径下的文件run_dmuai.bat拷贝到d:/dmu-test文件夹, 在终端cmd界面键入:
run_dmuai.bat Uni_repeatmodel
执行结果:
D:\dmu-test>run_dmuai.bat Uni_repeatmodel
D:\dmu-test>Echo OFF
Starting DMU using Uni_repeatmodel.DIR as directive file
查看结果
在文件*lst中有估算的方差组分, 结果如下:
SUMMARY OF MINIMIZATION PROCESS
Eval Criterion !!Delta!! !!Gradient!! Parameters
---- --------- --------- ------------ |------------------------------------------
1 12629.2 0.8574 4.330 | 1.8100 1.8898 1.8705
2 8234.59 1.370 6.822 | 2.9917 3.3812 3.2879
3 6444.28 1.776 8.529 | 4.2397 5.4642 5.1761
4 5857.47 1.566 6.869 | 4.9013 7.4662 6.8832
5 5736.36 0.6798 2.497 | 4.9407 8.3737 7.6324
6 5727.01 0.7387E-01 0.2311 | 4.9325 8.4634 7.7233
7 5726.91 0.1399E-02 0.1596E-02 | 4.9341 8.4621 7.7245
8 5726.91 0.7706E-04 0.5119E-04 | 4.9340 8.4622 7.7245
9 5726.91 0.4564E-05 0.2610E-05 | 4.9340 8.4622 7.7245
10 5726.91 0.2695E-06 0.1558E-06 | 4.9340 8.4622 7.72
可以看到模型收敛
方差组分为:
Estimated (co)-variance components
----------------------------------
Parameter vector for L at convergence
Asymptotic SE based on AI-information matrix
No Parameter Asymp. S.E.
1 4.93404 1.76364
2 8.46217 1.63818
3 7.72445 0.329943
遗传力需要手动计算, 这里还没有找到解决方案.
对比asreml的结果:
代码:
library(asreml)
head(dat)
dat[dat$LAYDATE==0,]$LAYDATE=NA
ainv = asreml.Ainverse(ped)$ginv
mod = asreml(LAYDATE ~ BYEAR + AGE + YEAR, random = ~ ped(ANIMAL)+ide(ANIMAL), ginverse = list(ANIMAL=ainv),data=dat)
summary(mod)$varcomp
pin(mod,h2 ~ V1/(V1+V2+V3))
方差组分:
> summary(mod)$varcomp
gamma component std.error z.ratio constraint
ped(ANIMAL)!ped 0.6387559 4.934041 1.7636385 2.797649 Positive
ide(ANIMAL)!id 1.0955038 8.462169 1.6381812 5.165588 Positive
R!variance 1.0000000 7.724454 0.3299432 23.411466 Positive
遗传力:
> pin(mod,h2 ~ V1/(V1+V2+V3))
Estimate SE
h2 0.233612 0.07907261
DMU和asreml比较
两者方差组分一致.
相关阅读：
DMU-参数介绍-学习笔记1
DMU-单性状动物模型-学习笔记2
DMU-单性状重复力模型-学习笔记3
DMU-多性状动物模型-学习笔记4
DMU-单性状动物模型-母体效应–学习笔记5
DMU软件 语法高亮 vim设置–学习笔记6
关注我的公众号：R-breeding
标签：性状,Vg,笔记,repeatmodel,dat,因子,DMU,ANIMAL,ped 来源： https://blog.51cto.com/yijiaobani/2867178
本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享； 2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关； 3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关； 4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除； 5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。