Каков наилучший способ моделирования ковариат по годам при прогнозировании BLUP в пакете CRAN sommer? - PullRequest
Новая
       9

Каков наилучший способ моделирования ковариат по годам при прогнозировании BLUP в пакете CRAN sommer?

0 голосов
/ 27 ноября 2018

У меня есть популяции родителей с двумя родителями с данными по SNP / SSR высокой плотности для всех особей и фенотипическими данными, взятыми за три независимых года.Я моделировал каждый год отдельно для каждой интересующей черты, чтобы рассчитать племенные ценности для каждого человека.Я также пытался моделировать год как ковариату случайного эффекта с ковариационной матрицей, равной матрице тождеств (при условии отсутствия ковариации между годами), чтобы увидеть, может ли моделирование для ковариации года и объединение фенотипических значений в течение всех трех лет увеличитьнаследуемость моих черт.

Однако я заметил, что при моделировании с использованием функции mmer () пакета CRAN sommer у меня будут значения наследуемости, которые кажутся завышенными больше, чем должны.В некоторых случаях у меня не будет наследственности для признака, если рассматривать его в течение года, но когда я моделирую все три года, используя год как случайный ковариатный эффект и ковариационную матрицу идентичности, я получаю значительное увеличение значений наследуемости.

Каков наилучший способ оценки BLUP в этом случае, когда я хочу объединить / рассмотреть данные всех трех лет вместе?В частности, каким образом мне следует это сделать, если у меня нет четкого представления о том, как указывать годовую ковариационную матрицу?

1 Ответ

0 голосов
/ 30 ноября 2018

В виньетках пакета объясняются множественные ковариационные структуры, но в целом вы можете смоделировать GxE различными способами.Если вы предполагаете, что GxE отсутствует, вы можете принять диагональную структуру (DIAG): 

data(DT_example)
head(DT)
## Diagonal (DIAG) model
ans0 <- mmer(Yield~Env,
             random= ~vs(ds(Env),Name),
             rcov= ~ vs(ds(Env),units),
             data=DT)

, которая соответствует модели по отдельности.С другой стороны, если вы предполагаете, что GxE существует, наиболее типичной моделью является модель составной симметрии, которая предполагает одинаковую дисперсию GxE во всех средах: 

## Compound simmetry (CS) model
ans1 <- mmer(Yield~Env,
             random= ~ Name + Env:Name,
             rcov= ~ units,
             data=DT)

, вы также можете предположить, что в каждой среде есть свой GxEдисперсия: 

## Compound simmetry (CS) + Diagonal (DIAG) model
ans2 <- mmer(Yield~Env,
             random= ~Name + vs(ds(Env),Name),
             rcov= ~ vs(ds(Env),units),
             data=DT)

и наиболее сложная модель оценивает все компоненты генетической дисперсии и ковариации: 

## Unstructured (US) model
ans3 <- mmer(Yield~Env,
             random=~ vs(us(Env),Name),
             rcov=~vs(us(Env),units), 
             data=DT)

Путем лучшего моделирования GxE вы можете повысить наследуемость, распространяя генетический сигнал среди сред.

Надеюсь, это поможет.Приветствия

...