博文
DMU-单性状重复力模型-学习笔记3
||
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
$$ P = G + E$$
遗传力为
$$
这里的Vg如果有重复测量的数据, 可以剖分为可以遗传的部分, 和不可以遗传的部分(永久环境效应), 那么遗传力的计算公式为:
$$
重复力的计算公式为:
$$
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.
DMU相关教程:
https://blog.sciencenet.cn/blog-2577109-1146941.html
上一篇：Python学生物统计-数据可视化-学习笔记5
下一篇：DMU-多性状动物模型-学习笔记4
