育种数据分析之放飞自我分享 http://blog.sciencenet.cn/u/yijiaobai 关注:生物统计,数量遗传,混合线性模型,生物信息,R,Perl,Python,GWAS,GS相关方法,文章及代码

博文

阈值性状与连续性状&阈值性状与阈值性状的遗传相关分析-asrmel4r

已有 3034 次阅读 2018-3-20 10:51 |个人分类:数量遗传学|系统分类:科研笔记

阈值性状与连续性状&阈值性状与阈值性状的遗传相关分析-asrmel4r

asreml3中,还不支持阈值性状与连续性状的相关分析,现在asreml4r中支持了,下面用实际的案例介绍一下实现方法

与两性状分析的模型基本一致,关键是指定两性状的分布:family=list(asr_binomial(),asr_gaussian())

library(asreml)
Loading required package: Matrix

查看数据

data("binnor")
head(binnor)
recordyearGrpSexSirescore5score4scaldrotnorm
11111011111.40431
21111011011.38088
31111011010.89160
41111011011.33378
51111011011.21983
61111011011.38313

查看阈值数据:0,1

hist(binnor$score4);hist(binnor$rot)

output_7_0.png

output_7_1.png

查看连续性状

hist(binnor$norm)

图片.png

阈值性状与连续性状相关分析

binnor.as <- asreml(cbind(score4,rot) ~ trait:Sex + trait:Grp,
                    random = ~ corgh(trait):Sire,
                    family = list(asr_binomial(),asr_binomial()),
                    maxit=30,  data=binnor)
Model fitted using the sigma parameterization.
ASReml 4.1.0 Tue Mar 20 10:41:12 2018
Binomial; Logit  Mu=P=1/(1+exp(-XB)); V=Mu(1-Mu)/N
Note: The LogLik value is unsuitable for comparing GLM models

          LogLik        Sigma2     DF     wall    cpu
 1     -8608.147           1.0   5014 10:41:13    0.0 (2 restrained)
 2     -6006.509           1.0   5014 10:41:13    0.0 (2 restrained)
 3     -3180.068           1.0   5014 10:41:13    0.0
 4     -1256.398           1.0   5014 10:41:13    0.0
 5      -239.576           1.0   5014 10:41:13    0.0
 6        55.568           1.0   5014 10:41:13    0.0
 7       107.915           1.0   5014 10:41:13    0.0
 8       112.680           1.0   5014 10:41:13    0.0
 9       113.746           1.0   5014 10:41:13    0.0
10       114.007           1.0   5014 10:41:13    0.0
11       114.066           1.0   5014 10:41:13    0.0
12       114.077           1.0   5014 10:41:13    0.0
13       114.076           1.0   5014 10:41:13    0.0
14       114.074           1.0   5014 10:41:13    0.0
Deviance from GLM fit:  2971.07
Variance heterogenity factor (Deviance/df):    0.59
(assuming 5014 degrees of freedom)
summary(binnor.as)$varcomp



componentstd.errorz.ratiobound%ch
trait:Sire!trait!rot:!trait!score4.cor-0.72469518180.4167573139-1.738890U0.1
trait:Sire!trait_score40.03403380290.02831675521.201896P0.1
trait:Sire!trait_rot0.00036186790.00024251701.492134P0.0
units:trait!R1.0000000000NANAF0.0
units:trait!trait_score4:score40.99933374510.027740744336.024042P0.0
units:trait!trait_rot:score40.04121694660.002110508419.529392P0.1
units:trait!trait_rot:rot0.02550036770.000720191135.407782P0.0
可以看出,score4和norm的遗传相关为-0.72,标准误为0.41

阈值性状与阈值性状相关分析

binnor.as <- asreml(cbind(score4,rot) ~ trait:Sex + trait:Grp,
                    random = ~ corgh(trait):Sire,
                    family = list(asr_binomial(),asr_binomial()),
                    maxit=30,  data=binnor)
Model fitted using the sigma parameterization.
ASReml 4.1.0 Tue Mar 20 10:43:53 2018
Binomial; Logit  Mu=P=1/(1+exp(-XB)); V=Mu(1-Mu)/N
Note: The LogLik value is unsuitable for comparing GLM models

          LogLik        Sigma2     DF     wall    cpu
 1     -8608.147           1.0   5014 10:43:53    0.0 (2 restrained)
 2     -6006.509           1.0   5014 10:43:53    0.0 (2 restrained)
 3     -3180.068           1.0   5014 10:43:53    0.0
 4     -1256.398           1.0   5014 10:43:53    0.0
 5      -239.576           1.0   5014 10:43:53    0.0
 6        55.568           1.0   5014 10:43:53    0.0
 7       107.915           1.0   5014 10:43:53    0.0
 8       112.680           1.0   5014 10:43:53    0.0
 9       113.746           1.0   5014 10:43:53    0.0
10       114.007           1.0   5014 10:43:53    0.0
11       114.066           1.0   5014 10:43:53    0.0
12       114.077           1.0   5014 10:43:53    0.0
13       114.076           1.0   5014 10:43:53    0.0
14       114.074           1.0   5014 10:43:53    0.0
Deviance from GLM fit:  2971.07
Variance heterogenity factor (Deviance/df):    0.59
(assuming 5014 degrees of freedom)
summary(binnor.as)$varcomp



componentstd.errorz.ratiobound%ch
trait:Sire!trait!rot:!trait!score4.cor-0.72469518180.4167573139-1.738890U0.1
trait:Sire!trait_score40.03403380290.02831675521.201896P0.1
trait:Sire!trait_rot0.00036186790.00024251701.492134P0.0
units:trait!R1.0000000000NANAF0.0
units:trait!trait_score4:score40.99933374510.027740744336.024042P0.0
units:trait!trait_rot:score40.04121694660.002110508419.529392P0.1
units:trait!trait_rot:rot0.02550036770.000720191135.407782P0.0
可以看出,rot和score4的遗传相关为-0.72,标准误为0.41




https://blog.sciencenet.cn/blog-2577109-1104818.html

上一篇:如何使用GGE模型分析品种稳定性
下一篇:数量遗传学理论框架下的进化生态学研究: 以动物模型的运用为例
收藏 IP: 111.13.91.*| 热度|

0

该博文允许注册用户评论 请点击登录 评论 (0 个评论)

数据加载中...

Archiver|手机版|科学网 ( 京ICP备07017567号-12 )

GMT+8, 2022-8-13 17:57

Powered by ScienceNet.cn

Copyright © 2007- 中国科学报社

返回顶部