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

GCTA学习4 | GCTA说明文档--功能分类及常见问题

已有 1354 次阅读 2022-1-11 20:52 |个人分类:农学统计|系统分类:科研笔记

1. GCTA 说明文档

最新版是2021-06-01更新,共有98页:

GCTA说明文档:https://yanglab.westlake.edu.cn/software/gcta/static/gcta_doc_latest.pdf

2. GCTA功能分类

2.1 遗传力、遗传相关、表型预测

  • GRM:构建亲缘关系矩阵
  • Inbreeding:计算近交系数
  • Heritability:估算方差组分和遗传力
  • Partitioning:将方差组分根据染色体、片段、功能区域进行划分
  • X chromosome genetic variance: X染色体的方差组分
  • GREMLd:估计显性效应
  • Bivariate GREML: 双性状遗传评估
  • Haseman-Elston regression: 基于SNP的遗传相关
  • sBLUP:基于BLUP的基因型风险预测

2.2 GWAS分析

  • fastGWA:稀疏矩阵的LMM模型,fast-GWA模块
  • fastGWA-GLMM: GLMM模型的GWAS分析模块
  • MLMA和MLMA-LOCO:稠密矩阵的LMM模型
  • COJO:条件和联合分析
  • mtCOJO:多性状条件和联合分析
  • fastBAT:
  • fastGWA-BB:
  • ACTA-V:

2.3 GWAS数据模拟,群体遗传和孟德尔随机化

  • 模拟GWAS数据
  • GSMR:孟德尔随机化
  • PCA和Fst计算
  • 计算近交系数
  • 计算LD

3. 常见问题

1,样本量少的话遗传力异常

遗传力会是0或者1,标准误很大,不正常,不能分析小样本来的数据。Q1:GCTA-REML需要多少的样本? 如果要想达到比较小的标准误(0.1),至少要3160个不相关的样本。

Q2:为何遗传力的标准误很重要? 95%的置信区间是遗传力 +- 1.96*标准误,如果标准误比较大,那么95%的置信区间就比较大(比如0~1),这样意义不大了。

2,估计亲缘关系矩阵计算所需要的内存

这里,介绍了不同的样本数,不同的SNP个数,计算所需要的内存。下面介绍,估算方差组分估计需要的内存。

3. 方差组分估计中LRT的计算

下面介绍,LRT检验的实施方法。

4. 内存报错

如果内存报错,建议用64位的GCTA。因为32位最多支持4G内存,可能不够。

5. 分析非人类的数据

如果分析的是动物数据,需要设置染色体条数。

6. 为什么我的遗传力是0.9999?

对于case-contral数据,可以设置--reml-no-constrain,这样有可能遗传力大于1.

对于连续性状数据,样本量少的话,标准误比较大,有可能遗传力估计偏高。

7. GCTA可以分析系谱的数据

GCTA可以按照下面操作,分析系谱或家系的数据。

9. 将显著的SNP提取计算方差组分

结果可能会偏高。

10. 可以根据亲缘关系矩阵推断亲子或者全同胞半同胞吗?

可以,但是不准确。

0.5可以看做是一级的:亲子或者全同胞 0.25可以看做是二级的:半同胞或者爷孙 0.125可以看做是三级的:表兄,表妹「GCTA生成的GRM二进制文件读入到R中」两种方法: 1,通过R语言读取二进制文件 2,通过--make-grm-gz,将二进制文件转化为文本文件

11. GCTA可以计算GBLUP的预测值

在这里插入图片描述在这里插入图片描述

12. GCTA分析多性状模型

13. GCTA-GREML如何估算固定效应BLUE值

  • --covar:是因子协变量
  • --qcovar:是数值协变量

14. 为何我用GCTA计算的遗传力为负

因为有标准误,数据量小时,标准误大。

可能本身遗传力就很低,考虑到标准误,会有可能负值。

15. 方差组分估算显示not positive definite

方差组分中V不正定,可以尝试其它迭代方法---reml-lag 1由AI迭代变为Fisher scoring,试一下。在这里插入图片描述

欢迎关注我的公众号:育种数据分析之放飞自我。主要分享R语言,Python,育种数据分析,生物统计,数量遗传学,混合线性模型,GWAS和GS相关的知识。




https://blog.sciencenet.cn/blog-2577109-1320604.html

上一篇:GCTA学习3 | GCTA的两篇NG:fast-LMM和fast-GLMM
下一篇:GCTA学习6 | GCTA计算GRM矩阵(kinship矩阵)

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, 2022-5-20 23:03

Powered by ScienceNet.cn

Copyright © 2007- 中国科学报社

返回顶部