。前面的几节中，我们介绍了GCTA计算G矩阵，和单性状遗传力的计算，它本质上就是GBLUP的估计，但是速度快很多。本节我们介绍，两性状遗传力和遗传相关的计算。

1. GCTA计算两性状遗传相关常用参数

1.1 --reml-bivar（必须）

这部分，是使用reml的方法进行估计方差组分。默认的是AI算法，可以使用EM算法。

1.2 --reml-alg 指定迭代方法（非必须）

--reml-alg 0 # AI算法，默认算法 --reml-alg 1 # EM算法

1.3 --grm（必须）

指定GRM矩阵

--grm # 接二进制文件GRM的前缀 --grm-bin # 同上 --grm-gz # 接文本的GRM文件前缀

推荐使用二进制的文件，因为速度快，暂用空间少。

1.4 --covar（非必须）

这是接因子协变量的，第一列和第二列分别是FID和IID，后面接因子协变量，比如场年季

1.5 --qcovar（非必须）

接的是数字协变量，比如PCA，比如初生重等

1.6 --pheno（必须）

接的是表型数据，格式也是plink的格式，第一列FID，第二列IID，第三列是表型数据（缺失用NA表示）,第四列是表型数据

2. 数据准备

2.1 表型数据

三列，第一列是FID，第二列IID，第三列是表型数据y，没有行头，空格隔开。

2.2 基因型数据

plink的二进制文件

2.3 协变量

这里，示例数据中，没有提供协变量信息。如果提供，可以按照第一列是FID，第二列是IID，其它是协变量的方法整理数据。协变量分为数字协变量和因子协变量，要分开整理。

3. 构建GRM矩阵

「使用Van的方法」

这里，用Van的方法，类似我们GBLUP估计所用的矩阵构建形式。

gcta64 --bfile ../test --make-grm --make-grm-alg 1 --out g2

结果文件：

4. 两性状估算遗传力和标准误

这里，已经构建好了GRM矩阵，指定表型数据，进行遗传力的估计

gcta64 --reml-bivar 1 2 --pheno ../nn_pheno.txt --grm ../grm/g1 --threads 30 --out re1

结果可以看出：

• Vg11：加性方差组分为：0.51
• Vg22：加性方差组分为：0.31
• Vg12：加性协方差为：-0.089
• Ve11：残差方差组分为：0.56
• Ve22：残差方差组分为：1.58
• Ve12：残差协方差组分为：-0.012
• Vp11：表型方差组分（Vg+Ve），为1.076
• Vptr2：表型方差组分（Vg+Ve），为1.89

第一个性状，遗传力为0.47，标准误是0.02 第二个性状，遗传力为0.16，标准误为0.03 遗传相关为：-0.22，标准误为0.094

「使用ASReml作为对比」

「方差组分和遗传力结果：」

可以看出，结果完全一样。

5. GCTA多性状不支持的参数

「多性状GCTA不支持的部分：」

❝

By default, GCTA will take the first two traits in the phenotype file for analysis. The phenotype file is specified by the option --pheno as described in univariate REML analysis. All the options for univariate REML analysis are still valid here except --mpheno, --gxe, --prevalence, --reml-lrt, --reml-no-lrt and --blup-snp. All the input files are in the same format as in univariate REML analysis.

❞

• --mpheno
• --gxe
• --reml-lrt
• --reml-no-lrt
• --blup-snp

6. GCTA的优势和不足

GCTA只能分析两性状的GBLUP遗传评估，计算遗传力和遗传相关，速度很快。

「相对于ASReml软件，缺点如下：」

• 不支持固定因子缺失
• 只能是两个性状，3个，以及3个以上不支持
• 不支持多个随机因子
• 只能计算遗传相关，不能计算表型相关及标准误

❝

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。

❞