Question

我有一个双亲植物种群，所有个体都具有高密度SNP / SSR标记数据，并且在三年中均取得了表型数据。我每年针对每个感兴趣的性状分别建模，以计算每个个体的育种值。我还尝试过将年份建模为随机效应协变量，且协方差矩阵等于恒等矩阵（假设年份之间不存在协方差），以查看对一年的协变量建模并结合所有三年的表型值是否可以增加我性状的遗传力。

但是，我已经注意到，当我使用CRAN sommer包的mmer（）函数进行建模时，我将获得的遗传力值似乎比它们应该夸大了。在某些情况下，一年之内我就不会考虑某个性状的遗传性，但是当我在所有三年中进行建模时，以年为随机效应协变量和一个恒等协方差矩阵，我会获得较大的遗传力值增加。 / p>

在这种情况下，当我想将所有三年的数据合并/考虑在一起时，估计BLUP的最佳方法是什么？特别是，如果我对如何指定逐年协方差矩阵没有真正的好主意，应该怎么做？

Answer 1

在程序包的渐晕中，说明了多个协方差结构，但通常可以用不同的方式对GxE进行建模。如果您假设没有GxE，则可以采用对角线结构（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)

与单独拟合模型相同。另一方面，如果假设存在GxE，则最典型的模型是复合对称模型，该模型在所有环境中都假定GxE的方差相同：

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

您还可以假定每种环境的GxE差异都不同：

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

和最复杂的模型估计所有遗传方差和协方差成分：

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

通过更好地建模GxE，可以通过在环境中传播遗传信号来提高遗传力。

我希望这会有所帮助。干杯

在CRAN Sommer软件包中预测BLUP时，建模年份协变量的最佳方法是什么？

1 个答案: