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?
答案 0 :(得分:0)
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