GCTA学习8 | GCTA计算多性状遗传力和遗传相关
快速阅读目录
- 1. GCTA计算两性状遗传相关常用参数
- 1.1 --reml-bivar(必须)
- 1.2 --reml-alg 指定迭代方法(非必须)
- 1.3 --grm(必须)
- 1.4 --covar(非必须)
- 1.5 --qcovar(非必须)
- 1.6 --pheno(必须)
- 2. 数据准备
- 2.1 表型数据
- 2.2 基因型数据
- 2.3 协变量
- 3. 构建GRM矩阵
- 4. 两性状估算遗传力和标准误
- 5. GCTA多性状不支持的参数
- 6. GCTA的优势和不足
- GCTA 系列教程
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。
GCTA 系列教程
GCTA学习1 | 抛砖引玉–初步介绍
GCTA学习2 | 软件下载安装–windows和Linux
GCTA学习3 | GCTA的两篇NG:fast-LMM和fast-GLMM
GCTA学习4 | GCTA说明文档–功能分类及常见问题
GCTA学习5 | GCTA计算PCA及可视化
GCTA学习6 | GCTA计算GRM矩阵(kinship矩阵)
GCTA学习7 | 计算单性状遗传力和标准误
GCTA学习8 | GCTA计算多性状遗传力和遗传相关
GCTA学习8 | GCTA计算多性状遗传力和遗传相关相关推荐
- GCTA学习7 | 计算单性状遗传力和标准误
前面的几节中,我们介绍了GCTA计算G矩阵,本节我们介绍,如果使用GCTA进行遗传力的估计. 1. GCTA计算单性状遗传力常用参数 1.1 --reml(必须) 这部分,是使用reml的方法进行估计 ...
- GCTA学习3 | GCTA的两篇NG:fast-LMM和fast-GLMM
本节,介绍一下官网上面GCTA的功能描述. 1. 最新功能 GCTA在2010年首次释放,现在的版本是1.94.0beta,2021年到现在更新了3次,重要的更新时增加了fastGWA.fastGWA ...
- GCTA学习4 | GCTA说明文档--功能分类及常见问题
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/g ...
- MIT警告深度学习正在逼近计算极限,网友:放缓不失为一件好事
机器之心报道 参与:魔王.杜伟 MIT的一项研究认为,深度学习正在逼近算力极限. 深度学习需要大量数据和算力,这二者的发展是促进这一次人工智能浪潮的重要因素.但是,近期 MIT 的一项研究认为,深度学 ...
- 旷视首席科学家孙剑:深度学习变革视觉计算
https://www.toutiao.com/i6714941914564526596/ 孙剑从视觉智能.计算机摄影学以及AI计算3个方面介绍了计算机视觉研究领域的变革. 作者 | 张栋 AI科技评 ...
- 大学计算机——所有大学生都应学习的一门计算思维基础教育课程,_大学计算机_所有大学生都应学习的一门计算思维基础教育课程...
中国大学教学 2011年第4期 "大学计算机"--所有大学生都应学习的一门计算思维基础教育课程 战德臣 聂兰顺 徐晓飞 摘 要:当前,大学非计算机专业计算机课程存在知识型/技能型教 ...
- DSSM、CNN-DSSM、LSTM-DSSM等深度学习模型在计算语义相似度上的应用+距离运算
在NLP领域,语义相似度的计算一直是个难题:搜索场景下query和Doc的语义相似度.feeds场景下Doc和Doc的语义相似度.机器翻译场景下A句子和B句子的语义相似度等等.本文通过介绍DSSM.C ...
- 证券投资深度学习_安信证券:“深度学习”开启新一轮计算模式变革
转自公众号 安信计算机 (axzqjsj) 事件:近日GPU巨头企业NVIDIA宣布推出一款致力于加速人工智能和深度学习的芯片TeslaP100,同时推出的还有全球首款面向深度学习的超级计算机NVID ...
- Maple学习笔记——数学计算与数据处理
Maple学习笔记--数学计算与数据处理 数据计算 多项式相关: 求解方程.不等式 矩阵计算.线性代数: 微积分 多变量和向量微积分 优化 概率与统计 数据处理 导入数据 数据计算 多项式相关: 1. ...
- 深度学习中FLOPs计算
深度学习中FLOPs计算 定义:FLOPs(floating point operations),即浮点数运算次数,是一个计算量,所以可以用来衡量一个算法/模型等的复杂度 FLOPs是用来计算整个网络 ...
最新文章
- linux blfs安装桌面,【Linux】Ubuntu14.04安装bridge-utils安装brctl
- Linux 学习手记(6): 磁盘、分区、MBR与GPT
- 当postgres的主键序列不同步时,如何重置?
- 腾讯多任务模型MFH
- POJ - 3468 A Simple Problem with Integers(分块)
- c#用canny算子做边缘提取_机器视觉学习(三)边缘检测
- 全局声明宏定义_C++模拟面试:宏、lambda、智能指针闲谈
- 农村俗语“一代亲、二代淡,三代不管饭”啥意思?
- 【行为型】Strategy模式
- AS解决在导入library之后lable/icon/theme合并出现bug
- 数据结构 详解(C++)
- MySQL数据库基础教程(视频)
- AWVS Linux 破解版在 Centos7 下安装过程中存在问题记录
- pythonmt4通讯swot矩阵_swot分析矩阵范例(各部门)
- 成语接龙快速接到“一个顶俩” (附api)
- 计算机专业必须用英语口语要求,哪些专业需要英语口语考试
- MySQL事务与存储引擎
- 深度信念神经网络DBN最通俗易懂的教程
- 从校训、企业文化到团队文化
- 微信小程序---页面刷新的几种方法