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 ...