DMU-单性状重复力模型-学习笔记3
单性状重复力模型
本次主要是演示如何使用DMU分析单性状重复力模型.
重复力模型和动物模型的区别:
不是所有的性状都可以分析重复力模型, 首先重复力模型是动物模型的拓展, 它适合一个个体多个观测值的情况.
- 比如猪的产仔数, 一个母猪有多个胎次
- 比如鸡的产蛋, 不同时间段, 鸡都有产蛋量
- 牛的产奶量, 不同的测定日, 产奶量不同
- 猪的饲料消耗, 也是重复测量的数据
只有这样的数据才可以将永久环境效应剖分出来.
重复力是遗传力的上限:
教科书上这样说, 这句话怎么理解呢?
首先, 我们认为
P=G+EP = G + EP=G+E
遗传力为
h2=Vg/(Vg+Ve)h^2 = Vg/(Vg+Ve)h2=Vg/(Vg+Ve)
这里的Vg如果有重复测量的数据, 可以剖分为可以遗传的部分, 和不可以遗传的部分(永久环境效应), 那么遗传力的计算公式为:
h2=VgVg+Vpe+Veh^2 = \frac{Vg}{Vg+Vpe+Ve}h2=Vg+Vpe+VeVg
重复力的计算公式为:
hpe2=Vg+VpeVg+Vpe+Veh_{pe}^2 = \frac{Vg+Vpe}{Vg+Vpe+Ve}hpe2=Vg+Vpe+VeVg+Vpe
当Vpe为0时, 重复力=遗传力, 当Vpe>0时, 重复力>遗传力, 所以说重复力是遗传力的上限!
数据使用learnasreml包中的数据
learnasreml是我编写的辅助学习asreml的R包, 里面有相关的数据和代码, 这里我们用其中的repeatmodel.dat和repeatmodel.ped的数据.
如果没有软件包, 首先安装:
setwd("d:/dmu-test/")
library(devtools)
# install_github("dengfei2013/learnasreml")
library(learnasreml)
data("repeatmodel.dat")
data("repeatmodel.ped")dat = repeatmodel.dat
ped = repeatmodel.pedsummary(dat)
summary(ped)
看一下数据:
> summary(dat)ANIMAL BYEAR AGE YEAR LAYDATE 1 : 5 1000 : 109 2:308 1004 : 79 Min. : 0.00 3 : 5 1001 : 98 3:322 1005 : 78 1st Qu.:20.00 9 : 5 999 : 86 4:339 1003 : 69 Median :24.00 17 : 5 1002 : 85 5:315 1006 : 64 Mean :23.54 42 : 5 987 : 70 6:323 1002 : 60 3rd Qu.:27.00 50 : 5 989 : 66 988 : 54 Max. :41.00 (Other):1577 (Other):1093 (Other):1203
> summary(ped)ID FATHER MOTHER Min. : 1 Min. : 0.0 Min. : 0.0 1st Qu.: 328 1st Qu.: 0.0 1st Qu.: 135.0 Median : 655 Median : 0.0 Median : 538.0 Mean : 655 Mean : 261.5 Mean : 547.4 3rd Qu.: 982 3rd Qu.: 458.0 3rd Qu.: 932.0 Max. :1309 Max. :1304.0 Max. :1306.0
数据介绍:
- 有因子4个: 分别是 ANIMAL BYEAR AGE YEAR
- 有变量1个: LAYDATE
- 缺失值用0表示
- 系谱中有三列数据, 无出生时间一列, 缺失值为0
需要做的处理
- 系谱增加第四列出生时间, 因为数据都是数字, 没有字符串, 不需要转化
- 在保存数据时, 去掉行头
- 编辑DIR文件
使用R语言清洗数据, 并保存数据到D盘dmu-test
dat = repeatmodel.dat
ped = repeatmodel.pedsummary(dat)
summary(ped)dmuped = ped
dmuped$Birth = 2018head(dat)
library(data.table)
# write.table(dat,"animal-model.txt",row.names = F,col.names = F)
fwrite(dat,"repeat-model.txt",sep = " ",col.names = F)
fwrite(dmuped,"repeat-ped.txt",sep = " ",col.names = F)
编写DIR文件
想要分析的模型:
观测值: LAYDATE (第四列)
固定因子: 第二列, 第三列, 第四列
随机因子: ID, ide(ID)
所以这里编写DIR
第一部分, 是注释, 这里所写的东西会输出到结果文件, 基本上就是模型的解释, 这部分没有强制要求, 可以省略
$COMMENT
Estimate variance components for BWT
Model
y: LAYDATE
fixed: BYEAR + AGE + YEAR
random: ANIMAL +ide(ANIMAL)
第二部分是分析方法, 默认是AI
$ANALYSE 1 1 0 0
第三部分是定义因子数和变量书, 以及文件位置:
$DATA ASCII (4,1,0) d:/dmu-test/repeat-model.txt
第四部分, 定义变量名, 也是为了方便结果输出, 相当于数据的行头名
$VARIABLE
ANIMAL BYEAR AGE YEAR
BWT
第五部分, 有6行, 定义模型
整体来说是:
第一行: 单性状 # 1
第二行: 无吸收 # 0
第三行: 主要定义y变量, 固定因子, 随机因子
- 分析的是第一个变量 # 1
- 无权重考虑 # 0
- 共五个因子(固定+随机, 固定写前面, 随机写后面) # 5
- 第一个固定因子是第二列因子 #2 #BYEAR
- 第二个固定一致是第三列因子 #3 #AGE
- 第三个固定因子是第四列 #4 #YEAR
- 第四个随机因子是第一列 #1 #ANIMAL
- 第五个随机因子是第一列 #1 #ANIMAL
- 所以, 5个因子, 三个固定因子:2,3,4, 两个随机因子:1,1 #1 0 5 2 3 4 1 1
第四行: 有两个随机因子, 他们的关系是独立的, 所以是2 1 2
1
0
1 0 5 2 3 4 1 1
2 1 2
0
0
第六部分: 指定系谱
$VAR_STR 1 PED 2 ASCII d:/dmu-test/repeat-ped.txt
注意, 如果想要输出BLUP值, 定义:$DMUAI
$DMUAI
10
1D-7
1D-6
1
完整DIR文件, 放入model.txt中, 然后重命名为: Uni_repeatmodel.DIR
$COMMENT
Estimate variance components for BWT
Model
y: LAYDATE
fixed: BYEAR + AGE + YEAR
random: ANIMAL +ide(ANIMAL)$ANALYSE 1 1 0 0
$DATA ASCII (4,1,0) d:/dmu-test/repeat-model.txt
$VARIABLE
ANIMAL BYEAR AGE YEAR
BWT
$MODEL
1
0
1 0 5 2 3 4 1 1
2 1 2
0
0
$VAR_STR 1 PED 2 ASCII d:/dmu-test/repeat-ped.txt$DMUAI
10
1D-7
1D-6
1
执行DIR文件
这里运行的run_dmuai.bat, 将DMU安装路径下的文件run_dmuai.bat拷贝到d:/dmu-test文件夹, 在终端cmd界面键入:
run_dmuai.bat Uni_repeatmodel
执行结果:
D:\dmu-test>run_dmuai.bat Uni_repeatmodelD:\dmu-test>Echo OFF
Starting DMU using Uni_repeatmodel.DIR as directive file
查看结果
在文件*lst中有估算的方差组分, 结果如下:
SUMMARY OF MINIMIZATION PROCESSEval Criterion !!Delta!! !!Gradient!! Parameters---- --------- --------- ------------ |------------------------------------------1 12629.2 0.8574 4.330 | 1.8100 1.8898 1.8705 2 8234.59 1.370 6.822 | 2.9917 3.3812 3.2879 3 6444.28 1.776 8.529 | 4.2397 5.4642 5.1761 4 5857.47 1.566 6.869 | 4.9013 7.4662 6.8832 5 5736.36 0.6798 2.497 | 4.9407 8.3737 7.6324 6 5727.01 0.7387E-01 0.2311 | 4.9325 8.4634 7.7233 7 5726.91 0.1399E-02 0.1596E-02 | 4.9341 8.4621 7.7245 8 5726.91 0.7706E-04 0.5119E-04 | 4.9340 8.4622 7.7245 9 5726.91 0.4564E-05 0.2610E-05 | 4.9340 8.4622 7.7245 10 5726.91 0.2695E-06 0.1558E-06 | 4.9340 8.4622 7.72
可以看到模型收敛
方差组分为:
Estimated (co)-variance components----------------------------------Parameter vector for L at convergence Asymptotic SE based on AI-information matrix No Parameter Asymp. S.E.1 4.93404 1.76364 2 8.46217 1.63818 3 7.72445 0.329943
遗传力需要手动计算, 这里还没有找到解决方案.
对比asreml的结果:
代码:
library(asreml)head(dat)
dat[dat$LAYDATE==0,]$LAYDATE=NA
ainv = asreml.Ainverse(ped)$ginv
mod = asreml(LAYDATE ~ BYEAR + AGE + YEAR, random = ~ ped(ANIMAL)+ide(ANIMAL), ginverse = list(ANIMAL=ainv),data=dat)
summary(mod)$varcomp
pin(mod,h2 ~ V1/(V1+V2+V3))
方差组分:
> summary(mod)$varcompgamma component std.error z.ratio constraint
ped(ANIMAL)!ped 0.6387559 4.934041 1.7636385 2.797649 Positive
ide(ANIMAL)!id 1.0955038 8.462169 1.6381812 5.165588 Positive
R!variance 1.0000000 7.724454 0.3299432 23.411466 Positive
遗传力:
> pin(mod,h2 ~ V1/(V1+V2+V3))Estimate SE
h2 0.233612 0.07907261
DMU和asreml比较
两者方差组分一致.
相关阅读:
DMU-参数介绍-学习笔记1
DMU-单性状动物模型-学习笔记2
DMU-单性状重复力模型-学习笔记3
DMU-多性状动物模型-学习笔记4
DMU-单性状动物模型-母体效应–学习笔记5
DMU软件 语法高亮 vim设置–学习笔记6
关注我的公众号:R-breeding
DMU-单性状重复力模型-学习笔记3相关推荐
- DMU软件 语法高亮 vim设置--学习笔记6
用vim编程时, DMU的关键词没有语法高亮, 看着不舒服, 就进行一下设置, 并记录过程. 设置的效果如下 设置流程 本次设置的比较简单, 将关键词分为: 模型model, 比如DMU1, DMU2 ...
- 文本分类模型学习笔记
文本分类模型学习笔记 TextCNN 模型结构 HAN 模型结构 实验 数据集 预处理 模型内容 模型训练 模型测试 近年来,深度学习模型在计算机视觉和语音识别中取得了显著成果.在自然语言处理中,深度 ...
- 概率图模型学习笔记:HMM、MEMM、CRF
作者:Scofield 链接:https://www.zhihu.com/question/35866596/answer/236886066 来源:知乎 著作权归作者所有.商业转载请联系作者获得授权 ...
- Heckman两阶段模型学习笔记
有近两周的时间都在学习Heckman两阶段模型.网上看了一些资料,在CSDN里找到了几篇珍贵的学习笔记,有一篇相当于带我入了门学习笔记 | Heckman两阶段法介绍_Claire_chen_jia的 ...
- ARIMA模型学习笔记
ARIMA模型学习笔记 目录 ARIMA模型学习笔记 ARIMA模型 时间序列平稳性 什么是平稳性 严平稳 弱平稳 平稳性检验 ADF检验(Augmented Dickey-Fuller test) ...
- MySQL8单表记录多少_mysql学习笔记之8(单表数据记录查询)_mysql
mysql学习笔记之八(单表数据记录查询) 查询数据记录,就是指从数据库对象中获取所要求的数据记录.mysql中提供了各种不同方式的数据查询方法. 一.简单数据记录查询 select field1,f ...
- 生成模型学习笔记:从高斯判别分析到朴素贝叶斯
机器之心专栏 作者:张威 翻译:燕子石 本文是哥伦比亚大学研究生张威在生成模型上的学习笔记,由毕业于新西兰奥克兰理工大学的燕子石翻译.机器之心之前曾介绍过张威所写的吴恩达<机器学习>课程的 ...
- 图神经网络(GNNs)模型学习笔记与总结
GCN学习笔记 1 基于谱域的GCN 1.1 知识要点: 1.2 Spectral-based models 1.2.1 Spectral Network 1.2.2 ChebNet(2016) 1. ...
- MNL——多项Logit模型学习笔记(二)
本节将会通过案例举例,介绍Logit模型的建模思路和过程 内容为摘抄他人学习资料的个人学习笔记,如有侵权则删 1.正确打开/解读Logit模型系数的方式 本节的具体内容在笔记里不详细表示了,大家在软件 ...
最新文章
- Nginx为什么快到根本停不下来?
- 关于自注意力机制的思考
- 怎么找回失踪的NTLDR文件
- [译][Tkinter 教程14] menu 菜单
- 正则过滤符号_多角度理解正则项
- 最小生成树唯一吗_最小生成树 - 齐芒
- 腾讯二面:@Bean 与 @Component 用在同一个类上,会怎么样?
- iOS开发UI篇—控制器的创建
- 影视剧中的歌曲怎么录制 怎么录背景音乐
- 计算机主机放电,电脑需要放电才能开机_电脑主板放电才能开机
- PS 打好的字体 怎么修改 字体间距
- matplotlib colormap
- MIT线性代数笔记一 行图像和列图像
- vue实现不同页面显示不同标题
- 【贪心】兔警官朱迪买礼物
- Dell inspiron 7580硬件升级_更换电池加内存条移动硬盘
- 凯云水利水电工程造价管理系统 技术解析(四)取费管理(一)
- pubg体验服服务器维护,简单1招,教你快速获得《Pubg Mobile》体验服“邀请码”!...
- 怎么解决localhost打不开
- 与机器人恋爱?人工智能已开始影响人类伦理观
热门文章
- docer 设置 拉取http协议的私有仓库
- qlikview中日期问题的两个小结
- 微信小程序关键字搜索
- datax(二)datax on azkaban架构设计之datax as a service
- FPGA入门实验-基于状态机实现4位共阴极数码管显示超声波模块读数
- 幅频特性曲线protues_幅频特性曲线Matlab编程
- 7939.com,7b.com.cn,9505.com,4199.com 清除工具(转)
- 基于微信小程序编写的AI配音界面
- vsftpd通过cmds_allowed进行精确权限控制
- vue实现点击不同按钮展示不同内容