R-rrBLUP函数包.docxVIP

rrBLUP包mixed.solveGWASkin.blupmat1.mixed.solve--mixed.solve(y, Z=NULL, K=NULL, X=NULL, method=REML, bounds=c(1e-09, 1e+09), SE=FALSE, return.Hinv=FALSE)y为观测值向量Z为随机效应设计矩阵，若没有通过，就会被假设为单位矩阵K为随机效应协方差矩阵，必须为正定型，若没通过则为单位矩阵X为固定效应设计矩阵，若没通过，则为元素为1的向量。必须为满秩。method有“REML”和“ML”bounds为脊回归的参数范围SE为标准误，T则给出，F则不给出return.Hinv为返回H的逆矩阵，，这在GWAS中是有用的。这个函数可以用来预测标记效应和育种值，可以计算随机效应和固定效应的BLUP值。最后给出的值有：如果SE=FALSE,那么有$Vuestimator for?σ^2_u$Veestimator for?σ^2_e$betaBLUE(β)$uBLUP(u)$LLmaximized log-likelihood (full or restricted, depending on method)If SE=TRUE, the list also contains$beta.SEstandard error for?β$u.SEstandard error for?u^*-uIf return.Hinv=TRUE, the list also contains$Hinvthe inverse of?H2. A.mat—A.mat (X, min.MAF = NULL, max.missing = NULL, impute.method = mean, tol = 0.02, n.core = 1, shrink = FALSE, return.imputed = FALSE)X为n*m的未调整矩阵，n行和m个二等位基因标记，按照-1,0,1编码。可以输入分数和缺失数据（NA）。min.MAF为最小次要等位基因频率。A矩阵对稀有等位基因不敏感。默认情况下，只有单标记被移除。max.missing缺失数据的最大比例。默认为删除完全缺失标记impute.method为输入方法。有两个选项，“mean”和“EM”。“mean”为每个标记的均值。“EM”为EM算法，tol为EM算法的收敛准则n.col为UNIX中使用shrink 若为T，则使用压缩估计方法return.imputed 若为T，返回输入标记矩阵。If return.imputed = FALSE, the?n \times n?additive relationship matrix is returned.If return.imputed = TRUE, the function returns a list containing$Athe A matrix$imputedthe imputed marker matrix对估计的准确度，用“mean”输入方法在很多情况下与“EM”算法相近，但是所估计的育种值偏差要比“EM”算法估计的育种值偏差大。把两种方法的矩阵的对角线元素比较，就会发现“EM”算法的对角线元素更接近于期望，给出了约0.01的杂合度。当个体的数量与标记数量接近或多于标记数量时，即低密度标记，可以使用参数”shrink”。Shrinkage intensity接近于使均方误差最小。3. kin.blup---Genotypic value prediction based on kinshipkin.blup(data,geno,pheno,GAUSS=FALSE,K=NULL,fixed=NULL,covariate=NULL,PEV=FALSE,n.core=1,theta.seq=NULL,reduce=FALSE)data---Data frame(数据框) with columns for the phenotype（表型值）, the genotype identifier（基因型id）, and any environmental variables（环境变量）.geno---Character string（字符串） for the name of the column in the data frame that contains the genotype identifier.---基因型id的列名pheno---Character string for the name of the column in the data frame that contains the phenotype.GA