博文
表型相关与遗传相关及其显著性检验（数据及代码分享）
||
2018-10-09 修改备注:
1, 将代码修改, AAfun包不太好装, 使用VSNR包
2, VSNR包中有model.comp和asreml.lrt两个函数, 可以进行模型的比较和LRT检验
3, 代码correlation.R
附件重新上传.
4, 贴上了我的最新的微信公众号
表型相关与遗传相关及其显著性检验
数据及代码下载：
df.Rdata（注意数据下载后放在D盘根目录下才可运行该程序。）
# 导入数据 |
结果：
> load("d:/df.Rdata") > head(df) TreeID Spacing Rep Fam Plot dj dm wd h1 h2 h3 h4 h5 1 80001 3 1 70048 1 0.334 0.405 0.358 29 130 239 420 630 2 80002 3 1 70048 2 0.348 0.393 0.365 24 107 242 410 600 3 80004 3 1 70048 4 0.354 0.429 0.379 19 82 180 300 500 4 80005 3 1 70017 1 0.335 0.408 0.363 46 168 301 510 700 5 80008 3 1 70017 4 0.322 0.372 0.332 33 135 271 470 670 6 80026 3 1 70002 2 0.359 0.450 0.392 30 132 258 390 570 > str(df) 'data.frame':827 obs. of 13 variables: $ TreeID : Factor w/ 827 levels "80001","80002",..: 1 2 3 4 5 6 7 8 9 10 ... $ Spacing: Factor w/ 2 levels "2","3": 2 2 2 2 2 2 2 2 2 2 ... $ Rep : Factor w/ 5 levels "1","2","3","4",..: 1 1 1 1 1 1 1 1 1 1 ... $ Fam : Factor w/ 55 levels "70001","70002",..: 44 44 44 15 15 2 2 10 10 10 ... $ Plot : Factor w/ 4 levels "1","2","3","4": 1 2 4 1 4 2 4 1 2 3 ... $ dj : num 0.334 0.348 0.354 0.335 0.322 0.359 0.368 0.358 0.323 0.298 ... $ dm : num 0.405 0.393 0.429 0.408 0.372 0.45 0.509 0.381 0.393 0.361 ... $ wd : num 0.358 0.365 0.379 0.363 0.332 0.392 0.388 0.369 0.347 0.324 ... $ h1 : int 29 24 19 46 33 30 37 32 34 28 ... $ h2 : int 130 107 82 168 135 132 124 126 153 127 ... $ h3 : int 239 242 180 301 271 258 238 290 251 243 ... $ h4 : int 420 410 300 510 470 390 380 460 430 410 ... $ h5 : int 630 600 500 700 670 570 530 660 600 630 ... > library(asreml) > library(AAfun) > fm.2 <- asreml(cbind(dj,h5) ~ trait + trait:Rep, + random=~ us(trait):Fam, + rcov=~ units:us(trait), + subset=Spacing=="3", + data=df, + maxit=100) ASReml: Sun Jul 31 16:04:07 2016 US matrix updates modified 2 times to remain positive definite. LogLik S2 DF wall cpu -5159.9423 1.0000 1105 16:04:07 0.0 (6 restrained) -3826.6081 1.0000 1105 16:04:07 0.0 (6 restrained) US matrix updates modified 1 times to remain positive definite. -6789.9048 1.0000 1105 16:04:07 0.0 (6 restrained) US matrix updates modified 1 times to remain positive definite. -2842.6010 1.0000 1105 16:04:07 0.0 (6 restrained) US matrix updates modified 1 times to remain positive definite. -2285.0717 1.0000 1105 16:04:07 0.0 (1 restrained) US matrix updates modified 1 times to remain positive definite. -1740.3287 1.0000 1105 16:04:07 0.0 (6 restrained) -1288.1124 1.0000 1105 16:04:07 0.0 (1 restrained) Logliklihood decreased to -1463.44 - trying again with reduced updates -1269.4379 1.0000 1105 16:04:07 0.0 (3 restrained) Notice: NonPosDef US matrix modified -1193.0692 1.0000 1105 16:04:07 0.0 (3 restrained) Notice: NonPosDef US matrix modified -1085.8035 1.0000 1105 16:04:07 0.0 (3 restrained) -1006.3407 1.0000 1105 16:04:07 0.0 (1 restrained) -1002.5588 1.0000 1105 16:04:07 0.0 (2 restrained) Notice: NonPosDef US matrix modified -985.8516 1.0000 1105 16:04:07 0.0 (1 restrained) -984.2175 1.0000 1105 16:04:07 0.0 (3 restrained) Notice: NonPosDef US matrix modified -968.4023 1.0000 1105 16:04:07 0.0 (1 restrained) -967.1408 1.0000 1105 16:04:07 0.0 (3 restrained) Notice: NonPosDef US matrix modified -951.9053 1.0000 1105 16:04:07 0.0 (1 restrained) -950.5182 1.0000 1105 16:04:07 0.0 (2 restrained) -885.9153 1.0000 1105 16:04:07 0.0 (1 restrained) Notice: NonPosDef US matrix modified -875.3218 1.0000 1105 16:04:07 0.0 (1 restrained) Notice: NonPosDef US matrix modified -868.8819 1.0000 1105 16:04:07 0.0 -868.1653 1.0000 1105 16:04:07 0.0 -867.0717 1.0000 1105 16:04:07 0.0 -867.0247 1.0000 1105 16:04:07 0.0 -867.0246 1.0000 1105 16:04:07 0.0 -867.0246 1.0000 1105 16:04:07 0.0 US variance structures were modified in 6 instances to make them positive definite Finished on: Sun Jul 31 16:04:07 2016 LogLikelihood Converged > summary(fm.2)$varcomp gamma component std.error z.ratio constraint trait:Fam!trait.dj:dj 6.39e-05 6.39e-05 2.21e-05 2.89 Positive trait:Fam!trait.h5:dj 7.55e-02 7.55e-02 4.65e-02 1.62 Positive trait:Fam!trait.h5:h5 4.56e+02 4.56e+02 1.90e+02 2.40 Positive R!variance 1.00e+00 1.00e+00 NA NA Fixed R!trait.dj:dj 4.98e-04 4.98e-04 3.14e-05 15.84 Positive R!trait.h5:dj -2.13e-01 -2.13e-01 7.36e-02 -2.89 Positive R!trait.h5:h5 5.33e+03 5.33e+03 3.36e+02 15.83 Positive > ####表型相关############## > pin(fm.2,pCORR ~ (V2+V6)/sqrt((V1+V5)*(V3+V7)),signif=T) Estimate SE sig.level pCORR -0.0763 0.0449 * --------------- Sig.level: 0'***' 0.001 '**' 0.01 '*' 0.05 'Not signif' 1 > ############环境相关############### > pin(fm.2,eCORR ~ V6/sqrt(V5*V7),signif = T) Estimate SE sig.level eCORR -0.131 0.0441 ** --------------- Sig.level: 0'***' 0.001 '**' 0.01 '*' 0.05 'Not signif' 1 > ##############基因型相关############# > pin(fm.2,gCORR ~ V2/sqrt(V1*V3),signif = T) Estimate SE sig.level gCORR 0.442 0.257 * --------------- Sig.level: 0'***' 0.001 '**' 0.01 '*' 0.05 'Not signif' 1 |
数据及模型介绍
两个性状x和y在同一环境或者同一性状在不同年份地点会表现出不同程度的表型、遗传和环境相关，这种相关分为早晚相关和性状相关。
要计算相关先要计算出相关的方差、协方差组分，现用ASReml为例讲解如何得到相关结果。
数据来源见参考文献，截图如下：
01
模型如下：
02
模型解释：
要分析的性状为dj和h5，Rep为固定因子，Fam为随机因子，trait代表两性状的联合，选择Spacing为3的数据进行数据分析，数据集为df，最大迭代次数为100。
方差和协方差结果：
03
trait1的基因型方差分量：VGtrait1，这里为6.38e-05（V1）
trait1和trait2的基因型协方差分量：COVGtrait1.trait2，这里为7.55e-02（V2）
trait2的基因型方差分量：VGtrait2，这里为4.56e+02（V3）
trait1的误差方差分量：VRtrait1，这里为4.98e-04（V5）
trait2的误差方差分量：VRtrait2，这里为-2.13e-01（V6）
trait1和trait2的误差协方差分量：COVRtrait1.trait2，这里为5.33e+03（V7）
是指用两个性状表型值求得的相关系数rp成为表型相关系数，它反映的是性状表现型之间的关系。
04
转化为：
05
表型相关以及显著性测验：
06
环境相关是指两性状在同一环境下所体现的相关。
计算方法：
07
08
是指同一遗传材料的两个性状间由于遗传原因所体现的相关，也即这个性状基因型值间的相关。广义的遗传相关(rg),用两性状的基因型协方差(covgxy)与各该性状的基因型标准差(σgx与σgy)乘积之比度量。由于基因型值又可分解为加性的和非加性的两个部分，两性状加性效应值间的加性遗传相关称为狭义遗传相关。植物育种中常用广义遗传相关，动物育种中则常用狭义遗传相关。
遗传相关以及显著性结果：
09
10
遗传相关是表型相关(γp)的一个组成部分，若相关的两个性状均具有较高的遗传力，则表型相关系数(γp)主要由遗传相关系数(γg)所决定。反之，若两性状的遗传力均甚低，则γp主要由环境相关系数(γe)所决定。由于遗传相关已经剔除了环境影响，故能比表型相关更确切地反映两个性状间的相关程度。
育种工作中可应用遗传相关确定与育种目标性状有联系的某些性状的相对重要性。倘若某性状的遗传与育种目标性状的遗传高度相关，就可利用它对育种目标性状进行相关选择（或称间接选择）。这种方法特别适用于育种目标性状难以准确测量或遗传力甚低的情况，因为在这种情况下可通过对遗传力高且与育种目标性状高度相关的性状的选择，有效地改进育种目标性状。例如，林木的早期选择或林木性状的早期预测必须了解成熟性状与幼龄材性状之间的遗传相关，对目标性状进行间接选择必须了解目标性状与选择性状之间的遗传相关。
注意：在做双性状分析前，一般先对各性状进行独自的单性状分析，获得各自的最佳模型，并得到各性状的加性遗传方差和误差方差，这对于后续双性状分析的模型很有意义，因为可以用来构建R矩阵和G结构矩阵的初始值设置。
参考文献：
林元震. R与ASReml-R统计分析教程[M]. 中国林业出版社, 2014. 212~215页
王富德, 张世苹. 表型相关系数和遗传相关系数的计算和应用[J]. 辽宁农业科学, 1982(1).
对农业数据感兴趣可以关注这个公众号：
https://wap.sciencenet.cn/blog-2577109-993718.html
上一篇：R语言汇总统计，包括分组数据的汇总，结果友好（代码分享）
下一篇：无人机大批量采集玉米表型数据（文献解析）
