P-rep designs 文献解析及实现方法

摘要

这篇论文介绍了在多环境测试（MET）中效率较高的试验设计方案：部分重复设计（p-rep design），如果需要有一定的对照重复，可以使用增广p-rep试验（augmented p-pre）。

方法介绍

增广alpha-lattice 在玉米、小麦和水稻早代测试中，增广设计使用比较普遍，它可以操作品种无重复而对照有重复的方案，在种子量有限的情况下，有限考虑多个地点而不是一个地点的多个重复，对照有重复可以估算区组的效应，进而矫正和比较品种之间的优劣。

增广P-rep Cullis（J AgriBiol, 2006）提出使用一些品种（entries）的重复代替对照（check）的重复，这些部分重复的品种作为格子型（grid-plot）分布估算误差，这就构成了部分重复试验设计（P-reo design），Williams（Biom，2011）将增广P-rep予以应用。

增广alpha-lattice VS 增广P-rep 在多环境测试中（MET），两种试验的试验效率进行比较，结果表明P-rep试验设计效率更高，分析时更适合做随机因子预测BLUP值，对于品种有亲缘关系时优势更加明显。

增广alpha-lattice或间比法的缺点 十分依赖于对照，因为区组的误差和品种的校正值都依赖于对照的表型，如果对照表现变化比较大，就会影响品种的矫正结果。而且品种的排列过多会占用大量的资源，我们感兴趣的是对品种的评价。

试验设计方案

设计软件： Cycdesign

增广试验方案

增广试验中，每12个plot为一个block，里面含有10 品种+2对照。试验设计方案里面，白色的是测试品种，褐色的为对照。

P-rep试验方案

这里面没有对照，白色的为无重复品种，浅褐色的为重复一次的品种，深褐色的为重复两次的品种。

分析方法

分析模型

L为地点，R为重复，B为区组，G为品种，因为区组镶嵌在重复中，重复镶嵌在地点中，所以模型写作为：L + L.R + L.R.B + G + G.L。 分析模型采用reml的混合线性方法，L + L.R + L.R.B作为固定因子，G和G.L作为随机因子。

模型按照空间分析的模型分为四种：

• 无结构
• AR1
• AR1 + nugget
• LV + nugget 模型的评价AIC指标：

讨论和建议

• 如果使用不完全区组设计，每一列尽量包含整数倍的区组
• 空间分析中，AR1 X AR1（二维的）要好于AR1（一维的）
• nugget效应加到空间分析中，会提高模型的效果

文中其它有趣的讨论

• 环境是作为固定因子，还是随机因子
• 为什么要使用不完全区组设计
• 重复数如何设置
• 空间分析注意事项