# asreml 设定初始值 固定初始值

### 2. 单性状设定初始值和固定初始值

```> library(asreml)
> data(harvey)
> head(harvey)
Calf   Sire Dam Line ageOfDam  y1  y2  y3
1  101 Sire_1   0    1        3 192 390 224
2  102 Sire_1   0    1        3 154 403 265
3  103 Sire_1   0    1        4 185 432 241
4  104 Sire_1   0    1        4 183 457 225
5  105 Sire_1   0    1        5 186 483 258
6  106 Sire_1   0    1        5 177 469 267```

#### 2.1 运行单性状动物模型

```# 计算A逆矩阵
ainv <- asreml.Ainverse(harvey[,1:3])\$ginv
head(ainv)
# 1. 单性状模型
mod1 <- asreml(y1 ~ Line,random =~ ped(Calf),ginverse = list(Calf=ainv),data=harvey)
summary(mod1)\$varcomp```

```> summary(mod1)\$varcomp
gamma component std.error   z.ratio constraint
ped(Calf)!ped 2.144929 108.83588 106.37372 1.0231463   Positive
R!variance    1.000000  50.74101  86.63851 0.5856635   Positive```

#### 2.2 单性状动物模型设定初始值

```# 1.1. 单性状设定初始值
mod <- asreml(y1 ~ Line,random =~ ped(Calf),
ginverse = list(Calf=ainv),
start.values = T,
data=harvey)
vc = mod\$gammas.table
vc
vc\$Value = c(100,50)
vc
mod1.1 <- asreml(y1 ~ Line,random =~ ped(Calf),
ginverse = list(Calf=ainv),
G.param = vc,R.param = vc,
data=harvey)
summary(mod1.1)\$varcomp```

```> summary(mod1.1)\$varcomp
gamma component std.error   z.ratio constraint
ped(Calf)!ped 108.83606 108.83606 106.37146 1.0231697   Positive
R!variance      1.00000   1.00000        NA        NA      Fixed
R!units.var    50.74109  50.74109  86.63707 0.5856742   Positive```

#### 2.3 单性状动物模型固定初始值

```# 1.2. 单性状固定方差组分
mod <- asreml(y1 ~ Line,random =~ ped(Calf),
ginverse = list(Calf=ainv),
start.values = T,
data=harvey)
vc = mod\$gammas.table
vc
vc\$Value = c(100,50)
vc\$Constraint = rep("F",2)
vc
mod1.2 <- asreml(y1 ~ Line,random =~ ped(Calf),
ginverse = list(Calf=ainv),
G.param = vc,R.param = vc,
data=harvey)
summary(mod1.2)\$varcomp```

```> summary(mod1.2)\$varcomp
gamma component std.error z.ratio constraint
ped(Calf)!ped   100       100        NA      NA      Fixed
R!variance       50        50        NA      NA      Fixed```

### 3. 多性状固定方差组分

#### 3.1 运行多性状模型

```# 2. 多性状模型
mod2 <- asreml(cbind(y1,y3) ~ trait + trait:Line,
random =~ us(trait):ped(Calf),
rcov = ~ (units):us(trait),
ginverse = list(Calf=ainv),data=harvey)
summary(mod2)\$varcomp```
```> summary(mod2)\$varcomp
gamma component std.error    z.ratio constraint
trait:ped(Calf)!trait.y1:y1 108.83746 108.83746 106.37437  1.0231549   Positive
trait:ped(Calf)!trait.y3:y1 -51.25056 -51.25056 166.86351 -0.3071406   Positive
trait:ped(Calf)!trait.y3:y3 499.55701 499.55701 500.53419  0.9980477   Positive
R!variance                    1.00000   1.00000        NA         NA      Fixed
R!trait.y1:y1                50.73993  50.73993  86.63929  0.5856457   Positive
R!trait.y3:y1               -21.53905 -21.53905 136.25598 -0.1580778   Positive
R!trait.y3:y3               273.13654 273.13654 410.03528  0.6661294   Positive```

#### 3.2 多性状模型固定方差组分

```# 2.2 固定初始值
Va = c(108,-51,499)
Ve = c(50,-21,273)
mod2.2 <- asreml(cbind(y1,y3) ~ trait + trait:Line,
random =~ us(trait,init=Va):ped(Calf),
rcov = ~ units:us(trait,init=Ve),
start.values = TRUE,
ginverse = list(Calf=ainv),data=harvey)
vc = mod2.2\$gammas.table
vc
vc\$Value = c(Va,1,Ve)
vc\$Constraint = c(rep("F",7))
vc
mod2.3 <- asreml(cbind(y1,y3) ~ trait + trait:Line,
random =~ us(trait,init=Va):ped(Calf),
rcov = ~ units:us(trait,init=Ve),
G.param = vc,R.param = vc,
ginverse = list(Calf=ainv),data=harvey)
summary(mod2.3)\$varcomp```

```> summary(mod2.3)\$varcomp
gamma component std.error z.ratio constraint
trait:ped(Calf)!trait.y1:y1   108       108        NA      NA      Fixed
trait:ped(Calf)!trait.y3:y1   -51       -51        NA      NA      Fixed
trait:ped(Calf)!trait.y3:y3   499       499        NA      NA      Fixed
R!variance                      1         1        NA      NA      Fixed
R!trait.y1:y1                  50        50        NA      NA      Fixed
R!trait.y3:y1                 -21       -21        NA      NA      Fixed
R!trait.y3:y3                 273       273        NA      NA      Fixed```

### 4. 结论

• 1，固定方差组分和设置方差组分方法类似， 不同的是`constraint``Fixed`
• 2，设定方差组分时，先要运行`start.values=T`，这样就可以生产一个表格，进行修改value和contraint即可
• 3，单性状和多性状设定方法类似

0 条评论

• ### GBS hapmap 格式 转化为Plink格式方法

进行重测序或者GBS时，hapmap 是比较常见的格式，生信中经常使用这种格式。但是在GWAS和GS中，数据筛选，质控，构建矩阵都是使用的plink的格式。本文...

• ### 如何检测遗传相关的显著性：LRT检验操作方法

3. 软件实现遗传相关计算 3.1 数据格式 前三列是系谱，有3个性状： y1, y2, y3 , 想要计算y1和y3的遗传相关，并用LRT检验显著性

• ### 表型相关系数与标准误

我回答：“R中默认的函数有cor计算相关系数，标准误的话估计要用重抽样去操作？，但是很少有人会计算标准误这个数值。”

• ### R语言之可视化⑤R图形系统目录

提供了一个绘图系统，旨在改进R基本图形。 安装软件包后，使用R命令install.packages（“lattice”）。格子包中的主要功能：

• ### C++核心准则编译边学-F.18 使用X&&传递“将会发生数据移动”的参数并实施数据移动

It's efficient and eliminates bugs at the call site: X&& binds to rvalues, which...

• ### 地厚云图谢远玉:“新基建”之上的工程产业互联网实践｜腾讯SaaS加速器·CEO说

? 来源 ：GoCity城市创新研究日志 ---- ? “新基建”之上的工程产业互联网实践 地厚云图根植于“地厚中国”在工程建设领域十几年不断的管理实践、创...

• ### XEN、VMware ESXi、Hyper-V以及KVM架构解析

XEN 有简化虚拟模式，不需要设备驱动，能够保证每个虚拟用户系统相互独立，依赖于 service domains 来完成一些功能； Vmware ESXI 与 ...

• ### 医学生物信息学文献第7期-与侵袭性甲状腺癌进展相关的基因组和转录组特征综合分析

甲状腺癌是最常见的甲状腺恶性肿瘤，约占全身恶性肿瘤的1%,包括乳头状癌、滤泡状癌、未分化癌和髓样癌四种病理类型。未分化甲状腺癌是来源于甲状腺滤泡上皮的未分化肿瘤...