R package:blupADC-功能8
目录
简述
👻在前面的章节，我们已经讲述了如何在R中调用DMU软件并完成相应的分析。本章，我们将讲述如何通过BLUP_ADC中的run_BLUPF90函数，在R中调用BLUPF90软件并完成数据分析。为了方便用户的使用，我们已经尽可能地将 run_BLUPF90函数中的参数 和 run_DMU函数中的参数进行了统一。
👉 Note: 为了方便用户使用， blupADC 已经封装了BLUPF90中的几个基本模块(renumf90, remlf90, airemlf90, 和 blupf90), 更多的模块可以从BLUPF90官网进行下载(BLUPF90下载网站).
如果您想将BLUPF90用作商业用途，请务必联系 BLUPF90的作者！！！
👉 Note: Package blupADC 现支持使用面向对象的方向运行BLUPF90以进一步简化分析, 具体操作 可见!
接下来，我们还是用几个简单的例子看看该函数的用法:
示例
单性状模型-系谱
library(blupADC)
data_path=system.file("extdata", package = "blupSUP") # 示例文件的路径
run_BLUPF90(
phe_col_names=c("Id","Mean","Sex","Herd_Year_Season","Litter","Trait1","Trait2","Age"), # 表型数据的列名(ps.表型文件无列名)
target_trait_name=list(c("Trait1")), #性状名称
fixed_effect_name=list(c("Sex","Herd_Year_Season")), #固定效应名称
random_effect_name=list(c("Id","Litter")), #随机效应名称
covariate_effect_name=NULL, #协变量效应名称
genetic_effect_name="Id", #遗传效应名称
phe_path=data_path, #表型文件路径
phe_name="phenotype.txt", #表型文件名
analysis_model="PBLUP_A", #遗传评估模型
relationship_path=data_path, #亲缘关系文件路径
relationship_name="pedigree.txt", #亲缘关系文件名
output_result_path=getwd() #结果输出路径
)
单性状模型-GBLUP
library(blupADC)
data_path=system.file("extdata", package = "blupSUP") # 示例文件的路径
run_BLUPF90(
phe_col_names=c("Id","Mean","Sex","Herd_Year_Season","Litter","Trait1","Trait2","Age"), # 表型数据的列名(ps.表型文件无列名)
target_trait_name=list(c("Trait1")), #性状名称
fixed_effect_name=list(c("Sex","Herd_Year_Season")), #固定效应名称
random_effect_name=list(c("Id","Litter")), #随机效应名称
covariate_effect_name=NULL, #协变量效应名称
genetic_effect_name="Id", #遗传效应名称
phe_path=data_path, #表型文件路径
phe_name="phenotype.txt", #表型文件名
analysis_model="GBLUP_A", #遗传评估模型
relationship_path=data_path, #亲缘关系文件路径
relationship_name="blupf90_genumeric", #亲缘关系文件名
output_result_path=getwd() #结果输出路径
)
单性状模型-Single-step(一步法)
library(blupADC)
data_path=system.file("extdata", package = "blupSUP") # 示例文件的路径
run_BLUPF90(
phe_col_names=c("Id","Mean","Sex","Herd_Year_Season","Litter","Trait1","Trait2","Age"), # 表型数据的列名(ps.表型文件无列名)
target_trait_name=list(c("Trait1")), #性状名称
fixed_effect_name=list(c("Sex","Herd_Year_Season")), #固定效应名称
random_effect_name=list(c("Id","Litter")), #随机效应名称
covariate_effect_name=NULL, #协变量效应名称
genetic_effect_name="Id", #遗传效应名称
phe_path=data_path, #表型文件路径
phe_name="phenotype.txt", #表型文件名
analysis_model="SSBLUP_A", #遗传评估模型
relationship_path=data_path, #亲缘关系文件路径
relationship_name=c("pedigree.txt","blupf90_genumeric"), #亲缘关系文件名
output_result_path=getwd() #结果输出路径
)
同样的，与DMU使用类似，我们仅需改变 analysis_model 及 relationship_name 这两个参数即可完成 系谱、GBLUP及SSBLUP的分析(PS: blupf90_genumeric 文件 均可通过 genotype_data_format_conversion函数得到 了解更多)。
多性状模型-系谱
上面我们介绍的都是单性状模型(只包括了一个目标性状)。与上一节的介绍的run_DMU函数类似，如果我们想完成双性状模型的计算，只需要在上面的脚本的基础上稍作修改就能实现目的，具体代码如下：
library(blupADC)
data_path=system.file("extdata", package = "blupSUP") # 示例文件的路径
run_BLUPF90(
phe_col_names=c("Id","Mean","Sex","Herd_Year_Season","Litter","Trait1","Trait2","Age"), # 表型数据的列名(ps.表型文件无列名)
target_trait_name=list(c("Trait1"),c("Trait2")), #性状名称
fixed_effect_name=list(c("Sex","Herd_Year_Season"),c("Herd_Year_Season")), #固定效应名称
random_effect_name=list(c("Id","Litter"),c("Id")), #随机效应名称
covariate_effect_name=list(NULL,"Age"), #协变量效应名称
genetic_effect_name="Id", #遗传效应名称
phe_path=data_path, #表型文件路径
phe_name="phenotype.txt", #表型文件名
analysis_model="PBLUP_A", #遗传评估模型
relationship_path=data_path, #亲缘关系文件路径
relationship_name="pedigree.txt", #亲缘关系文件名
output_result_path=getwd() #结果输出路径
)
参数详解
接下来，我们将对run_BLUPF90 中特有的参数进行讲解，剩余的参数大家可移步DMU软件的交互使用进行查看，相同参数的用法和含义均是一模一样的。
💫特有参数
参数1：blupf90_algorithm
BLPUF90进行方差组分估计时选用的算法，
character类型。可选算法包括："AI_REML""EM_REML""BLUP": 无需估计方差组分，根据提供的先验直接求解混合线性模型方程组。
默认算法为：“AI_REML”
- 参数2：provided_blupf90_prior_file_path
用户提供的BLUPF90格式的方差组分-PRIOR文件的路径，character类型。
Note:需要注意的一点是，BLUPF90格式的PRIOR文件和DMU格式的PRIOR文件是不相同的。关于二者的差异，以后有时间会再出一篇文章进行讲解，这里就不再赘述了。
- 参数3：provided_blupf90_prior_file_name
用户提供的BLUPF90格式的方差组分-PRIOR文件的名称，character类型。
- 参数4：provided_blupf90_prior_effect_name
用户提供的PRIOR文件中，与方差组分对应的各个随机效应名称，character类型。
- 参数5：BLUPf90_software_path
BLUPF90软件在本地的路径，character类型。
