目录
R包sommer
内置了C++,运算速度还是比较快的,功能也很丰富,可求解各种复杂模型。语法相比于lme4
包也要好懂一些。
建议查看文档:vignette("v1.sommer.quick.start")
混合线性模型关键在于协方差结构的建立,有以下几类:
调用模型并不难,难的是在理解的基础上如何随心所欲地应用。
预处理
library(sommer)
data(DT_wheat)
DT <- DT_wheat
GT <- GT_wheat
dim(GT)
GT[1:10,1:10]
colnames(DT) <- paste0("X",1:ncol(DT))
DT <- as.data.frame(DT)
DT$id <- as.factor(rownames(DT))
rownames(GT) <- rownames(DT)
which(is.na(GT))
which(is.na(DT))
set.seed(12345)
y.trn <- DT
#制造1/5的缺失值,作为验证集
vv <- sample(rownames(DT),round(nrow(DT)/5))
y.trn[vv,"X1"] <- NA
y.trn[1:5,1:5]
GBLUP
#######-----------GBLUP--------------------------------------
K <- A.mat(GT) # additive relationship matrix
K[1:5,1:5]
colnames(K) <- rownames(K) <- rownames(DT)
#test first trait X1
system.time(
ans <- mmer(X1~1,
random=~vs(id,Gu=K),
rcov=~units,
data=y.trn,verbose = FALSE) # kinship based
)
ans$U$u:id
$X1 <- as.data.frame(ans$U$u:id
$X1)
rownames(ans$U$u:id
$X1) <- gsub("id","",rownames(ans$U$u:id
$X1))
cor(ans$U$u:id
$X1[vv,],DT[vv,"X1"], use="complete")
RRBLUP
#######-----------rrBLUP--------------------------------------
system.time(
ans2 <- mmer(X1~1,
random=~vs(list(GT)),
rcov=~units,
data=y.trn,verbose = FALSE) # kinship based
)
u <- GT %*% as.matrix(ans2$U$u:GT
$X1) # BLUPs for individuals
rownames(u) <- rownames(GT)
cor(u[vv,],DT[vv,"X1"]) # same correlation
两者结果相差不大(如果去掉随机种子,循环运行的结果相差还是很大的),运算时间相差比较大。
Ref: 协方差矩阵,协方差结构
手机扫一扫
移动阅读更方便
你可能感兴趣的文章