MerQuR+Başvuru Kitabı

80. Klon ve Çok Lokasyonlu Döl Denemeleri

Şablon kimliği: klon_lokasyon_genetik · Kategori: genetik · Dil: R · Dosya: pro/sablonlar/genetik/klon_lokasyon_genetik.R (satır 1–476; üstbilgi 1–109) · Örnek veri: _ornek/klon_lokasyon_genetik_bambu.csv (öteki kipler için …_klon.csv, …_sorgum.csv, …_yas.csv) · Paketler: lme4

80.1 Ne işe yarar

Şablon, orman ağacı ve klonla çoğaltılan bitki ıslahında üç ayrı soruyu cevaplar; formdaki Çözümleme alanı hangisinin çalışacağını seçer.

Çözümleme Soru Temel çıktı
Klon denemesi Klonlar arası fark fenotipik varyansın ne kadarı? Klon ortalamasına göre seçim ne kadar güvenilir? Geniş anlamda bireysel H^2, klon ortalaması H^2, tekrarlanma derecesi R
Çok lokasyonlu deneme Aileler (klonlar) lokasyonlarda aynı sırayı koruyor mu? Lokasyonlar arası h^2, tip B genetik korelasyon r_B, lokasyon çiftleri için r_B matrisi
Yaş–yaş / özellik–özellik Genç yaştaki ölçüm olgun yaştaki değeri ne kadar öngörüyor? Genetik korelasyon r_A, Lambeth ilişkisi, erken seleksiyon etkinliği

Üç çözümleme de aynı araçları kullanır: REML ile varyans bileşenleri, bileşenlerin oranları ve delta yöntemiyle standart hataları. Bu araçların kuramı Bölüm 79.4.1 ve 79.4.3'te anlatılmıştır; bu bölüm yalnız şablona özgü modelleri ve tanımları verir.

Ne zaman kullanılır? Klon testleri, çok lokasyonlu döl ya da çeşit denemeleri, aynı ağaçların birkaç yaşta ölçüldüğü denemeler.

Ne zaman kullanılmaz?

  • Tek lokasyonlu yarım kardeş / çaprazlı döl denemesi ya da soy kütüklü veri: kalitim_derecesi (Bölüm 79).
  • Populasyon (orijin) içinde aile yapısı: orijin_dol_denemesi (Bölüm 83).
  • Lokasyonlar arasında farklı genetik varyans ve farklı korelasyonlar tek modelde: fa_karma_model (faktör analitik kovaryans yapısı). Bu şablonun r_B'si tek bir ortalama korelasyon varsayar.
  • Kazanç ve seleksiyon indeksi: seleksiyon_kazanci (Bölüm 89).

Temel programla ilişki. Temel programın karma model analizi aynı varyans bileşenlerini verebilir; kalıtım derecelerini, tip B korelasyonu, genetik korelasyonu ve standart hatalarını hesaplamaz.

80.2 Şablonun girdileri

Form, üstbilgideki on beş [[param]] bloğundan kurulur (klon_lokasyon_genetik.R:10–108).

Alan (form etiketi) · ad Tür · sekme Varsayılan Geçerli değerler Kodda etkisi
Çözümleme · model seçim · Model cok_lokasyon klon, cok_lokasyon, yas_yas Üç koldan birini seçer (114, 203, 258, 365).
Özellik · y sayısal sütun · Değişkenler ilk sayısal sütun sayısal sütun Klon ve çok lokasyon kollarında yanıt (197–200).
Klon / aile · genotip kategorik sütun · Değişkenler ilk sütun (zorunlu) herhangi bir sütun Genotip rastgele etkisi (201).
Blok · blok kategorik sütun · Değişkenler boş herhangi bir sütun Çok lokasyonda lokasyon içinde yuvalanır (276).
Lokasyon / çevre · lokasyon kategorik sütun · Değişkenler boş herhangi bir sütun Çok lokasyon kolunda sabit etki (261, 280).
Birey / ramet kimliği · birey kategorik sütun · Değişkenler boş herhangi bir sütun Klon kolunda yinelenen ölçümler için ramet terimi (218–225).
Yaş ya da özellik sütunları · ozellikler sütunlar · Değişkenler boş en az 2 sayısal sütun Yaş–yaş kolunun yanıtları (367–370).
Sütunların yaşları · yaslar metin · Model boş 3; 6; 10; 20 Boşsa sütun adının sonundaki sayı yaş sayılır (382–396).
Yaşlar sütun adından okunmasın · yas_adindan_okunmasin onay · Model kapalı açık Açıkken yaslar boşsa sütun adlarındaki sayılara bakılmaz; yaşlar tanımsız kalır ve çözümleme özellik–özellik olarak sürer (389–390). yaslar doluysa etkisizdir.
Genotip birimi · akrabalik seçim · Model yarim_kardes klon (k=1), yarim_kardes (k=4), tam_kardes (k=2) Bireysel kalıtım derecesinin payındaki çarpan (117).
Blok etkisi · blok_etkisi seçim · Model sabit sabit, rastgele Blok sabit ya da rastgele (122, 230–231, 280–281).
İkili rB matrisi · ikili_rb onay · Seçenekler açık açık / kapalı Lokasyon içi h^2 ve lokasyon çiftleri (319).
Kuşak aralığına eklenen süre · ek_sure ondalık · Seçenekler 0 0–100 Erken seleksiyon etkinliğinde T = yaş + ek süre (447, 452).
Anlamlılık düzeyi · alfa ondalık · Seçenekler 0,05 0,001–0,5 Wald güven aralıklarının düzeyi (120–121).
REML en iyileyicisi · optimizer seçim · Gelişmiş varsayilan varsayilan, bobyqa, Nelder_Mead lmerControl ayarı (123–129).

Örnek ayar (ornek_param, satır 9): model = cok_lokasyon, y = boy, genotip = aile, lokasyon = lokasyon, blok = blok, akrabalik = yarim_kardes.

Şablonun kendi denetimleri.

Kol Koşul İleti (özet) Satır
hepsi Veri yok; geçersiz çözümleme ya da en iyileyici; genotip seçilmemiş "Önce … veri açın." / "Geçersiz …" / "Klon / aile sütunu seçilmeli." 106, 108, 122, 194
klon, çok lokasyon Yanıt seçilmemiş ya da sayısal değil "özellik (yanıt) sütunu seçilmeli" / "sayısal olmalı" 191–192
klon Aynı sütun iki rolde; 4'ten az gözlem; 2'den az genotip; yanıt sabit "birbirinden farklı olmalı" / "en az 4 gözlem" / … 202, 207–209
klon Her genotipten tek gözlem "genotip varyansı artık varyanstan ayrılamaz" 221–222
çok lokasyon Lokasyon seçilmemiş; aynı sütun iki rolde "lokasyon sütunu seçilmeli" / "farklı olmalı" 254, 257
çok lokasyon 6'dan az gözlem; 2'den az lokasyon; 2'den az genotip; yanıt sabit "En az 2 lokasyon gerekli … (klon denemesi modelini kullanın)" 262–265
yaş–yaş 2'den az sütun; sayısal olmayan sütun "en az 2 yaş / özellik sütunu" / "sayısal olmalı" 362–363
yaş–yaş 6'dan az eksiksiz gözlem; 2'den az genotip ya da genotip başına tek gözlem; sabit sütun … 370–373
yaş–yaş Yaş sayısı sütun sayısına eşit değil ya da pozitif değil "… pozitif sayı girilmeli" 380–381
hepsi lme4 hata verdi "Model kestirilemedi: …" 145

Notlar ve uyarılar (durdurmaz): her bireyde tek kayıt varsa ramet terimi çıkarılır (221–223); her aile × lokasyon hücresinde tek gözlem ve blok yoksa etkileşimin artıkla karıştığı bildirilir (283–285); bir bileşen sınırdaysa uyarı (195, 252, 309, 445); lokasyon içi fenotipik varyansların oranı 2'yi aşarsa r_B uyarısı (316–318); bir lokasyon çiftinde aile varyansı sınırdaysa ya da ortak genotip 2'den azsa not (352–355); yaşlar yinelenmişse Lambeth karşılaştırması atlanır (397); |r_A|>1 uyarısı (444).

Eksik değer: klon ve çok lokasyon kollarında seçilen sütunlarda eksiği olan satır atılır (211, 266). Yaş–yaş kolunda bütün özellik sütunları eksiksiz olan satırlar kullanılır (374); atılan satır sayısı konsola yazılır.

80.3 Örnek veri

Dosya Kol Yapı Kaynak
…_bambu.csv çok lokasyon 2 lokasyon × 3 blok × 6 yarım kardeş ailesi × 6 ağaç = 216 satır; boy Jayaraman (1999), Tablo 6.3
…_sorgum.csv çok lokasyon 18 çeşit × 6 çevre × 4 tekrar = 432 parsel; verim Omer ve ark. (2015)
…_klon.csv klon 30 klon × 4 blok × 3 ramet × 2 ölçüm = 720 satır; yogunluk yapay, dengeli
…_yas.csv yaş–yaş 40 aile × 4 blok × 5 ağaç = 800 satır; boy_3, boy_6, boy_10, boy_20 yapay, dengeli

Örnek ayarın verisi (bambu):

Değişken Rol Tür (veri sekmesi) Özet
lokasyon Lokasyon ikili Vellanikkara, Nailambur; her biri 108 ağaç.
blok Blok kategorik (3 düzey) B1–B3; aynı adlar iki lokasyonda yinelenir.
aile Klon / aile kategorik (6 düzey) F1–F6.
agac kullanılmaz kategorik T1–T6.
boy Özellik sayısal Lokasyon içi varyans 815,3 (Nailambur) ve 2541,1 (Vellanikkara).

Blok adları lokasyonlar arasında yinelendiği için şablon bloğu lokasyonla birleştirir (interaction(lok, blok), satır 276): altı ayrı blok(lokasyon) düzeyi oluşur. Bütün sınıflama sütunları factor(as.character()) ile kurulur; düzeyler alfabetik sıraya girer ve bu sıra yalnız tabloların satır sırasını belirler (sayı adlı lokasyonlarda 10, 2'den önce yazılır).

Bu bölümde kullanılan çalıştırmalar: (1) örnek ayar; (2) blok rastgele; (3) 46 ağacı silinmiş dengesiz bambu verisi; (4) bloksuz; (5) sorgum verisi (altı çevre, klon birimi); (6) klon verisi, ramet kimlikli ve kimliksiz, dengesiz; (7) yaş verisi, ek süre 0 ve 5; (8) yaşların elle girilmesi, sütun adları oz1–oz4 olan kopya, eksik değerli kopya; (9) satırları karıştırılmış bambu verisi.

80.4 Yöntem: formüller ve hesap adımları

Üç kolun ortak adımları: (1) modelin rastgele terimleri veriye bakılarak kurulur; (2) lme4 ile REML; (3) beklenen bilgi matrisinden bileşenlerin kovaryansı; (4) her genetik parametre bir oran \mathbf a^{\top}\boldsymbol\sigma^2/\mathbf w^{\top}\boldsymbol\sigma^2 olarak yazılır, standart hatası delta yöntemiyle bulunur; (5) Wald güven aralığı \hat\theta\pm z_{1-\alpha/2}\operatorname{SH}.

Koddaki tercih

lmer sıkı toleransla çağrılır: varsayılan seçenekte nloptwrap, xtol_abs = 1e-12, ftol_abs = 1e-14 (124–126). Türev tabanlı yakınsama denetimi kapalıdır (calc.derivs = FALSE); lme4'ün tekil (sınır) uyarıları ve iletileri bastırılır, öteki uyarılar ile en iyileyicinin sıfırdan farklı çıkış kodu ve işlev değerlendirme sınırına (10⁵) ulaşması toplanır (150–155) ve çalıştırmanın sonunda tek uyarı olarak yazılır (474–475). Örnek verilerde bu uyarı çıkmaz; sınır çözümü ayrıca denetlenir (169). Bilgi matrisi n\le5000 için hesaplanır (130, 161); sınırdaki bileşen matriste en büyük bileşenin 10^{-10} katı olarak tutulur (166), dolayısıyla standart hatası yine yazılır.

Varyans bileşenleri tablosundaki z sütunu bileşenin standart hatasına oranı, p sütunu tek yönlü Wald olasılığıdır (tablo başlığı bunu yazar: "p: tek yönlü Wald testi"; 243, 300), p=1-\Phi(z) (188–189). Bileşen sıfıra yakınken Wald testi tutucudur; karar için olabilirlik oranı testi daha uygundur (Bölüm 89.4).

80.4.1 Klon denemesi

y_{ijkl}=\mu+b_j+c_i+(cb)_{ij}+r_{ijk}+e_{ijkl}
  • c_i\sim N(0,\sigma^2_c): klon; b_j: blok (sabit ya da rastgele); (cb)_{ij}\sim N(0,\sigma^2_{cb}): klon × blok (parsel); r_{ijk}\sim N(0,\sigma^2_r): ramet (birey; kalıcı çevre); e: aynı rametin ölçümleri arasındaki artık.
  • (cb) terimi yalnız bir klon × blok hücresinde birden çok birim varsa modele girer (227); ramet terimi yalnız birey verilmiş ve en az bir bireyde birden çok kayıt varsa girer (218–225).
H^2=\frac{k\,\sigma^2_c}{\sigma^2_P},\quad \sigma^2_P=\sigma^2_c+\sigma^2_{cb}+\sigma^2_r+\sigma^2_e;\qquad H^2_{\bar c}=\frac{\sigma^2_c}{\sigma^2_c+\dfrac{\sigma^2_{cb}}{b}+\dfrac{\sigma^2_r}{r}+\dfrac{\sigma^2_e}{m}};\qquad R=\frac{\sigma^2_c+\sigma^2_{cb}+\sigma^2_r}{\sigma^2_P}
  • H^2: bireysel kalıtım derecesi; klon için k=1 ve sonuç geniş anlamdadır (Bölüm 79.4.1). \sigma^2_P tek bir ölçümün fenotipik varyansıdır; blok varyansı (rastgele olsa da) paydaya girmez (235).
  • H^2_{\bar c}: klon ortalaması kalıtım derecesi; klon ortalamalarının varyansında klon bileşeninin payı. Çarpan k burada kullanılmaz (242).
  • b, r, m: klon başına blok, ramet ve kayıt sayılarının harmonik ortalamaları (237–239).
  • R: tekrarlanma derecesi; aynı rametin iki ölçümü arasındaki korelasyon. Yalnız ramet terimi varken hesaplanır (243).

Neden harmonik ortalama?

Klon ortalamasının varyansında artık terim \sigma^2_e/m_i'dir; klonlar farklı sayıda kayıt taşıyorsa bu terimin klonlar üzerinden ortalaması \sigma^2_e\cdot\overline{(1/m_i)}=\sigma^2_e/m_H olur. Harmonik ortalama tam bu büyüklüktür. Aritmetik ortalama az kayıtlı klonların yüksek hatasını gizler ve H^2_{\bar c}'yi büyütür. Dengeli veride ikisi aynıdır. Dengesiz veride sonuç yine yaklaşıktır: klonların gerçek ortalamaları farklı doğruluktadır ve tek bir H^2_{\bar c} bunların özetidir (Piepho ve Möhring, 2007).

80.4.2 Çok lokasyonlu deneme ve tip B genetik korelasyon

y_{ijkl}=\mu+s_j+b_{k(j)}+f_i+(fs)_{ij}+(fb)_{ik(j)}+e_{ijkl}
  • s_j: lokasyon, sabit. b_{k(j)}: lokasyon içinde blok (sabit ya da rastgele). f_i\sim N(0,\sigma^2_f): aile (ya da klon). (fs)_{ij}\sim N(0,\sigma^2_{fs}): aile × lokasyon. (fb)_{ik(j)}\sim N(0,\sigma^2_{fb}): aile × blok(lokasyon), yani parsel. e: parsel içi artık.
  • Parsel terimi yalnız parselde birden çok birey varsa girer (278); blok sabitken lokasyon etkisi blok(lokasyon) etkilerinin içinde kalır (280).
h^2_i=\frac{k\,\sigma^2_f}{\sigma^2_f+\sigma^2_{fs}+\sigma^2_{fb}+\sigma^2_e},\qquad h^2_{\bar f}=\frac{\sigma^2_f}{\sigma^2_f+\dfrac{\sigma^2_{fs}}{s}+\dfrac{\sigma^2_{fb}}{p}+\dfrac{\sigma^2_e}{n}},\qquad r_B=\frac{\sigma^2_f}{\sigma^2_f+\sigma^2_{fs}}
  • h^2_i: lokasyonlar arası bireysel kalıtım derecesi; pay yalnız lokasyonlar arasında kararlı kalan aile varyansıdır, etkileşim paydadadır.
  • h^2_{\bar f}: aile ortalaması kalıtım derecesi; s, p, n aile başına lokasyon, parsel ve birey sayılarının harmonik ortalamaları (292–295). Konsolda s, bs, nbs adlarıyla yazılır; blok verilmediğinde parsel terimi modelde olmadığından bs yerine "–" yazılır (306).
  • r_B: tip B genetik korelasyon; aynı özelliğin iki ayrı lokasyondaki ifadesi arasındaki genetik korelasyon (Yamada, 1962; Burdon, 1977). Şablon ayrıca \sigma^2_{fs}/\sigma^2_f oranını verir (300).

Neden bu oran bir korelasyon?

Aynı ailenin iki lokasyondaki ortalama etkileri f_i+(fs)_{i1} ve f_i+(fs)_{i2}'dir. Aralarındaki kovaryans \sigma^2_f, her birinin varyansı \sigma^2_f+\sigma^2_{fs}'dir; korelasyon bu ikisinin oranıdır. r_B=1 ailelerin her lokasyonda aynı sırada olduğunu, r_B\approx0 bir lokasyondaki sıralamanın ötekinde hiçbir şey söylemediğini gösterir. Uygulamada 0,7'nin altı önemli genotip × çevre etkileşimi sayılır.

Varyans heterojenliği r_B'yi düşürür

Model her lokasyonda aynı aile varyansını varsayar. Lokasyonlardan birinde özellik daha geniş yayılıyorsa (ölçek farkı) ailelerin sırası değişmese bile etkileşim varyansı büyür ve r_B düşer. Şablon lokasyon içi fenotipik varyansların en büyük/en küçük oranını yazar ve 2'yi aşarsa uyarır (312–318); örnek veride oran 3,12'dir. Çare, veriyi lokasyon içinde ölçünlemek ya da heterojen varyanslı bir model kurmaktır.

Lokasyon içi kalıtım ve ikili r_B. ikili_rb açıksa her lokasyon ayrı çözümlenir ve bireysel h^2'si verilir (321–333); burada etkileşim aile bileşenine karışır, bu yüzden lokasyon içi h^2 lokasyonlar arası değerden büyüktür. Üç ya da daha çok lokasyon varsa her lokasyon çifti ayrı bir iki lokasyonlu modelle çözülür ve çiftin r_B'si bulunur (334–351). Çiftte ortak genotip 2'den azsa değer boş bırakılır.

80.4.3 Yaş–yaş (özellik–özellik) genetik korelasyonu

Her özellik için tek değişkenli model y=\mu+b+f+(fb)+e kurulur. İki özelliğin aile kovaryansı, toplamlarının varyansından çıkarılır:

\operatorname{Var}(x+y)=\operatorname{Var}(x)+\operatorname{Var}(y)+2\operatorname{Cov}(x,y)\ \Longrightarrow\ \hat\sigma_{f(xy)}=\frac{\hat\sigma^2_{f(x+y)}-\hat\sigma^2_{f(x)}-\hat\sigma^2_{f(y)}}{2}
r_A=\frac{\hat\sigma_{f(xy)}}{\sqrt{\hat\sigma^2_{f(x)}\,\hat\sigma^2_{f(y)}}},\qquad r_P=\frac{\sum_t\hat\sigma_{t(xy)}}{\sqrt{\sum_t\hat\sigma^2_{t(x)}\ \sum_t\hat\sigma^2_{t(y)}}},\qquad \operatorname{SH}(r_A)\approx\frac{1-r_A^2}{\sqrt2}\sqrt{\frac{\operatorname{SH}(h^2_x)\operatorname{SH}(h^2_y)}{h^2_x\,h^2_y}}
  • \hat\sigma^2_{f(x+y)}: toplam değişken x+y'nin aile bileşeni; üçüncü bir REML çözümünden gelir (415–418).
  • r_A: genetik korelasyon; aile bileşenlerinden hesaplandığı için akrabalık çarpanı k sadeleşir.
  • r_P: fenotipik korelasyon; toplam t aile, parsel ve artık bileşenleri üzerindedir (421).
  • Standart hata Robertson'ın (1959) yaklaşımıdır; h^2 ve SH'leri bireysel kalıtım derecelerinden alınır (423–424).

Neden iki değişkenli model yerine toplam yöntemi?

Toplam yöntemi yalnız tek değişkenli çözücü gerektirir ve dengeli veride çok değişkenli varyans analizinin kareler ve çarpımlar ortalamalarından elde edilen kovaryansla aynı sonucu verir. Bedeli: üç ayrı kestirimin farkı olduğundan |r_A|>1 çıkabilir (şablon uyarır, 427) ve standart hata için yalnız yaklaşık formül vardır. Bölüm 83'teki şablon iki değişkenli REML kullanır ve korelasyonu [-1{,}1] içinde tutar.

Lambeth ilişkisi ve erken seleksiyon. Yaşlar biliniyorsa her çift için Lambeth'in (1980) çam türlerinden türettiği beklenen korelasyon ve en büyük yaş "olgun yaş" alınarak erken seleksiyonun yıl başına etkinliği hesaplanır:

r_L=\min\!\big(1,\ 1{,}02+0{,}308\,\ln(t_g/t_o)\big),\qquad E=r_A\,\frac{h_g}{h_o}\cdot\frac{t_o+\Delta}{t_g+\Delta}
  • t_g, t_o: genç ve olgun yaş; h_g, h_o: iki yaştaki bireysel kalıtım derecelerinin karekökü.
  • \Delta: ek_sure; seleksiyondan sonra tohum bahçesi kurulumu ve çiçeklenme için geçen sabit süre.
  • E>1: genç yaşta seçip kuşağı erken çevirmek, olgun yaşı beklemekten yıl başına daha çok kazanç getirir. Eşit seleksiyon yoğunluğu varsayılır.
  • Tablodaki etkinlik_Lambeth, r_A yerine r_L ve eşit kalıtım (h_g=h_o) ile hesaplanan değerdir (455).

Koddaki tercih

yaslar alanı ; içeriyorsa öğeler ; ile ayrılır ve ondalık virgül kabul edilir (3,5; 6); ; yoksa virgül ve boşluk ayırıcıdır (385). Alan boşsa her sütun adının sonundaki sayı yaş sayılır (392–393): boy_3 → 3. Okunan yaşlar konsola "yaşlar sütun adlarının sonundaki sayılardan okundu (3; 6; 10; 20)" notuyla yazılır (394–395); sayı yaş değilse (oz1, d13C, cap_2019) yaşları alana yazmak gerekir, yoksa Lambeth ve erken seleksiyon tabloları anlamsızdır. Sütun adlarındaki sayılar yaş değilse yaşları yazmak yerine "Yaşlar sütun adından okunmasın" seçeneği açılabilir: yaslar boşken sütun adlarına bakılmaz, konsola "yaşlar tanımsız, Lambeth ve erken seleksiyon tabloları yazılmadı (özellik–özellik)" notu yazılır (389–390); varsayılan (kapalı) davranış yukarıdaki gibidir. Hiçbir sütunda sayı yoksa çözümleme özellik–özellik olarak sürer, Lambeth ve etkinlik tabloları yazılmaz. Yaşlar yinelenmişse de böyledir (397).

80.5 Kod adım adım

Satırlar Ne yapar Neden / dikkat
1–109 Üstbilgi ve on dört parametre. Bölüm 1.2.
110–130 Ortak ayarlar: çözümleme, k (117), z (121), lmerControl (124–129), bilgi matrisi sınırı. k_akr yalnız bireysel kalıtım derecesinin payında kullanılır.
132–170 reml_bilgi (beklenen bilgi) ve uydur: formül, lmer, bileşenler, kovaryans, sınır bayrağı. Bölüm 79.4.3 ile aynı bilgi matrisi.
172–200 oran (oran + delta SH), hmean, param_satiri (Wald aralığı), vc_tablo (z, p, pay). Payda sıfır ya da negatifse oran boş kalır (176).
203–257 Klon kolu: sütunlar, ramet kimliğinin klon × blok içinde tekilleştirilmesi (219), terimlerin seçimi, üç oran, tablolar, grafik. Ramet adları klonlar arasında yinelense de sorun olmaz.
258–318 Çok lokasyon kolu: kurulum terimleri seçer (273–282); bileşenler, dört oran, varyans heterojenliği uyarısı. Lokasyon sabit, aile × lokasyon rastgele.
319–357 Lokasyon içi çözümlemeler ve lokasyon çiftleri. Her çift ayrı REML; altı lokasyonda 15 çözüm.
358–364 Tepki normu grafiği: aile ortalamaları lokasyonlara göre. Çizgilerin kesişmesi sıra değişimini gösterir.
365–411 Yaş–yaş kolu: sütunlar, eksiksiz satırlar, yaşların okunması, her özelliğin modeli. Bütün özellikler aynı satır kümesinde çözülür.
412–445 Her çift için toplam değişkenin modeli, r_A, r_P, Robertson SH, Lambeth; korelasyon matrisi; uyarılar. Dört özellikte 4 + 6 = 10 REML çözümü.
446–472 Erken seleksiyon etkinliği tablosu ve grafik (yaş varsa); yoksa h^2 çubuk grafiği. Olgun yaş en büyük yaştır (448).

80.6 Elle hesap: örnek veride bağımsız yeniden hesap

Hesaplar dogrulama/klon_lokasyon_genetik/elle_hesap.py (numpy; Bölüm 79'daki Fisher puanlamalı REML çözücüsü) ve r_dogrulama.R (dengeli verilerde aov/manova, dengesiz veride glmmTMB) ile yapılmıştır.

Adım 1 — Bambu: varyans analizi. s=2 lokasyon, b=3 blok, f=6 aile, n=6 ağaç. Aile terimlerinin kareler ortalamaları ve beklenen değerleri:

Kaynak sd KO Beklenen KO
Aile 5 16106,674 \sigma^2_e+n\sigma^2_{fb}+nb\,\sigma^2_{fs}+nbs\,\sigma^2_f
Aile × lokasyon 5 7069,874 \sigma^2_e+n\sigma^2_{fb}+nb\,\sigma^2_{fs}
Aile × blok(lokasyon) 20 2259,194 \sigma^2_e+n\sigma^2_{fb}
Artık 180 1048,887 \sigma^2_e
\hat\sigma^2_{fb}=\frac{2259{,}194-1048{,}887}{6}=201{,}718,\qquad \hat\sigma^2_{fs}=\frac{7069{,}874-2259{,}194}{18}=267{,}260,\qquad \hat\sigma^2_f=\frac{16106{,}674-7069{,}874}{36}=251{,}022

Değerler Jayaraman'ın (1999) Tablo 6.3'ünden hesapladıklarıyla aynıdır (251,02; 267,26; 201,72; 1048,89).

Adım 2 — Genetik parametreler. \hat\sigma^2_P=251{,}022+267{,}260+201{,}718+1048{,}887=1768{,}887.

\hat h^2_i=\frac{4\cdot251{,}022}{1768{,}887}=0{,}5676,\qquad \hat h^2_{\bar f}=\frac{251{,}022}{251{,}022+\frac{267{,}260}{2}+\frac{201{,}718}{6}+\frac{1048{,}887}{36}}=\frac{251{,}022}{447{,}408}=0{,}5611
\hat r_B=\frac{251{,}022}{251{,}022+267{,}260}=0{,}4843,\qquad \frac{\hat\sigma^2_{fs}}{\hat\sigma^2_f}=1{,}0647

Adım 3 — Standart hatalar. Beklenen bilgi matrisinin tersinden: \operatorname{SH}(\hat\sigma^2_f)=309{,}02, \operatorname{SH}(\hat\sigma^2_{fs})=251{,}56, \operatorname{SH}(\hat\sigma^2_{fb})=120{,}49, \operatorname{SH}(\hat\sigma^2_e)=110{,}56. Delta yöntemiyle \operatorname{SH}(\hat h^2_i)=0{,}6371, \operatorname{SH}(\hat h^2_{\bar f})=0{,}3926, \operatorname{SH}(\hat r_B)=0{,}4552. Altı aileyle aile bileşeninin standart hatası kestirimden büyüktür; %95 Wald aralığı r_B için [-0{,}408;\ 1{,}376]'dır.

Adım 4 — Lokasyon içi kalıtım. Nailambur: \hat\sigma^2_f=23{,}22, parsel + parsel içi 802,14, \hat h^2=4\cdot23{,}22/825{,}36=0{,}1125 (SH 0,3405). Vellanikkara: \hat\sigma^2_f=1013{,}34, 1699,07, \hat h^2=1{,}4944 (SH 0,7300). İki lokasyonun aile varyansları 44 kat farklıdır; tek bir \sigma^2_f varsayan birleşik modelin r_B'si bu farkı da etkileşime yazar.

Adım 5 — Sorgum: altı çevre. Birleşik modelde \hat\sigma^2_g=1169{,}33, \hat\sigma^2_{g\times e}=21342{,}47, \hat\sigma^2_e=24659{,}48 (Omer ve ark., 2015 ile aynı); \hat r_B=0{,}0519 (SH 0,0920). E2–E4 çiftinde \hat\sigma^2_g=2760{,}18, \hat\sigma^2_{g\times e}=17045{,}15, \hat r_B=0{,}1394 (SH 0,3703); E2–E6 çiftinde \hat r_B=0{,}4563 (SH 0,2392). E3–E5 çiftinde çeşit varyansı sıfır kestirilir, \hat r_B=0.

Adım 6 — Klon denemesi. 30 klon, b=4, klon başına r=12 ramet, m=24 kayıt. Bileşenler: \hat\sigma^2_c=4{,}1674, \hat\sigma^2_{cb}=1{,}1680, \hat\sigma^2_r=2{,}2743, \hat\sigma^2_e=1{,}4254; toplam 9,0350.

\hat H^2=\frac{4{,}1674}{9{,}0350}=0{,}4612,\qquad \hat H^2_{\bar c}=\frac{4{,}1674}{4{,}1674+\frac{1{,}1680}{4}+\frac{2{,}2743}{12}+\frac{1{,}4254}{24}}=\frac{4{,}1674}{4{,}7083}=0{,}8851,\qquad \hat R=\frac{7{,}6097}{9{,}0350}=0{,}8422

Standart hatalar 0,0774; 0,0348; 0,0247.

Adım 7 — Yaş–yaş. Aile bileşenleri: 3 yaş 0,012065; 20 yaş 0,647339; toplam değişken (boy_3 + boy_20) 0,774056. Kovaryans (0{,}774056-0{,}012065-0{,}647339)/2=0{,}057326; \hat r_A=0{,}057326/\sqrt{0{,}012065\cdot0{,}647339}=0{,}6487. Bireysel kalıtım dereceleri 0,6504 (SH 0,1716) ve 0,3842 (SH 0,1336); Robertson yaklaşımıyla \operatorname{SH}(\hat r_A)=\frac{1-0{,}6487^2}{\sqrt2}\sqrt{\frac{0{,}1716\cdot0{,}1336}{0{,}6504\cdot0{,}3842}}=0{,}1241. Lambeth: 1{,}02+0{,}308\ln(3/20)=0{,}4357. Etkinlik: 0{,}6487\cdot\frac{\sqrt{0{,}6504}}{\sqrt{0{,}3842}}\cdot\frac{20}{3}=5{,}626; ek süre 5 yıl olduğunda T oranı 25/8=3{,}125 ve etkinlik 2,637.

80.6.1 Doğrulama: MerQuR+, Python ve R

Büyüklük MerQuR+ Python (bağımsız) R (bağımsız) En büyük fark
Bambu: σ²f (aile) 251,02227028 251,02222222 251,02222222 1,9e−7 ✓
Bambu: SH σ²f (aile) 309,02482812 309,02478483 — 1,4e−7 ✓
Bambu: σ²fs (aile × lokasyon) 267,26007106 267,26003086 267,26003086 1,5e−7 ✓
Bambu: SH σ²fs (aile × lokasyon) 251,56085006 251,56082705 — 9,1e−8 ✓
Bambu: σ²fb (parsel) 201,71773832 201,71774691 201,71774691 4,3e−8 ✓
Bambu: SH σ²fb (parsel) 120,48738463 120,48738754 — 2,4e−8 ✓
Bambu: σ²e 1048,88703282 1048,88703704 1048,88703704 4,0e−9 ✓
Bambu: SH σ²e 110,56240106 110,56240151 — 4,0e−9 ✓
Bambu: z (σ²fb) 1,6741814 1,67418143 — 1,8e−8 ✓
Bambu: bireysel h^2 0,56763887 0,56763879 0,56763879 8,4e−8 ✓
Bambu: SH bireysel h^2 0,63707341 0,63707336 — 5,0e−8 ✓
Bambu: aile ortalaması h^2 0,56105937 0,56105934 0,56105934 2,4e−8 ✓
Bambu: SH aile ortalaması h^2 0,39260044 0,39260046 — 2,1e−8 ✓
Bambu: r_B 0,48433499 0,48433498 0,48433498 1,0e−8 ✓
Bambu: SH r_B 0,45516275 0,45516278 — 2,7e−8 ✓
Bambu: σ²fs/σ²f 1,06468669 1,06468674 1,06468674 4,1e−8 ✓
Bambu: SH σ²fs/σ²f 1,94032746 1,94032766 — 1,0e−7 ✓
Bambu: r_B GA alt sınırı −0,40776761 −0,40776767 — 6,3e−8 ✓
Bambu, Nailambur: σ²f 23,2234762 23,22345679 23,22345679 8,4e−7 ✓
Bambu, Nailambur: h^2 0,11254924 0,11254915 0,11254915 9,4e−8 ✓
Bambu, Nailambur: SH h^2 0,34051212 0,34051209 — 2,4e−8 ✓
Bambu, Vellanikkara: σ²f 1013,34103701 1013,34104938 1013,34104938 1,2e−8 ✓
Bambu, Vellanikkara: h^2 1,49437643 1,49437645 1,49437645 8,3e−9 ✓
Bambu, Vellanikkara: SH h^2 0,7299895 0,7299895 — 6,3e−10 ✓
Dengesiz bambu: σ²f 317,72934627 317,72943648 317,72942676 2,8e−7 ✓
Dengesiz bambu: σ²fs 288,0352993 288,03532528 288,03533004 1,1e−7 ✓
Dengesiz bambu: σ²fb 298,5035267 298,50351521 298,50350427 7,5e−8 ✓
Dengesiz bambu: σ²e 988,0803975 988,08039251 988,08039227 5,3e−9 ✓
Dengesiz bambu: aile ortalaması h^2 0,57966292 0,57966298 — 5,8e−8 ✓
Dengesiz bambu: r_B 0,52450956 0,52450961 — 4,8e−8 ✓
Dengesiz bambu: SH r_B 0,46255388 0,46255382 — 5,2e−8 ✓
Sorgum: σ²g 1169,33328009 1169,33227581 1169,33227581 8,6e−7 ✓
Sorgum: σ²g×çevre 21342,46660553 21342,46774768 21342,46774768 5,4e−8 ✓
Sorgum: σ²e 24659,47889563 24659,47881111 24659,47881111 3,4e−9 ✓
Sorgum: klon ortalaması H^2 0,20322485 0,2032247 0,2032247 1,5e−7 ✓
Sorgum: r_B 0,05194313 0,05194308 0,05194308 4,5e−8 ✓
Sorgum: SH r_B 0,0919668 0,09196679 — 1,0e−8 ✓
Sorgum E2–E4: σ²f 2760,18537085 2760,18434632 2760,18434632 3,7e−7 ✓
Sorgum E2–E4: r_B 0,13936578 0,13936572 0,13936572 5,6e−8 ✓
Sorgum E2–E4: SH r_B 0,37033911 0,37033911 — 1,5e−9 ✓
Sorgum E2–E6: σ²f 16217,17540356 16217,17673652 16217,17673652 8,2e−8 ✓
Sorgum E2–E6: r_B 0,45631572 0,45631575 0,45631575 3,0e−8 ✓
Sorgum E2–E6: SH r_B 0,23922077 0,23922076 — 7,3e−9 ✓
Sorgum E3–E5 (sınır): SH r_B 0,28650326 0,28650327 — 7,8e−10 ✓
Sorgum, E1: H^2 0,81258345 0,81258344 0,81258344 1,1e−9 ✓
Sorgum, E1: SH H^2 0,06379435 0,06379435 — 3,1e−10 ✓
Sorgum, E4: H^2 0,259039 0,25903899 0,25903899 5,1e−9 ✓
Sorgum, E4: SH H^2 0,13038009 0,13038009 — 2,3e−10 ✓
Klon: σ²klon 4,16739331 4,16739366 4,16739366 8,4e−8 ✓
Klon: SH σ²klon 1,23917719 1,23917728 — 7,2e−8 ✓
Klon: σ²klon×blok 1,16796543 1,1679655 1,1679655 6,3e−8 ✓
Klon: SH σ²klon×blok 0,34040729 0,34040728 — 5,8e−9 ✓
Klon: σ²ramet 2,27431409 2,27431375 2,27431375 1,5e−7 ✓
Klon: SH σ²ramet 0,27779976 0,27779973 — 2,6e−8 ✓
Klon: σ²e 1,42535491 1,425355 1,425355 6,2e−8 ✓
Klon: SH σ²e 0,10623968 0,10623969 — 6,6e−9 ✓
Klon: p (σ²klon, tek yönlü Wald) 3,854563·10−4 3,854562·10−4 — 5,3e−11 ✓
Klon: bireysel H^2 0,46124854 0,46124856 0,46124856 3,0e−8 ✓
Klon: SH bireysel H^2 0,07744448 0,07744448 — 1,2e−10 ✓
Klon: klon ortalaması H^2 0,88511623 0,88511624 0,88511624 9,6e−9 ✓
Klon: SH klon ortalaması H^2 0,03483726 0,03483726 — 2,9e−9 ✓
Klon: tekrarlanma R 0,84224122 0,84224122 0,84224122 6,8e−9 ✓
Klon: SH tekrarlanma R 0,0247377 0,0247377 — 2,0e−9 ✓
Dengesiz klon: bireysel H^2 0,44310216 0,44310216 — 1,0e−9 ✓
Dengesiz klon: klon ortalaması H^2 0,87117116 0,87117116 — 3,1e−10 ✓
Dengesiz klon: tekrarlanma R 0,84515528 0,84515528 — 2,9e−9 ✓
Dengesiz klon: SH klon ortalaması H^2 0,03923123 0,03923123 — 9,7e−11 ✓
Yaş: σ²f (boy_3) 0,01206522 0,01206523 0,01206523 1,7e−9 ✓
Yaş: h^2 (boy_3) 0,65041309 0,65041317 0,65041317 7,8e−8 ✓
Yaş: SH h^2 (boy_3) 0,17164272 0,17164273 — 1,0e−8 ✓
Yaş: aile ortalaması h^2 (boy_3) 0,74856239 0,74856241 — 2,6e−8 ✓
Yaş: σ²f (boy_20) 0,64733927 0,64733934 0,64733934 7,7e−8 ✓
Yaş: h^2 (boy_20) 0,38421545 0,38421549 0,38421549 4,3e−8 ✓
Yaş: SH h^2 (boy_20) 0,13357708 0,13357708 — 5,6e−9 ✓
Yaş: aile ortalaması h^2 (boy_20) 0,62044154 0,62044158 — 3,4e−8 ✓
Yaş: r_A (boy_3, boy_20) 0,648657 0,64865722 0,64865722 2,2e−7 ✓
Yaş: SH r_A (boy_3, boy_20) 0,12406327 0,1240632 — 7,1e−8 ✓
Yaş: r_P (boy_3, boy_20) 0,41861422 0,41861428 0,41861428 6,4e−8 ✓
Yaş: r_A (boy_6, boy_10) 0,85941958 0,85941961 0,85941961 2,7e−8 ✓
Yaş: SH r_A (boy_6, boy_10) 0,05106937 0,05106937 — 9,3e−9 ✓
Yaş: r_P (boy_6, boy_10) 0,84619092 0,84619091 0,84619091 2,5e−9 ✓
Yaş: r_A (boy_10, boy_20) 0,97115038 0,97115007 0,97115007 3,1e−7 ✓
Yaş: SH r_A (boy_10, boy_20) 0,01220709 0,01220722 — 1,3e−7 ✓
Yaş: r_P (boy_10, boy_20) 0,79736036 0,79736034 0,79736034 2,2e−8 ✓
Yaş: σf(boy_3, boy_20) 0,05732562 0,05732565 0,05732565 2,7e−8 ✓
Yaş: Lambeth r (3, 20) 0,43568704 0,43568704 — 3,9e−16 ✓
Yaş: erken seleksiyon etkinliği (boy_3) 5,62640608 5,62640805 — 3,5e−7 ✓
Yaş: erken seleksiyon etkinliği (boy_6) 3,53747939 3,53747815 — 3,5e−7 ✓
Yaş: erken seleksiyon etkinliği (boy_10) 2,51366884 2,51366788 — 3,8e−7 ✓
Yaş: Lambeth etkinliği (boy_3) 2,9045803 2,9045803 — 4,6e−16 ✓
Yaş, ek süre 5: etkinlik (boy_3) 2,63737785 2,63737877 — 3,5e−7 ✓
Eksik değerli veri: r_A (boy_3, boy_20) 0,696534 0,69653337 — 6,3e−7 ✓

Ölçütü karşılayan: 92/92. Python: Fisher puanlamalı REML, beklenen bilgi matrisi, delta yöntemi ve açık formüller. R: dengeli verilerde aov/manova kareler (ve çarpımlar) ortalamalarından kapalı biçimli kestiriciler, dengesiz bambu verisinde glmmTMB. Küçük farklar lme4 en iyileyicisinin toleransından gelir.

80.7 Çıktıyı okuma

Çok lokasyonlu deneme (örnek ayar):

Çok lokasyonlu deneme (REML, lme4): n = 216, 6 aile, 2 lokasyon, 6 blok(lokasyon) (sabit)
aile başına harmonik ortalama: lokasyon s = 2, parsel bs = 6, birey nbs = 36
Lokasyon içi fenotipik varyans: en küçük 815,252, en büyük 2541,05 (oran 3,117)
Uyarı: lokasyonlar arasında fenotipik varyans oranı (en büyük/en küçük) 2'yi aşıyor; ölçek farkı (varyans
heterojenliği) aile × lokasyon etkileşimine yansıdığından tip-B korelasyon rB düşük kestirilebilir. …

Varyans bileşenleri (REML; SH beklenen bilgiden; p: tek yönlü Wald testi, sınıra yakın bileşende tutucudur)
                        bilesen      varyans          SH         z         p      oran
                           aile   251.022270  309.024828  0.812305  0.208308  0.141910
                aile × lokasyon   267.260071  251.560850  1.062407  0.144025  0.151089
 aile × blok(lokasyon) (parsel)   201.717738  120.487385  1.674181  0.047047  0.114037
             artık (parsel içi)  1048.887033  110.562401  9.486833  0.000000  0.592964

Genetik parametreler (SH: delta yöntemi; %95 Wald güven aralığı)
                                          olcut     deger        SH  alt_sinir  ust_sinir
    Bireysel h² = 4·σ²f/σ²P (lokasyonlar arası)  0.567639  0.637073  -0.681002   1.816280
                             aile ortalaması h²  0.561059  0.392600  -0.208423   1.330542
 Tip-B genetik korelasyon rB = σ²f/(σ²f + σ²fs)  0.484335  0.455163  -0.407768   1.376438
                         G×E büyüklüğü σ²fs/σ²f  1.064687  1.940327  -2.738285   4.867659

Lokasyon içi bireysel h² (her lokasyon ayrı çözümlendi; var_artik = parsel + parsel içi)
     lokasyon    n  aile_sayisi        var_g    var_artik        h2        SH
    Nailambur  108            6    23.223476   802.138871  0.112549  0.340512
 Vellanikkara  108            6  1013.341037  1699.070681  1.494376  0.729990
Öğe Ne yazar Nasıl yorumlanır
Harmonik ortalamalar Aile başına lokasyon, parsel ve birey sayıları Aile ortalaması h^2'nin paydasındaki bölenler; dengesizlikte tam sayı olmaz.
Varyans bileşenleri Bileşen, SH, z, tek yönlü Wald p, \sigma^2_P içindeki pay Rastgele blok satırının payı boştur: paydaya girmez.
Genetik parametreler Dört oran, delta SH ve Wald aralığı Aralık 0–1 dışına taşabilir; kesilmez. Altı aileyle hiçbir parametre sıfırdan ayırt edilemez.
Lokasyon içi h^2 Her lokasyonun ayrı çözümü 1'i aşan değer (1,49) az ailede örnekleme hatasıdır; bu tabloda ayrıca uyarı yazılmaz.
İkili r_B tablosu ve matrisi Üç ve daha çok lokasyonda her çift için \sigma^2_f, \sigma^2_{fs}, r_B, SH Hangi lokasyonların birbirini temsil ettiğini gösterir; sınırdaki çiftlerde r_B\approx0 yazılır.
Şekil Aile ortalamalarının lokasyonlara göre çizgileri Paralel çizgiler etkileşimsizlik, kesişen çizgiler sıra değişimi.

Şekil 80.1. Şablonun çizdiği tepki normları (bambu verisi, altı aile, iki lokasyon). Çizgilerin açılması ölçek farkını, kesişmesi sıra değişimini gösterir.

Klon denemesi:

Klon denemesi (REML, lme4): n = 720 kayıt, 30 klon, 4 blok (sabit), 360 birey (yinelenen ölçüm)
klon başına harmonik ortalama: blok 4, ramet 12, kayıt 24

Kalıtım derecesi ve tekrarlanma derecesi (SH: delta yöntemi; %95 Wald güven aralığı)
                    olcut     deger        SH  alt_sinir  ust_sinir
 Bireysel H² = σ²klon/σ²P  0.461249  0.077444   0.309460   0.613037
       klon ortalaması H²  0.885116  0.034837   0.816836   0.953396
   Tekrarlanma derecesi R  0.842241  0.024738   0.793756   0.890726

Bireysel H^2 (0,46) tek bir rametin tek ölçümüne göre seçimin, klon ortalaması H^2 (0,89) 24 kaydın ortalamasına göre seçimin güvenilirliğidir. R=0{,}84, aynı rametin ikinci kez ölçülmesinin az bilgi kattığını söyler.

Yaş–yaş:

Genetik (rA) ve fenotipik (rP) korelasyonlar (SH: Robertson 1959)
 ozellik_1 ozellik_2     kov_g        rA        SH        rP  ln_yas_orani  r_Lambeth
     boy_3     boy_6  0.022754  0.808109  0.067634  0.813596     -0.693147   0.806511
     boy_3    boy_20  0.057326  0.648657  0.124063  0.418614     -1.897120   0.435687
    boy_10    boy_20  0.412333  0.971150  0.012207  0.797360     -0.693147   0.806511
 …
Erken seleksiyon etkinliği (yıl başına kazanç, olgun yaş 20; T = yaş + 0; etkinlik_Lambeth: eşit kalıtım varsayımı)
 genc_yas  olgun_yas        rA    h_genc   h_olgun   T_orani  etkinlik  r_Lambeth  etkinlik_Lambeth
        3         20  0.648657  0.806482  0.619851  6.666667  5.626406   0.435687          2.904580
        6         20  0.860528  0.764430  0.619851  3.333333  3.537479   0.649176          2.163921
       10         20  0.971150  0.802193  0.619851  2.000000  2.513669   0.806511          1.613021

Şekil 80.2. Yaş–yaş genetik korelasyonları (noktalar) ve Lambeth ilişkisi (kesikli çizgi). Yatay eksen yaş oranının doğal logaritmasıdır.

Rapor cümleleri:

İki lokasyonlu yarım kardeş döl denemesinde (6 aile, 216 ağaç) boy için aile varyansı 251,0, aile × lokasyon varyansı 267,3 kestirildi. Lokasyonlar arası bireysel kalıtım derecesi 0,57 (SH = 0,64), aile ortalaması kalıtım derecesi 0,56 (SH = 0,39), tip B genetik korelasyon 0,48 (SH = 0,46) bulundu; lokasyon içi fenotipik varyansların oranı 3,1 olduğundan korelasyon ölçek farkından etkilenmiş olabilir.

Klon denemesinde odun yoğunluğunun geniş anlamda bireysel kalıtım derecesi 0,46 (SH = 0,08), klon ortalaması kalıtım derecesi 0,89 (SH = 0,03), tekrarlanma derecesi 0,84 (SH = 0,02) idi.

Üç ve yirmi yaş boyları arasındaki genetik korelasyon 0,65 (SH = 0,12) bulundu; üç yaşta seleksiyonun yıl başına etkinliği yirmi yaşta seleksiyona göre 5,6 kat, kuşak aralığına beş yıl eklendiğinde 2,6 kat idi.

80.8 Sık hatalar ve tuzaklar

  • Sütun adının sonundaki sayının yaş sayılması. yaslar boşken oz1, oz2, oz3, oz4 adlı dört özellik sütunu 1, 2, 3, 4 yaşları olarak okunur; şablon Lambeth sütununu ve "olgun yaş 4" başlıklı erken seleksiyon tablosunu yazar. Sütunlar yaş değilse adların sonunda sayı bırakılmaz, gerçek yaşlar yaslar alanına yazılır, "Yaşlar sütun adından okunmasın" seçeneği açılır ya da çıktıdaki bu iki tablo yok sayılır; genetik korelasyonlar etkilenmez.
  • Genotip birimini yanlış seçmek. Varsayılan yarım kardeştir (k=4). Klon verisinde bu ayar bırakılırsa bireysel kalıtım derecesi dört katına çıkar; klon ortalaması H^2, r_B ve r_A değişmez. Tablo başlığındaki h²/H² ve formüldeki 4· çarpanı her zaman denetlenir.
  • Az genotiple r_B yorumlamak. Altı aileyle \hat r_B=0{,}48'in standart hatası 0,46'dır. r_B bir varyans oranıdır; güvenilir kestirim için onlarca aile gerekir.
  • Ölçek farkını etkileşim sanmak. Bambu verisinde Vellanikkara'da aile varyansı 44 kat büyüktür. Düşük r_B'nin ne kadarının sıra değişimi olduğu tepki normu grafiğinden ve lokasyon içi ölçünlenmiş veriyle yinelenen çözümlemeden anlaşılır.
  • Lokasyon içi h^2'yi lokasyonlar arası h^2 ile karıştırmak. Tek lokasyonda etkileşim aile varyansının içindedir; Vellanikkara'da 1,49, birleşik modelde 0,57 çıkar. Islah bölgesi bütün lokasyonları kapsıyorsa birleşik değer kullanılır.
  • Parselde tek ağaç varken parsel terimi beklemek. Parsel başına tek birey varsa aile × blok terimi artıkla karışır ve modele girmez; sorgum verisinde böyledir. Çıktıdaki bileşen listesi hangi terimlerin kurulduğunu gösterir.
  • Ramet kimliği vermeden yinelenen ölçümleri çözümlemek. Aynı rametin iki ölçümü bağımsız sayılır; klon × blok bileşeni ramet varyansını kısmen emer (örnekte 1,17 yerine 1,62), artık varyans büyür, tekrarlanma derecesi hesaplanmaz. Klon ortalaması H^2 bu veride değişmedi, ama bireysel H^2'nin standart hatası değişir.
  • Yaş–yaş kolunda eksik değerler. Herhangi bir yaşta eksiği olan ağaç bütün yaşlardan çıkarılır. İki sütununda 60'ar eksik bulunan kopyada 800 satırın 116'sı atıldı; 20 yaş boyunun bireysel kalıtım derecesi 0,38'den 0,28'e indi, \hat r_A(3, 20) 0,65'ten 0,70'e çıktı. Ölen ağaçlar rastgele değilse (zayıf ailelerde daha çok ölüm) kalan örneklem yanlıdır.
  • Etkinliği kazanç sanmak. E, eşit seleksiyon yoğunluğunda yıl başına kazançların oranıdır. Ek süre 0 bırakıldığında kuşak aralığı yalnız seleksiyon yaşıdır ve erken seleksiyon olduğundan üstün görünür; gerçekçi bir çiçeklenme süresi eklenmelidir (3 yaş için 5,6 → 2,6).
  • Sınır notlarını atlamak. Lokasyon çiftlerinde aile varyansı sıfır kestirildiğinde tabloda r_B=0 ve bir standart hata görünür; bu standart hata sınırda geçerli değildir.
  • Satır sırasına duyarlılık aramak. Satırları karıştırılmış bambu verisinde bileşenler yedinci anlamlı basamakta değişti (lme4 yinelemelidir); raporlanan basamaklarda fark yoktur.

80.9 Uzman soruları

S1. Hangi kalıtım derecesi tanımları hesaplanıyor ve akrabalık çarpanı nerede?

İki tanım. Bireysel kalıtım derecesinin payı k_akr * σ²g'dir (satır 241, 289, 396); k_akr 110. satırda seçenekten gelir: klon 1 (geniş anlamda H^2), yarım kardeş 4, tam kardeş 2 (dar anlamda h^2; tam kardeşte baskınlığın dörtte biri de içindedir). Aile ya da klon ortalaması kalıtım derecesinin payında çarpan yoktur (242, 297): bu büyüklük, ortalamalar arasındaki farkın yinelenebilir kısmıdır ve akrabalık varsayımına bağlı değildir. Başlıktaki h²/H² simgesi k_akr == 1 olup olmamasına göre yazılır (193).

S2. Standart hatalar ve güven aralıkları hangi yöntemle?

Bileşenlerin kovaryansı REML beklenen bilgi matrisinin tersidir (132–143, 166–167); bütün oranların standart hatası delta yöntemidir (173–180); aralıklar simetrik Wald aralığıdır (183–184). İstisna genetik korelasyondur: toplam yönteminde üç ayrı modelin kestirimleri arasındaki kovaryans bilinmediğinden Robertson'ın (1959) yaklaşık formülü kullanılır ve tablo başlığı bunu yazar. Olabilirlik profili ya da bootstrap aralığı yoktur; sınıra yakın parametrelerde Wald aralığı kötü davranır.

S3. Tip B korelasyon "düzeltmesiz" ne demek?

r_B=\sigma^2_f/(\sigma^2_f+\sigma^2_{fs}) tanımı lokasyonlarda eşit genetik varyans varsayar. Heterojen varyansta etkileşim varyansı iki parçadan oluşur: ölçek farkı ve sıra değişimi. Yalnız ikincisi gerçek anlamda düşük korelasyondur. Düzeltmeli yaklaşımlar veriyi lokasyon içinde fenotipik standart sapmaya böler ya da her lokasyona ayrı varyans tanır. Şablon düzeltme yapmaz, yalnız fenotipik varyans oranını bildirir (312–318).

S4. İkili r_B matrisi ile birleşik r_B neden tutarsız olabilir?

Birleşik r_B bütün lokasyon çiftlerinin tek bir ortak korelasyonla özetidir; ikili değerler her çiftin kendi iki lokasyonlu modelinden gelir. Sorgum verisinde birleşik değer 0,05, çiftlerde 0 ile 0,46 arasındadır. Ayrıca çiftlerin matrisi tek bir modelden gelmediği için pozitif tanımlı olmak zorunda değildir; kümeleme ya da ıslah bölgesi ayrımı için kaba bir kılavuzdur.

S5. Toplam yöntemi dengesiz veride de geçerli mi?

Özdeşlik \operatorname{Var}(x+y)=\operatorname{Var}(x)+\operatorname{Var}(y)+2\operatorname{Cov}(x,y) gerçek bileşenler için her zaman geçerlidir; kestirimler için dengeli veride tam, dengesiz veride yaklaşık olarak geçerlidir, çünkü REML doğrusal bir kestirici değildir. Şablon üç modeli aynı satır kümesinde kurar (374), bu tutarlılığı korur. Bir bileşen sınırdaysa kovaryans kestirimi bozulur; şablon bu durumda sınır uyarısı verir (445).

S6. Lambeth katsayıları her tür için kullanılabilir mi?

Hayır. 1,02 ve 0,308, Lambeth'in (1980) birkaç çam türünün boy verisinden türettiği deneysel regresyon katsayılarıdır ve fenotipik aile ortalaması korelasyonlarına dayanır. Şablon bunları yalnız karşılaştırma için verir; kendi verinizin r_A değerleri varsa etkinlik sütunu, yoksa etkinlik_Lambeth okunur. Başka türler, özellikler (çap, hacim, odun yoğunluğu) ve çok genç yaşlar için ilişki farklıdır.

S7. Blok sabit ya da rastgele seçimi neyi değiştirir?

Dengeli veride genetik bileşenleri ve oranları değiştirmez; bambu verisinde iki seçenek aynı sonucu verdi, yalnız blok(lokasyon) varyansı (1,54) tabloya eklendi. Blok varyansı iki durumda da \sigma^2_P'ye girmez (235, 291). Dengesiz ya da eksik bloklu tasarımda rastgele blok, bloklar arası bilgiyi de kullanır ve kestirimler az da olsa değişir.

S8. Varyans bileşeni tablosundaki p değeri neyin testi?

H_0:\sigma^2=0 için tek yönlü Wald testi: z=\hat\sigma^2/\operatorname{SH}, p=1-\Phi(z) (188–189). Varyans kestirimlerinin dağılımı küçük örneklemde çarpıktır ve sıfır parametre uzayının sınırındadır; Wald testi bu yüzden gücü düşük, kaba bir göstergedir. Bambu verisinde aile bileşeni için p=0{,}21'dir; aynı soru için olabilirlik oranı testi daha güvenilirdir.

80.10 Kaynaklar

  • Bates, D., Mächler, M., Bolker, B., & Walker, S. (2015). Fitting linear mixed-effects models using lme4. Journal of Statistical Software, 67(1), 1–48. https://doi.org/10.18637/jss.v067.i01
  • Burdon, R. D. (1977). Genetic correlation as a concept for studying genotype-environment interaction in forest tree breeding. Silvae Genetica, 26(5–6), 168–175.
  • Falconer, D. S., & Mackay, T. F. C. (1996). Introduction to quantitative genetics (4th ed.). Longman.
  • Jayaraman, K. (1999). A statistical manual for forestry research. FAO Regional Office for Asia and the Pacific.
  • Lambeth, C. C. (1980). Juvenile-mature correlations in Pinaceae and implications for early selection. Forest Science, 26(4), 571–580. https://doi.org/10.1093/forestscience/26.4.571
  • Omer, S. O., Abdalla, A. W. H., Mohammed, M. H., & Singh, M. (2015). Bayesian estimation of genotype-by-environment interaction in sorghum variety trials. Communications in Biometry and Crop Science, 10(2), 82–95.
  • Piepho, H.-P., & Möhring, J. (2007). Computing heritability and selection response from unbalanced plant breeding trials. Genetics, 177(3), 1881–1888. https://doi.org/10.1534/genetics.107.074229
  • Robertson, A. (1959). The sampling variance of the genetic correlation coefficient. Biometrics, 15(3), 469–485. https://doi.org/10.2307/2527750
  • White, T. L., Adams, W. T., & Neale, D. B. (2007). Forest genetics. CABI. https://doi.org/10.1079/9781845932855.0000
  • Yamada, Y. (1962). Genotype by environment interaction and genetic correlation of the same trait under different environments. The Japanese Journal of Genetics, 37(6), 498–509. https://doi.org/10.1266/jjg.37.498