219664_zh-CN

liliconcom

使用 JMP Genomics 进行交叉评估和后代模拟，第 2 部分：育种值的预测模型

在上周的帖子，我们使用最佳线性无偏预测将育种试验数据合并到一个表中。 下表（大麦_基因_pheno.sas7bdat ）显示了约 300 个大麦品系，具有四个性状的表型值和约 7000 个遗传标记。 在这篇文章中，我们将使用预测建模回顾JMP Genomics 中的工具可创建多个模型并通过交叉验证对它们进行比较。 交叉验证后，我们将选择最有效的模型并使用它来创建评分代码文件，我们可以从中执行交叉评价和后代模拟。

估算缺失基因型

1. 请注意，在上面显示的数据集中，缺少一些标记数据。 在运行之前预测建模回顾工具，需要对这些缺失的基因型进行估算。 JMP基因组学有一个工具可以根据最近邻样本估算缺失的基因型。 要访问此工具，请选择遗传学 > 遗传学实用程序 > 估算缺失基因型来自基因组学入门。
2. 上一般的选项卡，选择大麦基因现象。 sas7bdat作为输入 SAS 数据集。
3. 选择IndID、蛋白质_BLUP、TW_BLUP、ERG_BLUP、和PY_BLUP作为要保留在输出中的变量。
4. 在里面预测连续变量的列表式规范框，输入米：指定以字母“m”开头的每一列作为标记变量。
5. 选择一个导出目录。
6. 此示例没有注释数据集，因此注解选项卡可以留空。
7. 上选项选项卡，设置最近邻样本的数量到25 。 这将使用标记最近的 25 个邻居来估算缺失的基因型。
8. 在里面输出选项卡，类型大麦估算进入输出文件前缀
9. 点击跑步开始分析。 该过程完成后，新的数据集将出现在您指定的位置导出目录。 该估算数据集标题为barley_impute_img。 sas7bdat将用于下面的预测建模审核输入。

预测建模回顾

10. 来自基因组学入门菜单，选择预测建模 > 主要方法 > 预测建模综述。 上一般的选项卡，选择barley_impute_img。 sas7bdat作为输入 SAS 数据集来填充可用变量盒子。
11. 将四个特征中的每一个放入因变量。JMP 将同时为所有四个特征创建模型。
12. 在里面预测连续变量的列表式规范框，输入米：
13. 选择一个导出目录。

     

14. 保留默认选择选项标签。
15. 在里面楷模选项卡中有 12 种模型，并且都是完全可定制的。 对于本示例，选择偏最小二乘法、分区树、和岭回归。 我们将创建这三个模型来预测这四个特征中的每一个，并使用交叉验证来比较它们的有效性。
    • 可以通过突出显示来调整各个模型设置选定型号选择并点击编辑在窗口的右侧。
    • 此外，具有不同设置的同一建模类型的多次迭代可以包含在同一分析中。
16. 突出显示偏最小二乘法模型并单击编辑打开设置窗口。 有多种选项可用于生存、减少预测变量和锁定变量。 对于本例，打开分析。设置因变量的类型到连续的。
17. 设置使用的最大预测变量数到1000 。 这将限制允许进行预测的标记数量。
18. 点击更新评论返回到原始预测建模查看窗口。 选择岭回归，并在分析选项卡，设置因变量的类型到连续的和使用的最大预测变量数到1000 。
19. 再次单击更新评论返回到原始预测建模查看窗口。 选择分区树现在，以及关于分析选项卡，设置因变量的类型到连续的然后单击更新评论。
20. 接下来的三个选项卡提供了用于评估和比较模型的选项。 我们将使用交叉验证，但存在选项测试装置如果存在并且为了学习曲线。
21. 在里面交叉验证选项卡，单击旁边的框执行交叉验证模型比较。
22. 为了保留法， 选择随机分区。 这会将数据随机分成组，然后保留每组中的一小部分数据。
23. 指定保留尺寸作为K 代表 K 折并设置K 代表 K 折滑块到5 。
    • 这里，K 等于分区中的组数，其中 1/K 等于保留的总观测值的百分比。
24. 设置随机保留迭代次数到5对每个模型运行交叉验证过程 5 次。
25. 点击跑步开始分析。

结果

26. 分析完成后，会出现一个JMP期刊将出现一个窗口，其中包含用于查看按四个特征分隔的每个模型结果的选项，以及交叉验证模型比较的结果。
27. 结果按表型组织，并提供每个模型在预测每个性状方面的表现的详细结果。 对于模型比较统计数据，单击每个特征的第四个结果窗口，从检查所有默认预测蛋白的交叉验证_BLUP 。
28. 交叉验证结果包括多种评估模型有效性的方法，包括 RMSE、Harrel's C 和可靠性图。 我们将根据以下条件评估模型相关性。 相关值越高表明模型越有效。 相关图上的每个点代表三种模型类型中每种模型的五次交叉验证迭代之一。 每个特征的相关图如下所示：
29. 请注意，四个图的轴不同。 根据此评估，我们的偏最小二乘和岭回归模型可以很好地预测体重 (TW) 和麦角甾醇含量 (ERG)。 这些模型都无法准确预测蛋白质含量或蛋白质产量 (PY)。
30. 岭回归模型在预测 TW 和 ERG 方面稍微有效一些，因此我们将选择该模型进行交叉评估。 在继续之前，我们需要搜索导出目录分析结果存储的位置并找到评分代码文件为岭回归模型。 这些文件是名为 SAS 程序文件SAS和barley_impu_PY_BLUP_02_rr_score.sas 。

概括

JMP Genomics 中的预测建模审核是一个一站式服务，用于将多个模型与您的数据进行拟合和比较。 在此示例中，我们拟合了四种模型类型，每种模型都有独特的设置。 请注意，具有不同设置的同一模型类型的多次迭代可以包含在同一评论中（即使用 LASSO 的一般线性模型与逐步选择）。 请注意，还可以通过从 Genomics Starter 菜单中选择模型类型来单独拟合模型并针对保留数据进行测试。 另请注意，单独拟合模型可能会提供更详细的输出。 该分析的结果有两个：首先，岭回归模型对于预测我们的表型是最有效的，其次，我们将使用评分代码文件作为下周分析的基础，使用 JMP Genomics 进行交叉评估和后代模拟，第 3 部分：交叉评估、选择和后代模拟。

在上周的帖子中，我们使用最佳线性无偏预测将育种试验数据合并到一个表中。 下表显示了约 300 个大麦品系，其四个性状的表型值和约 7000 个遗传标记。 在这篇文章中，我们将使用预测建模回顾JMP Genomics 中的工具可创建多个模型并通过交叉验证对它们进行比较。 交叉验证后，我们将选择最有效的模型并使用它来创建评分代码文件，我们可以从中执行交叉评价和后代模拟。