阈值性状 Gibbs BLUP

1. Stock KF, Hoeschele I, Distl O. Estimation of genetic parameters and prediction of breeding values for multivariate threshold and continuous data in a simulated horse population using Gibbs sampling and residual maximum likelihood. J. Anim. Breed. Genet. 2007;124:308–19.

模拟马数据用于比较遗传参数的多变量估计和使用线性动物模型通过残差最大似然（REML）和最佳线性无偏预测（BLUP）和混合线性预测（BLUP）的分类，连续和分子遗传数据的育种值通过Gibbs采样（GS）阈值动物模型。模拟包括对一个连续性状，四个二元性状的负荷，数量性状基因座（QTL）效应和具有不同重组率的遗传标记和一个负债的多态性信息内容的附加遗传值，残差​​和固定效应。分析的数据集在具有性状记录的动物数量和遗传标记信息的可用性方面不同。在模型中的遗传标记信息的考虑导致对QTL性状的遗传性的显着过高估计。如果使用10,000或5,000只动物的信息，遗传力的偏差和加性遗传相关性大多较小，真实和预测的BV之间的相关性总是较高，并且基因上和较低的动物的鉴定 - 关于中等可遗传性状，在许多病例 - GS比REML / BLUP更可靠。如果仅使用1,000只动物的信息，GS和REML / BLUP都不产生所有性状的相对偏差<或= 25％和BV相关性> 50％的遗传参数估计。二元性状的选择决定应基于GS而不是基于REML / BLUP育种值。

---

介绍
动物育种中的许多重要特征是使用离散类别记录的。健康性状通常是二元的，仅在受影响的动物和不受疾病影响的动物之间有区别。在Warmblood骑乘马中，机车系统的强度是可用性和耐用性的主要决定因素。年轻马肢体中不合需要的放射图像结果的高流行性引起了对遗传学背景和遗传评价和选择放射学上良好的马蹄的机会的相当大的关注和动机研究。残余最大似然（REML）被考虑为几个作者选择的方法（例如Meyer 1991），并且仍然是最广泛使用的方差分量估计方法（Magn- abosco等人，2000）。然而，使用线性模型和REML用于分类数据的遗传分析忽略了它们的非线性分布，并导致遗传力和残留相关性的低估，需要通过从估计值到观察到的潜在责任量表的转换来补偿Gianola 1982）。这种基于阈值概念（Wright 1934）的转化对中度流行的性状最有效，但可能导致极度流行的性状的偏差结果（Stock et al。2005）。然后可以通过最佳线性无偏预测（BLUP）将未重组或转化（共）方差矩阵用于遗传评估。贝叶斯马尔可夫链蒙特卡罗（MCMC）方法，如吉布斯取样（GS）提供了一种替代方法进行遗传分析的属性特征。利用该算法，可以使用用于同时估计（共）方差的阈值模型和用于分类性状的育种值的预测。 GS的进一步发展包括提供后验分布而不是点估计，并与其他MCMC方法相比减少了大型数据集分析的计算工作量。然而，Gibbs链的收敛和混合依赖于数据结构，并且在马中通常遇到的设置中的多个分类性状的GS结果的可靠性还没有被研究。因此，这项研究的目的是使用模拟表型和基因马数据对多个分类性状比较方差组件估计和遗传评估与多变量线性动物模型使用REML和BLUP结合的结果转化和使用GS的多变量动物阈值模型。