R语言 rrBLUP包 GWA()函数中文帮助文档(中英文对照)

loveR

GWA(rrBLUP)
GWA()所属R语言包：rrBLUP

                                         Genome-wide association analysis
                                         全基因组关联分析

                                         译者：生物统计家园网 机器人LoveR

描述----------Description----------

Performs genome-wide association analysis based on the mixed model
混合模型的基础上，进行全基因组关联分析

where β is a vector of fixed effects that can model both environmental factors and population structure.  The variable g models the genetic background of each line as a random effect with Var[g] = A σ^2_A, where A is the additive relationship matrix.  The residual variance is Var[\varepsilon] = I σ_e^2.
β是固定的效果，可以模拟环境因素和人口结构的向量。变量g作为随机效应模型的遗传背景，每行Var[g] = A σ^2_A，其中一个是加关系矩阵。的残余的方差是Var[\varepsilon] = I σ_e^2。


用法----------Usage----------


GWA(y, G, Z=NULL, X=NULL, min.MAF=0.05, n.core=1, check.rank=FALSE)



参数----------Arguments----------

参数：y
Vector (n \times 1) of observations.  Missing values (NA) are omitted.  
观测向量（n \times 1）。缺失值（NA）被省略。


参数：G
Matrix (t \times m) of genotypes for t lines with m bi-allelic markers. Genotypes should be coded as {-1,0,1} = {aa,Aa,AA}.  Fractional (imputed) and missing (NA) values are allowed.   
矩阵（t \times m）t行m双等位基因标记的基因型。应该被编码为{-1,0,1} = {AA，AA，AA基因型。分数（虚拟）和缺失（NA）值是允许的。


参数：Z
0-1 matrix (n \times t) relating observations to lines. If not passed, the identity matrix is used.  
0-1矩阵（n \times t）观测到线。如果不通过，恒等矩阵被使用。


参数：X
Design matrix (n \times p) for the fixed effects.  If not passed, a vector of 1's is used  to model the intercept.  
设计矩阵（n \times p）的固定效果。如果不通过，一个向量的1的用于建模的截距。


参数：min.MAF
Specifies the minimum minor allele frequency (MAF).  If a marker has a MAF less than min.MAF, it is assigned a zero score.   
指定的最小次要等位基因频率（MAF）。如果一个标记有MAF小于min.MAF，它被赋予一个零分。


参数：n.core
For Mac, Linux, and UNIX users, setting n.core > 1 will enable parallel execution on a machine with multiple cores. R package multicore must be installed for this to work.  Do not run multicore from within the R GUI; you must use the command line.     
在Mac，Linux，和UNIX用户，设置n.core> 1，使多核心的机器上并行执行。 R封装的多核必须安装这个工作。不要在R GUI运行多核，你必须使用命令行。


参数：check.rank
If TRUE, function will check the rank of the augmented design matrix for each marker. Markers for which the design matrix is singular are assigned a zero score.  
如果是TRUE，函数将检查每个标记的增强设计矩阵的秩。标记的设计矩阵是奇异的，都分配了一个零分。


Details

详细信息----------Details----------

This function implements the iterative, generalized least-squares method of Kang et al. (2010), using mixed.solve for variance component estimation.
此功能实现的迭代，广义最小二乘法康等。 （2010年），使用mixed.solve方差分量估计。

The use of a minimum MAF is typically adequate to ensure the problem is well-posed.  However, if an error message indicates the problem is singular, set check.rank to TRUE.  This will slow  down the algorithm but should fix the error.
通常是足够的，以确保使用最小的MAF问题提出。但是，如果错误信息显示的问题是奇异的，设置为TRUE check.rank。这会减慢算法，但修复的错误。


值----------Value----------

Returns m \times 1 vector of the marker scores, which equal -log_{10}(p-value)
返回m \times 1向量的标记分数，等于-log_{10}（对值）


参考文献----------References----------

Nat. Genet. 42:348-354.

实例----------Examples----------


#random population of 200 lines with 1000 markers[随机人口200线1000标记]
G <- matrix(rep(0,200*1000),200,1000)
for (i in 1:200) {
  G[i,] <- ifelse(runif(1000)<0.5,-1,1)
}

QTL &lt;- 100*(1:5) #pick 5 QTL[挑5个QTL]
u &lt;- rep(0,1000) #marker effects[标记效应]
u[QTL] <- 1
g <- as.vector(crossprod(t(G),u))
h2 <- 0.5
y <- g + rnorm(200,mean=0,sd=sqrt((1-h2)/h2*var(g)))

scores <- GWA(y=y,G=G)

转载请注明:出自 生物统计家园网(http://www.biostatistic.net)。


注：
注1：为了方便大家学习，本文档为生物统计家园网机器人LoveR翻译而成，仅供个人R语言学习参考使用，生物统计家园保留版权。
注2：由于是机器人自动翻译，难免有不准确之处，使用时仔细对照中、英文内容进行反复理解，可以帮助R语言的学习。
注3：如遇到不准确之处，请在本贴的后面进行回帖，我们会逐渐进行修订。