检测交叉互动下固定线性双线性模型和混合效果
biplot分析能帮助检测交叉互动吗?
最重要的通用电气在农业是COI (Cornelius et al ., 1993)。在缺乏COI,通用电气是由于不同的尺度,最好的基因型在一个环境在其他环境中仍然是最好的。通常AMMI2并不区分coi和non-COIs biplot分析。一个SREG1 biplot基于约束的奇异值分解(圣)non-COI PC1解决方案(Crossa和科尼利厄斯,1997)已经被用于预测缺乏coi基于早期工作在一阶转移乘法模型(SHMM1)由科尼利厄斯et al。(1992)。如果SHMM1模型是一个适当的近似双向通用数据和环境的主要影响(PC1分数)是所有非容积或非负,那么SHMM1比例模型有两个属性。首先,基因型之间的差异在任何一个环境与基因型的差异在其他环境中。其次,不同环境的任何单个基因型的性能是成正比的其他基因型的性能。第二个比例限制不需要评估基因型non-COI地位和SREG1模型中被移除。如果PC1成绩有不同的迹象,SHMM1 SREG1 biplots coi的存在。SHMM2和SREG2 biplots前两个电脑代表non-COI变化的曲线(PC1)与COI变异(PC2)。
检测COI使用SREG和SHMM通常固定效应linear-bilinear框架内完成。提出的方法Crossa et al .(2004)使用固定linear-bilinear SREG和SHMM模型构建与non-COI环境和基因型的聚类,然后利用线性混合模型试验的统计假设完美的基因子集内的环境或基因型之间的相关性。杨(2007)认为在大都会的统计分析,基因型或环境,或者两者兼有,应该被视为随机效应,因此,COI检测必须考虑随机环境中基因型效应之间的区别是一个可预见的函数,包括最佳线性无偏估计量以及BLUPs(蓝色)。
Burgueno et al。(2008)提出了一个集成方法:(i)集群环境和基因型与微不足道的COI基于从拟合结果FA遇到数据;和(2)检测COI使用可预测函数基于线性混合模型和FA BLUPs基因型。作者能够区分COI的异质性差异(高压)。这种方法的优点是:(i)它允许研究人员使用一个更现实的统计模型与固定和随机效应;(2)协会在环境考虑和模仿;(3)基因型之间的联系很容易引入(虽然不包括在Burgueno et al ., 2008);及(iv)的方法可以用于不平衡和丢失的数据。
Burgueno et al。(2008)使用linear-bilinear混合模型方法基于FA (2)。他们展示了使用这种方法的两个数据集。一个数据集包括粮食产量从国际玉米小麦改良中心(CIMMYT)玉米会见了九个基因型(A, B, C, D, E, F, G, H, I)在随机安排完整的四块设计评估在20个国际环境。图14.1中的biplot给一般描述性的基因型和环境的模式,和可以识别极端对与COI基因型和网站,例如,基因型与环境11和8 D和H。然而,biplot本身并不清晰地描述环境的子集和统计学意义COI基因型。聚类后
H |
17 |
E |
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
一个10 |
7 |
F 15 |
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
8 |
c |
19日14 9 f |
£4 |
||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
B |
t |
12日18 |
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
G |
图14.1。Biplot从因素分析(FA(2))模型的玉米籽粒产量数据包括九个基因型(A, B, C, D, E, F, G, H, I)和20环境(1)(改编自Burgueno et al ., 2008)。 环境和基因型混合linear-bilinear模型的基础上,最后一个子集的环境与微不足道的COI子集(1-3-10)、(2-6-7-19-14)、(4-5-169-17-20-15)、(11-13-12-18)、(8)和每个子集,而最后的子集与微不足道的COI基因型(A-B-C-G)和(D-E-F-I),与H成员组。 结果表明,当一个环境或被认为是一个基因型的子集,子集COI不显著。当环境位于相反的子集biplot的象限图14.1相结合,有一个更大数量的增加显著的coi比环境从同一象限的子集biplot结合(表14.4)。从增殖的角度看,它可能是重要的考虑结合某些环境到一个较大的集群子集可能更好的代表某些假设的目标人群的环境。当环境(8)结合(1-3-10)与负载荷(子集),没有明显的coi的添加,但当(8)结合(4-5-9-15-16-1720),重要的coi的数量增加到12(表14.4)。环境8不同于所有其他环境子集除了子集(1-3-10)。这些结果与植物育种的主要兴趣在协议,这是发展中基因型与当地以及广泛的适应性。这可以更好地通过分层环境(和/或基因型),这反过来又增加两个区域和地方各级选择收益。地区和条件可能是更好的描述基于COI和non-COI。这种方法应有助于发现潜在的新地区和条件的子集,可以受到新的气候变化的影响,干旱和/或热应力。raybet雷竞技最新以来气候变化raybet雷竞技最新是非常动态的,可以激烈的年复一年,几年的连续大都会数据应该系统地分析找到新的环境条件反应的基因型模式。 表14.4。总数的四联球菌环境和基因型的子集,重要的四联球菌,总数数(n)、重大COI百分比(%)和数量(n)和百分比(%)重大non-COI由于异质性的方差(高压)(改编自Burgueno等等。,2008)。 由于高压显著显著显著non-COI四联球菌COI 子集总tetradsa n % n % n % 表14.4。总数的四联球菌环境和基因型的子集,重要的四联球菌,总数数(n)、重大COI百分比(%)和数量(n)和百分比(%)重大non-COI由于异质性的方差(高压)(改编自Burgueno等等。,2008)。 由于高压显著显著显著non-COI四联球菌COI 子集总tetradsa n % n % n %
四联球菌数子集内的环境和基因型被认为是当一个环境子集和一个基因型的子集,子集之间的环境和基因型环境或基因型被认为是当两个子集。 四联球菌数子集内的环境和基因型被认为是当一个环境子集和一个基因型的子集,子集之间的环境和基因型环境或基因型被认为是当两个子集。 |
||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
这篇文章有用吗?