前面的几节中，我们介绍了GCTA计算G矩阵，本节我们介绍，如果使用GCTA进行遗传力的估计。1. GCTA计算单性状遗传力常用参数
1.1 --reml（必须）
这部分，是使用reml的方法进行估计方差组分。默认的是AI算法，可以使用EM算法。
1.2 --reml-alg 指定迭代方法（非必须）
--reml-alg 0 # AI算法，默认算法
--reml-alg 1 # EM算法
1.3 --reml-priors 迭代初始值
指定迭代初始值，当数据量较大时，指定初始值，会加快迭代速度。
--reml-priors 0.45 0.55
表示Va为0.45， Ve为0.55
1.4 --grm（必须）
指定GRM矩阵
--grm # 接二进制文件GRM的前缀
--grm-bin # 同上
--grm-gz # 接文本的GRM文件前缀
推荐使用二进制的文件，因为速度快，占用空间少。
1.5 --covar（非必须）
这是接因子协变量的，第一列和第二列分别是FID和IID，后面接因子协变量，比如场年季
1.6 --qcovar（非必须）
接的是数字协变量，比如PCA，比如初生重等
1.7 --pheno（必须）
接的是表型数据，格式也是plink的格式，第一列FID，第二列IID，第三列是表型数据（缺失用NA表示）
如果是多个表型，想指定第四列为表型，可以用--mpheno 2，表示第四列为分析的性状。
1.8 ----mpheno 2 表型数据第四列
如果表型数据中有多列，可以设置第四列为分析的性状。
1.9 --reml-pred-rand 输出育种值BLUP
加上这个代码，会输出BLUP值，GBLUP育种值。
1.10 --blup-snp 输出SNP效应值
再加上--reml-pred-rand和--bfile，加上plink二进制文件和育种值信息，会计算SNP的效应值，类似rrblup的值。
1.11 --blup-snp 输出SNP效应值
再加上--reml-pred-rand和--bfile，加上plink二进制文件和育种值信息，会计算SNP的效应值，类似rrblup的值。
2. 数据准备
2.1 表型数据
三列，第一列是FID，第二列IID，第三列是表型数据y，没有行头，空格隔开。
2.2 基因型数据
plink的二进制文件
2.3 协变量
这里，示例数据中，没有提供协变量信息。如果提供，可以按照第一列是FID，第二列是IID，其它是协变量的方法整理数据。协变量分为数字协变量和因子协变量，要分开整理。
3. 构建GRM矩阵
3.1 使用Yang的方法
这里，默认的是Yang的方法。
gcta64 --bfile ../test --make-grm --make-grm-alg 0 --out g1
结果文件：
3.2 使用Van的方法
这里，用Van的方法，类似我们GBLUP估计所用的矩阵构建形式。
gcta64 --bfile ../test --make-grm --make-grm-alg 1 --out g2
结果文件：
4. 单性状估算遗传力和标准误
这里，已经构建好了GRM矩阵，指定表型数据，进行遗传力的估计
4.1 使用Yang的GRM矩阵
gcta64 --grm g1 --pheno ../test.phen --reml --out re1
结果可以看出：
遗传力为0.02，标准误是0.008
4.2 使用Van的GRM矩阵
gcta64 --grm g2 --pheno ../test.phen --reml --out re2
结果可以看出：
遗传力为0.02，标准误是0.008
两种方法，结果基本一致。
4.3 使用ASReml作为对比
将二进制的GRM文件，变为asreml支持的ginv格式。
「asreml代码：」
mod = asreml(V3 ~ 1, random = ~ vm(V2,ginv), residual = ~ idv(units),
workspace = "10Gb",
dense = ~ vm(V2,ginv),
data=dat)
summary(mod)$varcomp
vpredict(mod,h2 ~ V1/(V1+V2))
「方差组分和遗传力结果：」
结果和GCTA一致。
5. GBLUP育种值计算和比较
5.1 GCTA计算GEBV值
「代码：」
gcta64 --bfile ../test --make-grm --make-grm-alg 1 --out g2
gcta64 --grm g2 --pheno ../test.phen --reml --out re2 --reml-pred-rand
计算的育种值：re2.indi.blp，第四列为GEBV。
5.2 ASReml计算BLUP值
mod = asreml(V3 ~ 1, random = ~ vm(V2,ginv), residual = ~ idv(units),
workspace = "10Gb",
dense = ~ vm(V2,ginv),
data=dat)
summary(mod)$varcomp
vpredict(mod,h2 ~ V1/(V1+V2))
blup = coef(mod)$random %>% tiqu_blup()
head(blup)
5.3 GCTA与ASReml的GEBV进行比较：
blup = coef(mod)$random %>% tiqu_blup()
head(blup)
aa = fread("../10_reml_van_uni/re2.indi.blp")
head(aa)
re = merge(blup,aa,by.x = "ID",by.y = "V2")
head(re)
re %>% select(effect,V4) %>% cor
可以看出，结果完全一样。
