IASBreeding
智慧农业育种平台
智慧农业育种平台（Intelligent Agricultural Solutions of Breeding，简称IASBreeding） 是一个专门用于动物和农作物育种服务的分析平台。目前该平台功能包括了包括线性混合模型IASBLUP、机器学习非线性模型IASML、选配决策IASmating、基因型填充IASimpute四个功能模块。IASBLUP软件提供三种分析版本：C++软件、R语言软件包、云平台分析；IASML软件提供了python软件和云平台服务。选配决策IASmating提供了软件和云平台服务、IASimpute只提供了云平台服务。
IAS-breeding特点:
版本丰富
Linux C++, R, 在线网页
运算高效
Fast C++ math library
用户友好
交互网页和R版本
功能丰富
遗传力估计, 育种值估计
IASBLUP 功能:
方差组分计算
AI-REML
遗传参数估计
遗传力和遗传相关
基于系谱亲缘关系矩阵 BLUP方法
线性混合模型
基因组预测
基因组亲缘关系矩阵，线性混合模型
表型基本统计
表型分布统计
方差组分计算
遗传力
IASbreeding V1.1.0 can calculate kinship matrix, variance component analysis using linear mixed model, breeding value using BLUP. The core algorithm of IASbreeding is built using Rcpp and RcppEigen.
先下载安装R和（或）Rstudio用于执行R语言软件包
install.packages("IASbreeding_1.1.0.zip", repos = NULL)
library(IASbreeding)
phe_file <- system.file("extdata", "Phenotype.txt", package = "IASbreeding", mustWork = TRUE)
pheno <- read.table(phe_file,header=TRUE)
ped_file <- system.file("extdata", "Pedigree.txt", package = "IASbreeding", mustWork = TRUE)
ped <- read.table(ped_file,header=TRUE)
newped<-pedcheck(ped)
A<-Akin(newped)
Results <- IASBLUP(BW56 ~ 1 + Sex + Condition,random = "ID", kinship = A, max_iter = 20, data = pheno)
bed_file <- system.file("extdata", "Genotype.bed", package = "IASbreeding", mustWork = TRUE)
file_prefix <- sub("\\.bed$", "", bed_file)
Genotype <-read_bed(file_prefix)
G<-Gkin(Genotype)
Results <- IASBLUP(BW56 ~ 1 + Sex + Condition,random = "ID", kinship = G, max_iter = 20, data = pheno)
H<-Hkin(A, G)
Results <- IASBLUP(BW56 ~ 1 + Sex + Condition,random = "ID", kinship = H, max_iter = 20, data = pheno)
版本： 1.2.9
作者： 蔡文涛
日期： 2025年11月
IASBLUP 是一款专为动植物育种设计的综合性基因组选择软件，采用C++编写，提供高效的实现方案：
✅ 多只G矩阵方法：3种方法可选（中心化、2p(1-p)校正、独立方差校正）
✅ 灵活的REML方法：4种算法可选（Direct、Cholesky、Eigen、Low-rank）
✅ 大规模支持：可处理数千万SNP和数万个体的数据
✅ 内存高效：流式算法用于亲缘关系矩阵计算
✅ 丰富的输出：完整的方差组分、遗传力估计及标准误
✅ 高性能：采用Intel MKL和Eigen库优化
预编译版本适用于以下系统：
# 解压
tar -xzvf IASBLUP-1.2.0-Linux-x86_64.tar.gz
# Linux和macOS系统需添加执行权限，windows可直接使用
chmox +x ./IASBLUP
# 运行
./IASBLUP
Linux和mac
./IASBLUP --kinship \
--bedfile mydata \
--kin-method 3 \
--threads 8 \
--out kinship_output
./IASBLUP --reml \
--phefile phenotype.txt \
--kin-file kinship_output.kinship.txt \
--phe-pos 3 \
--covar-pos 4,5 \
--out reml_results
./IASBLUP --predict \
--phefile phenotype.txt \
--kin-file kinship_output.kinship.txt \
--phe-pos 3 \
--covar-pos 4,5 \
--out ebv_results
./IASBLUP --predict \
--phefile phenotype.txt \
--phe-pos 3 \
--h2 0.35 \
--out quick_ebv
从基因组数据或系谱信息计算遗传亲缘关系矩阵。
./IASBLUP --kinship \
--bedfile genotype_prefix \
--kin-method [1|2|3] \
--kin-lambda [值] \
--threads [线程数] \
--out output_prefix
方法说明：
# 方法1：只做中心化方法（大家畜、奶牛、肉牛群体推荐、速度最快，Paul M. VanRaden et al., 2008）
--kin-method 1
# 方法2：MAF加权方法（人类遗传学常用，Yang Jian et al., 2010）
--kin-method 2 --kin-lambda 1.0
# 方法3：方差加权方法 (不符合哈代-温伯格平衡、高强度选择群体推荐， Wentao Cai et al., 2023）
--kin-method 3 --kin-lambda 1.0
参数：
--kin-lambda：缩放因子（默认：1.0）--block-size：内存管理的SNP块大小（默认：50000）--kin-bin：以二进制格式输出（I/O更快）./IASBLUP --kinship \
--pedigree pedigree.txt \
--out output_prefix
系谱文件格式：
ID Sire Dam
Ind1 0 0
Ind2 0 0
Ind3 Ind1 Ind2
./IASBLUP --kinship \
--bedfile genotype_prefix \
--pedigree pedigree.txt \
--kin-tau 1.0 \
--kin-omega 1.0 \
--out output_prefix
参数：
--kin-tau：基因组关系权重（默认：1.0）--kin-omega：系谱关系权重（默认：1.0）使用限制性最大似然法（REML）估计方差组分和遗传力。
./IASBLUP --reml \
--phefile phenotype.txt \
--kin-file kinship.txt \
--phe-pos 3 \
--out reml_output
./IASBLUP --reml \
--phefile phenotype.txt \
--kin-file kinship.txt \
--phe-pos 3 \
--covar-pos 4,5 \ # 因子型协变量（如性别、场群）
--qcovar-pos 6,7 \ # 数量型协变量（如年龄、体重）
--out reml_output
IASBLUP 提供4种不同的REML算法：
# 方法1：直接求逆法（小数据集，n < 2000）
./IASBLUP --reml \
--phefile phenotype.txt \
--kin-file kinship.txt \
--phe-pos 3 \
--var-method Direct \
--out results
# 方法2：Cholesky分解法（默认，推荐）
./IASBLUP --reml \
--phefile phenotype.txt \
--kin-file kinship.txt \
--phe-pos 3 \
--var-method Cholesky \
--out results
# 方法3：特征分解法（谱分析）
./IASBLUP --reml \
--phefile phenotype.txt \
--kin-file kinship.txt \
--phe-pos 3 \
--var-method Eigen \
--out results
# 方法4：低秩近似法（超大数据集，n > 10000）
./IASBLUP --reml \
--phefile phenotype.txt \
--kin-file kinship.txt \
--phe-pos 3 \
--var-method LowRank \
--lowrank-ratio 0.95 \ # 目标解释95%方差
--lowrank-maxrank 1000 \ # 最大秩
--out results
方法比较：
| 方法 | 速度 | 精度 | 适用场景 | 内存 |
|---|---|---|---|---|
| Direct | 慢 | 精确 | n < 2,000 | 高 |
| Cholesky | 快 | 精确 | n < 20,000 | 中 |
| Eigen | 中 | 精确 | 任意规模 | 中 |
| Low-rank | 很快 | 近似 | n > 10,000 | 低 |
将遗传方差分解为多个组分：
./IASBLUP --reml \
--phefile phenotype.txt \
--phe-pos 3 \
--multi-kins G1.txt,G2.txt,G3.txt \
--component-names G1_name,G2_name,G3_name \
--out multi_component
为所有个体预测基因组育种值（GEBV/EBV）。
./IASBLUP --predict \
--phefile phenotype.txt \
--kin-file kinship.txt \
--phe-pos 3 \
--covar-pos 4,5 \
--out prediction_results
输出：
如果已知遗传力，可跳过REML估计：
./IASBLUP --predict \
--phefile phenotype.txt \
--phe-pos 3 \
--h2 0.35 \
--out quick_prediction
注意： 此模式不需要亲缘关系矩阵文件，提供简化的预测：EBV = h² × (y - Xβ)
./IASBLUP --predict \
--phefile phenotype.txt \
--phe-pos 3 \
--multi-kins G1.txt,G2.txt \
--component-names G1_name,G2_name \
--out multi_ebv
估计两个性状间的遗传相关。
./IASBLUP --two-trait \
--phefile phenotype.txt \
--kin-file kinship.txt \
--phe-pos1 3 \ # 性状1列号
--phe-pos2 4 \ # 性状2列号
--out bivar_results
./IASBLUP --two-trait \
--phefile phenotype.txt \
--kin-file kinship.txt \
--phe-pos1 3 \
--phe-pos2 4 \
--covar-pos1 5,6 \ # 性状1的协变量
--covar-pos2 5,7 \ # 性状2的协变量
--qcovar-pos1 8 \ # 性状1的数量协变量
--qcovar-pos2 9 \ # 性状2的数量协变量
--out bivar_results
注意： 不同性状可以有不同的协变量集合。
./IASBLUP --two-trait --predict \
--phefile phenotype.txt \
--kin-file kinship.txt \
--phe-pos1 3 \
--phe-pos2 4 \
--out bivar_ebv
| 参数 | 类型 | 说明 | 默认值 |
|---|---|---|---|
--help |
标志 | 显示帮助信息 | - |
--out |
字符串 | 输出文件前缀 | “Results” |
--threads |
整数 | CPU线程数 | 1 |
| 参数 | 类型 | 说明 | 默认值 |
|---|---|---|---|
--kinship |
标志 | 计算亲缘关系矩阵 | - |
--bedfile |
字符串 | PLINK bed文件前缀 | - |
--pedigree |
字符串 | 系谱文件路径 | - |
--kin-method |
整数 | 方法：1=VanRaden1, 2=VanRaden2, 3=LDAK | 1 |
--kin-lambda |
浮点数 | 缩放因子 | 1.0 |
--kin-tau |
浮点数 | H矩阵中基因组权重 | 1.0 |
--kin-omega |
浮点数 | H矩阵中系谱权重 | 1.0 |
--kin-bin |
标志 | 输出二进制格式 | - |
--block-size |
整数 | SNP块大小 | 50000 |
| 参数 | 类型 | 说明 | 默认值 |
|---|---|---|---|
--phefile |
字符串 | 表型文件路径 | - |
--phe-pos |
整数 | 表型列号（从1开始） | - |
--covar-pos |
字符串 | 因子协变量列号（逗号分隔） | - |
--qcovar-pos |
字符串 | 数量协变量列号（逗号分隔） | - |
| 参数 | 类型 | 说明 | 默认值 |
|---|---|---|---|
--reml |
标志 | 运行REML分析 | - |
--kin-file |
字符串 | 亲缘关系矩阵文件 | - |
--var-method |
字符串 | REML方法：Direct, Cholesky, Eigen, LowRank | Cholesky |
--max-iter |
整数 | 最大迭代次数 | 30 |
| 参数 | 类型 | 说明 | 默认值 |
|---|---|---|---|
--lowrank-ratio |
浮点数 | 目标方差解释度（0-1） | 0.95 |
--lowrank-maxrank |
整数 | 允许的最大秩 | 800 |
| 参数 | 类型 | 说明 | 默认值 |
|---|---|---|---|
--predict |
标志 | 预测育种值 | - |
--h2 |
浮点数 | 已知遗传力（0-1，跳过REML） | - |
| 参数 | 类型 | 说明 | 默认值 |
|---|---|---|---|
--multi-kins |
字符串 | 多个亲缘关系文件（逗号分隔） | - |
--component-names |
字符串 | 组分名称（逗号分隔） | G1,G2,… |
| 参数 | 类型 | 说明 | 默认值 |
|---|---|---|---|
--two-trait |
标志 | 双变量分析 | - |
--phe-pos1 |
整数 | 性状1列号 | - |
--phe-pos2 |
整数 | 性状2列号 | - |
--covar-pos1 |
字符串 | 性状1的因子协变量 | - |
--covar-pos2 |
字符串 | 性状2的因子协变量 | - |
--qcovar-pos1 |
字符串 | 性状1的数量协变量 | - |
--qcovar-pos2 |
字符串 | 性状2的数量协变量 | - |
需要三个文件：
prefix.bed：二进制基因型数据prefix.bim：SNP信息prefix.fam：个体信息BIM文件格式（制表符/空格分隔）：
染色体 SNP_ID 遗传距离 物理位置 等位基因1 等位基因2
1 snp1 0 1000 A G
1 snp2 0 2000 C T
FAM文件格式（制表符/空格分隔）：
家系ID 个体ID 父亲 母亲 性别 表型
Fam1 Ind1 0 0 1 -9
Fam1 Ind2 0 0 2 -9
格式： 带表头的制表符或空格分隔文本文件
ID 性别 场群 性状1 性状2 年龄
Ind1 1 1 125.3 45.2 365
Ind2 2 1 132.1 48.5 380
Ind3 1 2 128.7 NA 370
Ind4 2 2 NA 51.2 390
要求：
列索引：
--phe-pos 4格式： 制表符或空格分隔文本文件
ID Ind1 Ind2 Ind3 Ind4
Ind1 1.000 0.250 0.125 0.000
Ind2 0.250 1.000 0.125 0.000
Ind3 0.125 0.125 1.000 0.250
Ind4 0.000 0.000 0.250 1.000
要求：
格式： 带表头的制表符或空格分隔文本文件
ID 父亲 母亲
Ind1 0 0
Ind2 0 0
Ind3 Ind1 Ind2
Ind4 Ind1 Ind2
Ind5 Ind3 Ind2
要求：
文件： output_prefix.kinship.txt
格式：与输入亲缘关系矩阵格式相同（见上文）
二进制输出（–kin-bin）：
output_prefix.grm.bin：二进制亲缘关系值output_prefix.grm.id：个体ID文件： output_prefix.log
==========================================
REML方差组分估计
==========================================
方差组分：
sigma_a2（遗传） = 125.45 (标准误 15.23)
sigma_e2（残差） = 278.32 (标准误 18.45)
遗传力：
h² = 0.3108 (标准误 0.0425)
对数似然值：-5234.56
固定效应：
效应 估计值 标准误 F值 P值
截距 128.45 2.34 5234.2 < 2e-16
性别_2 -5.23 1.12 21.8 3.2e-06
场群_2 3.45 1.34 6.6 0.0102
方差分析表：
来源 自由度 平方和 均方 F值 P值
性别 1 6234.5 6234.5 21.8 3.2e-06
场群 1 1890.3 1890.3 6.6 0.0102
残差 1644 470123.4 285.9
文件： output_prefix.variance_components.txt
组分 方差 标准误 占比
G1 125.45 15.23 0.3108
G2 45.32 12.34 0.1122
G3 12.45 8.90 0.0308
残差 220.12 16.78 0.5451
总计 403.34 - 1.0000
文件： output_prefix.random.txt
ID EBV
Ind1 12.345
Ind2 -5.678
Ind3 8.901
Ind4 -2.345
Ind5 15.678
多组分预测：
output_prefix.ebv_G1.txt、output_prefix.ebv_G2.txt 等
文件： output_prefix.bivar_results.txt
==============================================
双变量REML分析结果
==============================================
性状1方差组分：
sigma_a1^2 = 125.45 (标准误 15.23)
sigma_e1^2 = 278.32 (标准误 18.45)
h1² = 0.3108 (标准误 0.0425)
性状2方差组分：
sigma_a2^2 = 89.23 (标准误 12.34)
sigma_e2^2 = 198.76 (标准误 15.67)
h2² = 0.3098 (标准误 0.0445)
遗传协方差：
cov_a = 85.34 (标准误 12.45)
遗传相关：
r_g = 0.8234 (标准误 0.0678)
表型相关：
r_p = 0.6543
使用多个CPU核心加速计算：
./IASBLUP --kinship \
--bedfile large_dataset \
--threads 16 \
--out kinship_parallel
推荐线程数：
对于包含数百万SNP的数据集：
./IASBLUP --kinship \
--bedfile huge_dataset \
--block-size 100000 \ # 更大的块提高性能
--threads 16 \
--out kinship_large
块大小建议：
IASBLUP 自动处理缺失的表型和基因型：
缺失表型：
NA、na、-9或.缺失基因型：
分析前推荐的QC步骤：
# 使用PLINK进行QC
plink --bfile raw_data \
--maf 0.05 \ # 最小等位基因频率过滤,数量超过1万建议降低至0.01
--geno 0.1 \ # SNP缺失率
--mind 0.1 \ # 个体缺失率
--hwe 1e-6 \ # Hardy-Weinberg平衡，只适用于家畜，家禽不需要改参数过滤
--make-bed \
--out qc_data
# 然后用于IASBLUP
./IASBLUP --kinship \
--bedfile qc_data \
--out kinship_qc
何时使用各种REML方法：
Direct方法：
--var-method Direct
Cholesky方法（默认）：
--var-method Cholesky
Eigen方法：
--var-method Eigen
Low-Rank方法：
--var-method LowRank \
--lowrank-ratio 0.95 \
--lowrank-maxrank 1500
Low-Rank调优：
--lowrank-ratio 0.70：更快，精度较低--lowrank-ratio 0.9：平衡（推荐）--lowrank-ratio 0.98：较慢，精度更高--lowrank-maxrank：如果未达到目标比率则增加# 步骤1：质量控制（使用PLINK）
plink --bfile raw_genotypes \
--maf 0.01 --geno 0.1 --mind 0.1 \
--make-bed --out clean_genotypes
# 步骤2：计算G矩阵
./IASBLUP --kinship \
--bedfile clean_genotypes \
--kin-method 3 \
--threads 8 \
--out G_matrix
# 步骤3：REML分析
./IASBLUP --reml \
--phefile phenotypes.txt \
--kin-file G_matrix.kinship.txt \
--phe-pos 3 \
--covar-pos 4,5 \
--qcovar-pos 6 \
--out heritability_est
# 步骤4：预测育种值
./IASBLUP --predict \
--phefile phenotypes.txt \
--kin-file G_matrix.kinship.txt \
--phe-pos 3 \
--covar-pos 4,5 \
--qcovar-pos 6 \
--out gebv_predictions
# 步骤1：计算A矩阵
./IASBLUP --kinship \
--pedigree pedigree.txt \
--out A_matrix
# 步骤2：估计育种值
./IASBLUP --predict \
--phefile phenotypes.txt \
--kin-file A_matrix.kinship.txt \
--phe-pos 3 \
--covar-pos 4,5 \
--qcovar-pos 6 \
--out traditional_ebv
# 计算结合系谱和基因组的H矩阵
./IASBLUP --kinship \
--bedfile genotypes \
--pedigree pedigree.txt \
--kin-tau 1.0 \
--kin-omega 1.0 \
--out H_matrix
# 使用H矩阵预测
./IASBLUP --predict \
--phefile phenotypes.txt \
--kin-file H_matrix.kinship.txt \
--phe-pos 3 \
--covar-pos 4,5 \
--qcovar-pos 6 \
--out ssGBLUP_ebv
# 分析两个性状间的遗传相关
./IASBLUP --two-trait \
--phefile phenotypes.txt \
--kin-file G_matrix.kinship.txt \
--phe-pos1 3 \ # 生长速度
--phe-pos2 4 \ # 饲料效率
--covar-pos1 5,6 \ # 性状1的性别、场群
--covar-pos2 5,6 \ # 性状2的性别、场群
--qcovar-pos1 7 \
--qcovar-pos2 8 \
--out genetic_correlation
# 预测两个性状的育种值
./IASBLUP --two-trait --predict \
--phefile phenotypes.txt \
--kin-file G_matrix.kinship.txt \
--phe-pos1 3 \
--phe-pos2 4 \
--covar-pos1 5,6 \
--covar-pos2 5,6 \
--qcovar-pos1 7 \
--qcovar-pos2 8 \
--out bivariate_ebv
# 步骤1：计算不同的亲缘关系矩阵
# 加性亲缘关系
./IASBLUP --kinship \
--bedfile genotypes \
--kin-method 1 \
--out G_additive
# 显性亲缘关系（需要特殊计算，此处未展示）
# 上位亲缘关系（需要特殊计算，此处未展示）
# 步骤2：多组分方差估计
./IASBLUP --reml \
--phefile phenotypes.txt \
--phe-pos 3 \
--covar-pos 4,5 \
--qcovar-pos 6 \
--multi-kins G1.kinship.txt,G2.kinship.txt,G3.kinship.txt \
--component-names G1,G2,G3 \
--out variance_partition
# 步骤3：多组分BLUP预测
./IASBLUP --predict \
--phefile phenotypes.txt \
--phe-pos 3 \
--covar-pos 4,5 \
--qcovar-pos 6 \
--multi-kins G1.kinship.txt,G2.kinship.txt,G3.kinship.txt \
--component-names G1,G2,G3 \
--out component_ebv
# 对于超大数据集（n = 50,000）
./IASBLUP --reml \
--phefile large_phenotypes.txt \
--kin-file large_kinship.txt \
--phe-pos 3 \
--var-method LowRank \
--lowrank-ratio 0.95 \
--lowrank-maxrank 2000 \
--threads 16 \
--out large_analysis
# 训练集
./IASBLUP --predict \
--phefile training_pheno.txt \
--kin-file full_kinship.txt \
--phe-pos 3 \
--covar-pos 4,5 \
--qcovar-pos 6 \
--out training_model
# 从training_model.log提取h²
# 然后预测验证集
./IASBLUP --predict \
--phefile validation_pheno.txt \
--phe-pos 3 \
--h2 0.35 \ # 来自训练集的h²
--out validation_pred
# 计算预测准确性
# 相关性(预测值, 观测值) / sqrt(h²)
Q1: EBV和GEBV有什么区别？
A: EBV（估计育种值）使用系谱信息（A矩阵），而GEBV（基因组估计育种值）使用SNP标记（G矩阵）。GEBV通常更准确，特别是对于没有后代的年轻个体。
Q2: IASBLUP可以用于植物育种吗？
A: 可以！IASBLUP适用于任何二倍体生物。只需按要求格式准备基因型和表型数据即可。
Q3: 需要多少内存？
A: 粗略估计：
Q4: 如果表型文件的ID与亲缘关系矩阵不同会怎样？
A: IASBLUP会自动匹配ID，仅使用两个文件中都存在的个体。不匹配的个体会被排除并给出警告。
Q5: 可以有缺失表型吗？
A: 可以。缺失表型的个体会从REML估计中排除，但如果它们在亲缘关系矩阵中，仍可获得育种值预测。
Q6: 缺失基因型使用什么等位基因频率？
A: 缺失基因型用该SNP位点非缺失基因型计算的群体每个位点平均值进行填补，即2*maf。
Q7: 应该使用哪种REML方法？
A:
Q8: REML没有收敛怎么办？
A: 尝试以下解决方案：
--max-iter（默认30，尝试100）--var-methodQ9: 如果估计的遗传力 > 1 或 < 0 怎么办？
A: 这表明：
Q10: 如何解释标准误？
A: 标准误表示估计的精度。经验法则：
Q11: 亲缘关系对角线值应该是1还是2？
A: 两者都有效：
IASBLUP两者都可处理。方法影响解释但不影响相对育种值。
Q12: 可以使用其他软件的亲缘关系矩阵吗？
A: 可以，只要格式正确（带ID的对称矩阵）。兼容：
Q13: G矩阵、A矩阵和H矩阵有什么区别？
A:
使用 --bedfile 得到G，--pedigree 得到A，或两者同时使用得到H。
Q14: 为什么有些预测育种值是负数？
A: 育种值是相对于群体均值的。负值表示低于平均遗传价值。所有EBV的平均值为零。
Q15: 可以预测没有表型的个体的育种值吗？
A: 可以！只要它们在亲缘关系矩阵中，就能基于它们与有表型个体的关系获得预测。
Q16: –predict 和 –predict –h2 有什么区别？
A:
--predict：使用REML估计的方差组分进行完整BLUP--predict --h2 X：不进行REML的快速预测，使用给定的h²值--h2 选项更快，但如果h²值不准确则精度较低。
Q17: 多组分分析可以使用多少个亲缘关系矩阵？
A: 理论上无限，但实际上：
5个组分：过拟合风险
Q18: 可以用多组分分析来分析不同染色体吗？
A: 可以！可以按染色体分解方差：
./IASBLUP --reml \
--phefile pheno.txt \
--phe-pos 3 \
--multi-kins chr1.txt,chr2.txt,...,chr30.txt \
--component-names Chr1,Chr2,...,Chr30 \
--out chromosome_variance
Q19: 可以分析两个以上的性状吗？
A: 目前，IASBLUP仅支持双变量分析。对于>2个性状，运行成对分析或使用专门的多变量软件。
Q20: 遗传相关为0.8是什么意思？
A: 遗传相关(r_g)为0.8意味着：
Q21: 遗传相关 > 1，这是错误吗？
A: 理论上，r_g应在-1到1之间。稍微超出范围的值（如1.05）可能由于：
如果远超[-1, 1]，检查数据质量。
Q22: 如何加快分析速度？
A: 几种策略：
--threads 16--block-size--kin-binQ23: 可以在集群上运行IASBLUP吗？
A: 可以！IASBLUP支持OpenMP并行化。SLURM脚本示例：
#!/bin/bash
#SBATCH --nodes=1
#SBATCH --ntasks=1
#SBATCH --cpus-per-task=16
#SBATCH --mem=64G
#SBATCH --time=24:00:00
export OMP_NUM_THREADS=16
./IASBLUP --predict \
--phefile pheno.txt \
--kin-file kinship.txt \
--phe-pos 3 \
--threads 16 \
--out results
Q24: “矩阵不正定”错误
A: 这意味着亲缘关系矩阵存在数值问题。解决方案：
Q25: “维度不匹配”错误
A: 检查：
Q26: macOS上性能很慢
A: macOS Accelerate框架在某些操作上可能较慢。尝试：
--threads（在某些Mac上反而有帮助）Q27: 准确的GEBV需要多少SNP？
A: 一般指南：
更多更好，但质量（与QTL的LD）比数量更重要。
Q28: REML的最小样本量是多少？
A: 粗略指南：
Q29: 应该包含所有SNP还是预先过滤？
A: 推荐过滤：
# 使用PLINK
plink --bfile raw \
--maf 0.01 \ # 移除稀有变异
--geno 0.1 \ # 移除缺失>10%的SNP
--mind 0.1 \ # 移除缺失>10%的个体
--hwe 1e-6 \ # 移除违反HWE的SNP
--make-bed \
--out filtered
Q30: 如何验证预测？
A: 使用交叉验证：
目标准确性：良好基因组预测为0.5-0.8。
如果您在研究中使用IASBLUP，请引用：
Wentao Cai*, Zhengkui Zhou, and Shuisheng Hou . Enhancing genomic prediction accuracy through
molecular phenotyping in ducks. ISAG 2025 Conference Program, 2025 (https://iasbreeding.cn)
如有问题、错误报告或功能请求：
版本 1.2.9（2025年11月）
--h2 参数用于快速预测--var-method 用于REML方法选择--lowrank-ratio 和 --lowrank-maxrank版本 1.2.1（2025年9月）
版本 1.0（2024年7月）
IASBLUP基于MIT许可证分发。
MIT许可证
版权所有 (c) 2025 蔡文涛
特此免费授予任何获得本软件及相关文档文件（"软件"）副本的人不受限制地
处理软件的权利，包括但不限于使用、复制、修改、合并、发布、分发、再许可
和/或销售软件副本的权利，以及允许获得软件的人这样做的权利，但须符合以下
条件：
上述版权声明和本许可声明应包含在软件的所有副本或实质部分中。
本软件按"原样"提供，不提供任何形式的明示或暗示保证，包括但不限于适销性、
特定用途适用性和非侵权性的保证。在任何情况下，作者或版权持有人均不对因
软件或软件的使用或其他交易而产生、引起或与之相关的任何索赔、损害或其他
责任负责，无论是在合同诉讼、侵权行为还是其他方面。
手册结束
最后更新：2025年11月29日
This app (IAS-breeding) was built by Wentao Cai(caiwentao@caas.cn). The current release of IAS-breeding contains:
Phenotype summary
Genetic parameters analysis
Calculating breeding values using BLUP, GBLUP
The whole app is deveplotment by {shiny}.
Data visualisation is mainly done with {ggplot2}
IASbreeding shiny web is deployed at http://IASbreeding.cn/ for online use.
国家水禽产业技术体系研发中心
国家水禽遗传评估中心
中国农科院北京畜牧兽医研究所
开发：水禽育种与营养创新团队