2021-09-22 sequoia()学习记录

sequoia(

GenoM=NULL,

  LifeHistData=NULL,

  SeqList=NULL,

  Module="ped",

  MaxSibIter=42,

  Err=1e-04,

  ErrFlavour="version2.0",

  MaxMismatch=NA,

  Tfilter=-2,

  Tassign=0.5,

  MaxSibshipSize=100,

  DummyPrefix=c("F","M"),

  Complex="full",

  Herm="no",

  UseAge="yes",

  args.AP=list(Flatten=NULL, Smooth=TRUE),

  FindMaybeRel=FALSE,

  CalcLLR=TRUE,

  quiet=FALSE,

  Plot=NULL

)

GenoMtxt格式,行是个体,列是SNP,0,1,2,-9(缺失值),行名为个体ID,无列名

LifeHistDatatxt格式,三列,ID(不超过30个字符)sex(1 = female, 2 = male, 3

= unknown, 4 = hermaphrodite)Birthyear(正整数,NA或负整数表缺失值),无列名,但顺序很重要

SeqList前一次运行的结果

Modulepre(只检查输入)dup(还检查重复基因型)par(还检查亲子分配)ped(执行完整的谱系重建,包括同胞聚类和祖父母分配)

Err估计的基因分型错误率,作为单个数字或 3x3 矩阵。 错误率在 SNP 中被假定为常数,而缺失被假定为随机的

ErrFlavour:当Err是一个数字时,输入Err,得到3x3矩阵的函数,如果Err本身是函数那就不用了,根据包的版本输入默认值,可以是'version2.0', 'version1.3', or'version1.1'

Tfilter:似然比的阈值,通常是个负数,数值越小孤儿的数量就越少,但是耗时也会变长

MaxSibshipSize:单个个体最大后代数量

DummyPrefix: 母本父本的字符

Complex: 育种系统的复杂性。“full”(默认)、“simp”(简化,没有明确考虑近交关系)、“mono”(一夫一妻制)。

Herm: 雌雄同体的情况,“no”“A”区别父母本(当有个体sex=4s时默认为此选项),“B”不区别

Useage:“yes”(默认),“no”或“extra”(根据先验年龄额外再算几轮,可能会增加分配,但会增加错误分配的风险)仅在完全重建期间使用。

args.AP:用于调用MakeAgePrior()函数

FindMaybeRel:弃用,Ture或False,在谱系重建后识别未指定的可能亲属对,在大型数据集中可能很耗时,可用GetMaybeRel单独计算

CalcLLR: Ture或False,用于计算所指派的父母的似然比,耗时,可以用CalcOHLLR单独计算

Quiet:抑制消息TRUE/FALSE/"verbose".

Plot:展示图表,当quiet为TRUE时plot为FALSE,反之quiet为FALSE或“verbose”时plot为TRUE。如果出现“figure margins too large”错误,请放大绘图区域(用鼠标拖动)。 如果出现“invalid graphics state”,可以通过使用 dev.off() 清除绘图区域。

# === EXAMPLE 2: real data  ===

# ideally, select 400-700 SNPs: high MAF& low LD

# save in 0/1/2/NA format (PLINK's--recodeA)

GenoM <- GenoConvert(InFile = "inputfile_for_sequoia.raw",

                     InFormat ="raw")  # can also do Colonyformat

SNPSTATS <- SnpStats(GenoM)

# perhaps after some data-cleaning:

write.table(GenoM,file="MyGenoData.txt", row.names=T, col.names=F)


# later:

GenoM <- as.matrix(read.table("MyGenoData.txt",row.names=1, header=F))

LHdata <-read.table("LifeHistoryData.txt", header=T) # ID-Sex-birthyear

SeqOUT <- sequoia(GenoM, LHdata,Err=0.005)

SummarySeq(SeqOUT)


writeSeq(SeqOUT,folder="sequoia_output")  #several text files

©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 202,723评论 5 476
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 85,080评论 2 379
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 149,604评论 0 335
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 54,440评论 1 273
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 63,431评论 5 364
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 48,499评论 1 281
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 37,893评论 3 395
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 36,541评论 0 256
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 40,751评论 1 296
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 35,547评论 2 319
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 37,619评论 1 329
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 33,320评论 4 318
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 38,890评论 3 307
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 29,896评论 0 19
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 31,137评论 1 259
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 42,796评论 2 349
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 42,335评论 2 342

推荐阅读更多精彩内容