TOP是2022年发表在GB上的工具，基于rrBLUP包进行预测的工具
原文地址 以目标为导向的优先级：通过育种中的预测分析整合生物体和分子性状的靶向选择策略 |基因组生物学
TOP GitHub 肖英杰 TOP
“TOP_Demo.r”是一个用户友好的R代码，只需要安装用于基因组预测的rrBLUP包，一个用于构建TOP模型和进行评估的自定义R脚本。
作者供三个 R 脚本：TOP_Demo.r、GP.r 和 TOP.r。
所有需要做的就是运行“TOP_Demo.r”，其中，程序将从“GP.r”和“TOP.r”获取函数， 并导入两个示例数据“demo_geno.csv”和“demo_pheno.txt”。deom genetyic 数据包含 210 个个体的 1619 个bin，演示表型数据包含 210 个个体的 4 个表型性状。
GP.r的函数可以基于GBLUP模型进行基因组预测，需要将其作为TOP算法的输入来学习多性状的内在相关性。 然后，来自 TOP.r 的函数将通过拟合每个人的成对预测值和观测值来构建 TOP 模型，并参数化多性状权重。TOP模型的优化将学习最佳权重，该权重将用于从测试池中选择候选个体，该个体在多个特征上显示出最高的相似性。
准备TOP需要的数据
表型数据格式
表型数据第一列是样本ID,后面每列是1个表型
基因型数据格式是（0,1,2）矩阵
基因型格式是0，1，2格式。
第1列是SNP编号，后面每列是1个样本的基因型。
注意：基因型的样本ID和表型的样本ID必须完全一致
代谢组数据
样本分为2个组，一个是测试组，另一个是训练组
1.读取文件。 代码示例，加载依赖的脚本引入函数
rm(list=ls())
library(rrBLUP)
# load the script to obtain the trait predictions of training set and test set
source("GP.r")
# load the script to build the top model and obtain the optimal trait weights for calculate the genome-phenome similarity between testing pool and a given target
source("TOP.r")
library(ggplot2)
# read genotype
Genotype<-read.csv("./data/demo_geno.csv",
header=TRUE,
sep=",",
stringsAsFactors=0,
check.names=FALSE
)
head(Genotype) #210个样本（列），1619个SNP
# Bin R001 R002 R003 R004 R005 R006 R007 R008 R009 R010 R012 R013 R014 R015 R016 R017 R018 R019 R020 R021 R022 R023 R025 R027 R028 R029 R030
# 1 Bin1 0 1 1 1 0 1 0 0 1 1 0 0 0 0 0 0 0 0 0 0 1 1 0 1 1 0 0
# 2 Bin2 0 1 1 1 0 1 0 0 1 1 0 0 0 0 0 0 0 0 0 0 1 1 0 1 1 0 0
# read agronomic trait 210个样本，4个性状
Agro<-read.table("./data/demo_agro.txt",
header=TRUE,
sep="",
stringsAsFactors=0,
check.names=FALSE
)
head(Agro)
# RIL Trait1 Trait2 Trait3 Trait4
# 1 R001 26.55000 11.575000 98.60000 24.23250
# 2 R002 18.65000 12.975000 61.80000 23.39500
# 3 R003 21.36250 12.250000 74.10000 24.02000
# read Metabolites 代谢组数据
Metabolite<-read.table("./data/demo_Metabolites.csv",
header=TRUE,
sep=",",
stringsAsFactors=0,
check.names=FALSE
)
head(Metabolite) #群体的代谢数据
# Trait R001 R002 R003 R004 R005 R006 R007 R008 R009 R010 R012 R013 R014 R015
# 1 m0001-L 20.55729 20.66623 20.45463 20.77765 20.77013 21.10745 20.21756 20.91552 20.50470 19.90856 20.69053 20.14871 20.35235 20.55584
# 2 m0003-L 23.84497 23.71574 23.69052 24.10140 24.02722 24.15544 24.09703 24.33595 23.91331 24.10946 23.79013 23.76296 24.28952 24.09059
# 3 m0004-L 21.69904 21.78545 21.42181 22.28423 22.43024 22.39986 22.04627 22.32674 21.65157 21.53415 21.46748 22.19768 21.96240 21.49728
# divide a population into training set and test set
id<-read.table("./data/demo_training_test_id.txt",
header=TRUE,
sep="",
stringsAsFactors=0,
check.names=FALSE)
head(id) #数据分为测试集和训练集
# id set
# 1 R057 test
# 2 R100 test
# 3 R086 test
# 4 R055 test
# 5 R031 test
# 6 R087 test
library(tidyverse)
summary(id)
sum(id$set=="test") #105
sum(id$set=="training") #105
这里示例时测试集和训练集是1：1，其实一般情况可以是3：7或2：8或1：9
2. 开始分析
2.1 获取所有性状的预测值
基于流行的 GBLUP 模型，在‘rrBLUP’包中实现，首先从基因组数据中获得性状预测。
在TOP方法中，我们需要先获得训练集和测试集个体的预测值。
在训练集中，特征预测是针对 TOP 模型学习的。 使用10倍交叉验证获取预测值的策略。
在测试集中，特征预测用于评估 TOP 准确度。 我们使用所有训练数据来预测测试集个体的准确性。
Pre<-Prediction_trait(Genotype,#基因型
Agro,#表型
Metabolite,#代谢组
id,#训练和测试集
pca=TRUE, #如果设置为TRUE,则降低代谢组数据的维度
CEVR=0.8 #主成分的累积解释方差
)
prediction_train<-Pre$prediction_train #训练集的预测值
trait_train<-Pre$trait_train #训练集观察的特征值（真实值）
# obtain the predicted trait values of the test set using GBLUP
prediction_test<-Pre$prediction_test #测试集中的预测值
trait_test<-Pre$trait_test #测试集的特征值（真实值）
2.2 构建TOP模型并获得最优权重
names_test<-Pre$names_test #测试集中的样本名称
names_trait<-Pre$names_trait #特征的名称 表型和PC
#target<-trait_train[80,] #查看训练集第80个样本的真实特征值
Optimal_Weight<-Weight_res(prediction_train,
trait_train,
names_trait,
b=0.25)
prediction_train: 训练集的预测的特征值，最后一行存储十轮的平均预测精度。
trait_train: 训练集的真实特征值
names_trait: 特征的名称。
b: 进入TOP模型的预测精度阈值,默认是0.25.
2.3 检测TOP模型的精确度
使用从训练集中的 TOP 模型学到的最佳权重，用户可以在独立测试集中测试匹配基因组预测和测量表型的准确性。
从技术上讲，从测试集中的一组个体（例如，N=5）中，测试所有 5 个个体的特征预测与其特征观察的全局相似性。 如果一个个体的预测与特征观察本身最匹配，则被认为是成功的识别。 池中识别成功的比例定义为识别率和TOP准确率。
Weight<-Optimal_Weight$W_matrix #获取根据训练集计算的特征值的权重指数
TOP_acc<-Test_top_acc(prediction_test,#测试集的预测的特征值
trait_test,##测试集的真实的特征值
Weight,#从测试集得到的特征值的权重指数
names_trait,#特征值的名称
N=c(2,5,10),#检测池的样本的大小，这个池的样本越大，计算出的准确率越低
m=200) #从测试集中选择个体池时的随机排列数
prediction_test 测试集的预测的特征值
trait_test 测试集的真实的特征值
Weight 从测试集得到的特征值的权重指数
names_trait 特征值的名称
N=c(2,5,10) 检测池的样本的大小，这个池的样本越大，计算出的准确率越低
m=200 从测试集中选择个体池时的随机排列数
简单说就是把测试集的样本分为不同的数量的小组，例如2个一组或5个一组，分别去检测组内的样本的预测值和真实值的相关性，最后计算所有小组的准确率。
TOP_acc$Ide_rate这个命令会返回计算的不同组的准确率。和N是一一对应的关系。
2.4 选择优于现有目标的优异个体
为了辅助育种，有必要提供一份在一个或几个主要性状（即早熟、疾病、抗性和高产）优异的方案。 此处就通过Top_Target提供了一种可管理的解决方案，可以选择同时具有优越性状和相对稳定的剩余性状的个体。
这种方法可能有助于提高选择混合动力的收益优于广泛的商业品种。
# 根据相似度函数选择测试集中的个体
pre_train_mean<-Optimal_Weight$pre_mean
pre_train_sd<-Optimal_Weight$pre_sd
obs_train_mean<-Optimal_Weight$obs_mean
obs_train_sd<-Optimal_Weight$obs_sd
Top_target_sel<-Top_target(target,#现有的品种的特征值向量
prediction_test, #测试集的预测的特征值
names_test,#测试集的样本名称
names_trait,#特征值
pre_train_mean,#训练集预测的特征值的均值
pre_train_sd,##训练集预测的特征值的标准差
obs_train_mean,#训练集的特征值的真实值的均值
obs_train_sd,#训练集的特征值的真实值的标准差
selection_ratio=0.1, #选择比率，测试集中与目标相似度最大的个体比例
improve_ratio=0.05, #改善的比率，某个性状值与目标值提高的比例
improve_trait=4,#如果为NA则不会修改目标的特征值，如果是4，会修改所有的样本的特征4的值。
Weight)#根据训练集计算的特征值的权重指数
target现有的品种的特征值向量
prediction_test测试集的预测的特征值
names_test#测试集的样本名称
names_trait特征值
pre_train_mean训练集预测的特征值的均值
pre_train_sd训练集预测的特征值的标准差
obs_train_mean训练集的特征值的真实值的均值
obs_train_sd训练集的特征值的真实值的标准差
selection_ratio=0.1选择比率，测试集中与目标相似度最大的个体比例
improve_ratio=0.05 改善的比率，某个性状值与目标值提高的比例
improve_trait=4如果为NA则是所有的特征值，如果是4，重点是特征4的值。指定需要优化的特征值的位置
Weight根据训练集计算的特征值的权重指数
Top_target_sel$names_select返回挑选的测试集中最优秀的10个样本的名称
3.输出数据，可视化
write.table(Weight,file="./res/demo_optimal_weight.txt",sep='\t',row.names=F,quote=F)
# In the similarity matrix of pool size of 5, each column means a given target individual from the pool, the 5 values for this column indicate the genome-phenome similarity between all individuals from the pool and this target individual. If the target individual itself has the highest similarity degree, we regard it as a successful identification.
write.table(TOP_acc$Demo_p,file="./res/demo_similarity_matrix_poolsize5.txt",sep='\t',quote=F)
# At the pool size of 2,5 and 10, we output a demo result of identification rate, which means the proportion of successfull identification by using each individal of a pool as a target.
write.table(data.frame(pool_size=c(2,5,10),identification_rate=TOP_acc$Ide_rate),file="./res/demo_identification_rate.txt",sep='\t',row.names=F,quote=F)
# Let the first individual in the training set be a target, we select individuals in the test set according to the similarity function.
Top_sel<-cbind(Top_target_sel$names_select,Top_target_sel$values_select)
colnames(Top_sel)<- c("RIL",as.character(Weight[,1]))
write.table(Top_sel,file="./res/demo_target_select.txt",sep='\t',row.names=F,quote=F)
library(ggplot2)
Top_target_sel_name<-Top_target_sel$names_select
plot_TOP(target,
trait_test,
Top_target_sel_name,
improve_trait=4,
group_random=5)
plot_TOP(target,
trait_test,
Top_target_sel_name,
improve_trait=1,
group_random=5)
plot_TOP(target,
trait_test,
Top_target_sel_name,
improve_trait=2,
group_random=5)
plot_TOP(target,
trait_test,
Top_target_sel_name,
improve_trait=3,
group_random=5)
进行可视化的时候，参数说明
target就是上面选择的商业品种的特征值
trait_test测试集的特征值
Top_target_sel_name挑选出的特征最优的样本的编号列表
improve_trait=4要优化的特征所在的列编号
group_random=5随机挑选的次数
从图中可以看到，即使是选择优化特征4选出来的样本，他的特征1的值也比随机选的要优秀。
