INFORMATYKA W SELEKCJI

Transkrypt

1 INFORMATYKA W SELEKCJI

2 INFORMATYKA W SELEKCJI - zagadnienia 1. Dane w pracy hodowlanej praca z dużym zbiorem danych (Excel) 2. Podstawy pracy z relacyjną bazą danych w programie MS Access 3. Systemy statystyczne na przykładzie pakietu SAS i bezpłatnego pakietu R Z pomocą narzędzi programów Excel, SAS, R: 4. Wykorzystanie zależności zmiennych w selekcji regresja 5. Analiza wariancji z modelem stałym i losowym (ocena h 2 ) 6. Ocena wartości hodowlanej z modelem mieszanym 7. Ocena efektów selekcji (m.in. trendu genetycznego)

3 METODY HODOWLANE INFORMATYKA W SELEKCJI I. SZACOWANIE PARAMETRÓW GENETYCZNYCH II. OCENA WARTOŚCI HODOWLANEJ III. SELEKCJA Miarą skuteczności selekcji jest POSTĘP HODOWLANY Oczekiwany postęp hodowlany wynika ze wzoru: G R s G

4 SELEKCJA I POSTĘP HODOWLANY Pokolenie wyjściowe P 0 Wybrani rodzice Genetyczna wyższość wybranych rodziców nad P 0 Średni wiek w chwili urodzenia potomka* Pokolenie następne P 1 BUHAJE KROWY Ojcowie buhajów Ojcowie krów Matki buhajów Matki krów I BB I BK I KB I KK T BB T BK T KB T KK Buhaje Krowy Postęp hodowlany może być przekazywany wieloma ścieżkami selekcyjnymi: G' I T BB BB I T BK BK I T KB KB I T KK KK * T to tzw. odstęp pokoleń

5 SELEKCJA I POSTĘP HODOWLANY Oczekiwany postęp hodowlany na każdej ścieżce obliczamy wg wzoru: G r R s G I KK R KK s KK G I BK R BK s BK G I KB R KB s KB G I BB R BB s BB G Obliczenia oparte są na założeniach programu hodowlanego, wymagają znajomości wartości parametrów genetycznych i organizacyjnych populacji Oczekiwany postęp hodowlany w populacji wynosi: G' I T BB BB I T BK BK I T KB KB I T KK KK

6 SELEKCJA I POSTĘP HODOWLANY Podsumowanie: Selekcja to wybór zwierząt na rodziców następnych pokoleń hodowlanych Selekcja będzie skuteczna jeśli spowoduje postęp hodowlany Wielkość postępu hodowlanego zależy od dokładności oceny wartości hodowlanej, intensywności selekcji i zmienności genetycznej cechy Znając te wielkości można oszacować oczekiwany postęp hodowlany Zrealizowany postęp hodowlany można ocenić po pewnym okresie prowadzenia programu hodowlanego Oblicza się go jako współczynnik regresji wartości hodowlanej kolejnych roczników populacji względem czasu Zrealizowany postęp hodowlany to inaczej trend genetyczny

7 Skutek efektywnej selekcji TREND GENETYCZNY Dokładna ocena buhajów Trafny wybór na ojców Z roku na rok rośnie średnia wartość hodowlana populacji pojawia się trend genetyczny Potomstwo lepsze genetycznie Trzeba dopasować model y ijk h i s j e ijk y ijkl h i a j s jk e ijkl a j efekt roku urodzenia buhaja (de facto: średnia wartość hodowlana buhajów urodzonych w roku j) Oceny dodatkowych efektów genetycznych umożliwia metoda BLUP

8 INFORMATYKA W SELEKCJI - TREND GENETYCZNY Wyniki oceny metodą BLUP z modelem, uwzględniającym grupy genetyczne, utworzone ze względu na rok urodzenia ocenianych zwierząt Aby ocenić trend genetyczny oblicza się współczynnik regresji ocen efektów grup genetycznych na czas

9 INFORMATYKA W SELEKCJI - TREND GENETYCZNY Mleko - trend genetyczny y = 4,4026x , Mleko - wartość hodowlana Rocznik (grupa genetyczna) W podobny sposób ocenia się trendy środowiskowe dla konkretnych efektów, np. stada-roku, ujętych w modelu (oblicza się współczynniki regresji ocen tych efektów względem czasu)

10 INFORMATYKA W SELEKCJI Dodatek specjalny - WIZUALIZACJA Wykresy Graficzne przedstawienie danych i wyników Identyfikacja błędów (dane odstające) Określenie rozkładu empirycznego (histogram, box-plot) Wizualna ocena dopasowania linii regresji Prezentacja wyników analizy wariancji (box-plot) itp.

11 INFORMATYKA W SELEKCJI HISTOGRAM - ilustruje rozkład empiryczny 0,25 0,2 0,15 EXCEL? 0,1 0, PRÓBA: konstruuje się szereg rozdzielczy (klasy wartości) rozkład przedstawia częstości wartości w klasach może być skośny mogą być braki wartości

12 INFORMATYKA W SELEKCJI BOX-PLOT - na jednym rysunku informacje dotyczące położenia, rozproszenia i kształtu rozkładu empirycznego cechy

13 INFORMATYKA W SELEKCJI Współczynniki korelacji Pearsona i Spearmana przy zależności liniowej, nieliniowej i danych odstających (kwartet Anscombe a) r xy = 0,816 xy = 0,818 r xy = 0,816 xy = 0,691 r xy = 0,816 xy = 0,991 r xy = 0,816 xy = 0,500

14 INFORMATYKA W SELEKCJI Wizualna ocena dopasowania regresji y 3 0, 5x Niedopasowanie widać gołym okiem

15 INFORMATYKA W SELEKCJI Wizualizacja danych w pakiecie SAS

16 SAS PROCEDURY UMOŻLIWIAJĄCE WIZUALIZACJĘ DANYCH univariate chart plot Oprac. na podst. wykładu dra T. Suchockiego 2012

17 PROCEDURA UNIVARIATE /* wczytywanie danych */ data jagnieta ; infile I:/informatyka/dane.txt ; input nr masac wiek ; run ; /* wizualizacja 1 */ proc univariate data=jagnieta ; var masac wiek ; histogram ; run ; WYKRES Oprac. na podst. wykładu dra T. Suchockiego 2012

18 PROCEDURA UNIVARIATE /* wizualizacja 2 */ proc univariate data=jagnieta ; var masac wiek ; histogram masac / midpoints=10 to 50 by 4 ; histogram wiek / midpoints=20 to 50 by 2 ; run ; WYKRES O ZDEFINIOWANEJ SZEROKOŚCI KOLUMN Oprac. na podst. wykładu dra T. Suchockiego 2012

19 PROCEDURA UNIVARIATE /* wizualizacja 3 */ proc univariate data=jagnieta ; var masac wiek ; histogram masac / normal (color=red mu=30 sigma=5 fill) midpoints=10 to 50 by 4 ; histogram wiek / normal (color=red mu=35 sigma=5 fill) midpoints=20 to 50 by 2 ; run ; ZDEFINIOWANA SZEROKOŚĆ KOLUMN ROZKŁAD NORMALNY O DANYM KOLORZE LINII, ŚREDNIEJ I ODCHYLENIU STANDARDOWYM Oprac. na podst. wykładu dra T. Suchockiego 2012

20 PROCEDURA CHART /* wizualizacja 4 */ proc chart data=jagnieta ; vbar wiek ; title 'wiek jagniat' ; run ; WYKRES KOLUMNOWY DLA WIEKU /* wizualizacja 5 */ proc chart data=jagnieta ; block masac ; title 'masa ciala jagniat' ; run ; WYKRES 3-WYMIAROWY DLA MASY CIALA Oprac. na podst. wykładu dra T. Suchockiego 2012

21 PROCEDURA CHART /* wizualizacja 6 */ proc chart data=jagnieta ; vbar wiek / type=percent ; title 'wiek jagniat w %' ; run ; WYKRES KOLUMNOWY DLA WIEKU PRZEDSTAWIONEGO W % /* wizualizacja 7 */ proc chart data=jagnieta ; block masac / type=cfreq ; title 'ciala jagniat kumulowana frekwencja' ; run ; WYKRES 3-WYMIAROWY DLA KUMULOWANEJ FREKWENCJI MASY CIALA Oprac. na podst. wykładu dra T. Suchockiego 2012

22 PROCEDURA PLOT /* wizualizacja 10 */ proc plot data=jagnieta ; plot masac*wiek='*' ; title 'masa ciala i wiek jagniat' ; run ; WYKRES PUNKTOWY DLA WIEKU I MASY CIAŁA Oprac. na podst. wykładu dra T. Suchockiego 2012

23 PROCEDURA PLOT /* wizualizacja 11 */ proc plot data=jagnieta ; plot masac*wiek='*' $ nr ; title 'masa ciala i wiek jagniat' ; run ; WYKRES PUNKTOWY DLA WIEKU I MASY CIAŁA Z NUMERAMI OBSERWACJI Oprac. na podst. wykładu dra T. Suchockiego 2012

24 PROCEDURA PLOT /* wizualizacja 12 */ proc plot data=jagnieta ; plot wiek*nr='*' ; plot masac*nr='o' ; plot wiek*nr='*' masac*nr='o' / overlay ; title 'wykres dla zbioru danych jagniat' ; title2 'masa ciala i wiek' ; run ; ROZŁĄCZNE I WSPÓLNE WYKRESY DLA WIEKU I MASY CIAŁA Oprac. na podst. wykładu dra T. Suchockiego 2012

25 PROCEDURA PLOT /* wizualizacja 12 */ options nodate pageno=1 linesize=100 pagesize=50; proc plot data=jagnieta ; plot wiek*nr='*' ; plot masac*nr='o' ; plot wiek*nr='*' masac*nr='o' / overlay ; title 'wykres dla zbioru danych jagniat' ; title2 'masa ciala i wiek' ; run ; DEFINIOWANIE WIELKOŚCI WYKRESU Oprac. na podst. wykładu dra T. Suchockiego 2012

26 PROCEDURA REG PROGRAM UZUPEŁNIENIA /* dopasowanie prostej regresji */ proc reg data=tluszcz ; model ztl=masac ; plot ztl*masac ; run ; Oprac. na podst. wykładu dra T. Suchockiego 2012

27 Wizualizacja danych w pakiecie R INFORMATYKA W SELEKCJI

28 R - TWORZENIE WYKRESÓW zastosowanie pętli #wykres zaleznosci wzrostu od masy plot(animals$wzrost,animals$masa,xlab="wzrost",ylab= "masa",main="wykres rozrzutu") #histogram masy i wzrostu hist(animals$wzrost,prob=t,nclass=7,ylim=c(0,0.1), xlab="masa",ylab= czestotliwosc",main="histogram") lines(density(animals$wzrost,kernel=c("gaussian")), col="red") hist(animals$masa,prob=t,nclass=7,ylim=c(0,0.05), xlab="masa",ylab="czestotliwosc",main="histogram") lines(density(animals$masa),col="red") Oprac. na podst. wykładu dra T. Suchockiego 2012

29 ANALIZA DANYCH # jednoczynnikowa analiza wariancji a <- (aov(zbial~dod)) summary(a) print(model.tables(a,"means"),digits=3) boxplot(zbial~dod) jednoczynnikowa analiza wariancji wyniki w formie liczbowej wykres Oprac. na podst. wykładu dra T. Suchockiego 2012

30 WYNIKI Tables of means Grand mean dod średnia ogólna średnie zawartości białka w grupach żywieniowych Oprac. na podst. wykładu dra T. Suchockiego 2012

31 WYKRES - 5 number data summary boxplot maksimum 3 kwartyl: 75% danych mediana: 50% danych 1 kwartyl: 25% danych minimum obserwacja odstająca Oprac. na podst. wykładu dra T. Suchockiego 2012

32 INFORMATYKA W SELEKCJI EXCEL? szeroki wybór wbudowanej grafiki z możliwością modyfikacji Na przykład wykresu box-plot nie ma w ofercie Excela Ale łatwo można go stworzyć Na ćwiczeniach zajmiemy się oceną trendów genetycznych. Wyniki przedstawimy na wykresach. ZAPRASZAM!