萌发成功率遗传力估算：R语言亲子代回归法的技术疑问

嗨，咱们来好好梳理下这个问题～首先得明确：亲子代回归法对于萌发率这类带边界值（0-100%）且分布严重偏倚的性状，确实不太适用。核心原因是，普通线性回归要求残差服从正态分布，但你的萌发率数据大多集中在80%以上，属于典型的偏态比例数据，强行用线性回归会导致回归系数偏差，没法准确代表遗传力。

下面针对你提到的两类研究案例，分别给出适配的方法，附R语言实操代码：

案例1：仅包含萌发成功率（二分类数据：萌发/不萌发） #

当亲子代都是二分类表型时，线性回归完全不适用，推荐这两种方法：

• 阈值模型（Threshold Model）：这是二分类性状遗传力估算的黄金方案。它假设存在一个潜在的连续“易感性”变量，当这个变量超过阈值时，个体表现为“萌发”，否则为“不萌发”。遗传力基于这个潜在变量的方差分解来计算。
  用MCMCglmm包实现的示例代码：

  library(MCMCglmm)
  # 模拟符合你场景的数据集：子代二分类（germinate: 0=不萌发，1=萌发），亲代同类型
  set.seed(123)
  germ_data <- data.frame(
    germinate = rbinom(150, 1, 0.85),  # 模拟高萌发率
    parent_germ = rbinom(150, 1, 0.85),
    individual = factor(1:150)  # 标记每个子代个体，用于估算加性遗传方差
  )
  # 拟合阈值模型
  germ_model <- MCMCglmm(
    germinate ~ parent_germ,
    random = ~individual,
    family = "threshold",
    data = germ_data,
    nitt = 12000, burnin = 2000, thin = 10  # MCMC参数，按需调整
  )
  # 计算遗传力：阈值模型中残差方差固定为1，遗传力=加性遗传方差/(加性遗传方差+1)
  heritability <- germ_model$VCV[,"individual"] / (germ_model$VCV[,"individual"] + 1)
  cat("估算的遗传力：", round(heritability, 3), "\n")
  

• 广义线性混合模型（GLMM）+ Logistic链接：用logistic回归拟合亲子代的关联，同时加入个体随机效应来拆分加性遗传方差。不过阈值模型更贴合二分类性状的遗传假设，结果更可靠。

案例2：亲代为萌发率（连续比例数据），子代为二分类萌发结果 #

这种混合数据类型，需要同时兼容连续预测变量和二分类响应变量，推荐：

• 带阈值链接的广义线性混合模型：依然用MCMCglmm，亲代萌发率作为固定效应，子代二分类表型作为响应，通过个体随机效应估算加性遗传方差。
  示例代码：

  library(MCMCglmm)
  set.seed(123)
  # 模拟数据：亲代是0-1的萌发率（转换自百分比），子代是二分类结果
  mix_data <- data.frame(
    germinate = rbinom(150, 1, 0.85),
    parent_rate = runif(150, 0.8, 1),  # 亲代萌发率集中在80%-100%
    individual = factor(1:150)
  )
  # 拟合模型
  mix_model <- MCMCglmm(
    germinate ~ parent_rate,
    random = ~individual,
    family = "threshold",
    data = mix_data,
    nitt = 12000, burnin = 2000, thin = 10
  )
  # 计算遗传力
  heritability <- mix_model$VCV[,"individual"] / (mix_model$VCV[,"individual"] + 1)
  cat("估算的遗传力：", round(heritability, 3), "\n")
  

额外补充：若亲子代都是连续偏倚的萌发率数据 #

如果你的萌发率是连续百分比但偏倚严重（多数>80%），也不建议用普通亲子代回归，可以选这两个方向：

1. Logit转换+线性混合模型：把0-100%的萌发率转换为logit尺度（消除边界限制），再进行回归，最后把遗传力转换回原尺度。
2. Beta回归/混合效应Beta回归：专门适配0-1之间的比例数据，用betareg或glmmTMB包实现，直接拟合偏态比例数据的亲子代关联，再通过方差分解计算遗传力。

示例混合效应Beta回归代码：

library(glmmTMB)
set.seed(123)
# 模拟高偏倚的连续萌发率数据
beta_data <- data.frame(
  offspring_rate = rbeta(150, shape1 = 9, shape2 = 1),  # 集中在高值
  parent_rate = rbeta(150, shape1 = 9, shape2 = 1),
  individual = factor(1:150)
)
# 拟合混合效应Beta回归
beta_model <- glmmTMB(
  offspring_rate ~ parent_rate + (1|individual),
  family = beta_family(link = "logit"),
  data = beta_data
)
# 提取方差组分计算遗传力
vc <- VarCorr(beta_model)
additive_var <- as.numeric(vc$individual)
residual_var <- as.numeric(vc$residual)
heritability <- additive_var / (additive_var + residual_var)
cat("估算的遗传力：", round(heritability, 3), "\n")

内容的提问来源于stack exchange，提问作者Lanius