吕庆研究组提出快速估计大基因型数据SNP遗传度估计方法

复杂性状的表型变异是遗传因素和环境因素共同作用的结果，基因与环境因素对表型变异有着重要的影响。遗传度是衡量群体中某一表型差异归因于遗传因素的比例。遗传度估计可以量化表型在多大程度上受基因影响；给出用基因预测表型的上限，比较不同人群中同一表型的遗传起源。大基因型数据能够提高估计精度，但是要求的计算资源高，计算耗时长。

2022年4月5号，《生物信息学简报》在线发表了Mingsheng Tang, Tingting Hou, Xiaoran Tong等人报道了基于最小范数二次无偏估计（MINQUE）和分批处理法（Batch）的SNP遗传度快速估计方法。

对于非分批处理法，无论是单方差还是多方差分析，LMM.MNQ是无偏的遗传度估计方法，且随着样本量的增加，估计越精确。对于分批处理法，无论单方差还是多方差分析，LMM.MNQ.BCH是无偏的估计方法，随着批次样本量和批次数目的增加，LMM.MNQ.BCH估计越精确。分批处理法是普遍适用的方法，可用于那些能给出无偏遗传度估计的方法来减少计算负担。对于计算时间，模拟和实例研究表明，LMM.MNQ.BCH的估计结果和现有的方法BOLT-REML估计的结果相近，但是明显快于后者。

现已开发出以核矩阵或PLINK文件作为输入数据的可执行程序。小数据集时，LMM.MNQ为SNP遗传度估计提供了另一种可行方法；大数据集时， LMM.MNQ.BCH要求的计算资源少，可以应用于个人计算机，而不依赖于计算集群。除了估计遗传度，LMM.MNQ, LMM.MNQ.BCH也可进行关联检验。