[논문 리뷰] A Framework for Building Enviromics Matrices in Mixed Models

Bruno Achcar Trevisan, Vilela Junqueira외 4명|arXiv (Cornell University)|2025. 01. 07.

Genetics and Plant Breeding인용 수 3

한 줄 요약

본 논문은 유전 및 환경 데이터를 통합하기 위해 혼합 모델에서 enviromics 매트릭스를 구축하는 프레임워크를 제시하여 작물 육종에서 표현형 예측을 향상시킨다. 또한 블록 대각 설계 행렬과 Kronecker 구조의 공분산, 빈도주의 및 베이지안 구현을 설명한다.

ABSTRACT

This study introduces a framework for constructing enviromics matrices in mixed models to integrate genetic and environmental data to enhance phenotypic predictions in plant breeding. Enviromics utilizes diverse data sources, such as climate and soil, to characterize genotype-by-environment (GxE) interactions. The approach employs block-diagonal structures in the design matrix to incorporate random effects from genetic and envirotypic covariates across trials. The covariance structure is modeled using the Kronecker product of the genetic relationship matrix and an identity matrix representing envirotypic effects, capturing genetic and environmental variability. This dual representation enables more accurate crop performance predictions across environments, improving selection strategies in breeding programs. The framework is compatible with existing mixed model software, including rrBLUP and BGLR, and can be extended for more complex interactions. By combining genetic relationships and environmental influences, this approach offers a powerful tool for advancing GxE studies and accelerating the development of improved crop varieties.

연구 동기 및 목표

• 혼합 모델에서 유전 및 환경 데이터를 통합하기 위해 enviromics 매트릭스를 구축하는 프레임워크를 소개한다.
• 블록 대각 설계 행렬이 유전자형과 환경 간의 무작위 효과를 어떻게 포착하는지 설명한다.
• 친족관계와 envirotypic 효과를 결합한 Kronecker 곱 공분산 구조를 설명하여 표현형 예측을 개선한다.
• 프레임워크가 rrBLUP 및 BGLR과의 통합 방법을 보여주고 더 복잡한 GxE 상호작용에 대한 확장을 논의한다.]
• method2?
• method?

제안 방법

• 실험마다 각 유전자형과 envirotypic 공변량에 대한 무작위 효과를 포함하도록 블록 대각 설계 행렬 Z를 구성한다.
• envirotypic 및 유전 분산 성분을 모델링하기 위해 Sigma \u0000d7 A를 사용하거나 동등하게 K = A \u0001d7 I로 공분산 구조를 정의한다.
• 커널(K)을 친족관계 행렬 A와 항등 행렬의 Kronecker 곱으로 사용하여 유전적 관계를 envirotypic 효과에 걸쳐 확장한다.
• rrBLUP를 통한 빈도주의 추정과 BGLR를 통한 베이지안 추정을 제공하고, EC의 앙상블/그룹화 및 MCMC 설정에서 수렴 처리를 포함한다.
• R의 예제 코드가 포함된 토이 데이터세트에서 구성 단계를 시연하고 출력의 해석(BLUE/BLUP)과 예측을 논의한다.

실험 결과

연구 질문

• RQ1 혼합 모델 프레임워크에서 enviromic 공변량을 유전적 관계와 어떻게 통합할 수 있는가?
• RQ2 블록 대각 Z와 Kronecker-구조 K를 사용하는 것이 환경 전반의 표현형 예측에 어떤 영향을 미치는가?
• RQ3 이 enviromics 설정에서 Frequentist(rrBLUP)와 Bayesian(BGLR) 방법은 어떻게 비교되는가?
• RQ4 많은 envirotypic 공변량과 복잡한 G 상호작용을 수용하면서도 표준 소프트웨어에서 구현 가능할까?

주요 결과

• 블록 대각 Z는 envirotypes 전역에 걸친 다수 유전자형의 무작위 효과를 수용할 수 있다.
• Kronecker-곱 커널 K = A \u001d7 I는 친족관계 행렬을 확장하여 envirotypic 효과를 포함하고 유전적 및 환경 공분산을 포착한다.
• 빈도주의(rrBLUP)와 베이지안(BGLR) 접근법은 매우 일치하는 예측을 산출한다(예시에서 상관계수 약 0.973).
• 프레임워크는 rrBLUP 및 BGLR와의 통합을 지원하며 더 복잡한 G 상호작용에 대해 확장될 수 있다.
• 환경 간 표현형 예측은 유전적 관계와 envirotypic 공변량을 결합함으로써 향상된다.