用于全表型组遗传变异研究的 REML 方法比较

已有充分证据表明，功能相关性状间的遗传协方差会导致遗传变异在多元性状组合上分布不均，并可能使表型空间中很大一部分无法被演化所触及。这一近乎零遗传空间的大小如何映射到更广泛的全表型组层面尚属未知。解决这些问题所需的高维表型数据现已可及，但将其纳入遗传分析仍具挑战。涉及少量以上性状的多性状遗传分析在采用 REML 拟合时速度缓慢且常不收敛，这导致难以估计数千性状背后的遗传协方差矩阵（$\mathbf{G}$），更遑论研究其性质。我们提出了一种先前已提出的 REML 算法，该算法在数量遗传学中常见的平衡嵌套半同胞设计这一特定情形下适用于高维遗传研究。我们表明，当性状数量很大时，它显著优于其他常用方法，并借此考察了 $\mathbf{G}$ 估计特征值的偏差以及近乎零遗传子空间的大小。我们显示，所观测到的高维偏差在性质上类似于基于独立同分布向量观测的样本协方差矩阵这一更简单情形下由渐近近似所证实的偏差，且在遗传变异的高维研究中解释近乎零遗传子空间的估计大小须极为审慎。我们的结果为未来刻画估计遗传特征值的渐近近似以及建立全表型组遗传变异研究的统计零分布奠定了基础。