合成家系数据贯通GS

更新：2026-10-13；状态：可用；验证范围：2026-10-13实际运行：300个人工个体、GBLUP/RR等价、两种嵌套验证、60个候选预测和配图；未运行专业GS软件。

用300个人工个体贯通GBLUP、嵌套验证、家系留出和无表型候选预测。

这个例子能学到什么

本项目实际运行了Python/NumPy教学实现：生成家系基因型和数量性状，比较GBLUP与标记岭回归，进行随机个体和家系留出的嵌套验证，最后给60个人工候选输出预测。没有运行rrBLUP、BGLR或单步软件，也没有估计REML和可靠度。

人工数据便于理解真值与泄漏，不是软件性能基准，不代表鸡、牛或作物中的实际预测水平。

输入与数据生成

固定种子20261013，生成25个家系，每家系12个体，共300个体、400个位点。子代由人工父母的配子形成；60个位点具有模拟加性效应，另外加入共同家系环境和残差。真实遗传值标准化后仅供评价，不参与拟合或调参。

其中20个家系的240个体用于训练与交叉验证；另5个家系的60个体作为无表型候选，候选表型不参与任何参数选择。导出的 phenotypes.tsv 中候选性状为NA。

运行命令

在项目根目录运行，依赖Python、NumPy；配图另需Matplotlib。本次NumPy版本2.5.4。

python3 -m pip install numpy matplotlib
python3 examples/genomic_prediction_demo.py
python3 examples/plot_genomic_prediction.py

脚本写入 examples/output/gs/，重复运行覆盖其中同名输出。建议先建立项目虚拟环境，见软件环境与依赖管理。代码入口：预测程序、绘图程序。

先检查模型等价

程序用同一训练中心、固定截距和匹配惩罚分别计算GBLUP与标记岭回归。最大预测差为 $9.99\times10^{-16}$。它证明这两条教学实现按指定参数一致；不表示不同软件默认设置会完全一致。公式见GBLUP与rrBLUP原理及实现。

再比较两种部署目标

外层5折评价，内层3折按MSE从lambda集合0.1、0.3、1、3、10选择。家系模式的内外层都保持家系分离。每折中心和位点过滤仅从当前训练部分估计。

指标	随机个体划分	整家系留出
每折表型相关的均值	0.3712	0.0439
每折真实遗传值相关的均值，仅模拟可知	0.5848	0.2715
所有折外预测的表型MSE	2.0083	2.3866
每个测试折与训练集共享家系数	17–19	0

相关采用每折计算后取均值；MSE按所有折外样本汇总。不同折的遗传基准可能不同，不直接拼接所有折的GEBV做统一育种排序。这组数据包含家系关系和共享环境，跨家系表现更弱。随机划分与家系留出回答不同问题，不能从一次模拟得出随机划分始终不合理的结论。

图中点代表各外层折，横线代表折均相关；右下为60个候选的相对GEBV分布。相关很低或为负的折也是结果，应保留。

最后预测候选

全部240个训练个体内部按家系调参，当前有限网格选到lambda=10，再拟合训练模型并预测60个候选。选到网格上界提示实际项目应扩展网格检查，不能称10为普遍最优参数。

candidate-predictions.tsv 同时保存GEBV与预测表型；prediction-model.npz 保存训练中心、保留位点、标记效应、截距和尺度。能够输出60个数不意味着已达到选择应用要求：本例的新家系表型预测能力偏弱。

输出检查清单

• genotypes.tsv：300行，ID及400个0/1/2剂量列。
• phenotypes.tsv：300行，ID、家系和性状；仅240行有观测值。
• predictions.tsv：训练部分每个个体的折外预测、折号及仅模拟可知的真值。
• candidate-predictions.tsv：60个候选，无候选表型列。
• summary.json：每折指标、调参结果及模型范围。

候选表和模型文件不包含可供训练使用的候选表型；模拟真值仍只用于教学诊断。源代码中没有用真实遗传值调参。完整指标见公开汇总。

下一步可以用rrBLUP预测实践读取同一批表格，但其REML参数估计与本例CV选择不同，不要求数值逐一一致。评价定义见育种值GEBV准确度与可靠度。