GS数据准备与候选个体预测

更新：2026-10-13；状态：可用；验证范围：官方文档与原始研究核对；本页命令模板未在本机运行。

整理训练表型、候选基因型、固定效应与基准，保存可用于新批次的完整预测模型。

最少准备四类信息

文件	必要信息	关键检查
基因型	个体ID、标记ID、等位基因方向、剂量	ID唯一、标记同序、缺失比例、批次与填充质量
表型	个体ID、性状、测量时间与单位	重复记录、异常值、训练时是否已知
设计表	性别、场次、环境、批次等	固定与随机效应的建模依据；候选预测时可获得
可选系谱	个体、父本、母本及辅助信息	编号、未知父母、循环、与分型ID映射

训练集有目标表型，候选可以没有目标表型。候选仍需有模型所需的基因型与协变量。使用ssGBLUP时，未分型个体也可能通过系谱进入预测，输入要求另见系谱BLUP与单步ssGBLUP。

操作顺序

1. 保留原始文件，生成审计表，列出各文件交集、重复ID与移除理由。
2. 明确预测目标与外层划分。个体、家系、环境或世代的信息要先整理好。
3. 做与物种和群体相符的基因型质控。关联分析的HWE阈值和LD剪枝策略不能直接无条件照搬；近交、自交、选育群体有不同结构。
4. 在训练范围内拟合填充、位点保留、中心化及表型处理。候选沿用训练参数，禁止单独按候选均值重新中心化后混用。
5. 完成嵌套验证，检查表型预测与遗传效应的定义，然后用已选流程重拟合全部训练数据。
6. 按ID导出候选预测及基准说明，并保存模型和输入映射。

保存模型要保存哪些量

至少保存标记ID和顺序、记录等位基因、训练均值、缺失填充策略、保留位点、模型系数或预测所需关系块、固定效应编码、方差/超参数、软件版本及训练群体。仅保存一列GEBV无法预测下一批候选。

真实项目出现训练中没有的新类别、缺失标记或等位基因翻转时，先解决输入兼容性。不能为了“得到数值”静默补零。候选的亲缘距离、填充质量与环境范围也需要检查，训练范围外的外推可能很弱。

输出怎样命名

将 GEBV_training_reference 与 predicted_y 分开。前者表示相对于指定训练基准的遗传预测，后者还包含可预测固定效应。跨批次排序之前确认同一基准、性状方向与单位；生产选择还要接入选择指数、近交及业务约束。

可直接运行的输入样例见合成家系数据贯通GS，编码基础见VCF与基因型编码。矩阵原理参见GBLUP与rrBLUP原理及实现及VanRaden原始方法。