1 00:00:01,137 --> 00:00:03,697 Dobrý den, v tomto videu si 2 00:00:03,697 --> 00:00:06,377 ukážeme výpočet odhadu koeficientu 3 00:00:06,377 --> 00:00:08,777 heritability pomocí analýzy 4 00:00:08,777 --> 00:00:11,417 variance užitkových hodnot po 5 00:00:11,417 --> 00:00:14,337 příbuzných jedinců, v našem případě s 6 00:00:14,337 --> 00:00:16,937 pomocí skupin polosourozenců podle otce. 7 00:00:18,377 --> 00:00:19,777 Když se podívám do wordovského 8 00:00:19,777 --> 00:00:22,377 dokumentu vpravo, tak vidíme, že 9 00:00:22,377 --> 00:00:25,057 máme jednoduchou databázi, kde máme 10 00:00:25,457 --> 00:00:27,977 celkem 40 jedinců, u nichž máme 11 00:00:27,977 --> 00:00:30,897 naměřené hodnoty. A u každého z nich 12 00:00:31,017 --> 00:00:33,617 máme určeno, kdo byl jeho otec a podle té 13 00:00:33,617 --> 00:00:35,977 tabulky vidíme, že máme tady celkem 5 14 00:00:35,977 --> 00:00:38,897 skupin polosourozenců vždy po 8 15 00:00:38,897 --> 00:00:41,897 jedincích. Protože je to 16 00:00:41,897 --> 00:00:43,897 analýza variance, která využívá lineární 17 00:00:43,897 --> 00:00:46,377 modely, tak náš lineární model je 18 00:00:46,377 --> 00:00:49,017 y, což je užitkovost j-tého potomka 19 00:00:49,017 --> 00:00:52,017 po i-tém otci se rovná průměr plus 20 00:00:52,017 --> 00:00:54,657 efekt ai, což je efekt i tého 21 00:00:54,657 --> 00:00:57,537 otce plus reziduum ei, 22 00:00:57,537 --> 00:01:00,097 což jsou ostatní nahodilé vlivy, 23 00:01:00,097 --> 00:01:02,537 které nejsme schopni detekovat a zahrnout 24 00:01:02,537 --> 00:01:05,397 do výpočtu. Abychom 25 00:01:05,517 --> 00:01:08,517 nemuseli všechno manuálně 26 00:01:08,517 --> 00:01:11,397 počítat od základu, tak už 27 00:01:11,997 --> 00:01:14,157 máme tady nějaké přepočítané hodnoty, 28 00:01:14,157 --> 00:01:16,757 jako jsou součty, čtverce 29 00:01:16,757 --> 00:01:19,117 součtů a součty 30 00:01:19,317 --> 00:01:20,117 čtverců. 31 00:01:24,336 --> 00:01:26,736 Jak vidíte, máme zde v tabulce 32 00:01:26,736 --> 00:01:29,336 přepočítané součty za dílčí 33 00:01:29,336 --> 00:01:32,336 hodnoty. Podle otců této velké Yi 34 00:01:32,336 --> 00:01:35,136 s tečkou to je ten 2. sloupec. 35 00:01:35,536 --> 00:01:38,536 Ve 3. sloupci máme spočítané druhé 36 00:01:38,536 --> 00:01:40,856 mocniny těchto dílčích součtu. 37 00:01:41,456 --> 00:01:42,896 Tady jsou potřeba, abychom mohli 38 00:01:42,896 --> 00:01:45,666 spočítat 3. sloupec, 39 00:01:45,706 --> 00:01:48,586 který představuje 2. mocninu součtu 40 00:01:48,586 --> 00:01:51,426 za konkrétního otce děleno 41 00:01:51,426 --> 00:01:54,306 Ni, to znamená počtem potomků po 42 00:01:54,386 --> 00:01:57,346 tom daném otci. Tuto 2. mocninu 43 00:01:57,346 --> 00:02:00,176 součtu, čili čtverec součtů lomeno 44 00:02:00,176 --> 00:02:02,416 Ni, když je sečteme za všechny otce 45 00:02:02,416 --> 00:02:04,496 dohromady, takže máme potom dole 46 00:02:04,496 --> 00:02:07,296 výslednou hodnotu sumu Yi na druhou 47 00:02:07,296 --> 00:02:09,736 lomeno Ni. To je ten součet 48 00:02:09,736 --> 00:02:11,816 čtverců podle otců. 49 00:02:12,816 --> 00:02:15,456 V posledním sloupci pak máme definován 50 00:02:15,456 --> 00:02:18,096 výpočet součtu čtverců, 51 00:02:18,496 --> 00:02:21,096 kdy každou individuální hodnotu 52 00:02:21,096 --> 00:02:23,776 jedince po I-tém otci umocníme na druhou a 53 00:02:23,776 --> 00:02:26,776 sečteme za všechny jedince v 54 00:02:26,776 --> 00:02:28,776 rámci otce a potom ještě sečteme za 55 00:02:28,776 --> 00:02:31,096 všechny otce dohromady a získáváme 56 00:02:31,096 --> 00:02:33,936 celkový součet - suma sumy 57 00:02:33,936 --> 00:02:36,576 y na druhou, čili celkovou sumu 58 00:02:37,096 --> 00:02:39,776 čtverců, součet čtverců všech 59 00:02:39,776 --> 00:02:41,616 jedinců dané populace. 60 00:02:42,936 --> 00:02:44,536 Dál ještě musíme definovat počet 61 00:02:44,536 --> 00:02:47,456 otců, který se rovná 5, 62 00:02:47,456 --> 00:02:50,456 celkový počet potomků n je 40 63 00:02:50,456 --> 00:02:52,976 a N0 jako vážený počet potomků 64 00:02:53,656 --> 00:02:56,216 na otce, ta je v našem případě rovno Ni, 65 00:02:56,496 --> 00:02:59,496 což je 8. Aby se nám to načetlo do 66 00:02:59,496 --> 00:03:01,936 paměti počítače, tak si tyto napsané 67 00:03:01,936 --> 00:03:03,176 hodnoty označím. 68 00:03:05,066 --> 00:03:07,546 A dám ctrl + enter a mám je 69 00:03:07,546 --> 00:03:09,386 načtené v paměti počítače. 70 00:03:11,186 --> 00:03:13,186 AS těmito předpočítanými hodnotami jdu do 71 00:03:13,186 --> 00:03:16,146 tabulky analýzy variant a spočítám si 72 00:03:16,146 --> 00:03:19,026 podle definovaných vzorců dílčí 73 00:03:19,266 --> 00:03:21,546 součty čtverců odchylek od průměru. 74 00:03:23,876 --> 00:03:26,076 A to vlastně v podstatě pouze 2, i když 75 00:03:26,076 --> 00:03:28,876 tady máme celkem 3 vzorce. 76 00:03:30,546 --> 00:03:32,306 Protože v modelové rovnici máme jediný 77 00:03:32,306 --> 00:03:34,866 efekt, a to je efekt otce, tak vlastně 78 00:03:34,986 --> 00:03:37,786 nám můžeme spočítat součty čtverců 79 00:03:37,786 --> 00:03:40,786 odchylek od průměru mezi skupinami 80 00:03:41,546 --> 00:03:44,506 a uvnitř skupin těchto polosourozenců 81 00:03:45,066 --> 00:03:47,826 SSa si označíme výpočet 82 00:03:47,826 --> 00:03:49,706 součet čtverce odchylek od průměru mezi 83 00:03:49,706 --> 00:03:52,546 skupinami polosourozenců podle otce a 84 00:03:52,546 --> 00:03:55,376 podle vzorce je to hodnota. 85 00:03:56,946 --> 00:03:59,386 suma je ten součet 86 00:04:01,346 --> 00:04:02,826 druhé mocniny součtu, 87 00:04:04,946 --> 00:04:07,266 velké Y na druhou lomeno n. 88 00:04:08,896 --> 00:04:10,256 A toto odečtu 89 00:04:11,826 --> 00:04:14,626 od celkové sumy umocněné na druhou. To tam mám 90 00:04:14,626 --> 00:04:15,906 taky definováno. 91 00:04:17,626 --> 00:04:18,666 A to dělím n. 92 00:04:20,856 --> 00:04:23,696 A znova si vypíši název toho objektu, 93 00:04:23,696 --> 00:04:26,536 v kterém mám ten výpočet - SSA 94 00:04:26,936 --> 00:04:29,936 tak mě vyjde vypočítaná hodnota součtu 95 00:04:29,976 --> 00:04:32,816 čtverců od průměru mezi skupinami 96 00:04:32,816 --> 00:04:33,736 polosourozenců. 97 00:04:35,210 --> 00:04:38,170 Od součtu čtverců od celého průměru 98 00:04:38,770 --> 00:04:41,450 uvnitř skupiny polosourozenců SSE je 99 00:04:41,450 --> 00:04:44,400 reziduální. A je dán 100 00:04:44,800 --> 00:04:47,400 rozdílem součtu 101 00:04:47,720 --> 00:04:49,280 čtverců 102 00:04:54,720 --> 00:04:57,440 mínus 103 00:04:57,440 --> 00:05:00,320 podíl sumy druhé mocniny 104 00:05:00,320 --> 00:05:02,920 součtu za skupiny podle otců lomeno n 105 00:05:02,920 --> 00:05:05,640 To taky máme definováno, to je ta 106 00:05:07,080 --> 00:05:09,960 suma velké Y na druhou lomeno n. 107 00:05:13,510 --> 00:05:16,350 A toto je náš výpočet 108 00:05:16,350 --> 00:05:19,190 součtu čtverců 109 00:05:19,190 --> 00:05:21,110 od průměru uvnitř skupiny 110 00:05:21,110 --> 00:05:22,190 polosourozenců. 111 00:05:26,490 --> 00:05:26,650 Tak. 112 00:05:29,960 --> 00:05:32,720 Když se podíváme na tabulku ANOVy 113 00:05:33,920 --> 00:05:36,720 tak ještě musíme spočítat 114 00:05:37,320 --> 00:05:40,200 průměrné čtverce MS, což 115 00:05:40,200 --> 00:05:42,120 jsou právě ty variance. 116 00:05:44,080 --> 00:05:46,600 A MSa je varianta otovská, 117 00:05:47,080 --> 00:05:50,040 která je rovna podílu toho 118 00:05:50,040 --> 00:05:52,800 součtu čtverců od průměru mezi skupinami děleno 119 00:05:52,800 --> 00:05:54,760 stupně volnosti. A stupně volnosti na 120 00:05:54,760 --> 00:05:57,559 úrovni otců je počet otců mínus 121 00:05:57,559 --> 00:05:58,119 jedna. 122 00:06:01,479 --> 00:06:03,719 Takže MSA na vychází 123 00:06:04,079 --> 00:06:06,919 4299,401. 124 00:06:08,319 --> 00:06:10,719 A variance reziduální MSE 125 00:06:11,759 --> 00:06:14,119 je přímo rovna zase 126 00:06:15,079 --> 00:06:16,559 součtu čtverců odchylek od průměru 127 00:06:16,559 --> 00:06:19,039 uvnitř skupin - reziduální a zase děleno stupně volnosti. 128 00:06:19,039 --> 00:06:21,679 V tomto případě jsou počet potomků mínus 129 00:06:21,679 --> 00:06:22,519 počet otců. 130 00:06:26,149 --> 00:06:28,749 A toto je naše variance reziduální 131 00:06:29,029 --> 00:06:30,749 2333,896 132 00:06:31,029 --> 00:06:32,389 . 133 00:06:34,679 --> 00:06:36,839 A tady vlastně končí analýza variance. 134 00:06:37,959 --> 00:06:40,319 My jsme si spočítali varianci 135 00:06:40,319 --> 00:06:43,079 otcovskou a varianci reziduální. 136 00:06:44,719 --> 00:06:47,159 Následuje druhá část 137 00:06:47,159 --> 00:06:49,479 výpočtu a to je ta vlastní genetická 138 00:06:49,479 --> 00:06:52,439 analýza, kdy víme z přednášky, 139 00:06:52,839 --> 00:06:55,759 že variance otcovská v sobě obsahuje 140 00:06:55,759 --> 00:06:58,479 genetickou varianci. A 141 00:06:58,479 --> 00:07:00,639 variace reziduální je přímo rovná varianci 142 00:07:00,639 --> 00:07:03,159 prostředí. Takže variance 143 00:07:03,159 --> 00:07:04,519 genetická 144 00:07:06,089 --> 00:07:08,809 je rovna rozdílu variance 145 00:07:08,809 --> 00:07:10,569 otcovské mínus 146 00:07:11,369 --> 00:07:13,449 variance reziduální. 147 00:07:15,039 --> 00:07:17,879 A to celé děleno n0 čili 148 00:07:17,879 --> 00:07:20,439 vážený počet potomků na jednoho otce. 149 00:07:22,119 --> 00:07:24,679 A naše variace genetická podle otců je 150 00:07:24,679 --> 00:07:27,879 245,6881. 151 00:07:29,689 --> 00:07:31,209 A ještě si napíšeme, že variace 152 00:07:31,209 --> 00:07:34,169 reziduální je přímo rovná MSE 153 00:07:34,169 --> 00:07:36,959 Nebo 154 00:07:36,959 --> 00:07:39,679 variace prostřeďová je přímo rovná MSE. 155 00:07:40,159 --> 00:07:42,319 Opět si to označíme a 156 00:07:42,439 --> 00:07:45,209 spustíme. V druhém 157 00:07:45,209 --> 00:07:47,049 kroku, když jsme si nadefinovali 158 00:07:47,049 --> 00:07:49,049 variace genetické a prostřeďové, 159 00:07:49,049 --> 00:07:51,489 tak si musíme spočítat takzvaný 160 00:07:51,489 --> 00:07:54,009 intraklasní korelační koeficient 161 00:07:54,849 --> 00:07:57,169 ró nebo r si to označíme, 162 00:07:57,889 --> 00:08:00,089 který je roven genetické 163 00:08:00,089 --> 00:08:02,729 varianci děleno celkové 164 00:08:02,729 --> 00:08:05,089 fenotypové varianci, což je ta genetická plus 165 00:08:05,449 --> 00:08:06,289 prostřeďová. 166 00:08:10,069 --> 00:08:12,789 Takže toto je hodnota intraklasního 167 00:08:12,789 --> 00:08:15,589 korelačního koeficientu ró 0,09 168 00:08:15,589 --> 00:08:18,559 zhruba. Ten vzorec nám 169 00:08:18,679 --> 00:08:20,919 velice připomíná výpočet heritability, 170 00:08:21,879 --> 00:08:23,599 protože haritabilita je definována jako 171 00:08:23,599 --> 00:08:25,559 podíl genetické variance ku celkové 172 00:08:25,559 --> 00:08:28,519 fenotypové. Proč to není heritabilita? Je 173 00:08:28,519 --> 00:08:31,159 to z toho důvodu, že my jsme to 174 00:08:31,159 --> 00:08:32,759 počítali na základě skupin 175 00:08:32,959 --> 00:08:35,759 polosourozenců, takže vlastní 176 00:08:35,759 --> 00:08:37,119 hodnota heritability 177 00:08:38,679 --> 00:08:41,199 h na druhou je 178 00:08:41,199 --> 00:08:41,879 rovna 179 00:08:43,119 --> 00:08:45,879 čtyřnásobku tohoto intraklasního 180 00:08:45,879 --> 00:08:48,439 korelačního koeficientu. 181 00:08:49,479 --> 00:08:51,919 Důvod je jednoduchý, protože genetická 182 00:08:51,919 --> 00:08:54,319 podobnost mezi polosourozenci je 183 00:08:54,359 --> 00:08:57,279 1/4, 184 00:08:57,279 --> 00:09:00,239 takže mají 25 % společných genů. Proto se 185 00:09:00,239 --> 00:09:02,159 tento podíl genetická variace a 186 00:09:02,319 --> 00:09:04,519 fenotypové variance ještě musí vynásobit 187 00:09:04,519 --> 00:09:07,479 čtyřmi a toto je výsledná hodnota 188 00:09:07,479 --> 00:09:09,559 hrytability 0,38. 189 00:09:14,439 --> 00:09:16,399 A ještě také musíme spočítat 190 00:09:17,439 --> 00:09:20,079 hodnotu střední chyby odhadu koeficientu 191 00:09:20,079 --> 00:09:22,719 haritability. Ten vzorec je 192 00:09:22,719 --> 00:09:25,399 zase ve wordovském dokumentu, a jsou zde vypsané 193 00:09:25,399 --> 00:09:27,799 dva různé vzorce, které 194 00:09:27,999 --> 00:09:30,719 spočítají téměř identickou hodnotu. Já 195 00:09:30,719 --> 00:09:32,679 jsem vzal ten záklaní vzorec, 196 00:09:32,679 --> 00:09:35,359 mám ho tady už vypsaný a 197 00:09:35,359 --> 00:09:37,359 když ho tam vložím, 198 00:09:38,279 --> 00:09:40,479 označím a spustím, tak tady mám hodnotu. 199 00:09:41,289 --> 00:09:42,849 Vypočítám hodnotu střední chyby odhadové 200 00:09:42,849 --> 00:09:45,599 heritability. Jak vidíte je 201 00:09:45,599 --> 00:09:48,559 velmi vysoká 0,56. Abychom v 202 00:09:48,679 --> 00:09:51,319 té vypočítané hodnotě heritability mohli 203 00:09:51,319 --> 00:09:54,239 trošku věřit, tak by střední chyba 204 00:09:54,239 --> 00:09:56,359 musela být menší než 0,05. 205 00:09:57,359 --> 00:10:00,359 V našem případě zdaleka není. Je to z 206 00:10:00,359 --> 00:10:02,119 toho důvodu, že to je pouze modelový 207 00:10:02,119 --> 00:10:04,679 příklad. Máme tam málo 208 00:10:04,679 --> 00:10:07,359 potomků, málo skupin polosourozenců, 209 00:10:07,799 --> 00:10:09,719 což je ten důvod, proč ta střední chyba 210 00:10:09,719 --> 00:10:12,359 je tak vysoká, což nám ale nevadí, 211 00:10:12,359 --> 00:10:14,559 protože se opravdu jedná jenom o modelový 212 00:10:14,559 --> 00:10:17,119 příklad. 213 00:10:17,359 --> 00:10:20,159 Tak tímto bychom mohli 214 00:10:20,159 --> 00:10:22,799 skončit. Máme vypočítanou heritabilitu 215 00:10:22,799 --> 00:10:25,759 plus mínus její střední chyba, ale my si 216 00:10:25,759 --> 00:10:28,319 to ještě zkusíme spočítat pomocí 217 00:10:28,319 --> 00:10:31,319 analýzy variance a 218 00:10:31,319 --> 00:10:34,079 pomocí metody REML - to 219 00:10:34,439 --> 00:10:36,679 znamená pomocí varianty metod 220 00:10:36,679 --> 00:10:39,159 maximální věrohodnosti, ale v prvé 221 00:10:39,159 --> 00:10:40,719 řadě si musíme načíst data. 222 00:10:42,449 --> 00:10:43,929 My máme tu databázi 223 00:10:43,929 --> 00:10:45,929 připravenou v excelovské tabulce, kterou 224 00:10:45,929 --> 00:10:48,769 máte k dispozici, takže vám 225 00:10:48,769 --> 00:10:51,409 ukáži nejprve, jak si načteme 226 00:10:51,729 --> 00:10:54,729 ta data. Je to velice jednoduché, 227 00:10:54,729 --> 00:10:56,689 tady v tom RSstudiu, 228 00:10:56,689 --> 00:10:58,569 to znamená, dáme tady FILE nahoře. 229 00:10:59,599 --> 00:11:02,239 Dáme Import dataset a vybereme nabídku 230 00:11:02,239 --> 00:11:04,119 From Excel, protože to máme v excelovské 231 00:11:04,119 --> 00:11:06,759 tabulce. Dáme 232 00:11:06,759 --> 00:11:07,359 vybrat 233 00:11:16,409 --> 00:11:19,329 A protože to mám na 234 00:11:19,329 --> 00:11:22,009 flashce, tak si dáme brows 235 00:11:22,999 --> 00:11:24,079 . 236 00:11:28,139 --> 00:11:29,939 Kingston a tady data-anova-cz. 237 00:11:31,289 --> 00:11:33,129 xlsx. 238 00:11:35,539 --> 00:11:37,299 Jak vidíte už nám tady ta data, ta 239 00:11:37,299 --> 00:11:39,259 tabulka hezky načetla. Mám tady otce ve 240 00:11:39,259 --> 00:11:42,219 formě ABCDE a ve druhém sloupci 241 00:11:42,219 --> 00:11:44,419 jsou hodnoty potomků. 242 00:11:45,219 --> 00:11:47,899 Nazveme si to data1 pro 243 00:11:47,899 --> 00:11:50,419 jednoduchost a dáme jednoduše 244 00:11:50,419 --> 00:11:53,239 importovat. Vídíme, že se nám 245 00:11:53,239 --> 00:11:55,559 objevil tady druhá záložka nahoře, kde máme 246 00:11:55,559 --> 00:11:58,159 ukázku té databáze. Přepneme se zpátky 247 00:11:58,479 --> 00:12:00,279 do našeho programovacího okénka. 248 00:12:01,849 --> 00:12:04,808 Máme teda data1 a ukážeme si 249 00:12:04,808 --> 00:12:07,048 jak pomoci analýzy variance, 250 00:12:09,208 --> 00:12:10,328 napíšeme si objekt 251 00:12:12,678 --> 00:12:15,198 Anova1 252 00:12:15,198 --> 00:12:18,168 pomocí funkce LM, 253 00:12:18,168 --> 00:12:20,928 která je základní funkcí v programu R. 254 00:12:20,928 --> 00:12:23,798 Ukážeme si 255 00:12:23,798 --> 00:12:25,358 tedy, jak to tam nadefinujeme. Je to 256 00:12:25,358 --> 00:12:27,118 velice jednoduché. Musíme mu říct tu 257 00:12:27,118 --> 00:12:29,718 modelovou rovnici. To znamená, že y 258 00:12:30,038 --> 00:12:31,918 my v té databázi opravdu ta data máme 259 00:12:31,918 --> 00:12:34,438 taky označené jako y. A jako 260 00:12:34,638 --> 00:12:35,998 otce malými písmeny otec. 261 00:12:38,008 --> 00:12:39,688 Nepoužívá se tady rovná se, ale 262 00:12:39,688 --> 00:12:41,688 takzvaná tilda čili taková ta vlnovka 263 00:12:41,688 --> 00:12:44,368 pravý alt + 1 na alfanumerické 264 00:12:44,368 --> 00:12:47,238 klávesnici. A pak jako 265 00:12:47,238 --> 00:12:49,438 efekt pouze ten efekt otce, takže 266 00:12:49,438 --> 00:12:50,278 napíšeme otec. 267 00:12:52,598 --> 00:12:55,118 Můžeme mít otevřeno naráz více různých 268 00:12:55,118 --> 00:12:57,118 databází, tak si tam musíme definovat, že naše 269 00:12:57,118 --> 00:12:59,238 data jsou ta data1. 270 00:12:59,798 --> 00:13:02,768 A 271 00:13:02,768 --> 00:13:04,608 abychom si zobrazili výsledek 272 00:13:04,608 --> 00:13:07,568 ANOVy, tak si ještě napíšeme 273 00:13:08,128 --> 00:13:10,968 anova a v závorce 274 00:13:10,968 --> 00:13:13,918 anova1. Když 275 00:13:13,918 --> 00:13:16,678 to označím a spustíme, tak vidíme 276 00:13:16,998 --> 00:13:19,398 výsledek v pár krocích, vlastně ve 2 277 00:13:19,398 --> 00:13:22,038 řádcích. Máme výslednou tabulku 278 00:13:22,038 --> 00:13:24,318 analýzu variance. Všimněte si, že 279 00:13:24,318 --> 00:13:25,838 tady jsou stupně volnosti, 280 00:13:27,738 --> 00:13:30,218 otcovská čili mezi skupinami a 281 00:13:30,218 --> 00:13:32,178 reziduální. Potom je tam ten součet 282 00:13:32,178 --> 00:13:34,798 čtverců odchylek od průměru. A 283 00:13:34,798 --> 00:13:36,838 poslední 3. sloupec je pro nás zásadní, 284 00:13:36,838 --> 00:13:39,318 protože tam jsou ty MS čili 285 00:13:39,758 --> 00:13:41,798 ty průměrné čtverce, což jsou 286 00:13:41,798 --> 00:13:43,958 variance. Vidíme, že to je naprosto 287 00:13:43,958 --> 00:13:45,398 stejné, jako když jsme to počítali 288 00:13:45,398 --> 00:13:47,038 manuálně. Podle vzorců 289 00:13:47,558 --> 00:13:49,758 4299,4 je 290 00:13:50,078 --> 00:13:52,598 variance otců čili mezi skupinami 291 00:13:53,118 --> 00:13:55,758 a 2333,9 je variance 292 00:13:55,918 --> 00:13:57,758 reziduální čili uvnitř skupin 293 00:13:57,758 --> 00:14:00,478 polosourozenců. 294 00:14:00,478 --> 00:14:02,998 Tady končí analýza variance a pak 295 00:14:02,998 --> 00:14:05,798 nastupuje ta genetická analýza, kde 296 00:14:05,838 --> 00:14:07,278 bychom to zase podle stejných vzorců 297 00:14:07,278 --> 00:14:09,758 spočítali z té otcovské variance tu 298 00:14:09,758 --> 00:14:12,478 genetickou varianci. Spočítali 299 00:14:12,478 --> 00:14:14,758 intraklasní korelační koeficient a z 300 00:14:14,758 --> 00:14:16,958 něj potom 301 00:14:16,958 --> 00:14:17,798 haritabilitu. 302 00:14:20,018 --> 00:14:22,778 Ukážeme si ještě druhou analýzu, kde 303 00:14:23,058 --> 00:14:25,618 kde 304 00:14:25,738 --> 00:14:27,058 použijeme 305 00:14:28,608 --> 00:14:31,598 metodu REML. Zde si musíme už 306 00:14:31,598 --> 00:14:33,998 načíst nebo nainstalovat a načíst 307 00:14:34,158 --> 00:14:35,438 speciální balíček 308 00:14:37,518 --> 00:14:40,518 lme4. V našem případě, pokud jej 309 00:14:40,518 --> 00:14:43,358 nemáte, což předpokládám, tak si 310 00:14:43,358 --> 00:14:45,438 přes INSTALL v Packages 311 00:14:45,998 --> 00:14:48,358 si stáhnete a nainstalujete 312 00:14:48,358 --> 00:14:50,558 jednoduše balíček 313 00:14:51,318 --> 00:14:53,078 lme4. 314 00:14:54,318 --> 00:14:57,238 A dáte instalovat. Já už ho instalovaný 315 00:14:57,238 --> 00:14:59,398 mám, takže nemusím instalovat. 316 00:15:01,098 --> 00:15:01,538 A 317 00:15:06,608 --> 00:15:09,568 LME4 jak vidíte je 318 00:15:09,568 --> 00:15:12,168 tady, takže když já si ho takto zapnu 319 00:15:12,168 --> 00:15:14,928 nebo napíšete přímo do textu library 320 00:15:15,328 --> 00:15:17,568 lme4, tak se nám 321 00:15:18,478 --> 00:15:19,758 ten balíček zaktivuje. 322 00:15:21,198 --> 00:15:24,158 A zde si vytvoříme 323 00:15:24,158 --> 00:15:27,118 zase nejprve objekt, třeba 324 00:15:27,118 --> 00:15:28,158 reml1 si ho nazveme. 325 00:15:30,198 --> 00:15:32,438 Zde použijeme funkci, která v tom balíčku 326 00:15:32,438 --> 00:15:33,878 je a to je LMR. 327 00:15:36,368 --> 00:15:38,008 A zase si musím nadefinovat tu 328 00:15:38,008 --> 00:15:40,928 jednoduchou rovnici, takže zase y. 329 00:15:43,498 --> 00:15:46,308 tilda a za 330 00:15:46,308 --> 00:15:48,588 to musíme tentokrát ale trochu 331 00:15:48,588 --> 00:15:50,948 jinak nadefinovat 332 00:15:51,468 --> 00:15:53,588 tu rovnici jako 333 00:15:53,588 --> 00:15:56,228 1 plus a v 334 00:15:56,228 --> 00:15:58,838 závorce. Bude 335 00:15:58,838 --> 00:16:01,798 1, kolmá 336 00:16:01,798 --> 00:16:04,608 čára. A dál napíšeme 337 00:16:04,608 --> 00:16:05,208 otec. 338 00:16:07,758 --> 00:16:09,958 To je vše akorát zase nadefinujeme, že ta 339 00:16:09,958 --> 00:16:12,518 naše data jsou data1, z kterch to má 340 00:16:12,518 --> 00:16:15,478 počítat. Abych si výsledek zase 341 00:16:15,478 --> 00:16:18,038 zobrazil, tak napíšeme summary. 342 00:16:20,248 --> 00:16:22,568 našeho výpočtu reml1. 343 00:16:24,508 --> 00:16:27,428 A když to označíme 344 00:16:27,428 --> 00:16:30,428 a dáme ctrl + enter, tak se nám zobrazí 345 00:16:30,428 --> 00:16:32,948 celková tabulka této analýzy, 346 00:16:33,548 --> 00:16:35,908 kde si můžeme všimnout, že 347 00:16:36,788 --> 00:16:38,668 tyto 2 řádky jsou pro nás důležité. 348 00:16:40,038 --> 00:16:42,238 Kdy jak vidíte nám přímo 349 00:16:42,678 --> 00:16:44,758 tento výpočet 350 00:16:45,758 --> 00:16:48,358 remlem spočítal přímo genetickou 351 00:16:48,358 --> 00:16:50,758 varianci podle otců a tu 352 00:16:50,758 --> 00:16:52,678 reziduální varianci čili prostředkovou 353 00:16:52,678 --> 00:16:55,478 varianci, takže se nám tímto výpočtem 354 00:16:55,478 --> 00:16:58,358 ještě zkrátí proces, kdy nepočítáme 355 00:16:58,718 --> 00:17:01,198 varianci otcovskou a varianci reziduální, 356 00:17:01,478 --> 00:17:03,158 ale přímo nám spočítá genetickou 357 00:17:03,158 --> 00:17:04,878 varianci a prostřeďovou varianci. 358 00:17:06,318 --> 00:17:08,278 Ale zase to potom musíme dát do těch 359 00:17:08,398 --> 00:17:10,558 výpočtových vzorečků pro výpočet 360 00:17:10,558 --> 00:17:12,478 intraklasního korelačního koeficientu 361 00:17:12,998 --> 00:17:15,238 a pro výpočet 362 00:17:15,238 --> 00:17:16,038 heritability. 363 00:17:19,158 --> 00:17:22,038 Takže děkuji za pozornost a určitě si to 364 00:17:22,038 --> 00:17:23,118 ještě vyzkoušejte.