育种过程中，我们经常对连续性状进行评估，比如体重、背膘厚等。但有时候，我们关注的性状不仅仅是连续性状，比如抗病性、颜色、分级数据等，这一类数据是阈值性状，对于这一类的数据，ASReml也有完整的解决方案，我们一起来看一下吧。

性状定义：

阈性状：表型呈非连续变异，而遗传物质的数量呈潜在的连续变异的性状，即只有超越某一遗传阈值时才出现的性状，如动植物甚至包括人类的抗病力、死亡率以及单胎动物的产仔数等性状。

阈性状不完全等同于数量性状或质量性状，他们具有一定的生物学意义或经济价值，其表现呈非连续型变异，与质量性状类似，但是又不服从孟德尔遗传定律。一般认为这类性状具有一个潜在的连续型变量分布，其遗传基础是多基因控制的，与数量性状类似。因为它受基因制约，所以它有一个潜在的连续分布，但它的表现却受阈值控制。

阈性状有时只有一个阈值，表现两种变异类型，如疾病的易患性，但有时也有两个阈值。

一般阈值性状分为二分类的和多分类的，比如抗病性状，抗病为1，死亡为0，为二分类阈值性状。比如抗病性状，高抗为2，中抗为1，低抗为0，为三分类阈值性状。

实操代码：

asreml-R V4.1增加了阈值性状和连续性状的多性状模型，这里我们通过代码介绍一下实现方法。不同的分布函数，对应的链接函数不同，具体如下：

第一种：二分类阈值性状的单性状分析

一般包括logistic模型和probit模型，可以是家系模型，也可以是动物模型。

家系模型：logistic

mod1 = asreml(score4 ~ Sex + Grp + year, random = ~ Family,

family = list(asr_binomial(link = "logit")),

data = dat)

家系模型：probit

mod1 = asreml(score4 ~ Sex + Grp + year, random = ~ Family,

family = list(asr_binomial(link = "probit")),

data = dat)

动物模型：logistic

mod1 = asreml(score4 ~ Sex + Grp + year, random = ~ vm(ID,ainv), 

family = list(asr_binomial(link = "logit")),

data = dat)

动物模型：probit

mod1 = asreml(score4 ~ Sex + Grp + year, random = ~ vm(ID,ainv), 

family = list(asr_binomial(link = "probit")),

data = dat)

第二种：多分类阈值性状的单性状分析（超过二分类的性状）

注意：多分类的性状，要变为factor，才可以分析。可以分析家系模型和动物模型，也支持logistic和porbit模型，具体参考上面的代码。

mul_logit = asreml(mulb~1,

random=~ Sire+Family,

family=asr_multinomial(link=logit),

data=data)

第三种：连续性状和阈值性状多性状模型

模型书写和普通多性状模型类似，不同的是增加了性状的分布函数。第一个是二分类阈值性状，第二类为连续性状。

这里，可以支持家系模型和动物模型，也可以支持logistic和probit模型。

mod3 = asreml(cbind(score4,norm) ~ trait + trait:(Sex + Grp + year),

random = ~ us(trait):Sire,

family = list(asr_binomial(),asr_gaussian()),

maxit = 100,

data=dat)

第四种：阈值性状和阈值性状多性状模型

模型书写和普通多性状模型类似，不同的是增加了性状的分布函数。这里，第一个是二分类阈值性状，第二类也为二分类阈值性状。

这里，可以支持家系模型和动物模型，也可以支持logistic和probit模型。

mod2 = asreml(cbind(score4,rot) ~ trait + trait:(Sex + Grp + year),

random = ~ us(trait):Sire,

family = list(asr_binomial(),asr_binomial()),

maxit = 100,

data=dat)

按照上面的示例代码，就可以轻松评估阈值性状的遗传参数，包括阈值性状和连续性状的多性状模型，ASReml-R都可以分析。

此外，ASReml-R近期提供试用，感兴趣的老师可以私聊小编获取软件试用。