• BayesA/BayesB：使用 BGLR 包中的 BGLR 函数，选择相应的模型。
• BayesC 和 BayesRR：使用 BGLR 包，通过 BGLR 函数中的 ETA 参数指定模型。
使用BGLR包进行计算：
关于模型的参数：
- yHat: 模型预测的响应变量的值（即，预测的表型值）。它表示在给定基因型数据和模型参数下，模型对每个样本的表型值的预测。
- ETA: 一个列表，每个列表项对应于模型中使用的一个ETA（Effect of Trait Architecture）组件。每个ETA组件都包含了以下子项：
- X: 输入的基因型矩阵。
- model: 使用的模型类型（如BayesA、BayesB、GBLUP等）。
- d: 贝叶斯模型中每个标记的方差参数。
- b: 每个标记的效应估计值。
- varE: 环境方差的估计值。它表示响应变量中无法通过基因型数据解释的那部分方差。
- SD.varE: 环境方差估计值的标准差。它提供了关于环境方差估计值的不确定性的度量。
- varU: 如果模型中包括了随机效应（如基因组宽泛的随机效应），则
varU表示这些随机效应的方差估计值。 - SD.varU: 随机效应方差估计值的标准差。它提供了关于随机效应方差估计值的不确定性的度量。
- deviance: 这是模型的偏差度量。偏差越小，模型拟合数据的能力越强。
- fit: 一个列表，包含模型的拟合度量（如偏差、AIC、BIC等）。
- mu: 模型的截距项的估计值。它表示在所有其他变量取零时，响应变量的预期值。
- varB: 一个向量，包含贝叶斯模型中每个标记的方差参数。
- weights: 如果使用了加权回归模型，这个向量包含每个观测值的权重。
saveAt: 一个字符串，表示模型结果保存的路径。
注意，保存路径的文件是一个dat文件，其中记录了每次迭代的结果，可以使用read.tabke()读取后使用
结果计算示例：
varE_samples <- read.table("bayesa_modelvarE.dat", header =FALSE, sep ="\t")
b_samples <- model_bayesa$ETA[[1]]$b
b_samples <-as.numeric(b_samples)
Vg <- rowSums(b_samples^2)/ ncol(b_samples)
Vg_mean <- mean(Vg)
Vg_sd <- sd(Vg)
varE_values <-as.numeric(varE_samples$V1)
Ve_mean <- mean(varE_values)
Ve_sd <- sd(varE_values)
heritability <- Vg /(Vg + varE_values)
str(heritability)