IASBLUP v1.3.2
Integrated Software for Large-Scale Genetic Evaluation
IASBLUP v1.3.2 是面向动植物育种的大规模遗传评估综合分析平台，覆盖基因型 QC 与 LD pruning、 G/A/H/D 等关系矩阵构建、单/双性状和多组分 REML、稀疏 MME、随机回归测定日模型、 EBV/PEV/Reliability 输出与固定效应推断。
QC / LD pruning RR-TDM Multi-component Sparse MME PCG-SLQ
在线试用 下载软件
0
核心模块 / 模型
0
模型 / 求解主线
0
跨平台部署
0 万+
大规模评估能力
平台运行概况
实时统计访问、下载、运行与评估规模
累计访问量
累计下载量
在线运行次数
0
评估个体数
0

v1.3.2 核心功能

从原始 PLINK 基因型、系谱和表型数据出发，完成质控、矩阵构建、方差估计、育种值预测和可靠性评估

基因型 QC 与矩阵构建

新增 --QC 模块，支持样本/SNP 保留或剔除、MAF、HWE、检出率和 LD pruning。 支持 G、A、A⁻¹、H、H⁻¹、D 和上位性矩阵， --kin-method 0/1/2 与 30/31/32 覆盖常规和 cosine-normalized G 矩阵。

REML 与复杂模型

支持单性状、双性状、多组分、重复力、母体环境、母体遗传、GLMM 阈性状和测定日随机回归模型。 REML 主线覆盖 dense exact、low-rank、PCG-SLQ、sparse MME exact/fdiff/hutch 与 trust-region dogleg。

育种值与可靠性

支持 ABLUP、GBLUP、ssGBLUP、单/多组分和单/双性状预测。 输出 EBV、PEV、Reliability、固定效应、ANOVA 表和育种值排名；v1.3.2 继续优化 dense 大样本 predict 与 reliability。

双性状与相关分析

双变量 AI-REML 联合估计遗传相关、残差相关和表型相关。 支持性状特异性协变量、dense 与 sparse MME 路径，适合多性状选择指数和相关响应评估。

高性能与低内存

默认 float32 大矩阵存储/矩阵乘法，REML score、AI、LogL 和固定效应保持 float64。 PCG-SLQ、固定效应吸收、probe-batch 并行、稀疏 MME 和流式 GRM 构建用于大样本加速。

多平台与在线分析

支持 Linux、macOS、Windows 和 Shiny 在线分析。 自动识别二进制/文本矩阵，提供命令行生产环境和网页试用环境两种使用方式。

典型应用场景

v1.3.2 面向育种生产、科研分析和大规模遗传评估的常见任务

常规基因组选择

使用 QC 后的 SNP 数据构建 G 矩阵，完成 GBLUP/ssGBLUP 方差估计、EBV 预测和可靠性评估。

测定日纵向性状

使用 --test-day 和 --rr-order 构建随机回归测定日模型，适合产奶量、体重曲线和连续测定性状。

多组分遗传结构

同时分析加性、显性、上位性或多来源亲缘矩阵，估计不同遗传组分贡献。

大规模 MME 评估

通过 A⁻¹/H⁻¹ 稀疏 MME、PCG、fdiff/hutch trace 和 step-method 控制处理大群体数据。

阈性状与固定模型

使用 GLMM probit/logit 处理二分类性状，也可用 LM/GLM 做不考虑亲缘关系的快速固定模型分析。

典型分析流程

以 GBLUP 基因组选择为例，从基因型质控到育种值输出完成全流程

1

基因型质控

$ IASBLUP --QC --bedfile geno --maf 0.05 --geno-rate 0.90 --out geno_qc
2

构建 G 矩阵

$ IASBLUP --kinship --bedfile geno_qc --kin-method 0 --threads 8 --out G
3

REML 方差估计

$ IASBLUP --reml --kin-file G --phefile pheno.txt --phe-pos 2 --out uni
4

育种值预测

$ IASBLUP --predict --kin-file G --phefile pheno.txt --phe-pos 2 --out ebv

亲缘关系（相似）矩阵方法速览

v1.3.2 使用 --kin-method 0/1/2 作为基础 G 矩阵方法，30/31/32 为对应 cosine-normalized 版本

支持模型速览

按应用模型划分，区分 REML/BLUP、GLMM、LM/GLM、SNP effect 和 QC 等不同功能入口

REML 方法速览

仅列出方差组分估计和 REML 求解主线；GLMM、LM/GLM、QC 等非 REML 功能请查看上方支持模型表

引用 & 联系

引用方式

如果您使用了 IASBLUP 软件，请引用：

Wentao Cai, IASBLUP v1.3.2: An integrated software for large-scale genetic evaluation and genomic prediction.

联系方式

开发者：水禽育种与营养创新团队 蔡文涛 (Wentao Cai)

中国农业科学院北京畜牧兽医研究所

caiwentao@caas.cn

iasbreeding.cn

微信群交流

用于用户交流、问题反馈和 bug 沟通。二维码会定期更新，请以网页显示为准。

IASBLUP 微信群二维码
主页 Email 微信群 下载

IASBLUP v1.3.2 © 2024–2026 Wentao Cai, CAAS

大模型与计算育种实验室 | 水禽育种与营养创新团队 | 中国农业科学院北京畜牧兽医研究所 | 京ICP备2024071370号-2

地址：北京市海淀区圆明园西路2号 | 邮编：100193 | 本网站使用 R Shiny 开发 | 最后更新：2026年5月

在线分析工作台

单性状和双性状分析已拆分为独立页面，上传文件为共享输入，切换页面后无需重复上传。

共享数据上传
上传规则：表型、系谱和基因型文件在单性状与双性状分析中共用；系统会根据当前页面和模型提示必需文件。
选择单性状模型

请先选择分析模型，系统会根据当前模型提示必需上传的数据。

分析参数
指定性状、随机效应与固定效应


单性状分析结果
方差组分
加性方差 / 残差方差
遗传力
h² 估计值
育种值
可导出个体数
选择双性状模型

双性状页面用于配置 trait1 / trait2，并支持为两个性状分别选择不同固定效应。

双性状参数

双性状分析结果
完整观测
两个性状均非缺失
原始表型相关
complete cases Pearson r
育种值
可导出个体数

下载 IASBLUP

选择适合您操作系统的版本，开始大规模遗传评估

Latest: v1.3.2

Linux

v1.3.2 · x86_64

推荐用于高性能计算集群和服务器


~15 MB · 需要 glibc ≥ 2.17

macOS

v1.3.2 · ARM64 / x86_64

支持 Apple Silicon (M1/M2/M3) 和 Intel Mac


~12 MB · macOS 12+

Windows

v1.3.2 · x64

支持 Windows 10 / 11 (64-bit)


~18 MB · Windows 10+

v1.3.2 本版重点

围绕 dense PCG-SLQ、预测速度、二分类模型、固定效应吸收和大样本可靠性继续优化

PCG-SLQ 加速

dense PCG-SLQ 默认 hutch-score=48、Lanczos k=20，并支持 --threads 下 probe-batch 并行和 PCG tolerance auto。

dense predict

dense 单性状预测改为 observed-space PCG + block K_all_obs GEMV/SGEMM，协变量较多时启用 fixed-effect absorption。

GLMM / LM / GLM

新增二分类 GLMM PQL、阈性状入口，以及不依赖遗传力的 LM/GLM 固定模型和 marker score 输出。

可靠性与输出

dense reliability 增加 observed-exact/float32 block 路径，MME/multi-component 支持 approximate PEV 与更清晰结果提示。

提示：当前下载按钮指向 v1.3.2 安装包；若服务器尚未上传对应文件，页面会提示使用下方 v1.3.1 / v1.3.0 历史版本。

历史版本与说明书归档

v1.3.1 和 v1.3.0 已归档为历史稳定版本。建议新分析优先使用 v1.3.2；如需复现旧流程，可下载对应版本安装包和说明书。

v1.3.1 归档

上一稳定版本，包含 QC、RR-TDM、float32 默认计算和 dense reliability 优化。

v1.3.0 归档

历史稳定版本，适合复现早期 sparse MME、PCG-SLQ 和双性状 REML 流程。

快速安装

三步完成安装，开始使用 IASBLUP

Linux / macOS

# 1. 解压 $ tar -xzf IASBLUP_v1.3.2_linux_x86_64.tar.gz $ cd IASBLUP # 2. 添加执行权限 $ chmod +x IASBLUP # 3. 测试运行 $ ./IASBLUP --help

Windows

# 1. 解压 zip 文件到目标目录 # 2. 打开 CMD 或 PowerShell > cd C:\path\to\IASBLUP > IASBLUP.exe --help

可选：添加到 PATH 环境变量

# Linux/macOS: 添加到 ~/.bashrc 或 ~/.zshrc $ echo 'export PATH=$PATH:/path/to/IASBLUP' >> ~/.bashrc $ source ~/.bashrc # 之后即可直接运行： $ IASBLUP --kinship --bedfile geno --out G

文档下载

中文用户说明书 (v1.3.2)

完整的中文操作指南（DOCX），含参数说明、分析流程、v1.3.2 新功能和 FAQ。

下载中文手册

English User Manual (v1.3.2)

Complete English user manual (DOCX), including parameters, workflows, v1.3.2 updates, and FAQ.

Download English Manual

版本更新日志

v1.3.2 2026-05
NEW dense PCG-SLQ 默认 hutch-score=48、Lanczos k=20，支持 --threads 驱动 SLQ/Hutchinson probe-batch 并行
NEW dense predict 改为 observed-space PCG + block K_all_obs GEMV/SGEMM，并支持 dense reliability float32 block 路径
NEW 新增二分类 GLMM PQL、阈性状入口、LM/GLM 固定模型和 marker score 输出
IMPROVE dense PCG-SLQ 在 p>=10 时自动启用 exact fixed-effect absorption，降低高维固定效应带来的 PCG 求解成本
IMPROVE 优化 MME / multi-component approximate PEV、批量 RHS 求解、运行环境诊断和大样本输出提示
FIX 修复 PCG-SLQ 平台期收敛判定、Windows 平台文案、网页版本提示和在线运行结果解析细节
v1.3.1 2026-05 · 历史版本
NEW 新增基因型 QC / filter-bed / LD pruning 模块，支持 --maf、--hwe、--geno-rate、--indv-rate 与 PLINK-style pruning
NEW 新增真实随机回归测定日模型 RR-TDM，支持 Legendre 1–3 阶、HTD 固定效应、DIM 残差分段和 .rrcurve PEV/SE
NEW 新增 dense 大样本 EBV reliability 的 observed-exact 路径，避免全 MME 逆矩阵卡死
IMPROVE 默认计算精度切换为 float32 大矩阵存储/矩阵乘法，REML score/AI/LogL 与固定效应仍保持 float64
IMPROVE 优化 sparse MME、multi-component PCG-SLQ、step-method 框架、dogleg/line-search 等 REML 步长控制
FIX 修复大样本 dense reliability、下载提示、运行时间显示、矩阵多输入提示和 PCG-SLQ 稳定性问题
v1.3.0 2025-06 · 历史版本
NEW 稀疏矩阵 A⁻¹ / H⁻¹ MME-based AI-REML
NEW PCG + SLQ 大规模方差估计方法
NEW 双变量 REML 与遗传相关分析
NEW 多组分 REML 与 HE 回归
IMPROVE Low-rank 自适应近似加速
IMPROVE 自动识别矩阵文件格式（二进制/文本）
v1.2.0 2025-01
NEW H 矩阵与 H⁻¹ 矩阵构建
IMPROVE 流式分块 GRM 构建算法
FIX 修复大规模数据下内存溢出问题
v1.1.0 2024-08
NEW Eigen 分解与 Cholesky 分解 REML 方法
NEW 协变量支持（因子型 + 数值型）
IMPROVE 优化 REML 收敛判据
v1.0.0 2024-03
NEW 初始版本发布：G/A 矩阵构建、Direct REML、EBV 预测

系统要求

主页 Email 微信群 在线运行

IASBLUP v1.3.2 © 2024–2026 Wentao Cai, CAAS