我们知道GWAS有一个假设：common disease common variant（CDCV）hypothesis，即认为复杂性状主要是由不多的普遍存在的变异引起的，这些变异都有不低的贡献。然而在研究人类疾病等复杂性状时，却发现很多时候不满足这个假设。这给我们的研究带来了非常大的困难，甚至许多研究者对GWAS用于人类疾病等复杂性状抱怀疑或反对的态度。

图1很好的总结了GWAS不满足CDCV的情况。该图为GWAS常用的Manhattan图，横坐标为染色体位置，纵坐标不是显著性水平，而是该SNP对性状的贡献率。左上表示满足CDCV的情况，性状主要由不多的普遍存在于群体中的变异决定，每个变异的贡献率都不低（几个百分点）。这种情况下，GWAS能够很好的定位到关联位点。

http://s6/mw690/0065S4ZTgy6TMK6b3z755&690
图1 GWAS的遗传基础分类

在上篇博文中提到，由于Marker之间存在LD，所以用Bonferroni校正对GWAS结果的错误发现率进行控制过于保守。而置换检验由于计算量太大，很难操作。既然Bonferroni校正的前提是每次试验独立，那么我们可不可以计算等效的独立SNP个数呢？

上篇博文中重画Q-Q图的思想就是一种方法，根据全基因组的LD-decay水平将基因组划分成若干block，block的个数就是等效的独立试验次数，那么校正后的显著水平应该为α/block数。但是这种方法过于粗糙，因为基因组局部的LD水平差异很大。下面介绍几种引用率较高的方法。

1. sampleM(Gao, Starmer et al. 2008)

该方法先建立任意两SNP之间的CLD（composite LD）矩阵，然后

在多重假设检验中，我们知道需要对错误率进行控制，我尽量简单说明原因：统计学中，我们作假设检验的前提是认为小概率事件在一次试验中不会发生。比如我们经常把显著性水平α设为0.05，也就是说，我们认为概率小于0.05的事件在一次试验中不会发生。但如果我们试验非常多次，那么小概率事件就极有可能发生了，所以在多重假设检验中，我们如果仍然把显著性水平设为0.05，那么假阳性事件会大大增多。

在GWAS分析中，我们对同一组表型数据，每一个分子标记（Marker，包括SNP或者SSR等等），都会作一次假设，即认为这个Marker会影响这个表型。这是典型的多重假设检验问题，所以需要对假阳性率进行控制。

由此在多重假设检验中提出了FDR，即错误发现率。对多重假设检验中的错误发现率的控制方法很多，在GWAS分析中，运用得最广泛的就是Bonferroni校正了，其原理是将原显著性水平（α）校正为α/M，M为检验的次数，在GWAS分析中为Marker数。

但是Bonferroni校正的前提是每次试验都是独立的。而在GWAS分析中，由于Marker之间存在连锁不平衡

       BSA（Bulked Segregant Analysis）又称混合群体分离分析法，是利用极端性状进行功能基因挖掘的一种方法。主要思想是将两个具有极端性状的群体进行混池测序，比较两个群体在多态位点（SNP）的Allele Frequency（AF）是否具有显著差异。以植物株高性状为例，收集株高处于两个极端的样本分别混池测序，通过全基因组扫描，找到AF具有显著差异的位点，然后通过相关研究结果，对这些位点进行筛选，找到影响株高的功能位点。​

        BSA在1991年就被提出(Giovannoni et al., 1991; Michelmore et al., 1991)，只不过当时使用的标记不是SNP而是RAPD和RFLPs等传统标记。随着二代测序的发展，SNP标记的开发和测序成本的下降，使BSA技术成为QTL定位的有力工具。​

       最近在BSA技术上的出色工作，主要为日本Iwate Biotechnology Research Center的一个团队。他们开发出了MutMap（Abe, A. et al., 2012）、QTL-seq（Takagi, H. et al., 2013）、MutMap+（R Fekih et al., 2013）、MutMap-Gap（Takagi, H. et al., 2013）等。​​