尊敬的文老师，您好！我是山东农业大学的一名研究生，实验涉及小麦关联分析。拜读您的文章，得知您是这方面的专家。我在处理数据时遇到些问题，希望您百忙之中能给于解答，不胜感激！
1 、在LD分析中，
a
、我看到很多文献所进行分析的范围多是不一样的，有的是分析各个亚群的LD，有的分析不同染色体上的LD，也有的分析小麦染色体组的，请问他们分析的目的是什么，在什么情况下做何种分析比较好呢
b
、很多文献中分析同线性（同一染色体上）的LD和非共线的LD，并将非共线的LD作为背景LD，请问这个背景LD是不是要像分析群体结构似的随机挑一些标记运行，这个95%处的LD怎么取，将其作为baseline-LD来确定其他染色体上的遗传距离吗？我看有的文献是确定75%处的LD，
c、 用来确定显著性的P值怎么确定呢 ，不同的文献采用的不同，0.05、0.01、0.001，我该选用哪个呢
d
、统计运行结果时，我要确定有多少对（位点组合）LD，平均的r*2值，显著性的LD对数比例是吗，假如我确定的p=0.01,则寻找pDiseq
这一项中小于0.01所对应标记对及它们的R*2值，是这样吗？
2、在群体结构分析中，除了STRUCTURE外看到很多的分析方法，像UPGMA、NJ聚类等，一篇文章里综合运用是为了互相验证、增强说服力吗，还是其他？
3、关联分析的数据结果该如何统计呢，如何确定显著性的P值？假如确定P=0.001，是不是要找这个性状P小于0.001所对应的那个标记呢？Heritability是不是就是这个标记对这个性状的遗传力？那运行结果中的F、Rsq-model、Rsq-marker、Residual又有什么作用呢，看到很多文献中有群体结构解释表型变异的比例R*2,
这个值是从哪求出的呢？
祝好！
于
我的答复
你好，对你的问题回答如下：
（1）对各亚群（或染色体）做LD分析，无非是想了解各亚群（或不同染色体间）LD总体水平的高低差异及LD位点对数的差异。举例来说，若有一自交作物种质资源群体由若干亚群组成，LD水平高（平均的D值或r方高）的亚群可能是选择压力大、个体数目少，群体结构明显等原因造成，我个人认为这种分析意义不大，因为在做关联分析时，很少使用单个亚群做为样本，而常常是用总群体来做分析，当然如是学位论文，可以作为一个研究方向充实内容，此外如国目的就是做LD分析，而不涉及关联分析解析性状，也可作为部分研究内容。
相比之下，不同染色体间LD水平的高低比较要有意义的多，如果某一条染色体的LD水平明显高于其他的，可以初步判断这条染色体受选择压力较大，多样性较低，在它上面可能载有较多的受人工进化选择影响较大性状的基因。做这样的比较的前提是分析的标记数目较多，每条染色体都跑了标记且覆盖均匀，最好还要知道标记间的图距（或物理距离）。
对于不同小麦染色体组间的LD分析其目的，也大概和上面题到的目的相似，都是在探索一种基因组构成的基本信息。
（2）将非共线的LD作为背景LD方法很好，我现在查文献很不便，baseline-LD的论文还没看见过，你可以发给我看看在回复你。
（3）显著性的P值当然越小越好，0.001水平的肯定比0.05水平的位点更可靠，理论上说0.05显著即可认定关联，但实际操作过程中如果已0.05作为显著水平，可能会有太多标记关联上性状，其中可能有由于群体结构或kinship造成的伪关联标记。建议起码选择0.01或更小作为显著水平，当然亦可使用bonferroni
correction 确定显著值P=0.05/N,N is number of detected
markers。
（4）"...则寻找pDiseq
这一项中小于0.01所对应标记对及它们的R*2值，是这样吗？",是，就是这样选的，在操作时可以按P值大小扩展排序后选得。
（5）STRUCTURE分析理念是基于亚群是否达到哈德温伯格平衡的数学模型的聚类，而UPGMA及NJ一般是基于材料间遗传距离的聚类，有时会有相似结果产生，但我认为没有比较的意义。如果是要做关联分析，就用STRUCTURE分析群体结构好了。
（6）“....假如确定P=0.001，是不是要找这个性状P小于0.001所对应的那个标记呢....",
对，就是，寻找P小于等于0.001所对应的那些标记！
（7） Heritability是就是这个标记对这个性状的遗传力，F、Rsq-model、Rsq-marker、Residual，是对回归方程显著性检验的各项指标，分别指F值，模型解释率，marker的解释率，及残差。Rsq是R
square及R平方的缩写。一般用”marker的解释率“较多
（8） 你说有文献里”有群体结构解释表型变异的比例R*2“我不理解，一般都是标记或SNP对表型的解释率即Rsq-marker（marker
的R方）。
先回答到这吧，把baseline-LD的文献发来我看看。
加载中，请稍候......
加载中…
喜欢