全 文 ：作物学报 ACTA AGRONOMICA SINICA 2016, 42(7): 945956 http://zwxb.chinacrops.org/
ISSN 0496-3490; CODEN TSHPA9 E-mail: xbzw@chinajournal.net.cn

本研究由国家自然科学基金项目(31301004)和中央高校基本科研业务费项目(KJQN201422)资助。
This work was supported by National Natural Science Foundation of China (31301004) and Fundamental Research Funds for the Central
Universities (KJQN201422).
* 通讯作者(Corresponding author): 章元明, E-mail: soyzhang@mail.hzau.edu.cn; Tel: 13505161564
第一作者联系方式: E-mail: fengjianying@njau.edu.cn
Received(收稿日期): 2015-07-08; Accepted(接受日期): 2016-05-09; Published online(网络出版日期): 2016-05-11.
URL: http://www.cnki.net/kcms/detail/11.1809.S.20160511.1551.002.html
DOI: 10.3724/SP.J.1006.2016.00945
植物关联分析方法的研究进展
冯建英 1 温阳俊 1 张 瑾 1 章元明 2,*
1 南京农业大学作物遗传与种质创新国家重点实验室, 江苏南京 210095; 2华中农业大学植物科技学院, 湖北武汉 430070
摘 要: 关联分析在人类和动植物遗传研究中的应用日益广泛, 新方法及其软件包不断涌现。为对其更好选择和应
用, 本文综述了关联分析的主要方法及其软件包。首先, 介绍了群体结构对关联分析的影响; 其次, 重点介绍了单位
点关联分析、多位点关联分析、上位性和多性状关联分析方法及其软件包; 最后, 展望了关联分析的发展动向。应当
指出, 基于群体结构和多基因整体背景控制的全基因组单标记快速扫描算法在目前的实际资料分析中应用较广泛,
与其结果互补的是假阳性率较高的非参数方法。但是, 今后的方法应当是以多位点模型、环境互作、上位性检验和
多个相关性状联合分析为主。这为今后的理论与应用研究提供了有益信息。
关键词: 全基因组关联分析; 上位性; 混合线性模型; 多位点模型
Advances on Methodologies for Genome-wide Association Studies in Plants
FENG Jian-Ying1, WEN Yang-Jun1, ZHANG Jin1, and ZHANG Yuan-Ming2,*
1 State Key Laboratory of Crop Genetics and Germplasm Enhancement, Nanjing Agricultural University, Nanjing 210095, China; 2 College of Plant
Science and Technology, Huazhong Agricultural University, Wuhan 430070, China
Abstract: Genome-wide association studies (GWAS) have been widely used in human, animal and plant genetics, and many new
approaches and their softwares have been developed in recent years. To make a better use of the GWAS methods in applied
research, in this study we summarized the advances on methodologies and softwares for GWAS. First, LD score regression
was introduced to investigate the effect of population structure on GWAS. Then, the main approaches and their softwares for
GWAS in plants were reviewed, including a single-locus model, a multi-locus model, epistasis, and multiple correlated traits.
Finally, we prospected the future developments in GWAS. It should be noted that, in real data analysis at present, the method-
ologies for genome-wide single-marker scan under polygenic background and population structure controls are widely used,
and the corresponding results are complementary to those derived from non-parameter approaches with high false discovery
rate. However, the future approaches for GWAS should be based on the multi-locus genetic model, QTN-by-environment in-
teraction, epistatic detection and multivariate analysis. Our purpose was to provide beneficial information in theoretical and
applied researches.
Keywords: Genome-wide association study; Epistasis; Mixed linear model; Multi-locus model
以分子标记与复杂性状基因间的连锁不平衡
(linkage disequilibrium, LD)为基础的关联分析是人
类复杂疾病遗传剖析的基本方法。近年来, 在动植
物数量性状遗传分析中也有大量报道。
在人类复杂疾病的关联分析中, 最早分析的是
家系资料和 Case-Control数据。随着 Risch提出了全
基因组关联分析 [1] (genome-wide association study,
GWAS), 特别是学者们研制了 PLINK[2] (http://pngu.
mgh.harvard.edu/~purcell/plink/)和 BOOST[3] (http://
bioinformatics.ust.hk/BOOST.html)等应用软件包以
后, 涌现出大量 GWAS研究论文[4-6], 掀开了人类复
杂疾病遗传研究和人类基因组学研究的新篇章。在
946 作 物 学 报 第 42卷


植物遗传方面, Thornsberry等[7]在考虑群体结构的情
况下用统计方法研究了玉米开花期的 Dwarf8 多态性
变异, Hansen等[8]将GWAS用于海甜菜抽薹基因 B的
遗传研究, 特别是 Zhang 等[9]和 Yu 等[10]建立了混合
线性模型关联分析方法以后, 学者们应用不同的统
计模型和参数与非参数估计方法在全基因组开展了
单标记扫描、快速计算算法、多位点模型、上位性检
测和多个相关性状联合分析等大量研究。目前, 应用
最多的是基于混合线性模型的快速计算方法, 它们
大多是基于群体结构和多基因背景控制的单标记扫
描方法, 例如, EMMA[11]、CMLM[12]及其拓展的算法。
与此类方法互补的是非参数检验方法, 但是其假阳
性率往往较高[13]。今后的方向是多位点模型、环境互
作、上位性检验和多个相关性状联合分析的方法, 例
如 mrMLM[14]、FarmCPU[15]和 QTXNetwork[16]。
植物复杂性状的关联分析方法已有很多, 各具
特点, 各有所长。为增加这些方法的推广应用, 本文
从统计模型、方法和应用条件上综述植物关联分析方
法与软件研究的进展, 并展望今后的发展趋势, 为应
用工作者更好地选择和应用这些方法提供方便。
1 群体结构对关联分析的影响
关联分析的一个主要问题是因群体结构造成的
目标性状与无关基因间的假关联, 导致关联分析的
假阳性率较高。为此, 提出了基因组控制[17-18]、结
构关联[19-21]、主成分分析[22]和多维尺度[23]来解决群
体结构对关联分析的影响。实际上, 关联分析也受
多基因背景效应的影响。Bulik-Sullivan 等 [24]认为,
目前的方法不能有效区分群体结构和多基因背景效
应对关联分析的影响。为此 , 提出了 LD (linkage
disequilibrium)得分回归方法。
在关联作图群体中, 将第 j 个标记与二歧性状
间相互独立的 2j 值作为依变量, 标记间的连锁不平
衡统计量 jl 作为自变量, 进行线性回归分析, 其中
2
1 Mj jkkl r , jkr 是第 j和 k个标记的相关系数。若
回归截距与 1 差异不显著, 则群体结构并不影响关
联分析结果, 可不进行群体结构矫正[24]。若研究性
状不是二歧的而是连续的, 可抽取一定等比例的极
端大值个体和极端小值个体, 转化成二歧性状, 以
应用该方法[25]。
2 单位点关联分析
随着基因组测序技术的进步及其成本的下降 ,
关联分析在作物遗传育种研究中的应用越来越广泛。
目前, 已经涌现出大量的关联分析方法与软件包。
2.1 混合线性模型(mixed linear model, MLM)方
法
Zhang 等利用品种系谱、分子标记信息和数量
性状观察值首先提出了植物品种资源群体关联分析
的混合线性模型方法[9], 其数学模型为
   Y Xb Zu Wv ε (1)
其中 ,  1, ,Y  Tny y 是由所有个体数量性状观测
值组成的向量; b为固定效应, X为其系数矩阵; ε
为服从正态分布  20, IeN  的随机误差; 第 k 个祖先
亲本(founder)基因效应为  2~ 0,k uu N  , 多基因效
应为 v ~ 2(0, )vN  ; ZZT 的数学期望是品种间该等位
基因的 IBD (identity-by-descent)矩阵, WWT 的数学
期望是品种间多基因亲缘关系 IBD 矩阵(相当于品
种间亲缘系数 K矩阵), 有以下关系式
     2 2 2  Y ZZ WW IT Tu v eVar E E   (2)
利用品种系谱, 通过 Monte Carlo 方法计算出
 ZZTE 和  WWTE 后, 由方差组分分析估计 QTL
(quantitative trait locus)、多基因和误差方差组分, 以
检测基因组上每一可能位置存在 QTL 的可能性大
小。若在某一位置上存在 QTL, 则用 BLUP(best
linear unbiased prediction)法预测 QTL 等位基因效
应。该方法可用于水稻、大豆等自花授粉作物和玉
米自交系等异花授粉作物的关联分析, 可检测大量
的遗传变异, 精度高, 误差较小。
若品种系谱不全, 不能计算 IBD 值; 若系谱不
准确, 计算结果不可靠。特别是, 群体结构也会导致
假关联。为克服这些缺点, Yu等[10]利用分子标记信
息计算品种间多基因亲缘关系矩阵 K, 以代替多基
因 IBD 矩阵, 并引入群体结构矩阵 Q, 以检测与数
量性状关联的分子标记, 通过模拟人类和玉米数据
集, 证实了新方法在提高 QTL 检测功效和控制 I 型
错误率的有效性。此后, 混合线性模型关联分析方
法得到较大发展和广泛应用。
2.2 快速检测方法
随着测序技术的进步和测序成本的下降 , SNP
(single nucleotide polymorphism)标记在植物关联分
析中应用已成为常态。但是, 大量的 SNP 标记会使
得分析的运算时间增加。所以, 新的快速检测方法
越来越受到应用者的青睐。
第 7期 冯建英等: 植物关联分析方法的研究进展 947


上述混合线性模型方法需要估计 3个方差组分,
若标记数目较多, 则运算时间较长。为此, Zhang等[12]
提出了压缩混合线性模型(compressed mixed linear
model, CMLM)方法。与 Yu 等[10]方法比较, CMLM
方法将 QTL效应视为固定效应; 利用聚类分析方法
将品种分组, 获得最优分组数, 用组间亲缘系数代
替品种间亲缘系数; 提出了固定多基因方差与误差
方差比值的 P3D (population parameters previously
determined)算法。由此, 提高了检测功效和节约了计
算时间。若寻找 8 种聚类分析方法和 3 种组间亲缘
系数算法的最优组合, 还可进一步改进 CMLM方法
的检测功效 , 这就是优化压缩混合线性模型
(enriched CMLM, ECMLM)方法[26]。
Kang 等[11]将模型(1)中的 QTL 效应 u视为固定
效应, 并记  , bβ TT u , 则
  Xβ Wv εY (3)
其中,   2 2 Y WKW ITg eVar   。显然, 只需估计
多基因和误差两方差组分; 同时通过矩阵谱分解获
取特征值 , 简化了矩阵逆运算 , 与 EM 算法和
Newton-Raphson 算法相比, 简化了极大似然估计的
迭代过程, 缩短了运算时间。应当指出, QTL效应值
是通过最优线性无偏预测获得的。这称为有效混合
模型关联(efficient mixed model association, EMMA)。
为进一步提高运算速度, Kang等[27]认为在估计每个
QTL 效应时, 不需要重复估计多基因方差 2g 和误
差方差 2e , 可进一步提高计算速度, 称为 EMMAX
(EMMA eXpedited)。Svishcheva等[28]进一步提出的
GRAMMAR-Gamma 方法 , 提高了计算速度 , 且具
有检测功效高和应用灵活的特点。虽然 P3D、
EMMAX和 GRAMMAR-Gamma算法可以有效降低
计算时间, 但是由于多基因方差和误差方差比值固
定, 属于近似算法。对此, Zhou等[29]提出了 GEMMA
方法, 是EMMA的精确算法, 计算速度比EMMA大
大提高。近年来, 快速运算得到长足发展, 不断涌现
新方法 , 如 FaST-LMM[30]、FaST-LMM-Select[31]和
BOLT-LMM[32]。最近, Wang等[33]将 CMLM和 FaST-
LMM 两种算法整合, 提出了运算速度更快的 SUPER
方法。
这些方法的提出缓解了海量 SNP关联分析计算
复杂度高和计算速度慢的问题。Kang等[10]分析玉米
和拟南芥数据后认为, EMMA 方法可有效降低群体
结构导致的高假阳性, 且检测结果具有更高的稳定
性和精度。Zhao等[34]将EMMA方法用于全球28个国
家413个水稻品种的关联分析 , 建立了水稻全基因
组关联分析的开放平台。此外, Wen等[35]利用EMMA
和P3D方法进行了大豆猝死综合症 (sudden death
syndrome)的全基因组关联分析。
此外, 非参数方法在植物关联分析中也得以应
用。针对关联作图群体数量性状表型分布不对称、
QTN (quantitative trait nucleotide)效应中等和感兴趣
的等位基因频率很低的具体情况, Yang 等[36]将非参
数 Anderson-Darling 检验应用于关联分析, 并通过
IBD和 K值邻近法补全缺失 SNP标记信息, 分析 17
个玉米数量性状后认为, 所获结果与常用关联分析
结果可相互补充, 有利于发现常规方法不易发现的
显著 QTN。
3 多位点关联分析
上述关联分析混合模型方法及其快速算法是基
于群体结构和多基因背景控制的单标记分析。连锁
分析表明, 多QTL定位是提高QTL检测功效与精确
度的有效途径。因而, 多位点关联分析方法学研究
一直备受关注。
3.1 广义线性模型 (generalized linear model,
GLM)方法
广义线性模型的一般形式可表述为
   1| i i iE y h  (4)
0 1   ki ij j ij x    (5)
其中, iy 和 i 分别是第 i 个品种性状表型观察值和
潜在变量值 ; 函数  h 是连结函数 (link function),
 1 h 是其逆函数;  E 为数学期望; 0 是包含群
体均值和群体结构的固定效应向量; j 是第 j 个标
记的效应, ijx 是相应的哑变量; i 是随机误差。
由于  h 可将性状表型观测值 iy 与潜在变量 i
联系起来, 因此广义线性模型可以为数量性状和离
散型抗性性状遗传分析提供新方法, 而且也可以处
理误差 i 非正态性的情形。McCullagh 和 Nelder[37]
系统阐述了广义线性模型相关理论。这些理论与方
法在生物和医学领域被广泛应用, 推动了数量遗传
学的发展。
为了改善遗传分析效果, 可将效应 j 视为概率
密度函数  1 |jf a 的连续型随机变量, 而参数 a为
概率密度函数  2 | ,f a b c 的连续型随机变量, 其中 b
948 作 物 学 报 第 42卷


和 c可以是人为给定, 也可以是未知随机变量。这些
分层超参数(hierarchical hyperparameters) a、 b和 c
由其后验分布参数确定。例如, Yi 等[38]提出的复杂
疾病稀有等位基因(rare allele)和位点间上位性互作
检测的分层广义线性模型, Feng 等[39]提出的品种群
体抗性分级性状关联分析的分层广义线性模型方法,
Wang 等[40]为解决关联分析的通路(pathway)问题建
立的基于 BLUP估计的广义线性混合模型方法。
3.2 Bayesian方法
Iwata 等[41]提出了品种资源群体多 QTL 检测的
Bayesian关联分析方法, 其统计模型为
1 1 
   J Ki ij j ik k k i
j k
y q x    (6)
其中, iy 为数量性状观察值; ijq 为群体结构 Q 矩阵
第 i行第 j列元素, j 是第 j亚群效应; ikx 表示第 i
品种标记 k的基因型值; 假定每个QTN都在标记上,
k 是指示变量, 若第 k个标记存在效应为 k 的QTN,
则 k =1, 否则 k =0; i 是服从正态分布 2(0, )N  的
误差。假定参数先验分布为 2~ (0, )IN   、
~ (1, )k kBeta p 和 2 2 2~ vv s     , 其中 2 、 kp 、v 和
2s 都是超参数,  的先验分布为常数。由此, 推导
出各参数的条件后验分布, 通过 Markov 链 Monte
Carlo方法, 得到各参数的估计值。通过模拟和水稻
数据分析表明, 该方法假阳性率低, QTN 效应估计
值偏差较小, 但是收敛较慢, 计算时间较长。若只有
数百个分子标记, 还是有实用价值的。Iwata 等 [42]
将这种方法拓展至离散型抗性性状多 QTL 检测的
Bayesian 关联分析。其主要思想是利用阈模型将抗
性性状观察值转换为潜在连续性变量。
为了缩短 Bayesian 方法的计算时间, Zhang 和
Xu[43]将 Bayesian 方法的先验分布密度函数与似然
函数相结合构建惩罚似然函数, 对提出的惩罚最大
似然方法可进行连锁分析。相似地, Hoggart等[44]提
出了分析 case-control数据的惩罚 logistic回归方法。
虽然两者都是利用惩罚似然函数来估计模型参数 ,
但是前者针对连续性变量的连锁分析, 而后者是针
对 case-control数据的关联分析。若模型中变量个数
不超过样本容量的 10倍, 这两种方法是可行的。不
过, 对检测小效应 QTL的功效有待提高。
3.3 混合线性模型方法
针对结构群体(structured population)复杂性状 ,
Segura 等[45]提出了一种多位点混合模型关联分析方
法。它利用了向前和向后逐步回归, 在变量筛选的
每一步都需要先估计多基因方差 2g 和残差方差 2e ,
由此获得每个 SNP广义最小二乘效应的估计值及其
概率; 将最显著的 SNP作为协变量放入混合模型中,
进行全基因组条件分析, 获得 F 测验的概率 P 值。
重复这一过程先完成向前回归, 再进行向后回归变
量筛选。在筛选变量过程中, 通过 Gram-Schmidt算
法提高运算速度。模拟研究证实, 它比单标记分析
具有更高的检测功效和较低假阳率; 在人类和拟南
芥实际数据分析中, 识别到了新的关联位点。Liu等[15]
将固定模型与随机模型迭代使用提出的 FarmCPU
方法与 Segura 等的方法在思想上有些相似, 也能检
测到更多的已知基因。应当指出, 它主要是利用 bin
的思想显著减少模型中变量个数 , 并节省存贮空
间。Yang等[46]提出的 GCTA方法, 是通过一条染色
体或整个基因组上的所有 SNPs 估计方差组分, 研
究所有 QTN对性状的影响。
目前, 在广泛应用的关联分析方法中, 多数是
将 SNP效应视为固定效应。然而, Goddard等[47]认为,
将 SNP 效应视为随机更好, 可将与目标性状无关的
SNP 效应压缩至 0, 让表型观察值与预测值达到最
大相关。但是, 并未提供 SNP效应估计方法。为此,
Wang等[14]结合多位点模型、新的矩阵变换和快速计
算算法提出了多位点随机 SNP效应混合线性模型方
法。由于多位点特性, 并不需要多重检验矫正。模
拟研究表明, 它比 EMMA 方法的 QTN 检测功效更
高, 效应估计值更准; 以拟南芥 6 个开花期数据分
析表明, 它能检测出更多的已知基因。
3.4 Bayesian方法与混合模型方法的有机融合
混合模型假设有大量的小效应 QTN, Bayesian
方法则假设有少量的大效应的 QTN。Zhou 等[48]认
为, 在实际资料分析时, 无法判定哪一种更符合资
料本身。由此, 建议将两种方法结合, 提出 Bayesian
稀疏混合模型方法。其方法是假设 QTN 效应 k 服
从混合正态分布 2 2~ (0, ( ) ( ) ) (1 )  k a bqN p q N   
2(0, ( ) )b p  。若 0q , 就是混合模型方法 ; 若
2 0b , 就是 Bayesian方法。模拟研究发现, 新方法
在单个 QTN 解释的表型变异估计方面兼备混合模
型和 Bayesian 两种方法的优点, 在育种值预测方面
优于两种方法。Moser等[49]提出了一种类似方法, 称
为 Bayesian混合分布模型方法。它假定 SNP效应服
从 4个正态分布的混合分布, 且固定每个成分分布
第 7期 冯建英等: 植物关联分析方法的研究进展 949


的 相 对 方 差 , 即 2 21 2| , ~ (0,0 ) k g gp p N p N  
4 2 3 2 2 2
3 4(0,10 ) (0,10 ) (0,10 )
      g g gp N p N   ,
其中混合比例 ip 有 4 1 1  ii p , 2g 是所有 SNP解释
的加性遗传方差。其目的是将基因检测、SNP 贡献
率估计、复杂性状遗传基础和表型值预测相结合。
通过人类遗传疾病数据分析认为, 大于 96%的 SNP
效应是微小的; 大效应位点解释表型方差的比例因
性状而异; 预测分析证实, 分析大效应控制的性状
时, Bayesian方法更优。
4 上位性与多性状关联分析
4.1 上位性关联分析
上位性关联分析的研究更充实了数量遗传学内
容。但是, 超饱和线性模型问题和大数据问题更为
突出, 计算复杂度显著增加。目前的研究主要集中
在人类遗传, 应用参数和非参数检测方法。
在参数方法方面 , Zhang和Liu[50]利用Bayesian
原理和Markov链Monte Carlo方法 , 提出了 case-
control数据同时检测主效和上位性QTN的Bayesian
上位性关联作图BEMA法, 以推断与疾病显著相关
的SNP。Zhang和Liu[50]的模拟研究表明, 能处理10
万个 SNP, 提高QTN检测功效。 Tang等 [51]结合
Bayesian标记剖分模型和Gibbs抽样提出了检测上位
性QTN的方法。Cho等 [52]提出了一种基于惩罚
logistic模型的弹性网正则化方法, 通过变量筛选和
弹性网两步实现了上位性关联分析。在非参数方法
方面, Han等[53]提出了DASSO-MB算法; Han等[54]提
出一种基于Markov链的上位性互作检测FEPI-MB算
法 , 减小了搜索空间 , 运算速度更快 , 检测功效高
于BEMA方法。Li等[55]提出一种两步非参数独立筛
选方法, 以鉴定与性状潜在关联的主效和上位性位
点, 最后再用LASSO等惩罚回归分析获得与性状显
著关联的主效与上位性位点。他们认为, 其模型更
具一般性, 还可获得无主效应位点间的互作, 更好
地揭示控制性状的基因网络。与Yang等[36]的方法相
比, 其假阳性率低是由于在非参数方法基础上增加
了压缩估计, 并能估计主效QTN和上位性互作的效
应值。
在植物遗传方面, Wang等[56]提出以自适应混合
LASSO方法检测上位性; Lü等[57]提出了上位性检测
的经验贝叶斯方法; Zhang等[16]提出基于图形卡GPU
计算的混合模型方法, 以检测主效、基因与环境和
基因间互作的QTN, 大大提高了计算速度; Wen等[58]
提出基于EBLASSO算法的上位性检测方法, 分析了
部分NCII遗传交配群体不同遗传组分对杂种优势的
贡献。前两方法的模型中包含的变量个数不宜大于
样本容量的10倍; 后两种方种是动态地向模型中引
入变量, 可以容纳更多的变量, 处理海量变量的问
题。应当指出, 上位性关联分析方法还有待进一步探
索, 以提高运算速度和小效应基因互作检测功效。
4.2 多个相关性状的关联分析
单一育种目标已成过去, 高产、优质和多抗是
当前的育种目标。为了将遗传分析与作物育种更紧
密结合, 有必要进行多个相关性状联合的关联分析。
最容易想到的是主成分分析[59]、典范相关分析[60]、多
个依变数的线性回归分析[61]、Meta分析[62]和偏最小
二乘法[63]。当然, 关联分析最常用的还是混合模型
方法。因而, 多个相关性状联合的混合模型方法更
易被应用者接受 , 其相关方法主要有 GCTA[46]、
MTMM[64]、 GEMMA (mvLMMs)[65]、 mtSet[66]和
mvLMM[67], 其中 GCTA只能分析 2个相关性状。这
些研究均表明, 多个相关性状联合分析比单个性状
分析有更高的功效和精度。然而 , 可供利用的
Windows界面软件包还有待于研制。
5 植物关联分析的相关软件包
目前, 关联分析已在人类和动植物遗传学研究中
得到广泛应用, 理论工作者也不断提出新的方法与软
件(表 1)。为便于应用, 这里简要介绍主要软件包。
PLINK 软 件 [2] (http://pngu.mgh.harvard.edu/~
purcell/plink/)是较早开放使用的关联分析软件 , 可
用于数据管理、群体结构评价、复杂性状和case-
control数据的关联分析, 也可处理基因型和表型大
数据。
Cornell 大学 Buckler 实验室开发的 TASSEL 软
件 [69](http://tassel.bitbucket.org/)是以程序设计语言
Java 编写的可以在主流操作系统下使用的软件包。
目前已更新到 TASSEL5.0 版本 , 主要包括关联分
析、进化分析和连锁分析, 也可以计算和图示连锁
不平衡统计量。2012年, 该实验室释放了基于 R语
言的基因关联和预测整合工具 GAPIT (http://zzlab.
net/GAPIT), 现已更新至 GAPIT v2[70], 包含了
FaST-LMM、ECMLM、FaST-LMM-Select、SUPER
等关联分析新方法 , 全基因组预测包含了基于
CMLM、ECMLM和 SUPER的 gBLUP方法。新版本
950 作 物 学 报 第 42卷



第 7期 冯建英等: 植物关联分析方法的研究进展 951



952 作 物 学 报 第 42卷


增加了性状表型模拟、功效分析和交叉验证等功能。
QTXNetwork 是浙江大学朱军教授实验室开发
的、基于 GPU计算的、可以处理大规模复杂性状组
学数据的关联分析软件包 (http://ibi.zju.edu.cn/
software/QTXNetwork/)[16,71], 包括 QTL 连锁分析、
QTS 的 GWAS、QTT/P/M 关联分析和 GMDR 全基
因组关联分析数据过滤 4 个功能模块, 可以检测主
效基因、基因与环境互作和基因间互作, 表型数据
既可以是数量性状观察值又可以是组学数据, 是一
款 CPU与 GPU异构运算平台的软件包。
mrMLM 是基于 Wang 等[14]提出的多位点随机
SNP 效应混合模型方法的 R 软件包(https://cran.r-
project.org/web/packages/mrMLM/index.html), 在 R
环境下可进行 Windows 界面操作, 在 R 中载入的
mrMLM软件包也可在其他操作系统下运行。该软件
包除多位点关联分析外, 还能提供筛选显著标记的
Manhattan图和评价方法优劣的QQ (Quantile-Quantile)
图。
除上述软件之外, 正文中提到的其他软件的一
些相关信息可参见表 1。我们相信, 新的方法与软件
将不断涌现, 应用者可根据自己的需要, 选择不同
的方法; 也可以用尽可能多的方法分析同一组数据,
然后用逐步回归筛选出最优关联标记集。
6 展望
随着生物学组学数据、计算机科学技术和统计
学算法的不断更新, 特别是植物数量性状遗传分析
的需要, 有必要搭建植物关联分析的技术平台, 以
剖析数量性状的遗传基础, 推动作物分子设计育种
和分子生物学研究的发展(图 1)。

图 1 植物全基因组关联分析技术路线图
Fig. 1 Technical framework for genome-wide association studies in plants

6.1 海量标记高精度快速检测关联分析算法研
究与软件包研制
植物关联分析方法学研究发展较快, 研究内容
越来越丰富, 加快了这些方法在植物遗传研究中的
应用。但是, 植物数量性状是复杂的, SNP数目远大
于作图群体个体数, 使 GWAS 面临巨大的挑战, 特
别是对于多基因检测、基因与环境互作分析[72]和基
因间上位性作图。这意味着关联分析方法研究需要
在统计学超饱和线性模型参数估计理论、计算机快
速计算技术和矩阵论快速计算算法等方面有所突
破。所以, 需要将统计方法、数值算法和计算机技
术有效结合, 不断开发出新的高效、快速和海量标
记的关联分析方法。为了让这些新方法得到广泛应
用, 有必要研制不同平台的计算机软件包[73]。
6.2 关联分析与作物育种相结合
常规的育种方法是借助表型及育种家经验对作
物的重要农艺性状进行选育 , 其效率低 , 周期长 ,
而基于基因型选择和高效准确的分子辅助技术, 开
启了作物育种的新方向。植物重要性状关联分析的
目的就是发掘有益的等位基因, 为作物育种服务。
关联分析在作物育种中可快速发掘种质资源中的优
异等位变异, 并通过聚合育种或其他分子设计育种
方法将其引入育种材料[74-76]。但由于标记的复杂性
以及遗传背景和环境的影响, 关联分析成果在分子
第 7期 冯建英等: 植物关联分析方法的研究进展 953


标记辅助选择育种中的应用有待提升。此外, 通过
关联分析可有助于了解目标基因的位置、遗传效应
和基因网络等信息, 进而通过分子生物学操作或作
物分子育种操作来改良目标性状[77]。
针对不同的育种目标可以选择不同的关联分析
方法。对于纯合品种育种, 可选用上述方法; 对于杂
种品种培育, 可利用育种群体进行遗传分析, 其结
果可用于最优杂交组合的预测[25,58]。若要提高精度,
全基因组预测是一个可供利用的方法[78]。
6.3 关联分析与分子生物学和组学研究相结合
虽然关联分析能发掘更多的可供作物育种利用
的等位基因, 为基因的功能分析和功能标记开发研
究提供有用信息, 但是这些基因的生物学功能并不
十分清楚, 只能作为植物分子生物学的前期工作。目
前, 转录组、蛋白组和代谢组等组学研究十分活跃。若
将这些组学数据视为复杂性状, 也可进行相应的关联
分析, 在拟南芥[79]和玉米[80-81]等作物中已经得以应用。
但是, 这方面的工作还需要进一步加强。
References
[1] Risch N, Merikangas K. The future of genetic studies of com-
plex human diseases. Science, 1996, 273: 1516–1517
[2] Purcell S, Neale B, Todd-Brown K, Thomas L, Ferreira M,
Bender D, Maller J, Sklar P, De Bakker P, Daly M, Sham P C.
PLINK: a tool set for whole-genome association and popula-
tion-based linkage analyses. Am J Hum Genet, 2007, 81:
559–575
[3] Wan X, Yang C, Yang Q, Xue H, Fan X D, Tang N L S, Yu W C.
BOOST: a fast approach to detecting gene-gene interactions in
genome-wide case-control studies. Am J Hum Genet, 2010, 87:
325–340
[4] Takeuchi F, Serizawa M, Yamamoto K, Fujisawa T, Nakashima
E, Ohnaka K, Ikegami H, Sugiyama T, Katsuya T, Miyagishi M,
Nakashima N, Nawata H, Nakamura J, Kono S, Takayanagi R,
Kato N. Confirmation of multiple risk loci and genetic impacts
by a genome-wide association study of type 2 diabetes in the
Japanese population. Diabetes, 2009, 3: 1690–1699
[5] Michailidou K, Beesley J, Lindstrom S, Canisius S, Dennis J,
Lush M J, Maranian M J, Bolla M K, Wang Q, Shah M, Per-
kins B J, Czene K, Eriksson M, Darabi H, Brand J S, Bojesen S
E, Nordestgaard B G, Flyger H, Nielsen S F, Rahman N,
Turnbull C, BOCS, Fletcher O, Peto J, Gibson L, dos-Santos-
Silva I, Chang-Claude J, Flesch-Janys D, Rudolph A, Eilber U,
Behrens S, Nevanlinna H, Muranen T A, Aittomäki K, Blom-
qvist C, Khan S, Aaltonen K, Ahsan H, Kibriya M G, Whitte-
more A S, John E M, Malone K E, Gammon M D, Santella R
M, Ursin G, Makalic E, Schmidt D F, Casey G, Hunter D J,
Gapstur S M, Gaudet M M, Diver W R, Haiman C A,
Schumacher F, Henderson B E, Le Marchand L, Berg C D,
Chanock S J, Figueroa J, Hoover R N, Lambrechts D, Neven P,
Wildiers H, van Limbergen E, Schmidt M K, Broeks A, Ver-
hoef S, Cornelissen S, Couch F J, Olson J E, Hallberg E, Va-
chon C, Waisfisz Q, Meijers-Heijboer H, Adank M A, van der
Luijt R B, Li J, Liu J, Humphreys K, Kang D, Choi J Y, Park S
K, Yoo K Y, Matsuo K, Ito H, Iwata H, Tajima K, Guénel P,
Truong T, Mulot C, Sanchez M, Burwinkel B, Marme F, Su-
rowy H, Sohn C, Wu A H, Tseng C C, Van Den Berg D, Stram
D O, González-Neira A, Benitez J, Zamora M P, Perez J I, Shu
X O, Lu W, Gao Y T, Cai H, Cox A, Cross S S, Reed M W,
Andrulis I L, Knight J A, Glendon G, Mulligan A M, Sawyer E
J, Tomlinson I, Kerin M J, Miller N, kConFab Investigators,
AOCS Group, Lindblom A, Margolin S, Teo S H, Yip C H,
Taib N A, Tan G H, Hooning M J, Hollestelle A, Martens J W,
Collée J M, Blot W, Signorello L B, Cai Q, Hopper J L,
Southey M C, Tsimiklis H, Apicella C, Shen C Y, Hsiung C N,
Wu P E, Hou M F, Kristensen V N, Nord S, Alnaes G I, NBCS,
Giles G G, Milne R L, McLean C, Canzian F, Trichopoulos D,
Peeters P, Lund E, Sund M, Khaw K T, Gunter M J, Palli D,
Mortensen L M, Dossus L, Huerta J M, Meindl A, Schmutzler
R K, Sutter C, Yang R, Muir K, Lophatananon A, Stewart-
Brown S, Siriwanarangsan P, Hartman M, Miao H, Chia K S,
Chan C W, Fasching P A, Hein A, Beckmann M W, Haeberle L,
Brenner H, Dieffenbach A K, Arndt V, Stegmaier C, Ashworth
A, Orr N, Schoemaker M J, Swerdlow A J, Brinton L, Garcia-
Closas M, Zheng W, Halverson S L, Shrubsole M, Long J,
Goldberg M S, Labrèche F, Dumont M, Winqvist R, Pylkäs K,
Jukkola-Vuorinen A, Grip M, Brauch H, Hamann U, Brüning T;
GENICA Network, Radice P, Peterlongo P, Manoukian S,
Bernard L, Bogdanova N V, Dörk T, Mannermaa A, Kataja V,
Kosma V M, Hartikainen J M, Devilee P, Tollenaar R A,
Seynaeve C, Van Asperen C J, Jakubowska A, Lubinski J, Ja-
worska K, Huzarski T, Sangrajrang S, Gaborieau V, Brennan P,
McKay J, Slager S, Toland A E, Ambrosone C B, Yannoukakos
D, Kabisch M, Torres D, Neuhausen S L, Anton-Culver H,
Luccarini C, Baynes C, Ahmed S, Healey C S, Tessier D C,
Vincent D, Bacot F, Pita G, Alonso M R, Álvarez N, Herrero D,
Simard J, Pharoah P P, Kraft P, Dunning A M,
Chenevix-Trench G, Hall P, Easton D F. Genome-wide asso-
ciation analysis of more than 120 000 individuals identifies 15
new susceptibility loci for breast cancer. Nat Genet, 2015, 47:
373–380
[6] Scuteri A, Sanna S, Chen W M, Uda M, Albai G, Strait J,
Najjar S, Nagaraja R, Orrú M, Usala G, Dei M, Lai S, Maschio
A, Busonero F, Mulas A, Ehret G B, Fink A A, Weder A B,
Cooper R S, Galan P, Chakravarti A, Schlessinger D, Cao A,
Lakatta E, Abecasis G R. Genome-wide association scan
shows genetic variants in the FTO gene are associated with
obesity-related traits. PLoS Genet, 2007, 3(7): e115
[7] Thornsberry J M, Goodman M M, Doebley J, Kresovich S,
Nielsen D, Buckler E S. Dwarf8 polymorphisms associate with
variation in flowering time. Nat Genet, 2001, 28: 286–289
[8] Hansen M, Kraft T, Ganestam S, Säll T, Nilsson N O. Linkage
disequilibrium mapping of the bolting gene in sea beet using
AFLP markers. Genet Res, 2001, 77: 61–66
[9] Zhang Y M, Mao Y C, Xie C Q, Smith H, Luo L, Xu S. Map-
ping quantitative trait loci using naturally occurring genetic
954 作 物 学 报 第 42卷


variance among commercial inbred lines of maize (Zea mays
L.). Genetics, 2005, 169: 2267–2275
[10] Yu J, Pressoir G, Briggs W H, Vroh Bi I, Yamasaki M, Doebley
J F, McMullen M D, Gaut B S, Nielsen D M, Holland J B,
Kresovich S, Buckler E S. A unified mixed-model method for
association mapping that accounts for multiple levels of rela-
tedness. Nat Genet, 2006, 38: 203–208
[11] Kang H M, Zaitlen N A, Wade C M, Kirby A, Heckerman D,
Daly M J, Eskin E. Efficient control of population structure in
model organism association mapping. Genetics, 2008, 178:
1709–1723
[12] Zhang Z, Ersoz E, Lai C Q, Todhunter R J, Tiwari H K, Gore
M A, Bradbury P J, Yu J M, Arnett D K, Ordovas J M, Buckler
E S. Mixed linear model approach adapted for genome-wide
association studies. Nat Genet, 2010, 42: 355–360
[13] Atwell S, Huang Y S, Vilhjálmsson B J, Willems G, Horton M,
Li Y, Meng D, Platt A, Tarone A M, Hu T T, Jiang R, Muliyati
N W, Zhang X, Amer M A, Baxter I, Brachi B, Chory J, Dean
C, Debieu M, de Meaux J, Ecker J R, Faure N, Kniskern J M,
Jones J D, Michael T, Nemri A, Roux F, Salt D E, Tang C, To-
desco M, Traw M B, Weigel D, Marjoram P, Borevitz J O,
Bergelson J, Nordborg M. Genome-wide association study of
107 phenotypes in Arabidopsis Thaliana inbred lines. J Am Soc
Mass Spectrom, 2010, 465: 627–631
[14] Wang S B, Feng J Y, Ren W L, Huang B, Zhou L, Wen Y J,
Zhang J, Jim M D, Xu S Z, Zhang Y M. Improving power and
accuracy of genome-wide association studies via a multi-locus
mixed linear model methodology. Sci Rep, 2016, 6: 19444
[15] Liu X L, Huang M, Fan B, Buckler E S, Zhang Z W. Iterative
usage of fixed and random effect models for powerful and
efficient genome-wide association studies. PLoS Genet, 2016,
12(2): e1005767
[16] Zhang F T, Zhu Z H, Tong X R, Zhu Z X, Qi T, Zhu J. Mixed
linear model approaches of association mapping for complex
traits based on omics variants. Sci Rep, 2015, 5: 10298
[17] Devlin B, Roeder K. Genomic control for association studies.
Biometrics, 1999, 55: 997–1004
[18] Song M, Hao W, Storey J D. Testing for genetic associations in
arbitrarily structured populations. Nat Genet, 2015, 47:
550–556
[19] Pritchard J K, Stephens M, Donnelly P. Inference of population
structure using multilocus genotype data. Genetics, 2000, 155:
945–959
[20] Wilson L M, Whitt S R, Ibáez A M, Rocheford T R, Goodman
M M, Buckler E S. Dissection of maize kernel composition
and starch production by candidate gene associations. Plant
Cell, 2004, 16: 2719–2733
[21] Sabatti C, Service S K, Hartikainen A L, Pouta A, Ripatti S,
Brodsky J, Jones C G, Zaitlen N A, Varilo T, Kaakinen M, So-
vio U, Ruokonen A, Laitinen J, Jakkula E, Coin L, Hoggart C,
Collins A, Turunen H, Gabriel S, Elliot P, McCarthy M I, Daly
M J, Järvelin M R, Freimer N B, Peltonen L. Genome-wide
association analysis of metabolic traits in a birth cohort from a
founder population. Nat Genet, 2009, 41: 35–46
[22] Price A L, Pattersom N J, Plenge R M, Weinblatt M E, Shadick
N A, Reich D. Principal components analysis corrects for
stratification in genome-wide association studies. Nat Genet,
2006, 38: 904–909
[23] Lee A B, Luca D, Klei L, Devlin B, Roeder K. Discovering
genetic ancestry using spectral graph theory. Genet Epidemiol,
2010, 34: 51–59
[24] Bulik-Sullivan B K, Loh P R, Finucane H K, Ripke S, Yang J,
Schizophrenia Working Group of the Psychiatric Genomics
Consortium, Patterson N, Daly M J, Price A L, Neale B M. LD
score regression distinguishes confounding from polygenicity
in genome-wide association studies. Nat Genet, 2015, 47:
291–295
[25] Bu S H, Zhao X W, Yi C, Wen J, Tu J X, Zhang Y M. Inter-
acted QTL mapping in partial NCII design provides evidences
for breeding by design. PLoS One, 2015, 10(3): e0121034
[26] Li M, Liu X L, Bradbury P, Yu J M, Zhang Y M, Todhunter R J,
Buckler E S, Zhang Z W. Enrichment of statistical power for
genome-wide association studies. BMC Biol, 2014, 12: 73–82
[27] Kang H M, Sul J H, Service S K, Zaitlen N A, Kong S Y,
Freimer N B, Sabatti C, Eskin E. Variance component model to
account for sample structure in genome-wide association
studies. Nat Genet, 2010, 42: 348–354
[28] Svishcheva G R, Axenovich T I, Belonogova N M, van Duijn
C M, Aulchenko Y S. Rapid variance components-based
method for whole-genome association analysis. Nat Genet,
2012, 44: 1166–1170
[29] Zhou X, Stephens M. Genome-wide efficient mixed-model
analysis for association studies. Nat Genet, 2012, 44: 821–826
[30] Lippert C, Listqarten J, Liu Y, Kadie C M, Davidson R I,
Heckerman D. Fast linear mixed models for genome-wide as-
sociation studies. Nat Methods, 2011, 8: 833–835
[31] Listgarten J, Lippert C, Kadie C M, Davidson R I, Eskin E,
Heckerman D. Improved linear mixed models for genome-
wide association studies. Nat Methods, 2012, 9: 525–526
[32] Loh P R, Tucker G, Bulik-Sullivan B K, Vilhjálmsson B J,
Finucane H K, Salem R M, Chasman D I, Ridker P M, Neale B
M, Berger B, Patterson N, Price A L. Efficient Bayesian
mixed-model analysis increases association power in large
cohorts. Nat Genet, 2015, 47: 284–290
[33] Wang Q, Tian F, Pan Y, Buckler E S, Zhang Z. A SUPER
powerful method for genome wide association study. PLoS
One, 2014, 9: e107684
[34] Zhao K, Tung C W, Eizenga G C, Wright M H, Ali M L, Price
A H, Norton G J, Islam M R, Reynolds A, Mezey J, McClung
A M, Bustamante C D, McCouch S R. Genome-wide associa-
tion mapping reveals a rich genetic architecture of complex
traits in Oryza sativa. Nat Commun, 2011, 2: 467–476
[35] Wen Z X, Tan R J, Yuan J Z, Bales C, Du W Y, Zhang S C,
Chilvers M I, Schmidt C, Song Q J, Cregan P B, Wang D C.
Genome-wide association mapping of quantitative resistance
to sudden death syndrome in soybean. BMC Genomics, 2014,
15: 809–819
[36] Yang N, Lu Y L, Yang X H, Huang J, Zhou Y, Ali F, Wen W W,
Liu J, Li J S, Yan J B. Genome wide association studies using a
new nonparametric model reveal the genetic architecture of 17
agronomic traits in an enlarged maize association panel. PLoS
Genet, 2014, 10(9): e1004573
第 7期 冯建英等: 植物关联分析方法的研究进展 955


[37] McCullagh P, Nelder J A. Generalized Linear Models, 2nd edn.
London: Chapman and Hall, 1989
[38] Yi N, Liu N J, Zhi D G, Li J. Hierarchical generalized linear
models for multiple groups of rare and common variants:
jointly estimating group and individual-variant effects. PLoS
Genet, 2011, 7(12): e1002382
[39] Feng J Y, Zhang J, Zhang W J, Wang S B, Han S F, Zhang Y M.
An efficient hierarchical generalized linear mixed model for
mapping QTL of ordinal traits in crop cultivars. PLoS One,
2013, 8(4): e59541
[40] Wang L, Jia P, Wolfinger R D, Chen X, Grayson B L, Aune T
M, Zhao Z. An efficient hierarchical generalized linear mixed
model for pathway analysis of genome-wide association
studies. BMC Bioinformatics, 2011, 27(5): 686–692
[41] Iwata H, Uga Y, Yoshioka Y, Ebana K, Hayashi T. Bayesian
association mapping of multiple quantitative trait loci and its
application to the analysis of genetic variation among (Oryza
sativa L.) germplasms. Theor Appl Genet, 2007, 114: 1437–1449
[42] Iwata H, Ebana K, Fukuoka S, Jannink J L, Hayashi T. Bayes-
ian multilocus association mapping on ordinal and censored
traits and its application to the analysis of genetic variation
among (Oryza sativa L.) germplasms. Theor Appl Genet, 2009,
118: 865–880
[43] Zhang Y M, Xu S. A penalized maximum likelihood method
for estimating epistatic effects of QTL. Heredity, 2005, 95:
96–104
[44] Hoggart C J, Whittaker J C, De Iorio M, Balding D J. Simul-
taneous analysis of all SNPs in genome-wide and resequencing
association studies. PLoS Genet, 2008, 4: e1000130
[45] Segura V, Vilhjálmsson B J, Platt A, Korte A, Seren Ü, Long Q,
Nordborg M. An efficient multi-locus mixed-model approach
for genome-wide association studies in structured populations.
Nat Genet, 2012, 44: 825–830
[46] Yang J, Lee S H, Goddard M E, Visscher P M. GCTA: a tool
for genome-wide complex trait analysis. Am J Hum Genet,
2011, 88: 76–82
[47] Goddard M E, Wray N R, Verbyla K, Visscher P M. Estimating
effects and making predictions from genomewide marker data.
Stat Sci, 2009, 24: 517–529
[48] Zhou X, Carbonetto P, Stephens M. Polygenic modeling with
Bayesian sparse linear mixed models. PLoS Genet, 2013, 9(2):
e1003264
[49] Moser G, Lee S H, Hayes B J, Goddard M E, Wray N R, Viss-
cher P M. Simultaneous discovery, estimation and prediction
analysis of complex traits using a Bayesian mixture model.
PLoS Genet, 2015, 11(4): e1004969
[50] Zhang Y, Liu J S. Bayesian inference of epistatic interactions
in case-control studies. Nat Genet, 2007, 39: 1167–1173
[51] Tang W W, Wu X B, Jiang R. Epistatic module detection for
case-control studies: a Bayesian model with a Gibbs sampling
strategy. PLoS Genet, 2009, 5(5): e1000464
[52] Cho S, Kim H, Oh S, Kim K, Park T. Elastic-net regularization
approaches for genome-wide association studies of rheumatoid
arthritis. BMC Proc, 2009, 3(suppl 7): S25
[53] Han B, Park M, Chen X W. A Markov blanket-based method
for detecting causal SNPs in GWAS. BMC Bioinformatics,
2010, 11(suppl 3): S5
[54] Han B, Chen X W, Talebizadeh Z. FEPI-MB: identifying
SNPs-disease association using a Markov blanket-based ap-
proach. BMC Bioinformatics, 2011, 12(Suppl 12): S3
[55] Li J, Dan J, Li C L, Wu R L. A model-free approach for de-
tecting interactions in genetic association studies. Brief Bioin-
form, 2014, 15: 1057–1068
[56] Wang D, Eskridge K M, Crossa J. Identifying QTLs and epis-
tasis in structured plant populations using adaptive mixed
LASSO. J Agric Biol Environ Stat, 2011, 16: 170–184
[57] Lü H Y, Liu X F, Wei S P, Zhang Y M. Epistatic association
mapping in homozygous crop cultivars. PLoS One, 2011, 6(3):
e17773
[58] Wen J, Zhao X W, Wu G R, Xiang D, Liu Q, Bu S H, Yi C,
Song Q J, Dunwell J M, Tu J X, Zhang T Z, Zhang Y M. Ge-
netic dissection of heterosis using epistatic association map-
ping in a partial NCII mating design. Sci Rep, 2015, 5: 18376
[59] Aschard H, Vilhjálmsson B J, Greliche N, Morange P E,
Trégouët D A, Kraft P. Maximizing the power of principal-
component analysis of correlated phenotypes in genome-wide
association studies. Am J Hum Genet, 2014, 94: 662–676
[60] Ferreira M A, Purcell S M. A multivariate test of association.
Bioinformatics, 2009, 25: 132–133
[61] Bottolo L, Chadeau-Hyam M, Hastie D I, Zeller T, Liquet B,
Newcombe P, Yengo L, Wild P S, Schillert A, Ziegler A, Niel-
sen S F, Butterworth A S, Ho W K, Castagné R, Munzel T,
Tregouet D, Falchi M, Cambien F, Nordestgaard B G, Fumeron
F, Tybjærg-Hansen A, Froguel P, Danesh J, Petretto E,
Blankenberg S, Tiret L, Richardson S. GUESS-ing polygenic
associations with multiple phenotypes using a GPU-Based
evolutionary stochastic search algorithm. PLoS Genet, 2013,
9(8): e1003657
[62] Bolormaa S, Pryce J E, Reverter A, Zhang Y, Barendse W,
Kemper K, Tier B, Savin K, Hayes B J, Goddard M E. A
multi-trait, meta-analysis for detecting pleiotropic polymor-
phisms for stature, fatness and reproduction in beef cattle.
PLoS Genet, 2014, 10: e1004198
[63] Xu Y, Hu W M, Yang Z F, Xu C W. A multivariate partial least
squares approach to joint analysis for multiple correlated traits.
Crop J, 2016, 4(1): 21–29
[64] Korte A, Vilhjálmsson B J, Segura V, Platt A, Long Q, Nord-
borg M. A mixed-model approach for genome-wide association
studies of correlated traits in structured populations. Nat Genet,
2012, 44: 1066–1071
[65] Zhou X, Stephens M. Efficient algorithm for multivariate
linear mixed models in genome-wide association studies. Nat
Methods, 2014, 11: 407–409
[66] Casale F P, Rakitsch B, Lippert C, Stegle O. Efficient set tests
for the genetic analysis of correlated traits. Nat Methods, 2015,
12: 755–758
[67] Furlotte N A, Eskin E. Efficient multiple-trait association and
estimation of genetic correlation using the matrix-variate
linear mixed model. Genetics, 2015, 200: 59–68
[68] Wan X, Yang C, Yang Q, Xue H, Tang N L S, Yu W C. Predic-
tive rule inference for epistatic interaction detection in ge-
nome-wide association studies. Bioinformatics, 2010, 26:
956 作 物 学 报 第 42卷


30–37
[69] Bradbury P J, Zhang Z, Kroon D E, Casstevens T M, Ramdoss
Y, Buckler E S. TASSEL: software for association mapping of
complex traits in diverse samples. BMC Bioinformatics, 2007,
23: 2633–2635
[70] Tang Y, Liu X, Wang J, Li M, Wang Q, Tian F, Su Z, Pan Y,
Liu D, Lipka A E, Buckler E S, Zhang Z. GAPIT Version 2:
Enhanced integrated tool for genomic association and predic-
tion. Plant Genome, 2016, 9(2): doi: 10.3835/plantgenome
2015.11.0120
[71] 张福涛. 遗传分析方法的 GPU 并行计算与优化研究. 浙江
大学博士学位论文, 浙江杭州, 2014. pp 89–97
Zhang F T. Parallelization and Optimization of GPU Computa-
tion for Genetic Analysis Methods. PhD Dissertation of
Zhejiang University, Hangzhou, China, 2014. pp 89–97 (in
Chinese with English abstract)
[72] Sul J H, Bilow M, Yang W Y, Kostem E, Furlotte N, He D,
Eskin E. Accounting for population structure in gene-by-
environment interactions in genome-wide association studies
using mixed models. PLoS Genet, 2016, 12(3): e1005849
[73] Zhang W, Dai X, Wang Q, Xu S, Zhao P X. PEPIS: a pipeline
for estimating epistatic effects in quantitative trait locus
mapping and genome-wide association studies. PLoS Comput
Biol, 2016, 12(5): e1004925
[74] Collard B C Y, Mackill D J. Marker-assisted selection: an ap-
proach for precision plant breeding in the twenty-first century.
Philos Trans R Soc Lond B Biol Sci, 2008, 363(1491): 557–572
[75] Andersen J R, Lǜbberstedt T. Functional markers in plants.
Trends Plant Sci, 2003, 8: 554–560
[76] 杨小红 , 严建兵 , 郑艳萍 , 余建明 , 李建生 . 植物数量性状
关联分析研究进展. 作物学报, 2007, 33: 523–530
Yang X H, Yan J B, Zheng Y P, Yu J M, Li J S. Reviews of
association analysis for quantitative traits in plants. Acta Agron
Sin, 2007, 33: 523–530 (in Chinese)
[77] 谭贤杰 , 吴子恺 , 程伟东 , 王天宇 , 黎裕 . 关联分析及其在
植物遗传学研究中的应用. 植物学报, 2011, 46: 108–118
Tan X J, Wu Z K, Cheng W D, Wang T Y, Li Y. Association
analysis and its application in plant genetic research. Chin Bull
Bot, 2011, 46: 108–118 (in Chinese)
[78] 布素红. 多亲本群体 QTL 定位和优异杂交组合预测. 南京
农业大学博士学位论文, 江苏南京, 2015. pp 57–68
Bu S H. Mapping of Quantitative Trait Loci and Prediction of
Elite Hybrid Combination in Multi-parental Populations. PhD
Dissertation of Nanjing Agricultural University, Nanjing,
China, 2015. pp 57–68 (in Chinese with English abstract)
[79] Chan E K F, Rowe H C, Kliebenstein D J. Understanding the
evolution of defense metabolites in Arabidopsis thaliana using
genome-wide association mapping. Genetics, 2010, 185:
991–1007
[80] Riedelsheimer C, Lisec J, Czedik-Eysenbreg A, Sulpice R, Flis
A, Grieder C, Altmann T, Stitt M, Willmitzer L, Melchinger A
E. Genome-wide association mapping of leaf metabolic pro-
files for dissecting complex traits in maize. Proc Natl Acad Sci
USA, 2012, 109: 8872–8877
[81] Wen W W, Li D, Li X, Gao Y Q, Li W Q, Li H H, Liu J, Liu H
J, Chen W, Luo J, Yan J B. Metabolome-based genome-wide
association study of maize kernel leads to novel biochemical
insights. Nat Commun, 2014, 5: 3438–3447