前面介绍了 QTL 分析的一般流程：包括数据输入，数据质量检查，单 QTL 分析。对这个过程已经比较了解了。

R/qtl 定位分析（一）读取数据

R/qtl 定位分析（二）Data Check

R/qtl 定位分析（三）Single-QTL analysis

接下来几部分将会更全面地介绍 QTL 定位中可能出现的问题。

---

但在 R/qtl 定位分析（三）Single-QTL analysis 中的分析，一个前提假设就是表型都是正态分布的。在不存在很大效应的 QTL 时，表型分布通常会接近正态分布：单峰且合理对称。但很多时候，表型也可能表现出二分、偏态、存在峰值的分布。

一般来说，应用 standard interval mapping 都可以得到一个合理结果，尤其是表型近似正态，或者通过取对数之类的方法转换为近似正态。

即使是二分的表型，只要不存在 low genotype information 造成的假 LOD 值的情况下，通过 permutation test 建立起统计显著性即可。

但是，同样可以采取一些方法来提高检测效力。比如：Nonparametric interval mapping 考虑表型的 ranks；为 binary traits 也有单独的方法；等等。

本文介绍 3 种在区间作图中常用到的方法。以 listeria 数据集中的 phe 为例：

data(listeria)

plotPheno(listeria, pheno.col=1)

1. Nonparametric interval mapping

这是一种 rank-based methods for interval mapping 的扩展。

listeria <- calc.genoprob(listeria, step=1, error.prob=0.001)

out.np <- operm.np <- scanone(listeria, model="np", n.perm=1000, perm.Xsp=TRUE)

summary(out.np, perms=operm.np, alpha=0.05, pvalues=TRUE)

2. Binary traits

顾名思义，这是一种针对类似质量性状的分析方法。将上述表型的死活分为两类（上图是统计了一定时间内菌类死亡的情况，最后一根柱子是到那个时候还没死的）。

binphe <- as.numeric(pull.pheno(listeria, 1) > 250)

listeria$pheno <- cbind(listeria$pheno, binary=binphe)

plotPheno(listeria, pheno.col=3)

operm.bin <- scanone(listeria, pheno.col="binary", model="binary", n.perm=1000, perm.Xsp=TRUE)

plot(out.np, out.bin, col=c("blue", "red"), ylab="LOD score", alternate.chrid=TRUE)

summary(out.bin, perms=operm.bin, alpha=0.05, pvalues=TRUE)

3. Two-part model

如果表型是存在一个 spike 的，比如最高值或者最低值。默认为最低值，可以用 upper=TRUE 指定最高值。

y <- log(pull.pheno(listeria, 1))

listeria$pheno <- cbind(listeria$pheno, logsurv=y)

operm.2p <- scanone(listeria, model="2part", upper=TRUE, pheno.col="logsurv", n.perm=1000, perm.Xsp=TRUE)

summary(out.2p, perms=operm.2p, alpha=0.05, pvalues=TRUE)

---

这一部分相对简单，就是针对非正态分布表型，检测 QTL 的时候，适当使用一些其它参数。