数量遗传学软件使用总结
POPGENE、NTSYS、AMOVA软件使用心得
前言做分子标记的同学都知道，数据分析基本全靠软件。
目前网上有很多软件可以用，POPGENE、NTSYS、AMOV A是最常用的，几乎所有文献中都有用到这三种，另外如果要计算异交率、自交率还要用到MLTR软件，但是这个软件我在网上找了好久都没有中文的使用说明，自己摸索了一段时间，虽然数据格式算是弄懂了，但数据分析时参数的设置还是搞不懂，所以索性没用这个软件分析了。
我的课题是用ISSR检测遗传多样性的，当时在网上搜罗软件的时候就发现，各种软件都有热心网友进行了总结，也写了使用攻略，只是一般都是单个软件写的，找起来挺麻烦，当时找了好几个论坛才找齐，所以我当时对自己说，等我写好论文，我要把这些软件的使用方法全总结在一起，方便大家使用，现在论文撰写总算告一段落了，也该实践这个承诺了。
下面我就依次把POPGENE、NTSYS、AMOV A的使用方法通过图文的方式展现给大家，数据用我自己论文的数据。
不过我的水平有限，也只会对有限的几个参数进行检测，这篇文章也只能作抛砖引玉了，希望有更多的朋友把自己的心得发上来，如果有会用MLTR的也希望能把使用方法拿出来共享一下啦！生物秀ID：bobolove第一部分POPGENE 1.32POPGENE这个软件可以用来测很多遗传多样性参数，包括等位基因数（Na，Ne）、Nei’s 遗传多样性指数（He）、shannon’s多样性信息指数（I）、多态位点百分率（PPB）、遗传分化值（Gst）、基因流（Nm）、遗传距离等等，是用来检测遗传多样性最普遍的软件，使用起来也不难，只要把数据格式弄好就可以了。
1.1 数据格式数据格式在所有软件使用里都是最重要的，把我们检测到的条带在EXCLE里转换成01矩阵后，要再输入TXT里才能在POPGENE中使用。
图1-1是在TXT文档里的数据格式。
图1-1 POPGENE数据格式1.2 打开软件，载入数据依次执行：file→load data→dominate marker data(对ISSR来说是显性标记)→目标TXT 文档，打开后如图1-2所示。
统计遗传学和数量遗传学
统计遗传学和数量遗传学统计遗传学（Statistical Genetics）是研究基因在群体中的分布和遗传变异的学科。
它利用统计学方法来分析基因与表型之间的关系，探索遗传和环境对个体表型变异的贡献。
统计遗传学主要关注以下内容：1.基因频率和基因型分布：通过对群体中基因频率和基因型分布进行统计分析，研究基因在群体中的分布规律和遗传动力学。
2.遗传连锁和基因关联：研究基因间的连锁关系和基因关联，了解遗传效应和基因相互作用对表型变异的影响。
3.遗传参数的估计：通过统计方法来估计遗传参数，如遗传方差、遗传相关性等，从而量化基因与表型之间的关系。
4.基因组关联分析：以全基因组信息为基础，通过对大规模基因型和表型数据的分析，寻找基因与复杂性状之间的关联，并揭示与疾病风险相关的基因位点。
数量遗传学（Quantitative Genetics）是研究连续性性状遗传规律的学科。
它通过量化表型变异，并将其归因于遗传和环境因素的相互作用，研究性状的遗传机制和遗传参数的估计。
数量遗传学主要关注以下内容：1.基因型与表型之间的关系：对连续性性状进行测量，并通过统计分析研究基因型和表型之间的关系。
2.遗传方差分析：利用统计模型和遗传方差分析方法，估计遗传和环境因素对性状变异的贡献。
3.遗传相关性和遗传进化：研究性状之间的遗传相关性和遗传进化，探讨性状演化和群体遗传结构的影响。
4.遗传参数的估计：通过统计方法和家族研究，估计遗传参数，如遗传方差、遗传相关性和遗传可塑性等。
统计遗传学和数量遗传学都是遗传学的分支领域，它们通过统计和数学方法来揭示基因与性状之间的关系，拓展了对遗传变异和遗传机制的理解。
这些研究对于人类和动植物的遗传性状研究、疾病遗传学以及选择育种等领域具有重要的意义。
群体与数量遗传学学习心得
群体与数量遗传学学习心得
群体与数量遗传学是一门研究群体遗传变异和数量性状遗传的学科，它对于解析物种进化、种群遗传结构以及人类疾病等方面具有重要意义。
在近期的学习中，我对群体与数量遗传学有了以下新的认识和心得体会：
1、群体与数量遗传学强调的是群体水平的遗传变异。
与传统的个体遗传学不同，它关注的是一群个体的遗传特征，并通过统计学方法来分析和解释群体水平的遗传变异。
这种研究方法的优势在于能更好地理解遗传变异的原因及其对群体进化和适应性的影响。
2、数量性状遗传是群体与数量遗传学的重要内容之一。
数量性状是指在群体中连续变化的性状，如身高、体重等。
通过群体与数量遗传学的研究，我们可以了解数量性状的遗传基础、遗传变异的程度以及遗传环境相互作用的影响。
这对于人类疾病的研究和预防具有重要价值，也有助于改良农作物和动物品种。
3、群体与数量遗传学的研究方法包括群体遗传结构分析、基因频率估计、群体遗传参数计算等。
这些方法需要大量的数据和统计学知识的支持，因此在学习中我加强了对统计学的学习和应用能力。
同时，我也意识到群体与数量遗传学的研究需要跨学科的合作，如生态学、生物学、数学等领域的知识都是必需的。
总的来说，群体与数量遗传学是一门有挑战性但又十分有意义的学科。
通过学习，我对群体遗传变异和数量性状遗传有了更深入的了
解，也提升了自己的数据分析和统计学能力。
我相信，在未来的研究中，群体与数量遗传学将继续发挥重要作用，为解决生物学和人类健康等方面的问题提供有力支持。
数量遗传学的研究与应用
数量遗传学的研究与应用I. 引言数量遗传学是研究数量性状遗传的一门学科，具有极高的理论和应用价值。
随着科技的不断发展，数量遗传学在各个领域的应用也越来越广泛。
本文将从遗传基础、测量方法、遗传参数、研究方法以及应用方面系统地介绍数量遗传学的研究和应用。
II. 遗传基础数量性状指的是不仅受到基因控制，还受到环境因素影响的生物性状，如体重、身高、产量等。
数量性状的遗传基础是多基因遗传，其遗传特点为连续性分布和多倍体效应。
多倍体效应是指在某些数量性状中，等位基因的复合效应不止一个基因拥有的效应，而是在多个同源染色体的不同位点上的基因的共同效应，因此出现数量性状的连续性表现。
III. 测量方法在数量遗传学研究中，需要通过测量各种数量性状进行实验。
当今常用的测量方法包括计量、计数、标记和图像分析等。
例如，通过计量动植物的身高、体重等数量性状来进行研究；通过计数生物数量、统计病虫害发生的概率等；通过标记分析遗传元件特征或者记录分子标记信息等；通过图像分析对生物形态结构进行量化等。
IV. 遗传参数在数量遗传学中，常用的遗传参数包括遗传方差、遗传相关、基因效应等。
其中，遗传方差是指由基因导致的数量性状变异程度；遗传相关是指两个或多个数量性状的遗传效应之间的关系；基因效应指单个基因对数量性状的影响。
了解这些遗传参数有助于进行遗传分析，确定数量性状的基因贡献和遗传控制方式，并为研究数量性状的遗传机制提供了重要工具。
V. 研究方法在数量遗传学研究中，需要采用不同的研究方法来探讨数量性状的遗传规律和遗传机制。
经典的研究方法包括QTL分析、关联分析、基因组选择和转座子插入等。
其中，QTL分析是通过构建基因型和表型的关联，并检测表型的遗传因素，来确定对数量性状的影响；关联分析则是检测数量性状和分子标记之间的关系，以确定受到哪些基因的影响；基因组选择是利用分子标记在广群体中进行千人一策选;通过转座子插入，可以研究插入发生的时机、位置和次数等。
数量遗传学方法在优质育种中的应用
数量遗传学方法在优质育种中的应用随着人类生存环境的变化，粮食安全问题日趋严峻。
因此，如何高效地进行作物育种已成为全球粮食安全的重要问题之一。
数量遗传学是一种统计学及数学方法，被广泛应用于作物育种领域，并展现出强大的优势。
本文将介绍数量遗传学方法在优质育种中的应用以及其中的一些具体案例。
1. 数量遗传学方法简介数量遗传学研究的是影响数量特征（如身高、产量等）的基因遗传以及受到环境因素的影响程度。
具体来说，数量遗传学方法用于描述多基因遗传和基因与环境之间的复杂互动，为进一步研究繁殖系统和选择良种提供了理论支持。
2. 数量遗传学方法在作物育种中的应用数量遗传学方法已成为现代作物育种中不可或缺的一部分。
其中，最常用的方法是平衡选择法和群体遗传学方法。
平衡选择法用于确定对产量或其它作物特征的选择所需的理论增益，而群体遗传学方法则用于研究基因变异和群体遗传流动。
3. 优质育种是指以产品品质为重点的作物育种方法。
在作物育种中，产品品质可以包括味道和营养价值等要素。
由于产品品质的评估通常比较主观，因此需要一些特殊的方法支持。
3.1. 品质分析与品质评价品质分析可以根据不同的物理、化学和生物学属性来分析作物质量特征。
品质评价则是对品质分析结果进行评价和分级。
数量遗传学方法可以在品质分析中对相关性和差异进行建模，同时还可以帮助确定影响特定品质特征的基因。
3.2. 品质皮尔逊相关分析品质皮尔逊相关分析是一种基于相关性的分析。
它可以用于评估不同基因间以及基因与环境之间的关联关系。
这种方法可以帮助育种家们更好地理解和细化品质特征的关联关系，并针对不同品质进行更加精准的选择。
4. 数量遗传学方法在稻米育种中的应用稻米因其高度的食用价值而广受欢迎，也成为了许多地区的主食。
稻米品质对于消费者的健康至关重要，也因此被广泛研究。
下面将介绍数量遗传学方法在稻米育种中的应用。
4.1. 大孔率大孔率是影响稻米品质的一个非常重要的指标。
大孔率表示了米粒内部的空洞数量，这些空洞可能会影响稻米的口感和质量。
数量遗传学知识点总结
第一章绪论一、基本概念遗传学：生物学中研究遗传和变异，即研究亲子间异同的分支学科。
数量遗传学：采用生物统计学和数学分析方法研究数量性状遗传规律的遗传学分支学科。
二、数量遗传学的研究对象数量遗传学的研究对象是数量性状的遗传变异。
1.性状的分类性状：生物体的形态、结构和生理生化特征与特性的统称。
如毛色、角型、产奶量、日增重等。
根据性状的表型变异、遗传机制和受环境影响的程度可将性状分为数量性状、质量性状和阈性状3类。
数量性状：遗传上受许多微效基因控制，性状变异连续，表型易受环境因素影响的性状，如生长速度、产肉量、产奶量等。
质量性状：遗传上受一对或少数几对基因控制，性状变异不连续，表型不易受环境因素影响的性状，如毛色、角的有无、血型、某些遗传疾病等。
阈性状：遗传上受许多微效基因控制，性状变异不连续，表型易受或不易受环境因素影响的性状。
有或无性状：也称为二分类性状（Binary traits）。
如抗病与不抗病、生存与死亡等。
分类性状：如产羔数、产仔数、乳头数、肉质评分等。
质量性状、数量性状与阈性状的比较质量性状数量性状阈性状性状主要类型品种特征、外貌特征生产、生长性状生产、生长性状遗传基础单个或少数主基因微效多基因微效多基因变异表现方式间断型连续型间断型考察方式描述度量描述环境影响不敏感敏感敏感或不敏感研究水平家系群体群体2.数量性状的特点：必须进行度量，要用数值表示，而不是简单地用文字区分；要用生物统计的方法进行分析和归纳；要以群体为研究对象；组成群体某一性状的表型值呈正态分布。
3.决定数量性状的基因不一定都是为数众多的微效基因。
有许多数量性状受主基因(major gene)或大效基因(genes with large effect)控制。
果蝇的巨型突变体基因（gt）；小鼠的突变型侏儒基因（dwarf, df）；鸡的矮脚基因（dw）；美利奴绵羊中的Booroola基因（FecB）；牛的双肌（double muscling）基因（MSTN）；猪的氟烷敏感基因（RYR1）三、数量遗传学的研究内容数量性状的数学模型和遗传参数估计；选择的理论和方法；交配系统的遗传效应分析；育种规划理论。
ntsys-pc遗传多样性分析软件使用说明
ntsys-pc遗传多样性分析软件使用说明ntsys-pc遗传多样性分析软件使用说明一、软件简介ntsys-pc遗传多样性分析软件是一款专门用于遗传多样性研究的软件。
它提供了丰富的功能和工具，可以对遗传数据进行分析、计算和可视化展示。
本文档将详细介绍ntsys-pc软件的安装、配置和使用方法，帮助用户快速上手并充分发挥软件的优势。
二、安装和配置2.1 安装步骤a) ntsys-pc安装程序。
b) 运行安装程序，按照向导提示完成安装。
2.2 软件配置a) 运行ntsys-pc软件。
b) 确认软件配置，如存储路径、默认数据格式等。
c) 根据需要，进行个性化配置，如语言选择、主题设置等。
三、数据导入和格式转换3.1 数据导入a) 支持导入多种格式的遗传数据，如GENEPOP、FASTA、PHYLIP等。
b) 在软件界面中选择导入数据，选择相应的文件格式并加载数据。
3.2 数据格式转换a) 支持将导入的数据格式转换成其他格式，以满足不同分析需求。
b) 在软件界面中选择数据格式转换工具，设置输入和输出的数据格式以及其他参数。
四、遗传多样性分析4.1 群体遗传结构分析a) 使用多样性指数计算工具，计算群体遗传多样性指数，如He、Ho、FST等。
b) 使用主坐标分析（PCoA）工具，将群体间的遗传关系可视化。
4.2 种群遗传结构分析a) 使用聚类分析工具，根据遗传相关性将样本进行分类。
b) 使用结构分析工具，根据模型和参数对种群进行分群和成分分析。
五、结果展示和导出5.1 结果展示a) 结果以图表和表格形式展示，便于直观理解和分析。
b) 可对结果进行自定义排版和格式设置，以满足个性化需求。
5.2 结果导出a) 支持将结果导出为多种格式，如图像（PNG、JPEG）、表格（Excel、CSV）等。
b) 在软件界面中选择导出功能，设置输出格式和目标路径。
六、附件附件1：ntsys-pc安装程序附件2：样例数据文件注：本文所涉及的法律名词及注释1、版权（Copyright）：指作品的创作权，即著作权。
ntsys-pc遗传多样性分析软件使用说明
NTSYS-PC使用说明1 数据的录入方法：1.1 利用Ntedit直接录入数据0、1二元数据中的数据缺失记为2。
其中列标可以写为样品编号，在No.rows 栏中写入0、1数据总数，No.cols 栏中写入样品总数。
文件另存为*.nts格式。
1.2 从excel表中直接读入数据Excel表中输入数据格式如下图。
A1必须为1，B1为0、1数据总数，C1为样品总数。
打开Ntedit程序，选择从Excel表输入，结果见上图。
文件另存为*.Nts格式1.3 Ntsys-pc可以直接运行*.phy格式的文件（由phylip和phytool产生）1.4 DNA序列数据Ntsys-PC也可以分析，但好像用的人较少。
建议大家使用phylip或者其他的软件。
DNA序列数据在Excel 中输入格式如下：1.5 其他数据的Excel输入如下：2 聚类分析Ntsys-pc2.02界面如下：以下以图中数据为例介绍聚类过程：2.1 首先用similarity程序组中的SimQual计算形似系数矩阵。
Coefficient通常选用SM 或DICE，结果输出到另一文件2.2 以上步的结果作为input file利用Clustering程序组中的SHAN或者Njoin进行计算，聚类分法选用UPGMA，ties选用FIND，Maximum no. tied trees至少大于样品数。
Njoin程序组界面如下，rooting method可以选用Outgroup，但需输入外元。
2.3 将SHAN或NJoin方法得到的tree file文件输入到Graphics程序组中的tree plot程序中计算得到树图如下利用options可以对树图进行描述与处理.在此略去.2.4 一致性分析：可以用Clustering中的consens程序进行，两个不同文件分别输入；同一文件中不同的进化树之间的分析，则只输入到input tree1 file即可。
blup 数量遗传学逆矩阵例子
blup 数量遗传学逆矩阵例子BLUP（Best Linear Unbiased Prediction）是一种在数量遗传学中广泛使用的统计方法，用于估计未知的遗传参数，如遗传力、育种值等。
BLUP 使用了广义线性模型（GLM）的概念，并假设遗传参数具有正态分布。
下面是一个简单的BLUP逆矩阵计算的例子。
假设我们有一个包含10个基因型数据点的数据集，并且我们想要使用BLUP来估计每个基因型的育种值。
首先，我们需要创建一个设计矩阵 \(X\)，其中包含每个基因型的固定效应（例如，品种、环境等）。
在这个例子中，我们假设有3个固定效应，因此\(X\) 是一个 \(10 \times 3\) 的矩阵。
接下来，我们需要创建一个变异矩阵 \(Z\)，其中包含每个基因型的随机效应（例如，遗传变异）。
在这个例子中，我们假设有1个随机效应，因此\(Z\) 是一个 \(10 \times 1\) 的矩阵。
然后，我们可以使用以下公式来计算BLUP的逆矩阵：\(W = Z (X^T V^{-1} X + G^{-1})^{-1} X^T V^{-1}\)其中 \(V\) 是一个 \(10 \times 10\) 的协方差矩阵，表示基因型之间的遗传相关性。
在这个例子中，我们假设 \(V\) 是对角矩阵，其中对角线上的元素是每个基因型变异的标准差。
最后，我们可以使用 \(W\) 来计算每个基因型的 BLUP 育种值。
注意：在实际应用中，\(V\) 的估计通常需要使用更复杂的统计方法，例如混合模型分析（MMA）。
此外，BLUP 也可以用于估计其他类型的遗传参数，例如基因型和环境之间的交互效应。
数量遗传学总结
第0章绪论质量性状：由少数几对基因控制，不同表型间有明显质的区别，为不连续变异，不存在中间类型，不易受环境影响。
例如毛色、羽色等。
数量性状：由许多对基因控制，呈现连续变异，易受环境影响。
如产奶量、产肉量等。
研究数量性状遗传规律的科学称为数量遗传学阈性状：一类特殊的性状，也通过记数统计，但并不表现连续变异。
如产仔数、产羔数等。
数量性状与质量性状的区别：1，表现的变异类型不同，数量性状为连续变异而质量性状为非连续变异。
2，受环境影响程度不同，质量性状几乎不受环境影响而数量性状较易受环境影响。
3，数量性状与质量性状的根本区别在于遗传机制不同。
质量性状受少数几对基因控制而数量性状受多基因控制。
数量性状的特征：大多数数量性状的分布接近于正态分布；亲属间数量性状在表现上存在相似性；许多数量性状间彼此的表现存在相关性。
数量性状的遗传机制——多基因假说：1.数量性状受一系列遗传因子支配；2.这些因子单个的效应是微小的，其作用可以累加；3.相对因子间的显隐性关系基本不存在。
4.微效基因是等效的，其作用可以累加；5.微效基因的等位基因间只有增效和减效之别，没有掩盖隐性或显性抑制现象；6.由于效应微小，难以进行个别辨认，只能研究性状的总表现。
数量性状的研究方法:研究对象由个体扩展到群体；数量性状的遗传规律以遗传参数的形式体现。
数量遗传学的作用：Human genetics；Plant and animal Breeding；Evolutionary genetics Common goals: Determining how genetic and environmental factors contribute to the observed variance, either within or between populations, of particular traits.第一章组内相关直线相关：两个变量间的相关关系。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
植物数量遗传软件总结Mapmaker，JoinMap，WinQTLCart，PowerMarker，TASSEL，Structure刘兵1.分别利用Mapmaker和JoinMap软件对数据marker and trait data.xls（F2群体，300个个体，29个分子标记，1个数量性状，标记编码中0、1和2分别表示aa、Aa和AA基因型）进行分析，构建分子标记连锁图。
（要求：列出主要的步骤和结果，并对结果进行说明；提交转换后的电子版数据文件，即Mapmaker的raw格式数据文件和JoinMap的loc格式数据文件）（30分）解答：Mapmaker的主要操作步骤：（1）、之前准备一个 .PRE格式文件，见附件。
（2）、准备文件f.RAW，导入数据文件，pd f 。
（3）、s all（4）、assign（5）、list chrom（6）、看是否还有标记没有定位到染色体上的，假如有，用指令s unassigned和list status，假如没有，用 links指令。
（7）、s chrom1（8）、three point（9）、order（10）、s order1（11）、map（12）、error detection on（13）、map（14）、error detection off（15）、framework chrom1（16）、place（17）、draw chromosome（18）、s chrom2（19）、重复步骤（8）到步骤（17）。
（20）、s chrom3（21）、重复步骤（8）到步骤（17）。
（22）、quitMapmaker所得结果：===============================================================================chrom1 framework:Markers Distance10 M10 18.2 cM25 M25 4.6 cM29 M29 5.7 cM21 M21 1.5 cM1 M01 13.0 cM28 M28 6.8 cM13 M13 10.2 cM5 M05 ----------67.5 cM 9 markers log-likelihood= -621.10结果分析：可以看出标记M10、M25、M29、M21、M01、M28、M13、M12、M05位于同一个连锁群上，并以此顺序排列在染色体上，标记之间的距离如上所示，总长度为67.5cM，似然值为-621.10。
===============================================================================chrom2 framework:Markers Distance15 M15 11.9 cM22 M22 5.1 cM11 M11 6.6 cM2 M02 15.0 cM14 M14 8.6 cM4 M04 9.8 cM7 M07 14.9 cM26 M26 16.2 cM9 M09 ----------88.1 cM 9 markers log-likelihood= -730.79结果分析：可以看出标记M15、M22、M11、M02、M14、M04、M07、M26、M09位于同一个连锁群上，并以此顺序排列在染色体上，标记之间的距离如上所示，总长度为88.1cM，似然值为-730.79。
===============================================================================chrom3 framework:Markers Distance20 M20 6.4 cM18 M18 11.5 cM16 M16 10.3 cM23 M23 15.5 cM3 M03 10.1 cM6 M06 10.5 cM19 M19 5.3 cM27 M27 12.8 cM24 M24 6.7 cM17 M17 18.0 cM8 M08 ----------107.3 cM 11 markers log-likelihood= -870.23===============================================================================结果分析：可以看出标记M20、M18、M16、M23、M03、M06、M19、M27、M24、M17、M08位于同一个连锁群上，并以此顺序排列在染色体上，标记之间的距离如上所示，总长度为107.3cM，似然值为-870.23。
JoinMap的主要操作步骤：（1）、New project（2）、Dataset | Create new dataset，检查数据是否正确的步骤，Highlight errors，假如检查无误，创建一个f.loc数据文件，Create population node，见附件。
（注意：在这里可以对Calculate options 进行设置）选择Calculate options，参数设置为：Parameter to use:independence LOD,Mapping algorithm:Regression mapping和ML mapping,在Regression mapping选卡中，选择Mapping function:Kosambi,s。
（3）、根据数据的格式，可以选择Edit|transpose进行转置。
（5）、选择Locus Genot.Freq选卡，点击Calculate。
（6）、选择Individual Genot.Freq选卡，点击Calculate。
（7）、选择Similarity of Loci选卡，点击Calculate。
（8）、选择Similarity of Individual选卡，点击Calculate。
（9）、根据（7）、（8）两步骤找出的相似的去掉其中之一，在（5）、（6）两步骤去掉，再重复（7）、（8）两步骤。
（10）、选择Groupings(text)选卡，点击Calculate。
（11）、选择Groupings(tree)选卡，点击Calculate。
（12）、选择Groupings(tree)选卡，Population|Create Groups Using the Groupings Tree。
（13）、Group|Calculate Map（14）、选择各个连锁群的map，Join|Combine MapsJoinMap所得结果：①、Regression mapping结果分析：29个分子标记分为3个连锁群，分群结果和标记在连锁群上的相对位置与mapmaker分析结果一致，只是joinmap 去掉了一些相似的标记在进行分群的，而且对标记之间的距离而言，两种分析软件所得的结果不一致，总体说来，joinmap 分析的标记之间的距离要比mapmaker要小一点。
②、ML mapping结果分析：29个分子标记分为3个连锁群，分群结果和标记在连锁群上的相对位置与mapmaker分析结果一致，只是joinmap 去掉了一些相似的标记在进行分群的，而且对标记之间的距离而言，两种分析软件所得的结果不一致，总体说来，使用joinmap中的极大似然分析的标记之间的距离要比mapmaker要大一点。
2. 应用WinQTLCart 软件的IM和CIM方法和问题1中构建的分子标记连锁图对数据marker and trait data.xls（F2群体，300个个体，29个分子标记，1个数量性状），进行QTL分析。
（要求：列出主要的步骤；写出QTL作图结果；对结果进行说明；同时提交转换后的电子版数据文件，即mcd格式数据文件）（20分）解答：WinQTLCart操作的主要步骤：（1）、导入数据文件，点击Import。
（2）、Source Data Import|MapMaker/QTL format(*.map or *mps),点击下一步。
（3）、选择mapmaker分析时自动生成的f.MAP，数据文件f.RAW。
选择输出路径。
（4）、点击CIM，设置Permutation Times 10000，其他的设置不变，点击START。
（5）、运行完之后，点击DrawChr。
（6）、性状定位，选择CIM|By Manual Input。
其他设置不变。
点击START。
（7）、使用IM方法的操作步骤与CIM方法的操作步骤是一致的。
结果分析：可以看出标记M10、M25、M29、M21、M01、M28、M13、M12、M05位于同一个连锁群上，标记M15、M22、M11、M02、M14、M04、M07、M26、M09位于同一个连锁群上，标记M20、M18、M16、M23、M03、M06、M19、M27、M24、M17、M08位于同一个连锁群上，并以此顺序排列在染色体上，标记之间的距离如上图所示。
QTL作图结果：结果分析：图中LOD值大于2.0就是QTL位点，具体区段为chrom1:21.2cM — 44.0cM，chrom2:7.9cM — 13.1cM、25.6cM — 42.8cM，chrom3:31.0cM — 72.0cM。
结果分析：从上面两个连锁图可以看出，使用IM方法与使用CIM方法所得分子连锁图谱的结果是一致的。
QTL作图结果：结果分析：图中LOD值大于2.0就是QTL位点，具体区段为chrom1:14.3cM — 35.0cM，chrom2:32.9cM — 50.9cM、52.8cM — 71.0cM，chrom3:1.0cM — 72.7cM。
3.应用PowerMarker V3.25软件对..\Sample\MaizeInbreds\MaizeInbreds.Table.txt进行Summary、Structure和Phylogeny分析。
要求（1）说明分析的步骤；（2）列出分析的主要结果；（3）解释所得结果。
（15分）解答：分析的步骤：（1）、创建一个工程Creating a projectFile | Close All ProjectsFile | Add New Project（2）、导入数据Importing a datasetFile | Import | Datasetstep1选择..\Sample\MaizeInbreds\MaizeInbreds.Table.txt，设置参数，column delimenters 选择space comma tab 点击next。
Step2 同时选中line和group 点击Categoric，使其改为Categoric类型其他保持marker typeLevel1 选line level2 选group 点击next。