68、利用并行计算和网格系统进行数量性状基因定位

利用并行计算和网格系统进行数量性状基因定位

在生物学研究中，了解动物和植物数量性状背后的遗传因素至关重要。像体重、生长速率、对感染和其他疾病的易感性以及农作物产量等，都是典型的数量性状。而寻找影响这些数量性状的基因组区域，也就是数量性状基因座（QTL）的过程，被称为QTL定位。

1. 数量性状的基因定位

数量性状通常由多个QTL和环境因素共同作用决定。然而，同时搜索多个QTL的模型会使统计分析的计算量大幅增加。寻找影响某个性状的d个QTL的最可能位置，相当于一个d维的全局优化问题。目前，标准的QTL定位软件大多采用穷举网格搜索算法来解决这个全局优化问题。但这种算法虽然稳健，其计算需求会随着d的增加呈指数级增长，这导致通常只能轻松进行单个QTL（d = 1）的定位。

对于多个QTL的模型，一般会使用前向选择技术，即依次进行一系列一维的穷举搜索。在这个过程中，已识别的QTL会在搜索其他QTL时作为已知量逐步加入。不过，这种技术对于一般QTL模型的准确性并不明确。近年来，对同时定位多个QTL的兴趣日益增加，部分原因是对实际数据集的分析发现，某些QTL对之间的相互作用只有通过解决完整的二维优化问题才能被检测到。

2. QTL分析的高效计算方案

计算模型拟合的常用方法是线性回归法，每次目标函数评估都需要解决一个最小二乘问题。为了解决QTL定位中的这些最小二乘问题，有高效的数值算法。由于标准穷举网格搜索的工作量呈指数级增长，用于同时定位多个QTL的全局优化问题的算法受到了特别关注。

以前用于QTL定位问题的优化方法包括：
- 遗传优化算法，在d = 2时使用库例程实现。
- 基于DIRECT方案的算法，在d