移步 github 实现目录跳转，获得更好的阅读体验
目录
基因型缺失：样本中没有被测序数据覆盖到的区域，基因型就属于未知的，我们将之称为缺失位点
基因型数据的缺失又分为 遗传性缺失 和 检测性缺失 ：
注意！
分为 样本水平的缺失率 和 位点水平的缺失率
例如下图，0、1、2 分别代表三种检测到的基因型，图中缺失位点使用“？”表示。那么样本1的缺失率=20%（总体10个位点，有两个位点缺失），而位点2的缺失率=60%（总体5个位点，有3个位点缺失）
基因型缺失最直接的影响就是这个位置的 信息缺失 ，从而影响下游分析（包括遗传图谱构建，QTL定位，选择压力分析，GWAS分析等）的信息完整性和准确性。
例如，（b）中红色的点是（a）中缺失的位点。而与性状关联的SNP位点，恰恰位于虚线所在的区域内。这些显著位点在（a）中是缺失的，所以（a）没有检测到关联信号，从丢失了非常关键的信息
基因型缺失对GWAS分析、选择压力分析影响都比较大
原理：
常见imputation的基本逻辑包括两步：
根据缺失样本有限的基因型信息（仅有3个位点），就可以判断这个样本与参考单倍型集中的哪种单倍型最为相似（图中分别对应紫色、绿色、黄色三种单倍型）。然后，将对应的最相似的单倍型赋予给该样本，从而让该样本获得完整的基因型，图b
(1) 计算密集型 ，比如IMPUTE、 IMPUTE2、MACH、 和fastPHASE/BIMBAM
这种类型的方法在填充的过程中 充分考虑到全部可以观察到的基因型信息 ，使得对缺失值的估算更加精确；但以上大部分软件都是针对人类的开发的。人类种群的遗传特性是个体杂合率较高、近交率低、系谱关系来源随机。很多植物，尤其作物的遗传特性则和人类相反。
(2) 计算高效型 ，比如PLINK、TUNA、WHAP和BEAGLE
此种算法 仅仅关注与特定位点相邻的一小部分标记 的基因型，因此在计算上更加快捷
Impute2的基因填充 (genotype imputation) 分为两种应用情景：
对于大规模的reference panels，基因型填充建议分两步进行：
IMPUTE2 或 SHAPEIT 都可以执行pre-phasing操作，Drs. Bryan Howie 和 Jonathan Marchini推荐使用 SHAPEIT 进行pre-phasing，因为该工具采用的phasing方法更准确
IMPUTE2的pre-phasing推荐采用 滑动窗口法 (Sliding Window Analyses) 进行：
对整条染色体进行pre-phasing建议使用SHAPEIT
SHAPEIT接受PLINK PED和IMPUTE的格式输入
参考资料：
(1) 【】群体遗传学习笔记-基因型缺失数据的填充
(2) Impute2官方文档
(3) Genotype File Format
(4) IMPUTE2: 1000 Genomes Imputation Cookbook
(5) Weale M (2010) Quality Control for Genome-Wide Association Studies. Methods Mol. Biol. 628:341–372
(6) van Leeuwen EM, et al. Population-specific genotype imputations using minimac or IMPUTE2[J]. Nature Protocols, 2015, 10(9):1285-1296.
说来话长，要看你面对的是什么样的情况，首先啤酒瓶子要分新瓶、旧瓶，其次要分普通瓶、专用瓶。先说旧瓶，分2种包装形式，一种是麻包、一种是周转箱装的。周转箱的好办，一般你只要清点数目就行，而且在卸车的时候你能够监视到瓶子的缺损情况，少几个都一目了然，顺便摸摸瓶口有没有伤，有经验的摸都用，扫一眼就非常清楚。
麻包的就不好办了，如果送货的单位比较专业，一般麻包的规格就差不多，因为没时间一包一包的看，那就只好采用抽验的形式来检验了。假如送来的货都是110瓶/袋的，那你要根据这车货的总数，大致抽个2%，用这几包来代表全部的质量和数量。如果这几包的缺失率已经达到3%，你可以判为不合格，要和商家谈判就是否收货，如果低于这个指标，就把缺失的百分比乘上总的进货数量，开进货单据。缺失率含真缺的
破损的、破口的、非B的、过期的。
再说新瓶，进货检验基本和旧瓶的形式一样，但是要多一个理化指标的检验，可以依据啤酒瓶的国家标准，也可根据合同标准来执行，一般的项目包括：
抗冲击、抗冷热、抗内压、外观的合缝线，沙眼、气泡、等等。
如果感兴趣，我们可以进一步联系。
