不同于以往的 makers，现在定位通常是基于重测序数据。但是由于测序数据基因组覆盖率的问题，并不是群体内所有个体在每个标记都有位点信息；而且由于测序数据准确性的问题，单个的 SNP 位点不再像过去的传统标记那么可靠。
所以，在定位之前，可能需要对数据进行一些处理。常规的 mapping 和 call SNP 不多说，我之前介绍了一个方法，是关于构建 bin 标记的，有兴趣的可以移步看一下：SNPbinner 构建定位群体的基因组 bin 图谱。
说在前面
参数资料：
1.A guide to QTL mapping with R/qtl
首先是安装包的安装和调用：
install.packages("qtl")
library(qtl)
一、数据格式
软件支持多种格式输入，http://www.rqtl.org/sampledata 提供了各种文件格式示例。
读取数据的函数为read.cross 。
args(read.cross)
function (format = c("csv", "csvr", "csvs", "csvsr", "mm", "qtx", "qtlcart", "gary", "karl", "mapqtl", "tidy"),
dir = "", file, genfile, mapfile, phefile, chridfile, mnamesfile, pnamesfile,
na.strings = c("-", "NA"),
genotypes = c("A", "H", "B", "D", "C"), alleles = c("A", "B"),
estimate.map = FALSE,
convertXdata = TRUE, error.prob = 1e-04, map.function = c("haldane", "kosambi", "c-f", "morgan"),
BC.gen = 0, F.gen = 0, crosstype = NULL, ...)
以上各参数顾名思义；
file, genfile, mapfile, phefile, chridfile, mnamesfile, pnamesfile
# 为不同输入文件，file 指的是 csv 或 csvr 或 mm 格式的输入文件，genfile 指基因型文件；mapfile 为遗传图谱；chridfile 为每个标记的染色体信息；mnamesfile 为 markers 的名字信息；pnamesfile 为表型名字信息。
genotypes # 基因型信息，即文件中 marker 处的基因型是什么字母指定的；
alleles # 用于标记两个等位基因；
estimate.map # 在 TRUE 的情况下，如果输入文件中不包含遗传图谱，则使用函数 est.map 进行计算；
crosstype # 可选，指定特定的杂交类型；
在指定基因型或者缺失字符时，注意区分大小写，相同字母的大小写分别会代表不同的含义；若文件给出了 genetic map，则 estimate.map 参数选用 FALSE 即可；
常用的是逗号分割的 csv 格式文件，文件格式示例如下：
起始的列为表型数据，随后的列是标记的信息；
第一行包含表型和标记的名字；
第二行在每个表型下面必须是空字段，基因型的列下面必须是染色体名称（最好是纯数字，带字母也不是不行，后续可能会造成麻烦），X 染色体就用 X 或 x 表示；
第三行是可选的，没有也行，是每个标记遗传图谱上的位置信息（cM position）；
再往下的行就是每个个体的表型，以及遗传标记的信息，缺失用 NA 或 - 表示。
其中，染色体标识和遗传图谱位置处不允许有缺失值。
表型列如果存在“id”、“ID”、“Id”的名字，则会被认为这一列为个体标识符。
在实际使用时，最少需要指定的参数只有两个，其余都可以使用默认参数：
> mydata <- read.cross(format="csv", file="mydata.csv")
值得提一下的是，如果是按上述文件格式生成的 csv file，那 genfile, mapfile, phefile, chridfile, mnamesfile, pnamesfile 这一系列是不需要的；
二、示例
以软件自带文件为例，sug.csv 文件部分内容见下图
sug <- read.cross("csv", "https://rqtl.org", "sug.csv", genotypes=c("CC", "CB", "BB"), alleles=c("C", "B"))
以上直接从官网上读取文件，而后可以简单检查一下读入的数据：
summary(sug)
plot(sug)
结果这里就不展示了，会对表中数据指标进行总结和简单的绘图。
数据导入之后，最好对数据的基本概况进行一个检查，后面有一章会单独介绍数据质量检查，有兴趣的话可以移步：
R/qtl 定位分析（三）Single-QTL analysis
R/qtl 定位分析（四）Non-normal phenotypes
对 QTL 定位有兴趣的话可以看看我建的一个文集：QTL 定位。要是觉得有用可以登录一下账号，点个赞，以表支持！
