在全基因组关联研究(GWAS)中,群体分层、家系结构和隐性相对关系导致的检测统计量的膨胀,增加了定量性状核苷酸(QTNs)检测的假阳性率。简单主成分分析(PCA)和综合线性混合模型(LMM)已应用于基因组控制(GC)中。通过对全基因组标记亲缘关系矩阵的谱分解,发现多基因的LMM与相应特征值的平方根所对应的加权主成分(PCs)的LMM是等价的。这表明除了群体分层外,所有的PC都有评估其他混杂因素的能力,但与正态分布的数量性状用剩余误差作为矫正的表型不同,由于间断性状自变量和因变量间的尺度不同,无法简单估计疾病表型的剩余误差,且广义线性混合模型(GLMM)计算复杂度很高。在此基础上,我们首先利用广义线性模型求解每一个主成分的各自回归系数,然后将众多协变量和各自的回归系数对应乘积并加和合并为一个新的协变量,最后利用PLINK软件做这个协变量的广义线性模型回归分析或者将广义线性模型求解中的隐含因变量减去这个协变量作为新的隐含因变量再逐个SNP进行回归分析,并根据全基因组的卡方值接近1或一个满意的Q-Q图为标准选择优化混淆因子主成分的数目,使其对不同群体均能达到最优矫正效果。该方法将多个主成分矫正群体分层、亲缘关系等导致的混杂效应,把关联分析中计算极为复杂的广义线性混合模型(GLMM)转化成了广义线性回归模型(GLM),并达到快速近似混合模型关联分析的效果,可以适用于间断性状的基因定位。模拟试验的结果可以充分看出新的优化可以矫正混杂因子,提高QTN_S的检测力,但与FaST-LMM法相比QTN的检测效力还是有些许差距。之后,再进一步对5个人类疾病进行关联分析,得到的结果也和模拟结果相似。虽然新方法的效果不能与混合模型的效果完全一致,但新优化方法的优点就在于它原理更通俗易懂。同时,本研究也选取部分基因组标记代替全标记来计算亲缘关系矩阵时,新方法依旧可以得到很好的结果。这意味着,新方法能优化计算过程、减少时间,方便工作者的使用。