下载文档原格式
基因测序技术的流程和方法首先是样本采集，样本可以是血液、组织、唾液等。
对于人类基因组测序项目，通常采集血液样本，而对于微生物基因组测序项目，通常采集组织或其他有机体的样本。
第二步是DNA或RNA提取。
DNA提取主要通过裂解细胞膜和核膜，使DNA释放出来，随后经过适当的处理和纯化步骤，得到纯净的DNA样本。
对于RNA提取，主要是通过裂解细胞膜和核膜，并加入酶进行降解DNA的同时保护RNA，接着通过反转录酶进行反转录合成cDNA，并随后用DNA聚合酶合成双链cDNA。
DNA或RNA的提取过程需要精确操作，以保证样本的质量和浓度。
第三步是文库构建。
文库是指将提取的DNA或RNA样本进行文库构建，将其切割成小片段，然后连接上适当的接头序列。
接头序列的引入是为了辅助后续测序反应的进行，并便于序列分析，还会加入各种引物和适配体用于测序反应。
文库构建过程中，还可能利用PCR技术进行扩增，以获得足够多的DNA或RNA的拷贝数目。
第四步是测序。
测序是基因测序技术中最核心的步骤。
目前主要有两种测序方法，即链终止法和串联式单分子测序法。
链终止法即Sanger测序法，是一种经典的测序方法。
其原理是利用DNA聚合酶合成互补链，并在酶合成时向链中插入特殊的二氧化氮核苷酸（ddNTPs），这些ddNTPs不能进一步合成，同时会以一定比例终止链的延伸。
通过对反应体系中形成的DNA分子进行多个PCR循环，然后将其在凝胶中进行电泳分离，即可得到DNA片段的序列信息。
串联式单分子测序法则是近年开发出的新技术，代表性的有Illumina的测序技术。
其原理是首先将DNA片段固定在流动细胞的底物上，并引入引物和酶，以序列为模板合成新的DNA链。
随后引入荧光染料及激发光源，并使用高灵敏的CCD摄像机进行荧光成像。
然后，荧光染料被化学处理，使其发光的荧光基团被移去，让新的DNA链继续合成。
这一过程不断重复，记录下每一个核苷酸在每个位点上的序列信息。
基因组学数据分析的流程与技术要点随着高通量测序技术的发展，基因组学数据分析成为了生物学研究中至关重要的一环。
基因组学数据分析的流程和技术要点涉及到多个阶段，包括数据预处理、质量控制、比对、变异检测和功能注释等。
下面将详细介绍基因组学数据分析的流程和技术要点。
1. 数据预处理基因组学数据分析的首要步骤是数据预处理。
该步骤旨在清洗和修正原始序列数据，以移除低质量序列和技术性诱导的错误。
在这一阶段，首先需要进行过滤，去除包含低质量碱基（例如低于质量阈值）的序列。
然后，还需要进行去除接头序列和重复序列，以减少数据中的噪音。
2. 质量控制质量控制是基因组学数据分析中的重要一环，旨在评估和调整数据集的质量。
质量控制通常包括以下方面：评估序列质量，识别和过滤读长过短或过长的序列，评估碱基分布的均匀性，检测并去除低质量序列和重复序列。
3. 比对基因组组装的一个重要步骤是将测序读段与参考基因组进行比对。
比对的目标是将测序数据准确地映射到参考序列上，以便进一步的变异检测和功能注释。
比对方法包括局部比对和全局比对。
对于较短的测序读段，可以使用局部比对算法（如Bowtie、BWA等）；对于较长的读段，可以使用全局比对算法（如BLAST、BLAT等）。
比对时需要考虑参考基因组的质量，过滤掉与参考基因组不匹配的序列。
4. 变异检测变异检测是分析基因组学数据中存在的突变和多态性的关键步骤。
该步骤通常包括单核苷酸多态性（SNP）检测、插入/缺失（Indel）检测和结构变异（CNV）检测。
在变异检测中，需要将比对结果与参考基因组进行比较，鉴定与参考基因组有差异的位点或区域。
经过统计学分析和筛选后，可以得出基因组中存在的突变和多态性。
5. 功能注释对于已经鉴定出的变异，对其进行功能注释非常重要。
功能注释可以帮助研究者理解变异的生物学意义，并从大量的无关变异中筛选出相关的变异。
功能注释通常包括基因功能、通路分析和突变对蛋白质结构和功能的影响等方面。
种群遗传学和基因流分析的研究种群遗传学和基因流分析是生物学中一项重要的研究方向。
两者都涉及到基因在群体中的流动和分布，是研究生物多样性和物种进化的基础。
本文将介绍种群遗传学和基因流分析的基本概念、方法和应用。
1. 种群遗传学的基本概念种群遗传学是研究生物种群中基因频率和分布变化的学科。
在进化过程中，群体的遗传结构会受到许多因素的影响，比如突变、选择、遗传漂变和基因流等。
种群遗传学通过统计群体基因频率、遗传多样性、基因型频率等指标，来了解群体的基因遗传结构和动态变化规律。
群体基因频率指的是群体中所有基因的频率和比例关系。
群体中的基因呈现出一定的分布特征，比如常见和罕见的基因类型。
群体遗传多样性指的是群体中所有基因的多样性和差异程度。
遗传多样性越高，说明群体中的基因分布越均匀，群体越稳定。
基因型频率指的是群体中不同基因型的频率和比例关系。
不同基因型代表了不同的遗传特征和表现形式。
2. 种群遗传学的研究方法种群遗传学的研究方法主要包括实验法和调查法两种。
实验法是通过对不同群体的交叉、选择和基因突变等条件进行控制和观察，来研究基因的遗传变异和遗传漂变等现象。
调查法则是通过实地采集和调查不同群体的样本，通过DNA分析和测序等方法，来了解基因的分布和变化情况。
种群遗传学的研究方法还包括统计学方法和计算机模拟方法等。
统计学方法可以通过进行数据分析和建立模型等手段，来推断群体遗传结构和变化规律。
计算机模拟方法则是通过编写模拟程序，来模拟和分析不同群体的遗传变异和基因分布情况。
3. 基因流分析的基本概念基因流是指群体间或种群内基因型和基因频率的传输和交换。
基因流包括主动基因流和被动基因流。
主动基因流指的是群体间的基因交换和迁移，如种群间的交配、基因污染和遗传融合等。
被动基因流则指的是不同种群间和环境中的基因流动，比如气候变化和人类活动等。
基因流分析则是研究群体间和种群内基因流动的学科。
基因流分析通过DNA测序、基因标记和遗传标记等方法，来确定基因流的程度和方向，并推测基因流对群体遗传结构和演化的影响。
种群遗传学和进化生态学中的基因流分析在进化生态学和种群遗传学的研究中，基因流是一个非常重要的概念。
基因流是指基因从一个种群流向另一个种群的过程。
基因流通常被认为是进化过程中主要的机制之一，对整个物种的进化历程产生了显著的影响。
本文将探讨基因流及其分析在进化生态学和种群遗传学中的作用。
1. 基因流的概念基因流是指基因从一个种群向另一个种群的传递，并在目的地种群中表达出来的过程。
基因流可以是双向的，因为一些基因在两个种群中都存在。
基因流的速率通常取决于两个群体之间的距离、迁移障碍、环境条件和个体的行为等因素。
基因流是一种重要的进化力量，它可以增加物种的遗传多样性并影响群体的适应性。
例如，当一个种群内的个体数量不断减少时，基因流可以增加遗传多样性，从而增加了种群适应环境变化的可能性。
此外，基因流还可以在不同种群中的互相适应中发挥作用，有助于形成新的亚种和物种。
2. 基因流分析方法为了研究基因流在进化过程中的作用，研究者需要采用特定的方法和技术。
下面是一些常用的基因流分析方法。
(1) 米利斯模型米利斯模型是一种数学模型，用于推断不同种群之间的基因流率。
通过观察不同群体的基因频率和群体结构等因素，可以使用这种模型估计不同群体之间的基因流较为准确的速率。
(2) 种群遗传学分析种群遗传学分析是评估进化过程中基因流的一种经典方法。
通过测定不同种群内的遗传多样性，可以推断基因在不同种群之间的分布情况。
通过这种方法，可以确定不同群体之间的基因流率，以及抗性等重要性状在群体之间的分布情况。
(3) DNA分子标记技术DNA分子标记技术是在基因流分析中常用的方法。
通过DNA标记，科学家可以比较不同种群之间的DNA序列的不同之处，并评估基因流率。
通过这种方法，可以鉴定不同群体之间的亲缘关系，并检测群体之间的基因交流情况。
(4) 遗传模拟方法遗传模拟方法是进行基因流分析的一种有效工具。
通过遗传模拟，可以模拟不同种群之间的基因流率，并展示不同条件下基因频率的变化。
高通量基因测序数据分析的流程与方法高通量基因测序是一种快速高效的基因测序技术，近年来在生物学、医药学、农业学等领域得到广泛应用。
然而，由于高通量基因测序产生的数据量庞大，分析这些数据成为一个重要的挑战。
因此，建立一种合适的高通量基因测序数据分析流程和方法，对于解读基因组信息和揭示生物学问题具有重要意义。
高通量基因测序数据分析的流程可分为数据预处理、序列比对与注释、变异检测和功能分析等步骤。
下面，将详细介绍每个步骤的具体内容和相关方法。
数据预处理是高通量基因测序数据分析的首要步骤，其目的是清洗原始测序数据，去除噪音和质量较差的测序片段。
数据预处理主要包括质量控制、去除接头序列、剪切低质量碱基和去除重复序列等。
在质量控制过程中，常用的方法是通过评估测序数据的质量分值，对低质量序列进行剔除或修复。
接头序列通常用于连接测序文库和测序仪，去除接头序列可以提高序列比对和注释的准确度。
剪切低质量碱基可以减少对后续分析的影响，同时减少数据存储和处理的负担。
去除重复序列可以避免测序数据中的重复信息对后续分析的干扰。
序列比对与注释是高通量基因测序数据分析的核心步骤，其目的是将清洗后的序列与参考基因组进行比对，并对比对结果进行注释。
序列比对是将测序reads 与参考基因组进行比对，常见的比对算法有Bowtie、BWA、BLAST等。
注释是根据比对结果对基因组特征进行描述和标记，常见的注释工具有Ensembl、NCBI等。
通过序列比对和注释，可以确定每个测序 reads 在参考基因组上的位置，从而获得与基因组对应的基因和突变信息。
变异检测是高通量基因测序数据分析的重要步骤，其目的是在比对和注释的基础上，寻找和识别基因组的变异信息。
变异检测可以分为单核苷酸变异（SNV）和结构变异两种类型。
单核苷酸变异指的是在基因组中发生的单个碱基的改变，例如碱基替换和插入缺失等。
结构变异指的是基因组中大片段的插入、缺失或重排等。
常见的变异检测算法有GATK、SAMtools和CNVnator等。
基因检测流程的详细步骤和流程图导语：基因检测是一项重要的医学技术，可以用于分析个体基因组中的特定变异，从而提供个性化的医疗和健康指导。
本文将深入探讨基因检测的详细步骤和流程，以帮助读者更全面地了解这一过程。
一、概述基因检测是通过对个体的DNA进行分析，来确定是否存在特定的基因变异或突变。
这些变异可能与遗传病、药物反应性和某些生理特征有关。
1.1 样本收集需要从个体身体的合适部位收集样本。
通常情况下，采用唾液、血液或口腔黏膜细胞等方式来获取DNA样本。
收集样本的方法应确保样本的完整性和纯度，以避免干扰基因检测结果。
1.2 DNA提取收集到的样本中含有DNA，需要经过DNA提取步骤将其纯化。
这一步骤的目的是去除样本中的杂质，并获得纯粹的DNA样本以供后续的分析使用。
常见的DNA提取方法包括盐溶法、酚-氯仿法等。
1.3 DNA扩增经过DNA提取后，接下来需要进行DNA扩增，即制备更多的DNA分子以便于后续的分析。
聚合酶链式反应（PCR）是最常用的DNA扩增方法之一。
通过PCR，可以在短时间内扩增目标DNA序列，从而使得检测更加敏感和准确。
1.4 基因检测方法选择在进行基因检测之前，需要选择适合的检测方法。
根据不同的需求和目的，可以选择不同类型的基因检测方法，包括基因测序、基因芯片等。
1.5 基因检测选择好基因检测方法后，可以开始进行基因检测。
基于所选的方法，可以分析个体基因组中的特定基因或基因组区域。
这些分析可以涉及基因测序、基因表达、基因变异等多个方面。
二、基因检测流程图以下为基因检测的流程图，用于帮助读者更好地理解整个过程。
_________________________| || 样本收集与传送 || (唾液/血液) ||_________________________|||V_________________________| || DNA提取与纯化 || (盐溶法/酚-氯仿法等) ||_________________________|||V_________________________| || DNA扩增（PCR） ||_________________________|||V_________________________| || 基因检测方法选择 || (基因测序/基因芯片等) ||_________________________|||V_________________________| || 基因检测 || (基因序列/表达/变异等) ||_________________________|三、总结与回顾通过上述的详细步骤和流程图，我们可以清晰地了解基因检测的流程和各个环节的重要性。
基因测序数据分析的流程与方法介绍基因测序数据分析是生物信息学领域中重要的研究工具，它可以帮助我们理解基因组的组成、结构和功能。
在现代基因测序技术兴起后，大规模测序数据的产生给基因测序数据分析带来了巨大的挑战和机遇。
基因测序数据分析的流程可以概括为：质控、比对、变异检测、注释和功能预测等几个关键步骤。
在这篇文章中，我将逐一介绍每个步骤的具体内容和相关方法。
首先是质控步骤。
基因测序数据质量对后续分析非常重要。
在质控步骤中，我们需要评估和过滤测序数据中的低质量序列。
常用的质控方法包括使用软件进行低质量序列过滤和去除接头序列。
第二个步骤是比对。
比对是将测序数据与基因组或参考序列进行对齐，以确定每个测序片段的来源。
比对的目的是找到最佳匹配的位置，并计算测序片段与参考序列之间的相似度。
常用的比对算法有Bowtie、BWA和Star等。
接下来是变异检测步骤。
通过比对，我们可以查找序列之间的差异，这些差异可能是单核苷酸变异、插入、删除或结构变异等。
变异检测是研究基因组变异和基因组个性化的关键步骤。
常用的变异检测算法有GATK、SAMtools和FreeBayes等。
注释是基因测序数据分析的另一个重要步骤。
注释将变异信息与已知的功能元素、基因集和基因组数据库进行关联，以理解变异位点的影响。
常见的注释工具包括ANNOVAR、VEP和Ensembl Variant Effect Predictor等。
最后是功能预测。
功能预测试图理解基因变异如何影响蛋白质结构和功能，并预测其对疾病的相关性。
功能预测可以基于变异的位置、临近基因的功能注释以及相关文献研究等。
常见的功能预测工具包括SIFT、PolyPhen-2和CADD等。
除了上述流程和方法，还有一些进阶的分析方法可以应用于基因测序数据分析。
例如，全基因组关联研究（GWAS）可以帮助我们识别与复杂疾病相关的遗传变异。
此外，单细胞测序分析可帮助研究人员了解单个细胞的基因组特征和功能。
基因组学研究中的数据分析流程与方法随着高通量测序技术的发展和普及，基因组学研究已经成为生物学的重要领域之一。
基因组学旨在理解和解析基因组中的整个基因组信息，以及其对生命过程产生的作用和影响。
数据分析是基因组学研究过程中不可或缺的一环，它能够从大量的基因组数据中提取有效信息，揭示基因与表型之间的关联，帮助研究人员深入了解生命宇宙中的奥秘。
本文将介绍基因组学研究中常见的数据分析流程与方法。
一、数据获取与质控基因组学研究的第一步是获取样本的基因组数据。
通常使用高通量测序技术，如Illumina测序平台，产出大量的测序读段。
然后，研究人员需要进行数据质控，以确保数据的准确性和可靠性。
数据质控过程包括去除接头序列、低质量碱基和低质量读段。
二、序列比对与变异检测在完成数据质控后，下一步是将序列比对到参考基因组上。
比对的目的是将测序读段与参考基因组上的相应位置进行匹配，并确定其排列顺序。
比对可以利用一些开源的比对工具，如Bowtie、BWA等。
比对后，基于比对结果进行变异检测是基因组学研究的重要一步。
常见的变异检测包括单核苷酸多态性（SNP）和结构变异。
三、基因表达分析基因表达分析是基因组学研究的主要内容之一。
它可以揭示不同基因在不同组织或条件下的表达水平及其对生物过程的调控作用。
现代基因表达分析通常使用RNA测序技术，即转录组测序，来获得样本中所有转录本的信息。
在基因表达分析中，常见的任务包括差异表达基因分析、功能富集分析和基因网络构建等。
差异表达基因分析旨在比较不同条件下的基因表达差异，并筛选出具有显著差异表达的基因。
通常使用统计学方法，如DESeq2、edgeR 等，来鉴定差异表达基因。
功能富集分析是对差异表达基因进行功能注释和富集分析，以揭示差异表达基因在功能上的特点和调控通路。
基因网络构建利用差异表达基因在蛋白质相互作用网络或代谢通路等领域之间的关联关系，构建出一个反映生物过程的网络模型。
四、染色质构象分析染色质构象分析是基因组学研究的另一个重要任务。
报告：基因实验步骤引言基因实验是生物学研究中非常重要的一项技术。
通过基因实验，我们可以研究基因的功能、调控机制以及与生物体发育和疾病相关的生物学过程。
本报告将介绍基因实验的一般步骤，包括实验准备、实验操作和数据分析等方面。
一、实验准备1.确定实验目的：首先，我们需要明确实验的目的是什么。
是为了研究一个特定的基因的功能，还是探究某个生物过程的调控机制等。
2.设计实验方案：根据实验目的，设计合适的实验方案。
包括选择适当的实验模型（如细胞、动物模型等）、确定实验群体和对照组等。
3.获得实验材料：收集所需的实验材料和试剂。
例如，如果是进行基因转染实验，需要获得目标基因的表达载体和转染试剂等。
4.准备实验设备：确保实验所需的设备和仪器齐全，并进行必要的检查和维护。
二、实验操作1.样本收集和处理：根据实验方案，收集所需的样本。
例如，如果是研究基因在特定组织中的表达情况，需要收集相应的组织样本。
对样本进行处理，如冷冻保存、切片或细胞培养等。
2.DNA或RNA的提取：从样本中提取DNA或RNA。
这一步骤非常关键，因为提取的质量会直接影响后续实验结果的可靠性。
可以使用商业试剂盒或自制提取试剂进行提取。
3.PCR扩增或逆转录合成cDNA：根据实验设计，进行PCR扩增或逆转录合成cDNA。
PCR扩增可以用于检测基因的存在和定量表达，逆转录合成cDNA可以用于后续的基因表达分析。
4.基因转染或基因编辑：如果实验需要，进行基因转染或基因编辑。
基因转染可以将目标基因引入到细胞中，以观察其对细胞功能的影响；基因编辑可以用于特定基因的敲除、突变或修饰等。
5.蛋白质分离和检测：根据实验要求，进行蛋白质的分离和检测。
可以使用凝胶电泳、免疫印迹等技术来检测基因的蛋白质产物。
三、数据分析1.数据收集和整理：收集实验获得的数据，包括PCR扩增结果、蛋白质分离结果等。
将数据整理成适合分析的格式。
2.数据统计和比较：根据实验设计，对数据进行统计和比较。
基因流计算文档说明
一．基因流大小估算
群体结构模式是海岛结构模式，基因流在群体间是随机的、均一的而且群体也要达到漂变-迁移平衡，迁移个体来自所有其他群体中随机的一个遗传变异群体。
该模型的基本思想是假设１个群体分化为无限多个亚群体，亚群体在空间呈离散分布，每个亚群体接受一小部分来自整个群体的迁移个体。
迁移率与迁移基因频率在任一世代内假设为常数。
岛屿模型中的Nm为每代迁入的有效个体数，即基因流的估计值。
其计算公式为：
N m=1−F st 4F st
Wright, S. The genetical structure of populations.Ann Eugen, 1951. 15(4): p. 323-54.
二．长期基因流流向计算
采用MIGRA TE-N软件中Bayesian inference的策略估算群体间基因流流向，对于群体A和群体B之间基因流流向来说，存在四种可能的模型：1）基因流在A和B之间双向流动；2）基因流从A流向B；3）基因流从B流向A；4）两者为同一群体。
该软件通过分别计算前三种模型的marginal likelihood值，再转换为Bayes Factors进行比较来确定各模型的可能性。
（1）软件运行命令
/share/nas1/zhougang/soybeans/migrate/migrate-3.6.4/bin/bin/migrate-n parmfile
parmfile为参数文件，具体设置详见（3）。
（2）输入文件格式
MIGRA TE-N软件支持多种输入格式，但此类软件运行时间均非常漫长，在利用检测到的全基因组SNP作基因流流向估计时，为减少运行时间，我们通
常把所有位点SNP连成DNA序列来进行运算，在此我们仅介绍DNA序列模
式的输入文件格式：
第一行：分为4列数据信息，第一列留空，第二列为群体数目，第三列为位点数目，第四列为数据注释；
第二行：列数与位点数目等同，每列为该位点所含碱基数；
第三行：群体1信息，列出群体内个体数及群体名字；
第四行起：每个位点该群体内个体信息。
（3）运行参数
主要为parmfile参数文件的设置，该设置可以在命令行中修改，也可以直接采用文本编辑器直接编辑。
①设置输入输出文件路径
上图中1和7分别为输入输出路径设置选项，也可在parmfile文件中直接对infile和outfile行进行更改。
②选择需要分析的模型：
图中选项8即为模型选择项，三种不同模型选择如下图示意，*表示计算，0表示忽略，因此选项值****表示模型一；*0**表示模型二，**0*表示模型三，而*00*则不进行任何计算，该选项也可在parmfile文件中直接对custom-migration行进行更改。
③运行参数选择
主要设置选项：10，更改迭代次数，默认5000，次数越大越好，但运行时间也相应增加，建议最少10,000次以上；12，重复计算，默认关闭，建议设置3-5次为佳；13，heating选项，默认关闭，建议打开，直接采用其打开后的heating 的参数。
以上参数也可在parmfile文件long-sample、replicate及heating行中修改，如：long-sample=100000，replicate=YES:3，heating=YES:0:{1.000000,1.500000,3.000000,1000000.000000}。
注意：在命令行窗口中，所有参数设置完成后，必须输入W生成parmfile文件才会保存所有参数，在parmfile文件中修改则直接保存即可。
（4）结果输出
每个模型分别计算后，均可输出pdf结果文件，也可直接用文本编辑器打开同名文件提取结果，主要为Thermodynamic integration值和Harmonic mean 值，Thermodynamic integration值有两个，分为1a和1b，简单来说1a, 1b （Thermodynamic integration）就是采用heating参数后的结果，而2（Harmonic mean）是没有采用heating参数的结果；1a, 1b之间的区别是作者认为1b采用了贝赛尔曲线从而获得了更好地结果。
要统计各个模型的可能性，要转换为Bayes Factors进行比较，我们现在结果中的数值是marginal likelihood值，BF = Exp[log(P(D|thisModel) - log(P(D|otherModel)]。
举例来说，我有一组1b的结果三个模型的marginal likelihood值分别为-3，-2，-1，那么我们先取常数e-3，e-2和e-1的值，然后这三个值相加每个值与和的比值就是每个模型的可能性。
通常来说，因为我们输入的SNP序列会较长，计算得到的值负数太小，要是取e的负几十万次方根本无法计算，所以不好算这个P值，但是可以简单的知道互相之间的可能性大小，值越大，概率越大，即e-1> e-2> e-3。
（5）结果解释
因为我们采用的算法是基于coalescent model，这个模型得到的结果，跟平时的解释是相反的，因为coalescent model在时间上是从现在到过去，而正常情
况下，我们解释都从过去到现在，也就是说，从现在到过去，是有popB流向
popA，那么从过去到现在就是从popA流向popB。
Beerli, P. and M. Palczewski. Unified framework to evaluate panmixia and migration direction among multiple sampling locations.Genetics, 2010. 185(1): p. 313-26.
三．近期基因流计算
BayesAss软件被用来计算近期基因流，主要流程参数如下：
（1）软件运行命令
/share/nas1/zhougang/soybeans/BA3-3.0.3/BA3 -v -s 5339 -i 50000000 -b 5000000
-n 500 -o result/NDSD_nonFD.1.out examples/NDSD_nonFD.haplotype.1 -a 0.55
-m 0.15 -f 0.06
（2）输入文件格式
第一列为个体名称，第二列为群体名称，第三列为位点名称，第四第五列为双
倍体基因组基因型。
（3）软件参数选择
以下参数供参数：
-v 屏幕输出详细计算过程；
-s 随机种子初始数，可为任意整数，在重复运算时，可设置不同的种子数来验
证结果；
-i 迭代次数，设置越大越好，但同样会延长计算时间；
-b burning数，丢弃开始部分的迭代计算结果；
-n 选择迭代结果，每隔n个选择一个用于后续参数计算；
-o 输出结果路径
-a,-m,-f 混合模型参数，分别表示等位基因频率、近交系数和基因流频率，数值
为0到1之间，此三个参数依照不同数据集需特异调整，如：
上图为运算过程中间结果输出，%accepted后括号中第1、3、4列数值即由此三
个参数分别控制，建议这三列数值为0.2-0.6之间为佳。
（4）结果输出
结果输出文件可用文本编辑器打开，示例如下：
Migration Rates下面m[i][j]即为每一代群体i从群体j中迁移过来的个体比率。
Rannala B, Yang Z (2003) Bayes estimation of species divergence times and ancestral population sizes using DNA sequences from multiple loci. Genetics 164: 1645–1656.。
