DNA图谱中的峰信号，究竟受到哪些因素的影响？
谈论混合DNA图谱分型技术
DNA图谱中的峰信号，究竟受到哪些因素的影响？
PCR扩增效率（Amplification efficiency）；
2. 模板量(Template)；
3. 降解系数(Degradation)；
4. 扩增子的分子量(molecular weight)；
5. 等位基因类型（Heterozygote or Homozygote）；
6. 位点特异性（Locus）；
假设有如下图谱，贡献者为2，实际分型如下表
如果不考虑其他因素，分型的图谱应该如下：
1. 模板量：contributor 1>contributor 2
2. 降解因素：contributor 1> contributor 2
3. 扩增效率：Locus2 > Locus 1
4. Stutter
5. 模拟结果
STRmix生物模型考虑到了所有相关因素：
如何将生物模型应用在图谱的拆分中？
MCMC（马尔科夫链-蒙特卡罗算法）产生于19世纪50年代早期，是在贝叶斯理论框架下，通过计算机进行模拟的蒙特卡洛方法。
蒙特卡洛方法的实质是通过大量随机试验，利用概率论解决问题的一种数值方法。马尔科夫链是指生成随机数列的一种方法。
MCMC是一种简单有效的计算方法，在很多领域到广泛的应用，如统计生物学、贝叶斯(Bayes)问题、计算机问题等。
MCMC通过将随机生成的数值与之前的数值进行比较，通过检测是否与正确值更接近，来判断下一步是接受还是重新生成一个随机值，循环往复，最终找到最接近正确值的区域。云算GPM系统将这个过程分为两个部分，pre-burn
in 和post-burn in 分别计算10万次和5万次，最终找到正确的解释。
MCMC结合系统的生物模型，具体的工作方式如下：
目前云算GPM DNA混合图谱分析系统的客户数量已经近100个，主要分布在北美、欧洲，成为目前最受欢迎的混合图谱分析系统之一。
