MutMap的分析方法如下圖：

選擇EMS處理的突變體進行回交獲得F1子代，再自交獲得形狀分離的F2子代，選擇F2中具有突變形狀的植株進行混池測序，理論上與突變性狀相關的突變率為1，而與突變性狀不相關的突變率接近0.5，再繪制snp-index

與染色體位置的圖，鎖定峰值所在的區域進行驗證，如下圖：

藍色的點代表突變位點，紅色的線是根據windows分析的結果繪制，每個window包含五個snp位點，縱坐標取突變率的平均值，橫坐標取第一和第五的突變位置的中點

圖中snp位點的篩選標準如下：

1.突變頻率與覆蓋度

   純合位點認為SNP-index大于等于0.9且覆蓋度大于等于3

   雜合位點認為SNP-index大于等于0.3且小于0.9，覆蓋度大于4

2.去除不同樣本間共有突變

   去除掉至少有兩個突變方向共有的SNP位點

3.根據EMS誘導突變原理篩選

   由于EMS誘導的突變主要集中在G→A和C→T，所以圖中只保留了這兩種突變

在文章的附件中給出了一系列不同覆蓋度與不同混樣數量情況下，性狀不相關突變位點在SNP-index上的頻率分布圖

其中n代表混養池中樣本的數量，G代表平均覆蓋度，由圖中來判斷出純合突變的SNP-index閾值

此外，mutmap方法還考慮了在突變株中存在極少量不突變的樣本情況，也給出了在這種考慮下的與性狀相關SNP在SNP-index上的頻率分布圖，如下：

其中j代表假設的未突變樣本數，n代表混養池中樣本的數量，G代表平均覆蓋度

NovelBio實驗室數據測試：

本次測試主要使用的測試樣本為A，其中陳總給出的突變基因為XXX，所在染色體的位置為：XXXX

測試中使用Varscan算法對xxx與對照組9522樣本進行callSNP，提取其中的somatic突變進行后續的分析，其中包含一個在目標基因上發生錯義突變的位點，且突變率為1.

由圖中可以看出具有高突變率的位點較多，在11號染色體關注基因區域沒有明顯的峰值，在第一，第四染色體有明顯的突變富集，但是突變位點過于密集，經過IGV觀察后看到如下情況：

1.目的基因處的突變位點為真，但是突變位點周圍沒有很多高頻突變位點，導致圖中沒有明顯的峰

2.在大量突變位點富集的區域，在對照組中也存在非常多的突變，導致結果不可信，而且在該位點存在過多的位點也使結果不是很可信

3.根據覆蓋度的過濾會存在局限性，有部分位點可能同時存在多種突變類型，或者snp和indel共存的情況，這種位點也不是非常可信

4.部分位點存在幾個位置接近的純合突變位點，圖中存在不是非常明顯峰的區域，但是不在基因的外顯子區，未發生氨基酸的改變

初步結論，從圖中來看，沒有達到文章中出現明顯峰的程度，考慮的原因是突變位點過多，產生的干擾比較嚴重，XXX這個樣本的平均覆蓋度為24，已經達到文章中提到的（>10×)的要求，但是畫圖使用的突變位點的數量相差一個數量級，對結果的影響很大。在Mutmap的文章中同時對一批F2子代的多種突變類型進行研究比如高矮，葉片顏色，并刪除了很多共有突變（即可能不特異影響突變性狀的位點），而且只考慮了G→A和C→T這兩種突變類型，這就可以過濾掉非常多的位點。而在我們的測序數據中，只考慮了覆蓋度的問題，在我對覆蓋度梯度測試時，始終不能達到滿意的結果，卡值過低，繪圖所使用的突變位點會更多，干擾非常大，如果卡值過高又會丟掉非常多的信息。此外，由于陳總關注的目的基因所具有的突變類型為C→G，而且也不知道具體誘導突變的過程，沒有對位點的突變種類進行篩選，這個也是導致突變位點很多的原因之一。

Q69樣本補充分析，選擇Q69的somatic突變位點進行過濾畫圖，過濾標準為tumor組覆蓋度大于等于8，突變率大于30%，normal組突變率為0，只選擇G→A和C→T這兩種突變類型進行分析，

總共獲得突變位點2173個，結果圖片如下：

之后在對覆蓋度的卡值進行梯度測試，由于在當時進行varscan分析時平臺的tumor最低閾值為8，當卡值為8時獲得2173個突變，當卡值為10時獲得 當卡值為1085個，15時獲得375個突變位點。