在全基因组关联分析中,为避免假阳性错误常用线性混合模型（LMM）分析数量性状。求解线性混合模型需要先构建亲缘关系矩阵,再估计剩余方差组分,最后使用加权最小二乘求解当前标记的效应值并检验。由于方差组分估计过程涉及复杂的非线性求解,所以对高通量SNP逐个重新估计剩余方差组分使得完整的线性混合模型求解会消耗大量时间、占用巨大的计算机内存。研究者们提出许多简化算法来降低LMM的计算成本,这些方法主要分为两类:一是将多基因效应固定为基因组育种值的GRAMMAR法,再是将多基因遗传力替换随机效应项的EMMAX法。数量性状中的二岐性状虽然只有两种表现型,但是和连续正态分布的性状相似,很多二岐性状也受到多基因效应的影响,如果直接采用广义线性回归同样会导致假阳性,所以需要采用广义线性混合模型（GLMM）对二岐性状进行全基因组关联分析。与一般线性混合模型相比,完整的GLMM求解过程虽然和LMM类似,但更难求解。为了简化GLMM的求解过程,线性混合模型简化求解的思想被移植到广义线性混合模型上,也相应产生了一系列简化算法,如借鉴GRAMMAR法的milor GWAS和SAIGE,以及借鉴EMMAX法的GMMAT、和LTMLM。然而广义线性混合模型的复杂性导致现阶段这些移植的简化算法表现并不稳定,广义线性混合模型的简化算法还需要不断进行开发。虽然GRAMMAR法在扫描时有着极低的计算复杂性,但全基因组关联分析结果存在严重的假阴性错误,这影响数量性状位点（QTN）的检测,所以本研究沿用EMMAX法的主张,基于广义线性混合模型,提出了二岐性状广义线性混合模型简化算法,并将此方法命名为Binary Emmax法。Binary Emmax法首先对亲缘关系矩阵进行谱分解,采用边际最大似然法估计方差组分后并将其固定,再通过迭代重加权最小二乘求解广义线性混合模型,和同样基于EMMAX法的GMMAT相比,Binary Emmax法在方差组分估计方面比较稳定且有较高的准确度,同时也有着更好的统计性质和QTN检测效力。我们采用两个亲缘关系复杂程度不同的人类和玉米基因组数据集进行了模拟实验,模拟了不同的遗传力和不同的QTN数量的二岐性状组合。从遗传力估计、统计性质、QTN检测效力三个方面来评判Binary Emmax法的性能。计算机模拟实验表明:（1）、遗传力估计:Binary Emmax法估计的遗传力与真实值很接近,而且未出现过估计的遗传力不在0-1范围内的情况,而GMMAT在很多组合下估计的遗传力与真实值相差较大,且出现估计的遗传力不在0-1范围的次数较多。Binary Emmax法遗传力估计的准确度较高,稳健性较好。（2）、统计性质和QTN检测效力:Binary Emmax法的统计性质和QTN检测效力可媲美,甚至略优于GMMAT法。为了对新方法的性能进行验证,对半滑舌鳎（Cynoglossus semilaevis）性逆转性状以及CFW小鼠骨质疏松性状进行了全基因组关联分析,对于半滑舌鳎数据集,Binary Emmax法在21号染色体检出1个QTN,22号染色体上各检出5个QTN,而GMMAT法仅在22号染色体上检测出2个QTN;对于CFW小鼠数据集,Binary Emmax法与GMMAT表现出相同的检测效力,都在11号染色体上检测出一个QTN。因此可以证实:Binary Emmax法能比GMMAT法检测出更多的QTN。此外,我们还提出一种简单回归尺度转换高效定位二岐性状的方法,首先对亲缘关系矩阵进行谱分解,特征向量作为主成分,矫正二岐性状中的群体分层,再求解每一个主成分的回归系数,并将众多协变量与其各自的回归系数相乘,得到的乘积合并为一个新的协变量;然后将它作为线性回归的协变量逐个进行关联检验;最后对筛选获得的候选数量性状核苷酸（quantitative trait nucleotides,QTN）进行广义线性模型回归分析,将效应和方差转化为广义线性模型尺度。将此方法用于半滑舌鳎性逆转性状全基因组关联分析,定位相关QTN。