在遗传学中,全基因组关联研究(Genome-wide association study,GWAS)是重要的研究方法,GWAS的目的是发现人类可遗传变异与疾病或性状之间的关联,这里的可遗传变异通常是指单核苷酸多态性(Single nucleotide polymorphism,SNP)。基因型填补(Genotype imputation)是GWAS中一项非常重要的技术,它能增加填补数据中SNP的密度,扩充数据集,减少信息丢失。使用相同的参考模板对基因型数据进行填补,可以使不同研究的基因型数据具有相同的SNP位点,进而开展多研究结果的荟萃分析。基因型填补所得到的数据通常格式多样且数据文件庞大,需要进行预处理和质量控制以便用于分析。同时,各种GWAS分析软件所需数据格式也不同,因此需要使用相应的数据管理软件对填补基因型数据进行格式转换、数据处理以及质量控制。已有的这类软件的功能大都不全面,甚至部分重要功能缺失,有些执行效率低。因此迫切需要一个支持主要填补基因型数据格式的功能丰富、运行高效的填补基因型数据管理软件。本文开发的填补基因型数据管理软件是在Linux操作系统下基于C++实现的一款软件。软件的功能基于GWAS中的实际需求,在对各种常用格式的填补基因型数据进行了研究、对相关质量控制参数进行了分析后确定了需要实现的功能。本文分析了三种常用的填补基因型数据格式(Impute、Minimac和VCF)的组成文件和各文件的具体格式和内容,阐述了格式转换、数据处理以及质量控制各功能的实现思路与具体实现方案。首先,从数据读入、写出入手,实现了格式转换功能。在对数据进行格式转换时采用一种新的即时处理的算法,即将小部分数据读入缓冲区,处理后写入硬盘,再读入和处理下一部分数据。此种实现方式区别于fc GENE等软件将数据集全部读入内存再转换的方法,在保证较高效率的同时可以对大型数据集进行转换,几乎不占用系统内存空间。接下来,实现了对数据集的多种处理功能,其中包括通过SNP名和样本名两种方式对数据集进行提取、合并或删除。数据处理功能实现的难点在于进行数据集合并时需要交叉对比SNP名或样本名,这一操作通常需要将数据全部读入内存或反复读取硬盘数据,是大多数已有软件的效率瓶颈。本文采用建立索引(Index)的方式,先在内存对数据中SNP或样本对应的文件存储位置建立索引,再根据索引进行数据比对和输出。这样在极大地减少内存占用的同时也极大地降低了硬盘的读取次数。同时在数据集匹配功能中使用基于map数据结构的字符串匹配算法,将算法复杂度由O(n~2)降低为O(n),极大提高了匹配效率。最后,本文实现了GWAS常用的质量控制功能,包括对各格式数据的质量指标进行计算并通过给定指标阈值筛选SNP和样本。为了提高硬盘空间的使用效率,填补基因型数据大都使用gz压缩格式存储。本文使用zlib库,支持gz压缩格式的直接读写功能,使得上述的格式转换、数据处理以及质量控制功能均可直接读入或写出各种格式数据集的gz压缩格式。在实现上述功能后,本文先用较小的数据集测试各功能的准确性,再用大型数据集测试软件运行的稳定性及运行效率。同时对比fc GENE,GTOOL,Dosage Convertor,QCTOOL等同类软件,对各功能模块的实现算法不断地进行优化,降低时间复杂度,提高软件的运行效率,最终达到对填补基因型数据管理软件的格式多样、功能全面、运行高效的设计目标。