本篇内容根据官方说明文档撰写，软件操作十分简单，所以内容不再特别详细的介绍。
DeepBSA是一种用于解析复杂性状的创新Bulked Segregant Analysis（BSA）软件。DeepBSA中开发了两个全新的算法，分别称为深度学习（DL）和k值（K），可以应用于至少2个被混合的群体。DeepBSA还集成了五种广泛使用的算法，分别是ED、G'、ΔSNP-index、SmoothLOD和Ridit，在文章的模拟实验中，DL的绝对偏差和信噪比都优于其他方法。最新更新的DeepBSA提供了Windows和Linux两个版本，下载链接为：http://zeasystemsbio.hzau.edu.cn/Tools。
Windows版DeepBSA
DeepBSA的运行需要R。在下载并解压DeepBSA_windows_v1.4后，用户可以进入名为deepbsa的文件夹，双击R-4.2.1-win.exe将R安装到"C:\Program Files"目录下。然后，如果R安装正确，双击deepbsa.exe，软件界面会如下所示。
输入文件
用户可以点击“打开”来加载输入文件（步骤1）。目前，仅支持标准VCF文件和相应的CSV文件（示例输入文件提供在名为Demo的文件夹中）。
注意：（1）VCF文件可选无头部，但建议仅保留染色体数据，序列区域应被删除；
（2）VCF文件中仅需要混合组数据，父本数据应被删除。同时，如果存在多个组，应根据表型进行排序；
（3）不支持压缩文件。
该软件提供输入数据的预处理功能。预处理包含内置程序来删除质量较低的SNP，并删除其读数低于自定义数字（建议自定义数字为测序覆盖度的一半）的SNP（步骤2）。此过程将花费一些时间，取决于数据大小和计算机性能。同时，可用（步骤3）。
方法选择和运行
在QTL检测中提供了七种算法，用户可以选择其中一种方法（步骤4）。同时，还可以使用三个自定义参数-平滑函数、窗口大小和阈值（步骤5）。
➢ 平滑函数：提供了三种拟合方法-三核平滑、LOWESS和移动平均。默认设置为三核平滑。
➢ 窗口大小：用于拟合的窗口大小。默认设置为0，表示使用loess.as()的自动调优得到的最佳参数。可选的取值范围为0-1，例如0.5表示使用50%的SNP进行局部拟合。0.1是经验值，而0的结果不好。
➢ 阈值：在拟合线超过此值时，将提取候选QTL区域。 默认设置为0，表示该阈值高出全基因组中位数三个标准偏差。 设置完后，点击"RUN"来进行QTL的定位（步骤6）。
注意：只有DL和Ridit可以应用于多池数据，所以在运行来自多个池的数据时，其他方法只从VCF文件中的第一个和最后一个池获取信息。
输出结果
输出结果以两种方式呈现，如下所示——映射图和候选区域。
可以通过点击图表来查看详细信息。
同时，结果被保存在本地 deepbsa/**_Visualize_Results/文件夹中。图表以PNG PDF格式保存，QTL信息以CSV格式保存。开发者还提供了一个TXT文件，其中包含所有SNPs的位置和对应方法的值，可以用于进一步分析和绘图。
其他功能
该软件还提供了一个模拟器，通过点击名为“Simulate”的按钮生成模拟数据。可以按照以下方式自定义四个参数。
➢个体数：种群中的模拟个体，代表了下次野外实验的种群规模；
➢池数：模拟的混池数，范围从2到10；
➢比值：每个池的植株比例，因此应满足以下条件：比值*池数<1；
➢有效点数：模拟的qtl数，假设其表型变异效应（PVE）为0.1。
生成的模拟数据保存在deepbsa/ --*/中，可以直接作为下一次映射的输入数据加载。结果图如下所示：
Linux版DeepBSA
命令行也很简单，步骤和软件版类似：
#安装
wget -c http://zeasystemsbio.hzau.edu.cn/Tools/DeepBSA_linux_v1.4.tar.gz
tar -xvzf DeepBSA_linux_v1.4.tar.gz
cd DeepBSA_linux_v1.4/
./requirment.txt
#QTL mapping
cd bin/
python3 main.py -h
#usage: main.py [-h] --i I [--m M] [--p P] [--p1 P1] [--p2 P2] [--p3 P3] [--s S] [--w W] [--t T]
optional arguments:
-h, --help show this help message and exit
--i I The input file path(vcf/csv).
--m M The algorithm(DL/K/ED4/SNP/SmoothG/SmoothLOD/Ridit) used. Default is DL.
--p P 是否预处理数据(1[True] or 0[False]). Default is True.
--p1 P1 预处理第一步: reads支持数, 过滤低于该值的SNP位点. Default is 0.
--p2 P2 预处理第二步: 卡方检验(1[True] or 0[False]). Default is 1[True].
--p3 P3 预处理第三步: 连续性检验(1[True] or 0[False]). Default is 1[True].
--s S 结果平滑处理函数选择(Tri-kernel-smooth\LOWESS\Moving Average), Defalut is LOWESS
--w W LOESS窗口大小。该数字的取值范围为0-1。0表示AICc最小的最佳大小. Default is 0(auto).
--t T 阈值. Default is 0(auto)
#Data simulation
cd DeepBSA_linux_v1.4/bin/
python3 simulate_progress.py -h
#usage: simulate_progress.py [-h] --i I --p P --r R --e E --s S
optional arguments:
-h, --help show this help message and exit
--i I individual
--p P pools
--r R ratio
--e E effective points
--s S save path
参考资料
Li Z., Chen X., Shi S., Zhang H., Wang X., Chen H., Li W., and Li L. (2022). DeepBSA: A deep-
learning algorithm improves bulked segregant analysis for dissecting complex traits. Mol. Plant.
doi: https://doi.org/10.1016/j.molp.2022.08.004.
