单核苷酸多态性(SNP,Single Nucleotide Polymorphism)的关联分析是研究复杂疾病和基因之间联系的重要方法,SNP主要是指单个核苷酸的突变而引起DNA序列改变,从而导致物种染色体基因组多样性并有可能表现出不同的疾病症状。如今在关于SNP和疾病相关性研究的文章中,大多数文章中是通过计算SNP的pvalue,并依据pvalue找到复杂疾病的易感疾病SNP位点。但有些疾病可能是由SNP疾病模型的交互作用引发,当研究疾病的相关SNP序列中SNP疾病模型交互时,pvalue是否还能作为筛选易感疾病SNP位点,还需要进一步的探讨。本文的致力于研究pvalue在SNP疾病模型交互作用下的准确性问题。在本文中,我们介绍了SNP数据的相关生物知识和仿真SNP数据的参数设置,在仿真SNP数据时,我们选择了既可以修改SNP仿真参数又可以嵌入SNP疾病模型的epiSIM软件。仿真阶段,通过变化SNP仿真参数生成不同参数下相同SNP疾病模型的数据,来确保实验结果不会被仿真数据的参数差异影响。同时为了确保实验结果不受算法的影响,我们编写了两种计算pvalue的算法软件:permutation&pareto是基于数理统计和概率分布结合的算法,计算单维度SNP速度快,同时精确性也比较高的算法;chi-square test是基于概率的算法,在计算单维度SNP和多维度SNP交互作用的pvalue都比较精确的算法,也是被用来计算pvalue使用比较广泛的算法之一。我们将不同参数下的SNP疾病模型单个SNP疾病模型数据中计算出来的pvalue做对比,在对比中显示不同参数下相同SNP疾病模型的数据中计算出来的pvalue准确性相差不大,相同参数下不同SNP疾病算出来的pvalue的准确度下降很多。