人类常见疾病中大多数都是复杂遗传性疾病,近年来科学工作者也致力于通过基因定位的分析方法探索出人类复杂疾病背后的机制并通过预防的手段对疾病进行控制。多项研究结果表明,基因中的罕见变异能够解释人类复杂疾病的遗传力。由于罕见变异在基因组区域内的出现频率极低,基于基因集合的关联分析就成为了一种流行的分析工具。这种方法用于分析基因组区域内罕见变异与复杂疾病的关联性。然而,当基因组区域内仅有一小部分变异为致病变异时,直接在基因组区域内组合多个标记的关联信号可能会因为包含大量的非致病变异而引入噪声,这通常会降低统计方法的检验功效。此外,现有的基于集合的方法对遗传结构很敏感。因此,我们扩展了结合柯西变量关联检验方法(ACAT)并提出了两种自适应结合柯西变量的方法。这两种方法通过数据自适应地组合由单个变异检验的值转换而来的柯西变量。其中,第一种方法根据数据选择最佳数量的变异位点的值,保留与表现型关联性较强的变异位点;第二种方法根据数据自适应的从一组阈值中选择最佳的阈值用来排除与疾病相关性较弱的变异位点。除此之外,当原始数据的基因型和表现型数据无法获取时这两种方法可以使用从大量开放存储的数据库中获得的总结统计量。在大量模拟数据和第19次遗传分析研讨会(Genetic Analysis Workshop 19,GAW19)真实数据上的研究结果表明,当一段基因组区域中致病变异比例很小时这两种自适应结合柯西变量方法比其他比较方法更加强大。而且,两种方法对各种遗传结构都非常稳健。