鲍鱼以其丰富而又高价值的营养而著称,但目前我们国家的野生鲍鱼资源几乎被捕获殆尽,就连海产品的养殖业也受到了品种逐渐退化的威胁,所以改良鲍鱼的品种、培育优良鲍鱼至关重要。因而研究影响鲍鱼性状表现的基因便是选育优良鲍鱼必要之举。本文研究数据是由厦门大学海洋底栖生物实验室提供的红壳皱纹盘鲍鱼基因数据,由于生物的性状表现型通常是由基因群而非单个基因控制的,这启示我们考虑对基因变量进行聚类的必要性。而本文主要研究影响红壳皱纹盘鲍鱼热应激脱落时间的基因群,旨在通过使用前沿且具有创新性的变量筛选方法,以鲍鱼热应激脱落时间作为典型性状,分析鲍鱼基因对性状的影响,从而对鲍鱼品种选育提供重要的参考。基因变量筛选在生物学研究中具有重大意义,而基因等生物学数据作为超高维数据,其数据特点是变量数目p很大,而样本数量n相对较小,并且超高维变量往往会导致变量之间的伪相关（Spurious Correlation）,这一特点决定了传统的回归模型不适合研究该种数据类型,比如经典的Group Lasso方法会低估误差项水平,导致筛选出过多的无关变量。因此本文结合了 Fan（2012）的RCV（Refitted cross-validation）方法和 Group Lasso 的方法,形成 RCV-GroupLasso 方法,该方法首先将数据随机分为两部分:在第一阶段,用变量筛选模型对两部分的数据分别进行变量的选择;第二阶段,将第一阶段中第一部分的筛选出的变量集合,运用到第二部分的数据当中,并据此计算方差,然后反过来将第一步中第二部分数据筛选的变量结合,运用到第一部分数据中,并计算出方差,最终取两个方差的期望值作为模型的方差。以此得到精确的AIC,从而选择更加精确的模型。最终筛选出影响鲍鱼性状的重要基因。本文先通过模拟对比了传统的Group Lasso方法和RCV-GroupLasso的方法,得出RCV-GroupLasso在解决变量之间伪相关性（Spurious Correlation）有很好的效果。并在参考Buhlmann（2012）关于超高维数据类筛选步骤与方法的基础上,将原始数据通过 CSIS（Conditional Sure Independence Screening）方法进行粗筛选,其次对粗筛选后的位点信息进行聚类,分别再对聚出的类使用RCV-GroupLasso进行类筛选,最终根据筛选结果分析得出鲍鱼基因群对热应激脱落时间的影响。并由此可以得到影响红壳皱纹盘鲍鱼热应激脱落时间的重要基因群,为生物学研究节省了进一步基因研究的成本,帮助选育更加优良的红壳皱纹盘鲍鱼。