在研究人类的遗传病时,全基因组关联分析(GWAS)是一种常见的分析方法。该方法一般通过识别高密度的的分子标记,对上百万甚至上千万个单核苷酸进行多态性标记(SNP),再通过考察SNP与特定疾病的关系来筛选出致病基因。目前,GWAS已经帮助科学家筛选出Ⅰ型糖尿病、Ⅱ型糖尿病、冠心病等多种复杂遗传的基因位点。由于高通量测序技术的诞生,该测序技术使得测序成本与第一代相比大幅下降,低廉的成本激发了人类对超高维基因变量研究的热潮。在利用新型测序技术进行基因测序时,有些基因型无法确定而仅能预估基因型的概率值。而在已知的相关文献中,关于基因型不确定下的数据处理方式并不多见。同时,对于遗传病的研究,某些个体信息(例如年龄、性别等)也可能会对生物性状产生影响。针对此情形,本文采用条件确定性独立筛选(CSIS)方法在已知某些个体信息存在的条件下,可以更加精确地筛选出其他相关变量。在基因型不确定下的情形下,本文首先利用基因型概率值期望对基因型变量进行修饰,连同个体信息一同引入回归方程,再基于条件确定性独立筛选与最小最大凹度惩罚函数(MCP)方法对相关致病基因进行筛选。最后使用计算机模拟对该方法下的均方误差(MSE)、精准度等指标进行了评估、总结。模拟结果发现,在基因型不确定的情形下,基于条件确定性独立筛选与MCP变量选择方法下对筛选出相关致病基因有一定的成效。