DNA混合图谱拆分是个复杂的工作，我们今天将其中一部分做个简单的解释，供大家理解混合图谱拆分的原理。简单理解的话，影响图谱的因素可以有如下几个：

1. PCR扩增效率（Amplification efficiency）；

2. 模板量（Template）；

3. 降解系数（Degradation）；

4. 扩增子的分子量（Molecular weight）；

5. 等位基因类型（Heterozygote or Homozygote）；

6. 位点特异性（Locus）。

假设有如下图谱，贡献者为2，实际分型如下表：

如果不考虑其他因素，分型的图谱应该如下：

如果我们将上面提到的几个因素考虑进来，那么图谱应该是这样的：

1. 模板量：contributor 1 > contributor 2

2. 降解因素：contributor 1 > contributor 2

3. 扩增效率：Locus 2 > Locus 1

4. Stutter

5. 模拟结果

将以上信息综合考虑，并研究他们对图谱影响的分布，建立了生物学模型如下：

如何将生物模型应用在图谱的拆分中？

MCMC（马尔科夫链·蒙特卡罗算法）产生于19世纪50年代早期，是在贝叶斯理论框架下，通过计算机进行模拟的蒙特卡洛方法。

蒙特卡洛方法的实质是通过大量随机试验，利用概率论解决问题的一种数值方法。马尔科夫链是指生成随机数列的一种方法。

MCMC是一种简单有效的计算方法，在很多领域到广泛的应用，如统计生物学、贝叶斯（Bayes）问题、计算机问题等。

MCMC通过将随机生成的数值与之前的数值进行比较，通过检测是否与正确值更接近，来判断下一步是接受还是重新生成一个随机值，循环往复，最终找到最接近正确值的区域。STRmix将这个过程分为两个部分，pre-burn in和post-burn in分别计算10万次和5万次，最终找到正确的解释。

我们以云算GPM混合图谱拆分系统为例，介绍下具体的工作方式：

目前DNA混合图谱拆分系统，已经在美国，澳大利亚，新西兰以及欧洲等国家广泛使用，并且已经作为法庭示证的一部分，在庭审中为审判提供证据支持。