单核苷酸多态性指的是在基因组水平上因单个核苷酸变异所引起的DNA序列的多态性。在基于单体型的关联研究中通过利用少量的SNP位点代表单体型整体大部分信息,而这些位点被称为标签SNP位点即tagSNP。目前,已有较多的方法被用于标签SNP选择的相关研究中。但是,这些方法仍然存在不足,主要表现在这些方面:时间复杂度较高以及标签SNP子集紧凑度较高,使得后续关联研究中基因分型的成本较高。因此,在本文中,我们针对以上问题而提出一种基于蚁群算法的标签SNP选择方法框架。针对不同实验平台的需求不一致,本文提出一种基于蚁群算法的标签SNP选择方法,它可以自适应地根据用户设定的覆盖率选择最优的标签SNP组合。主要工作如下:通过分析SNP数据的高维、低样本特性,即SNP数据的样本数一般较少,而具有大量的SNP位点,如果采用单体型重构方法选择标签SNP,那么需要对大量的非标签位点进行预测,消耗了大量的运行时间成本,而采用组合样本覆盖法选择标签SNP,依据于少量样本的覆盖而与非标签SNP位点无关,从而大大降低了时间复杂度。同时,不同实验平台的特性如误差率等,使得样本的覆盖率的要求不一致,本文提出一种自适应选择方法选择不同覆盖率下的最优标签SNP组合。为了降低搜索SNP组合空间的时间复杂度,本文利用平均值策略对原始数据中缺失数据进行估计,再根据完全连锁、MAF等性质对SNP进行初步的筛选,从而排除了一些可靠的冗余位点。为了提高搜索空间的效率,并且使得标签SNP子集最小,本文改进了蚁群算法用于标签SNP子集选择。首先,根据SNP数据以及组合覆盖问题的特点,对SNP数据进行编码,然后根据用户设定的覆盖度设计适应度函数,紧接着,对蚁群算法进行路径选择算子设计,启发式函数改进等,以寻找最佳的标签SNP子集组合。最后,为了验证本文方法的有效性,本文在多个HAPMAP数据集上比较运行了几种当前流行的方法,实验结果表明,本文方法在时间复杂度以及标签SNP子集紧凑度上都有一定程度的优势。