Ancak cichlidler gibi genetik olarak birbirine çok benzeyen ve aralarında gen akışı devam eden türlerde geleneksel istatistiksel modeller (örneğin Basit Doğrusal Regresyon) yetersiz kalır. Gerçekte özellikle ilgisi olmayan varyantlar, popülasyon yapısı nedeniyle ilişkiliymiş gibi görünebilir (yanlış pozitif). Bu istatistiksel engelleri aşmak için Doğrusal Karma Modeller (LMM), genetik etkileşimleri yakalamak için Makine Öğrenmesi (ML) algoritmaları ve sonuçları biyolojik olarak kanıtlamak için CRISPR-Cas9 teknolojileri birbirine entegre edilmelidir. Cichlid genomik çalışmalarında vücut büyüklüğünü analiz etmek için kullanılan bu analitik iş akışının avantajları, dezavantajları ve kısıtlamaları Tablo 1'de özetlenmiştir.

However, in species such as cichlids, which are genetically very similar and where gene flow continues between them, traditional statistical models (e.g. Simple Linear Regression) are inadequate. Variants that are not actually particularly related may appear to be related (false positive) due to population structure. To overcome these statistical hurdles, Linear Mixed Models (LMM), Machine Learning (ML) algorithms to capture genetic interactions, and CRISPR-Cas9 technologies to biologically prove results must be integrated together. The advantages, disadvantages, and limitations of this analytical workflow used to analyze body size in cichlid genomics studies are summarized in Table 1.