{
  "id": "epistasis",
  "title": "上位性",
  "lang": "zh-Hans",
  "source_lang": "en",
  "summary": "上位性是指遗传变异的表型效应依赖于其他变异的现象，影响遗传、生物功能和进化。",
  "category": "science",
  "subcategory": "biology",
  "type": "concept",
  "aliases": [
    "上位效应",
    "基因上位性"
  ],
  "generated_at": "2026-11-04",
  "model": "pro/gpt-6.1-sol",
  "url": "https://aiwiki.page/zh/epistasis/",
  "translations": {
    "en": {
      "url": "https://aiwiki.page/en/epistasis/",
      "json": "https://aiwiki.page/en/epistasis.json"
    }
  },
  "sections": [
    {
      "heading": "",
      "text": "上位性是指遗传变异的效应取决于其所处的遗传背景。在一种遗传背景下使某个性状增强的变异，在另一种背景下可能几乎没有效应、效应更大，甚至产生相反的效应。在遗传学中，这一术语最初用于描述一个基因的可见效应被另一个基因掩盖的现象。现代用法还包括相对于某个明确定义的、假定各遗传效应独立作用的模型所表现出的定量偏离。\n\n上位性将可观察性状的遗传与生命系统在分子层面的组织方式联系起来。基因并非孤立地决定性状，而是参与相互关联的生化通路、调控回路和细胞结构。因此，不同变异的组合可能产生无法通过简单叠加各自效应来预测的结果。这些依赖关系影响着实验遗传学、耐药性的进化、人类遗传关联的解读，以及工程化生物的设计。\n\n上位性的含义在一定程度上取决于所研究的问题。经典遗传学家识别基因间的掩盖关系，分子生物学家研究功能上的依赖关系，而数量遗传学家则测量群体内的交互作用效应。这些研究方法描述的是相互关联的现象，但所得结果不能直接相互替代：在受控实验中表现强烈的交互作用，未必能解释自然群体中很大比例的变异。"
    },
    {
      "heading": "历史起源与概念边界",
      "text": "威廉·贝特森于1909年提出“上位性”（epistasis）一词，用来描述一个遗传因子掩盖另一个遗传因子表达的情形。该词源自希腊语，含有“位于其上”或“凌驾于上”的意思。它最初具有方向性：上位因子掩盖下位因子。早期实例涉及色素沉着等离散性状；如果将每种可见性状都视为单个遗传因子独立作用的结果，就无法解释这些性状的遗传方式。\n\n这些观察拓展了与格雷戈尔·孟德尔相关的遗传原理，而非将其推翻。不同位点的等位基因可以按照孟德尔定律分离，但它们的共同作用却可能使后代的可见类型呈现出不同于常见模式的比例。这一区别很重要：偏离简单的表型比例，并不一定意味着染色体传递方式异常。实际情况可能是，若干不同的多位点基因型产生了相同的可观察类别。\n\n罗纳德·A. 费希尔在1918年将孟德尔遗传与连续变异联系起来的论文中，提出了一套分析遗传效应的统计方法，推动了上位性更广泛含义的确立。在这一框架中，互作是指对某一模型的偏离；该模型以等位基因的平均效应为基础，并在适用时纳入位点内的显性效应。后来的数量遗传学将遗传方差划分为加性、显性和互作组分。休厄尔·赖特的研究，包括他于1932年提出的适应景观和变动平衡理论，将基因间的互作纳入了解释进化变化的理论之中。\n\n有必要区分几个相近的概念。显性涉及二倍体生物同一位点上等位基因之间的关系；上位性通常涉及不同位点的变异。分子研究也会讨论“基因内上位性”，即同一个基因内不同位置的替换之间发生互作。因此，依具体实验而定，所研究的单位可以是基因、核苷酸位点或氨基酸位置。准确的描述应明确这些单位，而不是假定所有互作都发生在两个完整基因之间。\n\n上位性也不同于表观遗传学，尽管两者的英文名称相似。表观遗传学关注与染色质相关的调控以及某些持续存在的基因活性状态等机制。上位性关注的则是遗传效应如何依赖于其他遗传状态。表观遗传机制可以产生上位性关系，但这两个概念并不存在相互从属的关系。同样，两种蛋白质之间存在物理相互作用，并不自动意味着存在上位性；存在上位性关系，也不能证明它们之间有直接的物理接触。上位性描述的是效应对其他条件的依赖关系；要解释其分子机制，还需要额外的证据。"
    },
    {
      "heading": "经典遗传与孟德尔比例的改变",
      "text": "当两个发生分离的基因座共同决定一种离散类别的表型时，经典上位性表现得尤为清楚。设想两个个体杂交，双方在两个独立分配的基因座上均为杂合子。如果两个基因座都表现为完全显性，后代就会分为熟知的四类基因型：\\(9\\,A\\_B\\_\\)、\\(3\\,A\\_bb\\)、\\(3\\,aaB\\_\\) 和 \\(1\\,aabb\\)。下划线表示该基因座的另一个拷贝可以携带任一等位基因。上位性改变的是这些基因型类别与可见表型类别之间的对应关系，而不一定改变各类基因型产生的频率。\n\n拉布拉多寻回犬的毛色是一个典型例子。在简化的双基因座模型中，涉及 TYRP1 的变异通常用 \\(B\\) 基因座表示，有助于决定真黑素呈黑色还是棕色。涉及 MC1R 的变异则用 \\(E\\) 基因座表示，影响被毛中真黑素的生成。基因型为 \\(ee\\) 的犬，无论其 \\(B\\) 基因座的基因型如何，毛色均为黄色。因此，\\(BbEe \\times BbEe\\) 杂交的经典预期结果是，后代中黑色、棕色和黄色个体的比例为九比三比四。\\(ee\\) 基因型以隐性上位作用掩盖了黑色与棕色的差异。\n\n另一种模式出现在两个基因座的功能性产物均为产生同一可见结果所必需的情况下。在经典的香豌豆例子中，只有两个互补基因座都具有显性功能等位基因，才会开紫花。只有 \\(A\\_B\\_\\) 个体开紫花，其余三类基因型均开白花。因此，预期比例为 \\(9:7\\)。色素合成的连续反应途径可以从机制上解释这一现象：阻断任何一个必需步骤，都会使有色终产物无法生成，因此不同基因座的缺陷会导致相同的表型。\n\n显性上位性可以产生 \\(12:3:1\\) 的比例。在一个经典的西葫芦例子中，显性抑制因子会使果实呈白色，而不受另一个颜色基因座状态的影响。在不携带该抑制因子的后代中，第二个基因座决定果实为黄色还是绿色。含有显性抑制因子的两类基因型合并后，预期产生十二份白色后代，其余两类则分别产生三份黄色和一份绿色后代。这些比例只是理想条件下的预期，并非能够唯一确定某种分子机制的普适特征。\n\n对这些比例的解释，取决于有关独立分配、完全显性、存活、外显率以及表型分类准确性的假设。连锁不平衡、物理连锁、存活能力的差异、环境影响或样本量过小，都可能改变实际观察到的比例。反过来，不同的生物学机制也可能产生相同的比例。因此，经典杂交实验能够确定基因型类别之间的关系，但要判定通路中各环节的先后顺序，通常还需要进一步实验。如果相关过程已得到理解，一个突变掩盖另一个突变的现象就尤其具有启发性；但仅凭这种掩盖现象，并不能证明一个基因直接作用于另一个基因的上游。"
    },
    {
      "heading": "定量定义与零模型的选择",
      "text": "上位性的定量定义以变异之间不存在相互作用时的预测值为参照。对于两种各有“有”或“无”两种状态的遗传变化，设 \\(z_{00}\\) 为两种变化均不存在时的测量值，\\(z_{10}\\) 和 \\(z_{01}\\) 为单突变体的测量值，\\(z_{11}\\) 为双突变体的测量值。在加性尺度上，交互作用对比值为\n\n\\[\\varepsilon=z_{11}-z_{10}-z_{01}+z_{00}.\\]\n\n该值为零，表示在这一测量尺度上，两种变化的效应以相加的方式结合。该值非零，则表示任一种变化的效应取决于另一种变化是否存在。\n\n例如，假设某性状的基准值为 10，任一种单突变都使其升至 12，而双突变体的值为 14，那么就不存在加性上位性。如果双突变体的值为 11，交互作用对比值则为 \\(-3\\)。这种数值描述并不能确定分子机制，而是明确了观测到的组合效应与所选预测值之间的差异，使采用同一定义的不同实验能够复现这一结果。\n\n对于相对存活率、生长水平或适合度，乘性零模型通常更为合适。将适合度归一化，使 \\(w_{00}=1\\)，则彼此独立的比例效应给出的预测为\n\n\\[w_{11}^{\\mathrm{expected}}=w_{10}w_{01}.\\]\n\n相应的一种交互作用度量为\n\n\\[\\varepsilon_{\\mathrm{mult}}=w_{11}-w_{10}w_{01}.\\]\n\n如果每种单突变体都保留了基准适合度的 80%，那么双突变体的乘性期望值为 \\(0.64\\)，而不是 \\(0.60\\)。当所有数值均为正时，取对数可将乘性期望转化为加性期望。因此，若不明确表型、尺度和零模型，仅声称存在上位性是不完整的。\n\n统计模型也可以表示同样的区别：\n\n\\[z=\\beta_0+\\beta_A x_A+\\beta_B x_B+\\beta_{AB}x_Ax_B+\\epsilon,\\]\n\n其中，基因型指示变量 \\(x_A\\) 和 \\(x_B\\) 编码为零或一，\\(\\beta_{AB}\\) 描述交互作用，\\(\\epsilon\\) 表示残差变异。二倍体模型需要额外的项，以区分等位基因剂量、显性效应及其相互作用。对于二元结局，概率尺度上的交互作用未必与对数优势比尺度上的交互作用一致。因此，逻辑回归中显著的乘积项回答的是一个特定的统计问题，而不是一个不依赖尺度的生物学协同作用问题。\n\n高阶上位性涉及三个或更多变异。在完整的二元基因型图谱中，效应可以分解为主效应、两两交互作用、三重交互作用以及更高阶的项。这些效应的估计值取决于基因型的编码方式，也取决于效应是以某一个遗传背景为参照，还是在多个遗传背景间取平均。非线性变换可以产生或消除某些表观交互作用，尤其是由饱和或阈值效应引起的交互作用。不过，效应方向的真正逆转在严格递增的变换后仍然是逆转，因此，效应正负号的变化尤其具有信息价值。"
    },
    {
      "heading": "分子机制与细胞网络",
      "text": "上位性往往源于不同基因参与同一生物学过程的不同步骤。在生物合成途径中，上游的酶为下游的酶提供底物。如果上游反应被完全阻断，改变下游的酶可能不会对终产物的丰度产生额外影响。这自然会造成掩盖效应。活性部分降低时，情况则更为复杂：代谢途径的通量取决于底物浓度、反应动力学、反馈，以及各酶对通量控制作用的分配，因此，程度较轻的功能缺陷未必以加性方式叠加。\n\n功能冗余会产生另一种模式。两个基因可能分别编码生成某种必需产物的替代途径，或编码某一细胞过程中功能可部分互换的组分。单独破坏其中任一途径时，仍可能保留相当程度的功能；而同时破坏两条途径则会造成严重损害。这类关系是合成致死的基础，即两种单独存在时不影响存活的扰动，组合起来却会致死。反过来，第二个突变也可能通过绕过受阻的反应、减少有毒中间产物，或恢复相互作用组分之间的平衡，来抑制第一个突变的效应。\n\n调控网络可通过条件依赖性的基因表达产生上位性。DNA结合位点上的变异，可能只有在相应的转录因子存在且具有活性时才会产生影响。因此，影响该转录因子的突变可能消除结合位点变异的效应。反馈环路、协同结合和发育阈值可以将微小的分子差异放大，形成截然不同的表型。这类相互作用并不要求两个发生改变的蛋白质直接接触：其因果链可以经过代谢物、信号分子或多个调控步骤。\n\n在同一个蛋白质内部，不同氨基酸替换可以通过结构和能量关系相互影响。一个氨基酸变化可能降低折叠态的稳定性，而另一个变化则可能通过改善堆积或形成有利的相互作用来加以补偿。直接补偿只是其中一种可能。即使多个替换对折叠自由能的贡献近似为加性，折叠自由能与处于折叠态的蛋白质比例之间的非线性关系，仍可能使这些替换对活性或生物体生长产生非加性效应。如果功能性蛋白质的数量还存在阈值要求，这种非线性会进一步增强。\n\n由此可以将特定的分子相互作用与全局上位性区分开来。在全局上位性中，许多变异之所以表现出相互作用，是因为它们的效应都经过了同一个从某种基础属性到实测表型的非线性映射。例如，当活性测定结果接近其上限时，进一步的改善几乎没有可供体现的空间。因此，同等程度的分子层面增益，在活性较低的遗传背景中可能显得很大，而在活性已经较高的背景中则显得很小。要判断某种相互作用究竟源于直接的结构耦联、网络架构、生理缓冲，还是测量饱和，需要在多个层面进行测量。结构数据、生化测定、表达量测量和细胞表型，可以帮助区分仅凭一次双突变体测量无法辨别的不同解释。"
    },
    {
      "heading": "适合度景观与进化路径",
      "text": "适合度景观为不同基因型赋予相应的繁殖成功度或其他明确定义的性能指标。对于 \\(n\\) 个各有两种状态的位点，共有 \\(2^n\\) 种可能的组合。仅有一个位点不同的基因型可视为彼此相邻。上位性使每一步变化的效应取决于起点，从而改变景观的形状。因此，它会影响哪些突变序列更受自然选择青睐，以及种群如何逐步接近高适合度组合。\n\n幅度上位性改变突变效应的大小，但不改变其方向。符号上位性是指同一突变在一种遗传背景下有利，在另一种遗传背景下却有害。互惠符号上位性则是指两个突变各自的效应方向都取决于另一个突变的状态。例如，两种单突变体的适合度都可能低于祖先基因型，而双突变体的适合度却高于任一单突变体。这种模式会在不同组合之间形成一个低谷，无法通过仅由有利的单次替换构成的序列跨越。\n\n在适合度测量值互不相等的简单离散景观中，互惠符号上位性是存在多个局部适合度极大值的必要条件；不过，仅在景观的某一部分发现这种上位性，本身并不能确定所有峰的数量或分布。进化路径是否可达，还取决于种群大小、突变供给、重组和遗传漂变。种群可能通过随机固定穿越低适合度区域，也可能在中间型固定之前就获得有利组合，或通过重组或水平转移一次获得多处变化。\n\n丹尼尔·温赖希及其同事在2006年开展了一项影响深远的研究，考察了TEM β-内酰胺酶中与头孢噻肟抗性增强相关的五个替换的全部32种组合。若要求每一步都必须提高抗性，那么在120种可能的替换顺序中，只有18种是可达的。这一结果表明，变异间的相互作用能够对突变发生的先后顺序施加强烈限制。不过，该研究测量的表型是抗生素抗性，而抗性与繁殖适合度之间的关系取决于药物浓度及其他环境条件。\n\n上位性对可预测性的影响也不限于单条路径。在微生物进化实验中，有利突变在适合度已经较高的遗传背景下往往带来更小的增益，这种模式称为收益递减上位性。因此，即使获得的突变不同，适应速度的减缓也可能表现出较高的可重复性。补偿性进化呈现出另一种反复出现的模式：降低抗性代价的突变，可能只有在抗性背景下才具有优势。环境变化会改变这些关系，因此，在某一种营养培养基或药物浓度下测得的景观并不是一幅永久不变的地图。遗传背景与环境共同决定哪些路径仍然有利。"
    },
    {
      "heading": "群体遗传学、重组与生殖隔离",
      "text": "分子层面的相互作用及其对群体变异的贡献，是两个不同的量。在人为构建的基因型之间测得的相互作用可能很强，但如果参与作用的某个等位基因极为罕见或已经固定，这种相互作用对观测到的变异的贡献仍可能很小。反过来，涉及常见等位基因的较弱相互作用，也可能影响许多个体。因此，群体遗传学区分了表型对基因型的功能依赖关系与特定群体中遗传效应的统计分布。\n\n在数量遗传学的分解框架中，表型方差可示意性地写为\n\n\\[V_P=V_A+V_D+V_I+V_E,\\]\n\n其中，\\(V_A\\) 为加性遗传方差，\\(V_D\\) 为显性方差，\\(V_I\\) 为上位性方差，\\(V_E\\) 为环境方差。这一简化表达式省略了特定研究设计中可能需要纳入的其他协方差项和基因型与环境互作项。这些方差组分取决于等位基因频率、交配模式及所采用的模型。因此，即使一个生物系统由相互作用的组分构成，其遗传方差仍可能以加性方差为主。\n\n加性组分反映的是，在群体中现有的各种遗传背景下，等位基因替代的平均效应。这些平均值可以吸收潜在相互作用在群体层面产生的部分影响。随着频率变化，即便基因型到表型的映射保持不变，平均效应和方差组分也可能发生变化。这解释了为什么有效的加性预测并不能证明基因彼此独立地发挥作用，也解释了为什么实验中广泛观察到上位性，并不自动意味着上位性方差在复杂性状的方差中占主导地位。\n\n上位性也是重组理论的核心概念。针对等位基因组合的选择可使不同基因座之间形成非随机关联，而染色体交叉互换则往往会打破这些关联。重组既可能产生有利组合，也可能破坏有利组合，具体取决于适合度景观和已有的关联。不能仅凭上位性的存在，就推断重组具有进化优势。相互作用的正负及其分布、环境变化、突变、遗传漂变和连锁都会影响结果。\n\n一个尤为重要的应用是多布然斯基—穆勒遗传不相容模型。两个种群可能各自独立地积累一些替代变异，这些变异在各自的遗传背景下都能正常发挥作用。然而，当它们在杂交后代中组合在一起时，就可能产生不利的相互作用，降低存活力或生育力。这两种替代变异在其来源种群中都不必经历有害的中间状态。此类不相容有助于解释内在生殖屏障如何在物种形成过程中演化出来。它们可能涉及两个基因座，也可能涉及更复杂的组合，其表现还可能取决于性染色体、倍性或杂交方向。该模型揭示了一条产生不相容的遗传途径，但并不要求所有生殖屏障都源于上位性。"
    },
    {
      "heading": "实验检测与全基因组规模作图",
      "text": "基本的实验设计是在相同条件下，比较参考基因型、两种单突变体及其双突变体。在二倍体生物中，还必须明确等位基因的状态：杂合缺失、纯合缺失和功能部分丧失的等位基因是不同的扰动。要得出可靠的推断，需要设置独立重复、采用可比的遗传背景，并确保表型的测量范围不受地板效应和天花板效应影响。例如，如果单一扰动已接近致死，就很难再检测到额外的损害。\n\n经典遗传学家通过杂交获得双突变体，并根据形态、发育或存活情况推断相互作用。高通量方法将这一策略扩展到了数千个基因。艾米·童（Amy Tong）及其同事于2001年在出芽酵母中引入了合成遗传阵列分析，通过系统性的交配和筛选构建突变组合。菌落大小或生长情况可作为定量指标。对于无法在活细胞中直接删除的必需基因，可以利用功能减弱等位基因，将其纳入相互作用图谱。\n\n按照一种常用的生长评价约定，若某一组合的表现差于预测，则存在负相互作用；若优于预测，则存在正相互作用。合成致病和合成致死属于强负相互作用。正相互作用可能表明存在抑制效应、相关基因属于同一通路，或存在其他形式的功能依赖。这套术语容易引起混淆，因为“正”并不意味着相对于未受扰动的生物体有益；双突变体即便受损程度低于零模型的预测，也可能仍存在严重缺陷。\n\n基于成簇规律间隔短回文重复序列的扰动方法拓展了哺乳动物细胞中的组合筛选。成对的向导RNA可靶向两个基因，而抑制或激活系统则可改变基因表达，不一定要实现完全敲除。混合池实验设计利用测序来估计不同扰动组合的丰度随时间的变化。这类实验需要注意向导RNA的效率、脱靶活性、拷贝数效应、编辑结果的差异，以及携带同一对向导RNA的不同细胞可能具有不同功能性基因型这一情况。\n\n在更精细的层面，深度突变扫描可测量大规模序列变体库，通常将选择或分选与DNA测序相结合。组合文库能够揭示氨基酸替换之间的相互作用，但组合数量会呈指数增长。因此，研究者通常采用选定的子集、基于结构的假设或统计模型，而不是穷尽测试大型蛋白质的所有基因型。与众多相互作用伙伴形成的相互作用谱可以揭示功能模块，但相似的相互作用谱并不能证明存在直接结合。要区分稳健的生物学依赖关系与筛选系统造成的假象，仍需独立重建选定的组合、开展生化测量，并在其他环境中进行检验。"
    },
    {
      "heading": "人类性状与遗传关联的解读",
      "text": "人类性状为预期上位性的存在提供了充分理由：发育、代谢和疾病过程都依赖于相互作用的生物系统。然而，要在人群中证实具体的交互作用，仍然十分困难。人类研究无法开展受控杂交，许多相关变异十分罕见，环境暴露也各不相同。因此，即使从机制上有充分理由预期存在交互作用，也不能仅凭这一点就认定某一对人类遗传变异在统计上存在交互作用，或对疾病风险有重大贡献。\n\n多重检验带来的负担十分沉重。在一百万个变异中检验所有两两组合，即使尚未考虑其他基因型模型或环境分层，也涉及约 \\(5\\times10^{11}\\) 对变异。许多基因型组合也仅见于少数参与者。因此，即便每个变异本身都得到了准确测定，交互作用的估计仍可能不够精确。罕见变异组合尤其难以研究，因为携带联合基因型的人数可能极少。\n\n全基因组关联研究主要关注边际效应，因为这类效应能够得到高效估计，并在大样本中获得重复验证。上位性研究则可能转而聚焦于已确认的位点、生物学上相关的通路，或基因层面的变异负荷。这些策略缩小了搜索范围，却也改变了所检验的问题。涉及某个标记的交互作用，还可能反映出因果变异测定不充分、复杂的连锁模式、群体结构或技术伪影，而非所报告的两个位点之间存在直接的功能关系。\n\n一个得到反复研究的例子，是强直性脊柱炎中的氨肽酶基因 ERAP1 与免疫相关等位基因 HLA-B27。遗传学研究报告了这样一种交互作用：ERAP1 变异与疾病的关联在很大程度上取决于个体是否携带 HLA-B27。这一结果在生物学上具有合理性，因为 ERAP1 参与修剪可由 I 类主要组织相容性复合体分子呈递的肽段。人群中的关联与机制解释仍属于不同层次的证据；要明确具体的分子层面后果，还需要开展功能研究。\n\n上位性有时被用来解释已识别变异未能解释的那部分遗传率。但并没有普遍理由要求它解释这类缺口中的大部分。变异覆盖不全、罕见等位基因、标记不充分、测量误差以及研究设计之间的差异，也都可能产生影响。此外，包含大量交互作用的生物学机制，也可以在所研究的人群中产生相当大的加性方差。因此，以加性效应为主的模型即使未能体现所有因果依赖关系，也可能具有良好的预测能力。将这些模型应用于等位基因频率或环境条件不同的人群时，其表现可能发生变化，但仅凭模型的可迁移性下降，并不能认定其原因就是上位性。"
    },
    {
      "heading": "在治疗、育种和生物工程中的应用",
      "text": "合成致死为上位性与癌症研究建立了切实的联系。肿瘤相关缺陷可能使细胞依赖另一种细胞过程。抑制这第二种过程，可能会优先损伤携带第一种缺陷的细胞。一个重要例子是，对 BRCA1 或 BRCA2 相关同源重组功能缺陷的肿瘤，使用聚（ADP-核糖）聚合酶（PARP）抑制剂。相关的里程碑式实验报告发表于 2005 年，为此后在特定癌症情境下的临床开发奠定了基础。\n\n这种关系比“破坏任意两套 DNA 修复系统都会产生选择性致死作用”这一笼统说法更为具体。BRCA 相关修复缺陷、复制相关损伤、PARP 捕获效应以及其他修复通路的状态，都会影响治疗反应。额外的遗传变化可能导致耐药，包括那些使同源重组功能得到部分恢复的变化。这类案例说明，更高阶的遗传背景能够改变具有治疗意义的成对相互作用。临床应用取决于疾病背景、经过验证的生物标志物以及治疗研究的证据，而不能仅凭抽象的相互作用关系。\n\n在作物和畜禽育种中，上位性会影响等位基因组合的表现，以及这些组合转移到其他遗传背景后的效果。标记辅助选择能够识别有用的变异，但将各自有利的等位基因组合起来，并不保证获得成比例的改良。发育时序、形态结构、代谢和环境响应之间可能存在相互作用。在杂交育种中，显性作用和上位性都可能促成杂种优势，但两者的相对重要性因生物和性状而异。因此，预测某一杂交组合的价值，不同于估计某个等位基因在育种群体中的平均效应。\n\n蛋白质工程在序列层面也面临类似问题。在一种酶中筛选出的氨基酸替换，转移到序列背景不同的同源蛋白后可能失效。反过来，某个起初呈中性的变化，可能使后续替换得以提高催化活性、稳定性或特异性。组合实验和结构指导设计能够揭示这些依赖关系。基于序列的机器学习模型可能捕捉到其中一部分，但在已采样的序列库内预测成功，并不保证能够准确外推到差异较大的组合。\n\n在代谢工程和合成生物学工程中，共用前体、辅因子供应、资源竞争、毒性以及调控反馈都会引发相互作用。如果两种酶竞争同一种供应有限的底物，或使同一种细胞资源不堪重负，那么分别提高两者的表达量未必能提高产物得率。工程目标也各不相同：追求最高产物浓度、最快生长、最佳稳定性或最强环境稳健性，可能分别需要不同的组合。成对相互作用图谱能够提供有用的约束，但规模更大的设计可能揭示在所有已测试的成对组合中都未出现的依赖关系。可能的基因型数量呈指数增长，使得高阶相互作用以及跨环境预测的适用性持续成为预测能力的限制因素。"
    }
  ],
  "links": [
    "genetics",
    "gregor-mendel",
    "epigenetics",
    "phenotype",
    "linkage-disequilibrium",
    "fitness-biology",
    "enzyme",
    "gene-expression",
    "transcription-factor",
    "protein",
    "natural-selection",
    "genetic-drift",
    "allele",
    "population-genetics",
    "chromosomal-crossover",
    "speciation",
    "crispr",
    "dna-sequencing",
    "genome-wide-association-study",
    "major-histocompatibility-complex",
    "heritability",
    "cancer",
    "heterosis",
    "machine-learning"
  ],
  "sources": [],
  "license": "https://creativecommons.org/licenses/by/4.0/"
}