全基因组关联研究(GWAS)是一种系统检验整个基因组中的遗传变异与某种测量特征(即表型)之间统计关联的研究。在人类研究中,这些特征包括疾病、身体测量指标、分子性状,以及对环境暴露或治疗的反应。大多数全基因组关联研究会在大量个体中比较众多变异的频率或估计效应,而不是将分析局限于预先选定的基因。
全基因组关联研究改变了复杂性状的研究面貌,揭示出这些性状的遗传基础通常涉及众多遗传变异,其中大多数变异单独产生的效应都很小。这类研究发现了相关生物学通路,揭示了非编码区变异与基因调控之间的联系,并为遗传预测和因果分析提供了数据。同样值得重视的是其核心局限:存在关联的变异不一定是因果变异,而发现存在关联的基因组区域,也并不意味着就能确定起作用的基因。因此,解读全基因组关联研究需要了解群体历史、研究设计、统计推断和实验生物学。
遗传学基础与关联的含义
全基因组关联研究将基因型的差异与表型的差异联系起来。最常分析的标记是单核苷酸多态性(SNP),即个体之间存在单个 DNA 碱基差异的位点。在具备适当数据时,研究也会考察短片段插入和缺失、拷贝数变化及其他结构变异。对于典型的常染色体双等位基因标记,个体携带的某一指定等位基因的拷贝数可以是零、一或二。研究者可以检验这一等位基因计数与身高等定量测量值,或患病状态等分类结局之间的关系。“关联”一词描述的是统计关系,并不说明产生这种关系的生物学机制。
全基因组关联研究的一个关键特点是,某个标记即使本身不影响疾病,也能揭示与疾病相关的区域。相邻变异往往一同遗传,因为将它们分开的重组事件相对较少。等位基因之间的这种非随机关联称为连锁不平衡(LD)。因此,已分型的 SNP 可以作为未分型致因变异的替代标记。这种标记关系的强度通常用 表示,即等位基因计数之间相关系数的平方。当 接近一时,这些变异在该群体中提供的关联信息几乎等价。
LD 反映了群体遗传学过程的影响,包括群体历史、迁移、重组和遗传漂变。单倍型是同一染色体片段上携带的等位基因组合。不同群体可能具有相同的致因变异,但其周围的单倍型不同,因此不同研究中关联最强的标记可能并不相同。关联信号通常横跨多个基因或调控元件。因此,以最近的基因命名只是标记某一区域的便捷方式,并不能证明该基因介导了这一效应。
关联与因果之间的区别同样适用于表型。与某种疾病相关的等位基因,可能影响某个中间过程、个体能否存活至入组,或疾病被记录的概率。它也可能是另一变异的标记,或与祖源相关的暴露因素存在相关性。因此,解释全基因组关联研究结果时,需要借助一个描述基因型、生物学过程、环境及研究对象的识别与纳入方式如何相互联系的模型。表型变异中可归因于遗传差异的比例,即遗传率,是特定群体的统计量,并不衡量某个个体的结局在多大程度上由遗传决定。当环境变异、年龄分布或测量方式发生变化时,遗传率也可能改变。
历史发展与规模扩展
GWAS 的兴起源于基因组作图、低成本基因分型技术的发展,以及人们认识到常见变异可作为标记,覆盖人类遗传变异中的相当一部分。此前的方法包括家系连锁分析和候选基因关联研究。连锁分析对某些遗传效应较大的罕见疾病尤其有效,但通常只能定位到较宽泛的区域。候选基因研究根据生物学假说选择变异进行检验;许多已报告的关联未能在规模更大的重复验证研究中得到证实。全基因组检验减少了对既有生物学推测的依赖,同时也使严格控制假阳性结果变得至关重要。
人类基因组计划提供了参考序列,而于 2002 年启动的国际人类基因组单倍型图计划则刻画了常见变异及连锁不平衡(LD)模式。这些资源帮助研究人员为基因分型芯片选择成组的标签 SNP。千人基因组计划的初始阶段始于 2008 年,最终阶段的主要报告发表于 2015 年,随后为遗传变异研究提供了覆盖更广的参考面板。这些项目与DNA测序技术的进步相结合,使研究能够评估的变异数量远远超过在每位参与者中直接测得的数量。
哪项研究可被称为“首项 GWAS”,取决于其对基因组的扫描有多全面。2002 年,Ozaki 及其同事通过一项基于 SNP 的大规模关联筛查,报告了编码淋巴毒素 α 的 LTA 基因中的变异与心肌梗死之间的关联。2005 年,Klein 及其同事的一项里程碑式研究将补体因子 H 基因 CFH 与年龄相关性黄斑变性联系起来。尽管样本量相对较小,该研究仍检测到了一个效应相对较大的常见变异,并凸显了补体系统在该疾病中的作用。
2007 年,惠康信托病例对照研究联盟发表了一项研究,涵盖七种常见疾病的约 14,000 名病例和 3,000 名共用对照。该研究证实了协同开展全基因组研究的可行性,并发现了多个可重复验证的位点。此后,国际研究联盟汇集了针对糖尿病、心血管性状、精神疾病、身高及许多其他表型的研究。英国生物样本库等人群研究资源使研究人员能够对数千种测量或记录的性状开展分析;该样本库于 2006 年至 2010 年间招募了约 50 万名参与者。总体而言,这一领域已从规模相对较小、针对特定疾病的扫描,发展为依托大型、可重复利用的资源开展研究,既支持新发现,也支持系统比较不同表型中的遗传效应。
研究设计、表型与统计功效
最常见的两类全基因组关联研究(GWAS)设计是病例对照研究和数量性状研究。病例对照研究将符合某种疾病定义的个体与从适当来源人群中选出的对照进行比较。数量性状研究则分析基因型与血压、血脂浓度或器官体积等测量变量之间的关系。队列研究还可以使用生存模型,分析疾病随时间发生的情况。每种设计都有各自的假设条件和局限:对照个体日后可能发病,单次实验室测量可能无法准确反映长期暴露情况,而现患病例中,确诊后存活时间较长者可能占比偏高。
表型定义往往与基因分型质量同样重要。诊断可能来自专科医生评估、自我报告、医院记录,或诊断编码与处方信息的组合。这些定义在特异度、灵敏度、年龄覆盖范围和医疗服务可及性方面可能存在差异。测量误差若与基因型无关,通常会降低统计功效;但差异性误差可能造成更复杂的偏倚。将相关疾病合并分析可以扩大样本量,却也可能掩盖特定亚型的生物学机制。反过来,即使可用样本较少,高度精确的表型测定也能提高结果在生物学上的可解释性。
统计功效取决于样本量、等位基因频率、效应大小、表型质量和显著性阈值。在简单的加性模型下,等位基因计数的方差约为 ,其中 是效应等位基因的频率。在其他条件相同的情况下,罕见等位基因提供的统计信息较少,因为携带该等位基因的参与者更少。对于二分类性状,病例数与对照数之间的比例也很重要。有效样本量的一个常用近似公式为
这一表达式说明了为什么在病例数固定时,增加对照带来的收益会逐渐递减。精确的统计功效还取决于疾病模型和分析方法。
基于家系的研究设计可以提供互补信息。比较父母传递与未传递给子代的等位基因,或在家系内比较同胞,可以减少群体结构和共同家庭背景造成的混杂。这类设计的统计功效通常低于样本量相同、由无亲缘关系个体组成的研究,但有助于将直接的遗传关联与父母因素及人口学因素的影响区分开来。GWAS 也广泛用于农作物、家畜和实验生物。在这些情境下,需要对育种结构、环境区组和亲缘关系进行明确建模。无论研究哪种生物,扩大样本量都无法弥补表型定义不清的问题,也无法弥补基因型与暴露因素在研究设计中系统性纠缠的问题。
基因分型、基因型填补与质量控制
以往,大多数大规模人类全基因组关联研究使用基因分型芯片检测数十万个变异。这些芯片根据 脱氧核糖核酸 上预设位置的杂交信号推断等位基因。基于测序的研究则读取 DNA 片段,再根据比对后的序列数据推断变异。全基因组测序能够捕获更广泛的变异类型,而外显子组测序主要聚焦于蛋白质编码区。芯片设计会影响哪些变异能够得到良好检测:基于某一祖源群体优化的芯片,在其他祖源群体中的覆盖可能不够完整,尤其是对较少见的变异而言。
基因型填补通过将已观测到的基因型与参考单倍型相结合,增加可供分析的变异数量。通常首先对数据进行定相,估计哪些等位基因共同位于同一条染色体拷贝上。随后,填补过程利用匹配的参考片段,估计未观测基因型的概率。关联分析通常使用等位基因剂量,即效应等位基因数量的期望值,而不是将不确定的判定结果视为确定结果。剂量可以取零到二之间的任意值。填补的准确性取决于等位基因频率、参考面板的规模和祖源、芯片覆盖度以及基因组局部区域的复杂程度;罕见变异尤其难以得到可靠填补。
样本层面的质量控制会检查基因型缺失、杂合度异常、重复样本、预期之外的亲缘关系、污染,以及记录的元数据与遗传测量结果之间的不一致。研究人员还会检查样本处理批次或基因分型批次是否与表型相关。对于有亲缘关系的个体,可以将其排除,也可以使用能够考虑其协方差的模型予以保留。根据遗传数据推断的祖源有助于刻画样本结构,但不能与国籍、族裔或自我认同的种族等同。有关纳入标准和分组方式的决策,既影响统计有效性,也影响研究发现所适用的人群范围。
变异层面的检查包括检出率、等位基因频率、填补质量,以及是否偏离 哈代-温伯格平衡。这类偏离可能提示基因分型错误,但也可能源于群体混合、近亲繁殖或生物选择;因此需要加以解释,而不能一概归因于错误。还需特别注意链方向对齐、参考基因组坐标和等位基因编码。例如,在合并基于相反链方向报告的数据集时,A/T 和 C/G 单核苷酸多态性(SNP)可能存在歧义。等位基因对齐错误可能使估计的效应方向颠倒,或导致合并分析出错。性染色体、线粒体变异、结构变异,以及序列相似性关系复杂的区域,往往需要采用标准常染色体分析流程之外的专门变异判定和检验程序。
关联模型、显著性与重复验证
对于定量性状,基本的 GWAS 模型为
其中, 是个体 的表型, 是等位基因计数或剂量, 包含年龄、性别和祖源成分等协变量。在给定模型的条件下,系数 估计每增加一个效应等位基因时表型的平均变化量。对于二分类结局,逻辑回归对患病优势的对数进行建模;将基因型系数取指数即可得到优势比。优势比通常不等于风险比,在结局较常见时尤其如此。对于个体间存在亲缘关系、病例与对照样本量高度不平衡、生存结局或重复测量等情况,则采用更专门的方法处理。
在全基因组范围内搜索会产生多重检验问题。以 0.05 的名义显著性水平检验一百万个相互独立的零假设,仅凭偶然因素就会产生约 50,000 个阳性结果。人类常见变异 GWAS 的惯用阈值为 ,其历史依据是大约进行了一百万次有效独立的检验。这是一种惯例,而非普适常数。适宜的阈值可能因祖源、变异类别、测序覆盖度,以及所考察的表型或模型数量而异。较小的 值衡量的是数据与指定零模型的不相容程度,而非生物学重要性,也不是某个特定变异具有因果作用的概率。
结果通常以曼哈顿图和分位数—分位数图展示:前者以基因组位置为横轴、 为纵轴,后者则比较观测与预期的检验统计量。曼哈顿图中的峰往往包含许多彼此相关的标记。选取近似独立的先导变异可减少这种冗余,而条件分析则检验在计入最初发现的关联后,某一区域是否仍存在其他信号。这些分析步骤依赖合适的连锁不平衡(LD)参考数据。汇总统计数据通常报告变异标识符、效应等位基因与另一等位基因、效应估计值、标准误、等位基因频率、样本量及显著性值。
在独立样本中进行重复验证,有助于区分可重复的发现与技术伪象或随机波动。发现阶段的效应往往被高估,因为筛选过程更容易选中观测效应异常大的结果,这种现象称为“赢家诅咒”。元分析将不同研究的关联估计值合并,通常采用逆方差加权法。这要求统一等位基因方向、确保表型定义相容、评估异质性,并注意研究间参与者重叠的问题。可重复的关联仍可能反映各项研究共有的系统性混杂;而未能重复验证,也可能源于统计功效不足、LD 模式不同,或表型确实存在差异,并不一定意味着最初的结果是错误的。
群体结构、亲缘关系与间接关联
当等位基因频率和表型分布都随群体而变化时,就会出现群体分层,从而产生与受检变异的直接效应无关的关联。例如,遗传祖源的地理差异可能与环境暴露、招募中心或社会经济条件相关。由于整个基因组中存在许多微小的等位基因频率差异,即使细微的群体结构也可能在超大规模研究中产生影响。增加样本量可以减小标准误,却无法消除系统性偏倚。
一种标准的校正方法是利用主成分分析概括遗传变异的主要变化轴,并将其作为协变量纳入分析。这可以减少广泛的祖源混杂,但不能保证控制精细尺度的地理差异,也不能保证控制所有社会和人口学过程的影响。线性混合模型及相关的广义混合模型通过纳入遗传关系矩阵,来处理参与者之间的协方差。这些模型使许多研究能够保留有亲缘关系的参与者,同时比单独使用普通回归更有效地控制群体结构。在计算实现中,还必须避免将过多的局部关联信号吸收到亲缘关系分量中。
对检验统计量膨胀的解释需要谨慎。全基因组范围内小 值过多,可能源于混杂,也可能是因为确实有数千个变异影响该性状。在明确的假设下,基于关联强度与连锁不平衡(LD)之间关系的方法,有助于区分这些来源的贡献。仅仅通过重新缩放每个检验统计量来消除所有膨胀,可能会抹去真实的多基因信号。反过来,一张看似正常的诊断图也不能证明每个位点都不受混杂影响。
遗传关联也可能包含间接作用路径。父母的基因型可能影响子女所处的环境,使子女遗传到的等位基因与某一结局之间的关联,部分通过父母的特征而产生。择偶同配可能使分布于整个基因组中的性状相关等位基因彼此相关,并改变基因型、家庭环境与表型之间的预期关系。家系内分析通过比较具有许多共同背景的亲属,可以减弱其中若干因素的影响。研究参与者的选择又带来了另一项难题:如果是否参与研究同时取决于某种表型和其他受遗传影响的特征,那么以参与研究为条件进行分析就可能诱导出关联。在解释具有社会分布差异的性状时,这些机制尤为重要。仅靠标准的祖源校正,并不能将关联估计值转化为纯粹的生物学效应或个体层面的因果效应。
GWAS 揭示的遗传架构
GWAS 的一项重要发现是,多基因性广泛存在。身高、血压、许多常见疾病以及众多其他性状都受到大量遗传变异的共同影响。对于许多复杂性状,单个常见变异只能解释很小一部分表型变异,因此需要大样本才能发现它们。不过,少数区域的效应可能大得多,而且不同性状的效应大小分布差异显著。高度多基因的遗传架构并不意味着缺乏生物学上的组织规律:许多微弱的关联可能汇聚于特定的组织、细胞类型或通路。
GWAS 帮助厘清了“遗传力缺失”问题。早期发现的显著关联位点所能解释的变异,远少于基于家系的估计所提示的水平。这一差距部分源于某些效应过小,在当时可用的样本中未能达到严格的显著性阈值。其他可能的原因包括罕见变异、对变异的不完全标记、结构变异、不同遗传力估计方法之间的差异,以及基于家系的研究设计本身的特点。基于 SNP 的遗传力估计的是,在特定人群和模型中,一组指定变异所能捕获的表型变异。它并不必然等同于总体狭义遗传力,其数值还取决于表型的测量方式和环境背景。
许多变异会影响不止一种性状,这种现象称为多效性。遗传相关性概括了两种性状的估计遗传影响共同变化的程度。它可以揭示不同疾病之间,或分子层面与个体层面的测量指标之间共有的遗传架构。然而,遗传相关性并不能证明一种表型会导致另一种表型。它可能反映同一批变异对两种性状的直接影响、中间生物学通路的作用、彼此相关的暴露因素,或方法学偏倚。同样,两个相邻的关联峰并不一定具有相同的因果变异,不能仅凭各自的领头 SNP 位置接近就作出这一判断。
罕见变异提供了互补的视角。由于每种罕见等位基因的携带者都很少,测序研究常采用负荷检验或方差组分检验,将基因内的多个变异合并分析。这些方法能够更直接地将蛋白质编码基因的功能受损与表型联系起来,但变异分组和功能注释也会引入一些假设。主要组织相容性复合体则体现了另一类挑战:广泛的连锁不平衡(LD)、高度的等位基因多样性,以及多种相互关联的生物学效应,使结果解释变得复杂。因此,分析遗传架构时,必须区分关联标记的数量、统计上独立信号的数量、因果变异的数量以及受影响基因的数量;这些计数不能混为一谈。
从关联位点到生物学机制
发现关联后,首要任务通常是进行遗传精细定位:确定关联区域内哪些变异最有可能产生该关联信号。统计方法会比较彼此相关的变异,并可在明确设定效应大小和因果变异数量等假设的基础上,为各变异赋予后验概率。构建可信集的目的是,在拟合模型下,以指定的后验概率涵盖一个或多个因果变异。对可信集的解读取决于准确的连锁不平衡(LD)信息、充分的变异覆盖度,以及恰当的模型。可信集并不是经实验确认的因果位点清单。
由于不同祖源群体的 LD 模式有所差异,合并多个群体的数据可以提高定位分辨率。在一个群体中几乎无法区分的变异,在另一个群体中可能可以通过统计方法加以区分。要获得这一益处,需要足够的样本量,并考虑可能存在的效应异质性。功能注释还可以帮助进一步筛选出值得优先研究的变异,例如位于编码序列、开放染色质,或在相关细胞类型中具有活性的启动子或增强子内的变异。不过,变异与调控注释区域重叠只能提供支持性证据,而不能构成证明。现有数据集可能未涵盖生物学上相关的组织或发育阶段,而且调控效应可能取决于细胞状态或环境条件。
分子关联研究提供了更多联系。表达数量性状位点(eQTL)是指与基因表达相关联的变异。相关分析还会考察 RNA 剪接、蛋白质丰度或 DNA 甲基化。共定位方法用于判断性状关联与分子关联是否符合共享同一因果变异的情形。与仅仅发现两种信号位于同一区域相比,这是更有力的证据;但即便二者共享同一因果变异,也不能仅凭这一点就断定测得的分子变化介导了该变异对疾病的影响。一个变异可能独立影响多个分子过程。
实验研究通过报告基因测定、细胞扰动、动物模型和基因组编辑等手段检验具体机制。一个突出的例子是 FTO 内与肥胖相关的区域。针对特定非编码变异的研究表明,IRX3 和 IRX5 的调控涉及脂肪细胞的生物学过程,说明标记所在的基因不一定是该标记唯一的功能靶基因。这一机制并不意味着该区域内的所有关联在不同组织中都以相同方式发挥作用。当统计精细定位、分子测量、调控元件间的物理相互作用以及靶向扰动的证据共同指向同一条“变异—基因—表型”通路时,对机制的解释最为有力。
遗传预测、因果推断与治疗研究
多基因评分将多个变异的信息整合为一个数值型预测指标。其简单形式为:
其中, 为估计效应, 为个体 在变异位点 的等位基因剂量。现代方法会考虑连锁不平衡(LD),并对噪声较大的估计值进行收缩,而不是简单地将发现阶段得到的每个系数相加。评估必须使用未参与模型估计或选择的数据;训练样本与测试样本之间未被发现的重叠可能夸大模型表现。关联显著性与预测准确性是不同的目标:许多单独未达到全基因组显著性水平的变异,仍然能够提供预测信息。
预测表现取决于人群和应用情境。某项评分或许能区分较高风险与较低风险人群,但在新的人群中,其绝对风险估计的校准表现可能不佳。年龄、疾病的基线发病率、临床测量指标和环境暴露均可显著影响预测。主要在某一祖源群体中训练的评分,在其他祖源群体中的表现往往较差,因为各群体的等位基因频率、连锁不平衡、效应估计值和研究环境有所不同。评分还会反映其训练数据中的表型特征及样本选择过程。要确定评分在某一具体临床用途中的价值,不能仅证明它与疾病存在统计关联,还需要进一步评估。
GWAS 汇总统计数据广泛用于孟德尔随机化,该方法以遗传变异作为工具变量,研究暴露与结局之间的因果关系。要得出有效推断,工具变量必须影响暴露,与相关混杂因素无关联,并且只能通过模型所设定的暴露影响结局。水平多效性、群体结构、样本重叠和选择过程都可能违反这些假设。由遗传变异所代表的终生暴露差异,也不一定等同于短期干预。因此,孟德尔随机化是一种依赖特定假设的因果推断框架,既不是达到全基因组显著性后便自然成立的结论,也不能替代随机对照试验。
治疗研究利用 GWAS 筛选优先研究的靶点和通路。影响某个基因或其调控元件的变异,可以提示改变相应的生物学过程可能会影响疾病。如果某个靶点影响多种性状,遗传学发现也可以提示潜在的不良作用。然而,药物干预的方向并不总能直接从关联标记中推断出来:功能性等位基因、靶基因、作用组织、发育时点及扰动程度都可能仍不明确。研究通常会将常见变异的证据与罕见功能丧失变异、分子研究及实验药理学的证据相结合。这些应用将遗传学发现与药物研发联系起来,但并不意味着每个关联位点都能立即成为可用于干预的靶点。
多样性、数据治理与研究边界
长期以来,全基因组关联研究所涵盖的人群分布并不均衡,参与者高度集中于欧洲祖源人群。这既影响科学发现,也影响潜在益处的分配。在某个人群中常见的变异,在另一个人群中可能很罕见,甚至不存在;基因型填补参考面板对某些单倍型的覆盖也可能不足。因此,代表性不足的人群可能拥有更少得到充分解析的关联结果,预测准确性也可能较低。扩大不同祖源人群的参与,有助于区分共同的生物学机制与特定人群的遗传标记模式,并能发现那些以单一人群为主的研究所遗漏的变异。
遗传祖源具有连续性和多维性,并受到迁徙与群体历史的塑造。宽泛的分类标签可能有助于某些分析,却会掩盖群体内部的大量差异。自我认同的种族和族裔能够反映遗传祖源无法体现的社会经历,包括歧视、语言以及获取服务的机会。将这些变量混为一谈,可能导致误导性的生物学解释。涉及混合祖源人群的研究,需要采用既能考虑全基因组祖源,又能在必要时考虑各染色体片段祖源的方法。原住民及其他社群在研究参与、数据访问和集体利益方面,也可能有各自的治理安排。
全基因组关联研究的数据会引发重大的数据隐私问题,因为遗传信息可用于识别身份、长期保持不变,并能揭示生物学亲属的相关信息。删除姓名并不会让基因组数据天然成为匿名数据。因此,个体层面的数据通常通过受控访问系统提供,并对使用、安全保障和再分发作出规定。汇总统计数据有助于研究结果的可重复性,也便于科研界广泛复用,但其中一些数据在发布前也需要评估信息泄露风险。知情同意框架必须涵盖数据存储、二次分析、与健康记录的关联,以及未来研究问题可能不同于招募时预期问题的情形。
可重复性有赖于清晰的表型定义、透明的纳入标准、完整的质量控制报告,以及对变异和效应等位基因的一致描述。公开的关联目录和数据存储库便于比较研究发现,但目录中的一条记录,并不意味着与之相关的每一种生物学解释都得到了独立验证。仍待解决的方法学挑战包括:如何可靠地分析结构变异、基因组重复区域、罕见等位基因、性染色体、交互作用,以及整个生命历程中不断变化的表型。随着生物样本库规模扩大、样本特征得到更深入的刻画,研究瓶颈正日益从检测统计信号,转向确定该信号在特定生物学、人群和环境背景下的含义。