aiwiki.page
中文
科学 / 生物 / genotype-environment-interaction

基因型与环境互作

基因型与环境互作是指遗传差异在不同环境条件下产生不同表型效应的现象。

32 个关键词5 个词条链接到这里6 个尚未撰写AI 撰写
基因型表型遗传学等位基因表型可塑性基因表达转录因子酶基因型与环…

当基因型对表型的影响取决于环境条件时,就会发生基因型与环境互作;等价地说,同一环境对不同基因型的影响有所不同,也属于这种互作。例如,两个作物品种对供水条件的反应可能不同:一个品种在灌溉条件下产量更高,另一个则在干旱条件下表现更好。即使没有出现这种优劣逆转,互作也可能存在:两个品种都因灌溉而受益,但受益程度不同。

这一概念在遗传学中居于核心地位,因为遗传差异通常不会脱离发育状况和环境条件而产生固定不变的结果。温度、营养、病原体、化学物质暴露、社会条件以及许多其他因素,都可能改变遗传变异的表达或其后果。因此,基因型与环境互作将分子机制与生物个体发育、进化变化、农业生产表现及人类健康联系起来。

生物学上的互作与其统计表征之间存在一个重要区别。分子层面的依赖关系可能具有生物学意义,却不一定在所有测量尺度上都表现为交互项;反过来,统计上的交互作用也不一定能指向某种特定的分子机制。因此,要理解基因型与环境互作,就必须明确界定所研究的性状、所比较的遗传差异、环境暴露以及分析尺度。

概念基础与历史发展

基因型与环境的交互作用对一种简单的划分方式提出了挑战:不能总将表型差异归因于各自独立起作用的遗传因素和环境因素。遗传和环境的影响可以同时存在,却并不发生交互作用:如果温度变化使每种基因型的生长量都增加相同的数值,那么在这一生长量度上,两者的效应就是相加的。当温度对不同基因型的影响不同时,交互作用便出现了。交互作用关注的是响应之间的差异,而不仅仅是生物体的发育既需要基因、也需要适宜环境这一事实。

“基因型”的具体含义取决于研究内容。它可以指单个等位基因的不同形式、多个基因座上的变异组合、某个作物栽培品种、某个实验室近交品系,或一个生物体完整的遗传组成。同样,“环境”既可以指温度这样受到严格控制的变量,也可以指某一年某处农场所在地这样的综合条件。环境也可以是内部环境:激素状况、母体的生理状态或周围的细胞环境,都可能改变遗传效应。

20世纪初,遗传学界逐渐认识到,遗传效应取决于发育条件。1909年,理查德·沃尔特雷克通过研究水蚤中随环境而变化的性状,提出了“反应规范”一词。威廉·约翰森对基因型与表型的区分,有助于阐明为什么不能将观察到的性状直接等同于遗传组成。此后,兰斯洛特·霍格本强调,当遗传和环境的效应相互依赖时,很难把它们视为可以分离的原因。

植物生态学中形成了一条影响尤为深远的实验研究传统。延斯·克劳森、戴维·凯克和威廉·海西将植物移栽到海拔和气候不同的地点。他们于1940年发表了有关不同环境对北美西部植物影响的研究,展示了如何将遗传分化与环境响应能力结合起来考察。不同来源的植物在移栽后,并不会简单地趋于相同的外观,也不会在所有地方都保持完全相同的表型。

在数量遗传学中,罗纳德·费希尔于1918年所作的分析,为理解复杂性状的变异建立了一个影响深远的框架。后续研究进一步发展出明确处理环境依赖性的方法。1952年,道格拉斯·法尔科纳提出,可将在不同环境中测得的同一性状视为彼此不同、但在遗传上相关的性状。这种方法至今仍然有用,因为它把“某一基因型在不同环境中的表现是否一致?”这一问题,转化为这些环境中的表现之间具有何种遗传关系的问题。

农业领域使用“基因型与环境的交互作用”这一表述时,往往侧重于比较不同品种、畜禽品种或家系在不同地点和管理条件下的表现。在人类研究中,“基因与环境的交互作用”则常指所测定的遗传变异与环境暴露之间的交互作用。这些研究传统在开展实验的条件和术语上有所不同,但探讨的基本问题相同:遗传效应如何依赖于具体的环境背景。

反应规范、交叉互作与测量尺度

反应规范描述某一基因型在特定环境范围内能够产生的表型。它可以用一条曲线来表示,将温度等环境变量与生长速率等性状联系起来。反应规范并不是对所有可能表型的无限罗列,而是相对于所研究的环境、发育阶段和结果来界定的。

假设两种基因型的性状期望值分别为

m1(E)=a1+b1E,m2(E)=a2+b2E.m_1(E)=a_1+b_1E,\qquad m_2(E)=a_2+b_2E.

如果 b1=b2b_1=b_2,它们的反应规范曲线相互平行,在这一线性测量尺度上不存在互作。它们的平均性状值可以不同,但环境效应完全相同。如果 b1≠b2b_1\neq b_2,则它们对环境的敏感性不同,因而存在互作。实际的反应规范往往是非线性的,尤其是在接近生理极限时,因此敏感性本身也可能沿环境梯度发生变化。

通常会区分幅度互作与交叉互作。在幅度互作中,各基因型的排序保持不变,但彼此之间的差距大小会发生变化。在交叉互作中,排序则会逆转。以一个假设的产量例子来说,在有利条件下,品种A的产量可能为每公顷8吨,品种B为每公顷6吨;而在干旱条件下,两者的产量则分别为每公顷3吨和4吨。互作对比为

(8−6)−(3−4)=3 tonnes per hectare.(8-6)-(3-4)=3\ \text{tonnes per hectare}.

这些示例数值表达了两种环境下遗传效应的差异。交叉互作在育种中尤为重要,因为没有哪个品种在这两种环境下都是最优的。

互作在一定程度上取决于结果变量的尺度。设有两种基因型,其预期大小从一种环境到另一种环境都翻了一番:一种从2个单位变为4个单位,另一种从4个单位变为8个单位。在原始尺度上,两者的增量不同,但它们的变化比例相同。在对数尺度上,环境变化引起的改变量相等。因此,经过适当变换,统计上的互作可能会消失。然而,对同一结果变量进行严格单调递增变换,并不能消除真正的排序逆转。

对于疾病是否发生等二元结果,加法互作和乘法互作是不同的概念。加法互作关注的是对风险差之和的偏离;乘法互作关注的是对相对风险乘积的偏离。逻辑回归中的乘积项检验的是比值比尺度上的互作,并不意味着也检验了绝对风险尺度上的互作。因此,如果不明确所用的尺度和统计模型,“不存在互作”这一表述就是不完整的。

表型可塑性与此密切相关,但并不相同。可塑性是指一种基因型在不同环境中产生不同表型的能力。如果所有基因型的反应都相同,就存在可塑性,但不存在基因型与环境互作。互作表明,对环境的反应存在遗传差异。此外,这些反应未必有益:环境诱导的变化可能改善表现,也可能几乎不产生功能上的影响,或者反映生理损伤。

分子与发育机制

从DNA序列到生物体性状,几乎每个环节都可能受到环境的影响。外界信号可能改变基因表达、影响蛋白质的稳定性、改变代谢需求,或使某种分子差异在发育过程中产生不同的后果。因此,统计上观察到的基因型与环境交互效应,并不对应某一种特定的生化事件。生物体层面相似的模式可能由不同机制产生,而同一种机制也可能影响多个性状。

调控变异提供了一条直接途径。环境信号通过受体和信号通路改变转录因子的活性。如果遗传变异影响了这些因子所结合的识别序列,那么在通路未激活时,这些变异可能几乎没有影响,但在受到刺激后却可能产生显著效应。例如,在静息免疫细胞中检测到的调控变异,在炎症信号刺激后未必具有相同的效应。因此,遗传因素对基因表达的影响可能只在特定细胞类型、特定刺激条件或暴露后的特定时间段内出现。

蛋白质的性质提供了另一种机制。某种变异对蛋白质折叠、催化活性或稳定性的影响,可能随温度而变化。暹罗猫的温度敏感性色素沉着就是一个常见的例子:影响酪氨酸酶活性的变异,使温度较低的身体部位比温度较高的部位产生更多色素。这说明,同一生物体内部的环境梯度也能改变遗传变异的表型效应。对于温度敏感性不同的基因型,同样的温度梯度可能引起不同的色素沉着反应。

环境条件也会改变特定代谢通路的重要性。如果某种营养物质供应充足,其合成能力上的小幅差异可能影响甚微;而供应匮乏时,这些差异的影响就可能显现。反过来,膳食中某种底物大量存在时,也可能暴露出机体分解该底物的能力限制。表型不仅取决于变异对酶的影响,还取决于底物供应、替代通路、物质转运以及生理补偿。这些依赖关系有助于解释,为什么某种变异的可测效应在一种营养条件下很大,在另一种条件下却很小。

发育过程又引入了时间维度。胚胎发育期间的某种暴露可能产生特定后果,而成年后同样的暴露则不会。遗传变异可以改变这些敏感期的起始时间、持续时长或反应程度。母体状况可通过营养供给、激素或子宫环境影响后代发育,因此必须区分后代自身基因型的影响与母体遗传及环境因素的影响。

染色质和DNA甲基化的变化可以参与响应环境的调控过程,但基因型与环境交互作用并不一定需要表观遗传机制。同样,仅凭与环境相关的表观遗传差异,也不能证明存在交互作用;必须有证据表明,不同基因型的反应有所不同。对微生物组也应保持类似的谨慎:微生物群落能够改变宿主对饮食或感染的反应,但它们可能是所测宿主表型的原因、结果,也可能只是与该表型相关的特征。

实验设计与环境表征

最清晰的实验策略是将多个基因型与多种环境交叉组合。在析因设计中,每个基因型都在每种环境条件下接受测试,从而可以分别估计遗传效应、环境效应及其交互作用。在各个基因型与环境组合内设置重复,对于区分可重复的响应模式与个体变异及测量误差至关重要。将实验单位随机分配至各处理,可减少与预定环境对比无关的系统性差异。

植物、微生物和某些实验动物尤其适合这类研究,因为可以对遗传组成相同或近乎相同的材料进行重复测试。利用克隆植物、近交系和微生物分离株,可以使相同的遗传背景接受多种条件的检验。单个生物体通常无法经历彼此互斥的发育历程,因此,遗传组成匹配的重复个体提供了一种切实可行的近似办法。不过,仅有技术重复并不能替代独立的生物学重复。

共同园实验将不同来源的生物置于共同环境中。如果差异持续存在,就可为遗传分化提供支持,但要排除母体效应和前期环境的延续效应,可能还需要再繁育数代或设置专门的对照。交互移植实验则将生物在各自的原生环境之间相互移植。结合适当的重复设置,这种实验可以区分总体表现差异与特定环境下的优势。如果各地点在土壤、温度、竞争者和病原体等方面同时存在差异,那么这两种设计都无法自动确定起因果作用的环境变量。

农业多环境试验通常比较不同基因型在不同地点、年份和管理方式下的表现。其环境单位往往是地点与年份的组合,而非单一物理因素。这类试验能提供有关现实条件下表现的实用信息,但在解释结果时必须谨慎:“地点效应”可能综合了土壤性质、天气、病害压力、播种日期和管理措施等多种因素。还可以在这类试验中嵌入有意设置的处理,例如不同灌溉水平的对比,以分离出特定的响应。

环境表征往往与基因分型同样重要。季节平均气温可能掩盖花期的一次短暂高温事件;总降水量也未必能准确反映根系可利用的水量。暴露的强度、持续时间、发生时机和先后顺序都可能产生影响。如果没有将实验位置随机化,或未在模型中考虑位置效应,田间或生长室内的空间梯度也可能造成表面上的遗传差异。在发育研究中,如果不同基因型的成熟速率不同,测量时就应区分实际年龄与发育阶段。

人类研究通常无法复制完整的基因型,也不能将受试者随机分配至有害暴露条件。因此,这类研究依赖观察性队列、家系设计、自然实验或伦理上允许的干预。随机对照试验可以估计治疗效应是否因遗传组别而异,但交互作用分析仍然需要足够的样本量和预先设定的比较。不同遗传组别在祖源、暴露史或其他特征上可能存在差异,因此,仅按基因型划分参与者本身并不能确立因果机制。

定量模型、方差与统计推断

对于基因型 ii 在环境 jj 中第 kk 次重复测量所得的性状值,一个基本模型为:

Yijk=μ+Gi+Ej+(GE)ij+εijk.Y_{ijk}=\mu+G_i+E_j+(GE)_{ij}+\varepsilon_{ijk}.

其中,μ\mu 为总体均值,GiG_i 为基因型效应,EjE_j 为环境效应,(GE)ij(GE)_{ij} 为二者的互作效应,εijk\varepsilon_{ijk} 为残差变异。各项的含义取决于抽样设计以及为使模型可识别而施加的约束。当推断针对某些特定的基因型或环境水平时,可将其视为固定效应;当它们代表从更广泛总体中抽取的样本时,则可将其视为随机效应。

在适当的假设下,表型方差可分解为遗传、环境、互作和残差分量。这些分量是特定群体和环境分布的属性,而非该性状的普适常数。如果基因型与暴露因素相关,可能需要加入额外的协方差项,或采用更明确的因果模型。环境方差大并不意味着互作方差也大;某种互作即使在一个范围有限的亚群中十分重要,也未必能解释整个群体中很大比例的方差。

相应地,遗传率也依赖于环境。遗传方差和残差方差可能随环境而变化,因此,表型方差中归因于遗传差异的比例也可能改变。某一群体中的高遗传率并不能证明性状不随环境变化,也不能衡量性状在多大程度上难以通过干预改变。必须明确所采用的分母、遗传分量、研究群体和测量条件。

对于连续的环境梯度,随机回归模型可以描述个体在遗传层面上的响应:

Yij=μ+ai+biEj+εij.Y_{ij}=\mu+a_i+b_iE_j+\varepsilon_{ij}.

在这一线性模型中,bib_i 的方差衡量敏感性的遗传变异,而 aia_i 与 bib_i 的协方差则描述基线表现与响应之间的关系。更灵活的模型可纳入曲率、阈值或多个环境协变量。对环境变量进行中心化会改变截距的含义及其与斜率的协方差,但不会改变拟合得到的反应规范。

另一种策略是将各环境中的表现视为不同的性状,并估计它们之间的遗传相关。相关系数小于1,表明遗传效应在不同环境间并非完全成比例。较低或负的相关系数可能意味着基因型排序发生了较大变化。相关系数为1也不能排除所有互作,因为即使遗传值的排序和比例关系保持不变,其离散程度仍可能随环境而异。

互作检验的统计功效往往有限,尤其是在某种暴露较罕见、测量不够精确,或在各基因型组中分布不均衡时。大量的遗传变异—暴露组合检验还会带来多重检验问题。因此,可靠的推断需要依据效应量、置信区间、模型诊断和独立重复验证,而不能仅依赖显著性阈值。采用不同尺度或不同暴露定义的检验回答的是不同问题,不应将它们视为对同一结果可相互替代的验证。

进化、局部适应与环境变化

基因型与环境互作会影响进化,因为选择作用于实际表达的表型,而这些表型取决于环境条件。在一种生境中占优势的基因型,在其他生境中可能处于劣势。当互作涉及存活或繁殖成功时,它可以直接改变自然选择的方向和强度。形态或生理性状上的互作,则通过其与这些适合度组分的关系产生进化意义。

研究者常通过比较不同生境中的本地种群与外来种群来研究局部适应。要获得有力证据,需要通过恰当的比较,证明本地种群在各自的环境中具有适合度优势。某种基因型若在所有环境中都表现良好,体现的可能是普遍较强的生活力,而非局部适应。反过来,即使叶形或生长速率表现出明显的互作,也不足以证明存在适应,除非这种响应与相关条件下的存活或繁殖有关。

随空间而变化的选择有助于维持遗传多样性,但环境差异并不必然带来这一结果。不同的等位基因能否持续共存,取决于迁移、种群结构、显性关系、生境分布以及繁殖贡献的调节方式。基因流可以引入有益的变异,但也可能不断引入不适合当地条件的等位基因。迁移与选择之间的平衡决定了分化能否维持。

时间上的变化带来了另一类问题。某种基因型在有利年份中表现极佳,却在不利年份中表现不佳,其长期成功程度可能反而低于表现更稳定的基因型。在简单的种群增长乘法模型中,长期成功取决于适合度的几何平均值,而非算术平均值。因此,环境变化的先后次序以及不同生活史阶段之间的相关性,都可能改变哪些反应规范更受选择青睐。这类模型也说明了为什么仅看平均表现可能产生误导。

当环境线索能够可靠地预示影响适合度的条件时,可塑性就可能演化出来。例如,日照时长的季节性变化可以提供有关未来温度或资源可用性的信息。选择可能偏向对这类线索具有不同敏感性的个体,从而形成反应规范的遗传变异。可塑性的限制因素包括信息不完全、发育约束,以及维持或启用响应机制可能产生的成本。这些成本是否存在,需要通过实证研究确定,并非可塑性必然带来的后果。

气候变化使这些问题具有重要的现实意义,因为未来环境可能不同于种群演化形成时所处的环境,也可能不同于对种群进行测试时的环境。平均温度的变化伴随着极端条件、季节性、水资源可用性及物种相互作用的改变。在现有环境范围内测得的响应,未必能外推至生理阈值之外。因此,预测进化既需要估计响应中的遗传变异,也需要对环境变化作出切合实际的描述;仅凭在狭窄实验范围内观察到的互作,无法确定未来的适应能力。

作物改良、动物育种与生产系统

基因型与环境互作是育种中的核心问题,因为选择的目标是获得在实际应用条件下表现良好的基因型。在水分充足的试验站选出的栽培品种,在遭遇间歇性干旱、养分受限或不同病害压力的农场中,未必仍有优势。因此,育种计划会界定一个目标环境群体,即与预期生产系统相关的地点、季节、管理措施和胁迫条件的分布范围。

广适性与专适性的区别便源于这一目标。广适性品种在多种环境中都能保持良好的表现,而专适性品种则在较窄的环境范围内表现突出。这两种策略并无孰优孰劣之分。其价值取决于环境差异的可预测程度、分区域推广不同品种的可行性,以及表现不佳所造成的经济后果。交叉型互作意味着最优基因型会随环境而变化,因此分区域提出品种推荐尤为重要。

经典的稳定性分析方法可量化表现的不同方面。Finlay和Wilkinson于1963年提出的方法,将品种表现与根据试验均值构建的环境指数联系起来。Eberhart和Russell于1966年提出的框架则进一步考虑了回归离差。这些方法区分了品种对环境的平均响应程度,以及简单环境梯度无法解释的偏离。不过,根据试验表现构建的指数本身并不是对降雨量、土壤质量或其他具有因果作用的环境变量的直接测量。

较新的分析方法包括加性主效应与乘性互作模型(通常称为AMMI),以及基因型主效应加基因型与环境互作效应分析(简称GGE分析)。这些方法通过低维表示概括试验数据表中的模式。混合模型则可以纳入重复次数不等、观测值缺失、田间空间变异以及参试材料之间的遗传关系。可视化概览有助于探索试验数据的结构,但解读其中呈现的分组时,必须考虑不确定性和实际抽样的环境。

在动物育种中,不同生产系统、气候、日粮或疫病环境之间都可能出现互作。在高投入与较低投入系统中,按产奶量、生长或繁殖力评定的遗传优劣排序可能不同。热应激也会改变生产表现,并使热敏感性方面的遗传差异显现出来。由于动物所经历的条件可能随时间变化,反应规范模型可以将重复测得的生产性能记录与环境指标联系起来,同时考虑年龄、管理和亲缘关系的影响。

基因组选择利用全基因组标记预测育种值及对环境的响应,从而拓展了这些分析。能够在代表性环境之间建立亲缘基因型联系的训练数据尤其有价值。模型或许能预测熟悉条件下的表现,却无法应对新的胁迫组合或遗传差异较大的群体。因此,其农业应用价值取决于在相关地点和季节开展的验证,而不仅仅是将现有数据集随机划分后计算出的准确度。

人类健康、暴露依赖性与因果解释

在人类健康领域,基因型—环境交互作用关注的是:同一种暴露所造成的后果,是否会因遗传变异而有所不同。暴露因素包括饮食、感染性病原体、药物、污染物以及社会环境的某些方面。这一概念并不意味着某种疾病完全由遗传或环境决定,而是描述取决于特定条件的效应;这些效应往往处于一个更为庞大的发育、行为和生理影响网络之中。

苯丙酮尿症是一个已得到充分证实的例子,说明遗传决定的代谢功能与饮食之间存在依赖关系。影响苯丙氨酸羟化酶的致病变异会减少苯丙氨酸向酪氨酸的转化。由此产生的后果取决于苯丙氨酸暴露,包括经饮食摄入的苯丙氨酸。这种疾病说明,即使遗传效应很大,也不意味着表型的形成独立于环境条件。与某个标记和宽泛饮食类别之间的一般统计关联相比,这一疾病的生化机制更为明确具体。

乳糜泻体现了遗传性免疫易感性与一种明确的饮食暴露之间的交互作用。特定的 HLA-DQ 分子,尤其是与 HLA-DQ2 或 HLA-DQ8 相关的分子,有助于呈递来源于麸质的肽。这些分子属于主要组织相容性复合体。与乳糜泻的患病率相比,易感性相关 HLA 型别在人群中较为常见,仅凭这些型别不足以决定疾病是否发生。因此,这个例子既涉及一种在机制上具有重要作用的暴露因素,也涉及一种效应显著、但本身并不能决定个体是否发病的遗传因素。

着色性干皮病提供了另一个明确的联系。在这种疾病的许多类型中,致病变异会损害核苷酸切除修复功能;这一通路负责清除某些类型的脱氧核糖核酸损伤。紫外线辐射会造成损伤,而当相关修复机制存在缺陷时,这些损伤的后果尤其严重。在这里,环境因素、分子损伤和遗传性修复缺陷之间可以建立直接联系。在证据层面,这与致病变异及相关暴露机制均尚未确定的观察性交互作用有所不同。

人群研究中的一个主要复杂因素是基因—环境相关。受遗传影响的特征可能影响个体的暴露情况,父母的基因型也可能同时影响子女所继承的基因和所处的环境。这种相关在概念上不同于交互作用:相关关注人们会经历哪些环境,而交互作用关注环境效应是否因基因型而异。两者可以同时存在,若不加以区分,就可能导致错误的因果解释。

人类交互作用研究还面临群体结构、暴露错误分类、选择偏倚以及大量检验带来的负担。早期的一些候选基因研究结果,尤其是涉及复杂行为结局和宽泛定义的逆境的研究结果,未能在重复研究中得到一致验证。要作出可靠的解释,必须有与所提主张相匹配的证据,包括足够的样本量、可重复使用的暴露定义,以及重复研究的验证。即使某种人群层面的交互作用获得了充分证据支持,仅凭这一点,也无法准确预测个体的预后,或证明按遗传特征分层实施干预能够改善结局。

全基因组分析与预测的局限

现代基因组学方法使研究者能够在全基因组范围内研究遗传效应对环境的依赖性,而不再局限于选定的候选位点。全基因组关联研究可以纳入遗传变异与暴露因素的交互项,也可以比较不同环境分层中的遗传效应。这类分析可能发现一些遗传变异:其效应在整个样本中取平均时较弱,但在特定条件下却相当显著。它们还可以检验,看似稳定的平均关联是否掩盖了不同人群或情境之间的异质性。

在分子层面,表达数量性状位点研究将遗传变异与RNA丰度的差异联系起来。在不同组织、发育阶段或实验处理条件下重复开展这类研究,可以识别依赖于具体情境的调控效应。例如,某个变异可能仅在免疫刺激后才影响基因表达,也可能在不同细胞类型中影响不同的基因。RNA测序及相关检测技术能够广泛测量这些响应,但仍需区分观察到的表达变化究竟源于表达本身的改变,还是不同细胞群体所占比例的变化。

扰动实验有助于从关联走向机制。在实验控制环境条件的同时,可以通过基因组编辑引入或改变某个候选变异。随后,将编辑后的基因型与暴露条件进行析因组合,即可检验该变异是否改变了对暴露的响应。这类实验功能强大,但其适用范围受模型系统限制:培养细胞中的响应未必能够重现个体层面的生理过程、发育历程或组织间的相互作用。

对于由大量基因共同影响的性状,单个交互效应可能过小,难以可靠估计。因此,模型可以转而考察总体遗传方差或多基因评分的表现是否随环境而变化。进行此类分析需要格外谨慎,因为评分会反映构建时所用的人群、暴露分布和统计方法。不同情境下预测准确性的差异,除了生物学交互作用外,还可能来自许多其他因素,包括等位基因频率差异、测量差异,以及遗传变异之间相关性的变化。

机器学习方法能够表征非线性响应,以及基因组和环境预测变量的高维组合。但这种灵活性并不意味着它们能够自动确立因果关系或进行可靠的外推。如果训练集和测试集中都包含亲缘关系密切的个体、重复测量数据或几乎相同的环境,将观测数据随机分配到这两个集合可能会高估模型的表现。将某些地点、年份、家系或暴露范围的全部数据留作测试,可以更严格地评估模型执行预期预测任务的能力。

一个持续存在的难题是:基因组测量十分详尽,而环境测量却并不完整,两者之间存在不匹配。个体一生中的暴露在发生时间、强度和组合方式上各不相同,但许多研究仅记录了少数时间点的情况。另一个难题是,如何区分遗传效应的真实变化与结局变异程度或测量尺度的变化。要取得进展,需要整合经过细致表征的暴露因素、明确的生物学假设、结构恰当的统计模型,以及能够在新条件下检验所预测响应的独立实验。