{
  "id": "heritability",
  "title": "遗传力",
  "lang": "zh-Hans",
  "source_lang": "en",
  "summary": "遗传力衡量在特定种群和环境中，某一性状的变异可归因于遗传差异的比例。",
  "category": "science",
  "subcategory": "biology",
  "type": "concept",
  "aliases": [
    "遗传率",
    "遗传度"
  ],
  "generated_at": "2026-11-03",
  "model": "pro/gpt-6.1-sol",
  "url": "https://aiwiki.page/zh/heritability/",
  "translations": {
    "en": {
      "url": "https://aiwiki.page/en/heritability/",
      "json": "https://aiwiki.page/en/heritability.json"
    }
  },
  "sections": [
    {
      "heading": "",
      "text": "遗传力是遗传学中一个种群层面的统计量，用于描述某一性状的观测变异在统计上有多大比例可归因于个体间的遗传差异。它针对的是特定的表型、种群、环境条件和测量方法。遗传力并不衡量某个个体的性状有多少是“由基因造成的”，也不表明该性状能否改变。\n\n这一概念在动植物育种、进化生物学和人类变异研究中具有核心地位。不同形式的遗传力区分了全部遗传差异的贡献与能够以可预测的方式从亲代传递给子代的遗传效应的贡献。遗传力估计值来自育种实验、亲属间比较，以及对实测基因组变异的分析。解释这些估计值时，需要关注环境变异、亲缘关系、统计假设，以及解释种群中的差异与预测个体结果之间的区别。"
    },
    {
      "heading": "概念起源与历史发展",
      "text": "遗传率所要解答的问题，早在这个术语出现之前就已存在：亲属彼此相似，但相似程度因性状和所处条件而异。19世纪的遗传研究既涉及差异分明的性状，也涉及身高这类连续变化的测量指标。格雷戈尔·孟德尔通过发表于1866年的实验论证了颗粒遗传，而弗朗西斯·高尔顿则研究了亲属间的相似性，并提出了向均值回归的概念。然而，无论是家族相似性还是回归现象，单凭其中任何一项，都无法将遗传效应与共同生活条件的影响区分开来。\n\n罗纳德·A.费希尔于1918年发表的论文探讨了孟德尔遗传模式下亲属间的相关性，在理论上建立了一个关键联系。费希尔阐明，许多各自遵循孟德尔定律的遗传因子，如何能够共同产生呈连续分布的性状。他的分析有助于将孟德尔遗传学与研究变异的生物统计学相统一。由此形成的理论框架不再把连续遗传视为与颗粒遗传相对立的另一种机制，而是用多个基因座与环境影响的共同作用来解释它。\n\n20世纪30至40年代，休厄尔·赖特和杰伊·L.拉什等研究者发展并应用了一套统计框架，这套框架后来形成了数量遗传学。拉什在家畜育种方面的研究，使区分可传递给后代的遗传优势与造成相似性的其他因素显得尤为重要。育种者不仅需要识别表现出色的个体，还需要预测其后代是否同样表现良好。某个个体的优异表现，可能部分源于良好的饲养条件、显性效应，或无法完整传递给后代的基因组合。\n\n因此，数量遗传学是围绕种群内部差异的分析发展起来的。其核心统计量包括均值、方差、协方差以及对选择的预期响应。这种研究方法不同于寻找导致某种可识别遗传性状况的特定基因。一种性状即使涉及数千种遗传变异，在统计模型下仍然可以具有明确定义的遗传率。反过来，仅仅知道某种遗传机制，也不足以确定种群层面的遗传率数值。\n\n遗传研究与优生学之间的历史联系，对理解遗传率同样重要。遗传学主张曾被用于支持强制性社会政策，其中往往混淆了家族相似性与遗传因果关系，或将种群统计量视为个人和社会群体的固定属性。现代数量遗传学明确区分这些问题：估计抽样种群内部的变异，并不能确定种群之间差异的成因，不能判定个人的价值，也不能为某项政治政策提供科学依据。"
    },
    {
      "heading": "方差组分与主要定义",
      "text": "遗传力通常表示为方差之比。对于数量表型 \\(P\\)，一个简单模型将其相对于种群均值的偏差写成遗传组分 \\(G\\) 与环境组分 \\(E\\) 之和：\n\n\\[P=G+E.\\]\n\n这里的“环境”是一个统计学范畴，并不只是气候、养育方式或外部环境的同义词。根据模型的不同，它可以包括营养、暴露因素、发育变异、未测量的生物学过程以及测量误差。遗传组分描述的是所分析种群中与遗传组成有关的差异。\n\n如果遗传组分与环境组分不相关，则表型方差为\n\n\\[V_P=V_G+V_E.\\]\n\n此时，广义遗传力为\n\n\\[H^2=\\frac{V_G}{V_P}.\\]\n\n这一数值涵盖了 \\(V_G\\) 所表示的全部遗传贡献。它通常尤其适用于以遗传组成相同的生物个体作为重复的实验，例如使用近交系或无性繁殖植物的实验。如果遗传组成相同的重复个体在表型上存在差异，这些差异就有助于估计实验条件下的非遗传变异。此类实验仍需设置适当的重复、将实验对象合理分配到不同环境中，并控制空间或时间效应。\n\n遗传方差还可以进一步分解为：\n\n\\[V_G=V_A+V_D+V_I,\\]\n\n其中，\\(V_A\\) 为加性遗传方差，\\(V_D\\) 为显性方差，\\(V_I\\) 表示基因座间的互作方差。显性涉及同一基因座上等位基因之间的相互作用；上位性则涉及不同基因座之间的相互作用。狭义遗传力为\n\n\\[h^2=\\frac{V_A}{V_P}.\\]\n\n加性组分表示育种值的变异；育种值是个体所携带的遗传等位基因在该种群中的平均效应之和。“加性”并不要求每一个分子过程都独立运作。平均效应是一种统计量，取决于等位基因频率及其所处的遗传背景。因此，生物学上的相互作用也可能对加性方差有所贡献。\n\n区分 \\(H^2\\) 与 \\(h^2\\) 至关重要，因为总体的遗传相似性并不等同于通过有性生殖可预测地传递给后代的部分。重组和分离会改变等位基因的组合，而平均加性效应则是预测短期选择响应的标准依据。在有效的非负方差组分模型下，这两个比值都介于零与一之间。不过，如果估计过程不受约束，抽样仍可能产生超出这一范围的估计值；这种结果表明存在不确定性或模型不充分，而不是说生物学上存在负的遗传。\n\n更复杂的模型还会加入母体效应、永久环境效应、性别特异性效应或其他组分。只有先明确这些组分的定义，才能解释数值估计的含义。如果没有说明分子采用的是哪一种遗传方差、测量的是何种表型，以及分母包含哪些变异来源，那么仅仅报告“遗传力为0.5”是不完整的。"
    },
    {
      "heading": "对群体、环境和测量的依赖",
      "text": "遗传力并非性状固有的常数。遗传方差或非遗传方差发生变化时，遗传力也会改变。假设某群体的加性遗传方差为 \\(40\\)，环境方差为 \\(60\\)，不存在其他方差组分，那么其狭义遗传力为 \\(0.40\\)。如果环境方差降至 \\(10\\)，而加性遗传方差仍为 \\(40\\)，遗传力就变为 \\(0.80\\)。这并不需要基因在生物学上的重要性有所增加，只是分母发生了变化。\n\n因此，环境的一致性往往会提高遗传力，而环境的异质性则可能降低遗传力。如果环境变化使原先未表现出来的遗传差异得以显现，也可能出现相反的情况。遗传变异还会因选择、迁移、近交和遗传漂变而改变。因此，即使两个群体处于完全相同的条件下，也可能因等位基因频率不同而具有不同的遗传力。即便在同一群体内，年龄、性别、季节和发育阶段也会改变相关的方差组分。\n\n更一般的方差表达式还包含基因型与环境之间的协方差：\n\n\\[V_P=V_G+V_E+2\\operatorname{Cov}(G,E).\\]\n\n当遗传差异与所接触环境的差异存在关联时，就会出现基因–环境相关。父母可能在传递等位基因的同时，也提供与自身受遗传影响的特征相关的环境。个体还可能引发他人的某些反应，或部分依据自身特征选择环境。这些过程使我们难以将遗传和环境简单划分为彼此独立起作用的原因。估计出的遗传组分是否包含这类通过中介途径产生的作用，取决于研究设计和待估参数。\n\n基因–环境交互作用则有所不同：与某一基因型相关的效应取决于环境条件。不同作物品种在灌溉条件下的产量可能不同，但在干旱条件下表现相近，也可能出现产量排名逆转。模型可以通过加入 \\(G\\times E\\) 项来表示这种交互作用，但其解释取决于如何对环境进行抽样和测量。交互作用会使遗传方差随环境而变化，从而限制将试验站获得的遗传力估计值应用于农户田间的可行性。\n\n测量同样重要。随机测量误差通常会增大残差方差，降低遗传力的估计值。对重复观测值取平均可以减少这部分影响，使个体平均表现的遗传力高于单次观测值的遗传力。改变测量尺度也可能改变结果：原始浓度的遗传力不一定等于其对数值的遗传力。体质指数这类比值，以及是否达到疾病诊断阈值这类表型，在统计学上都不同于构成它们的各项测量指标。\n\n这些依赖关系解释了为什么较高的遗传力可以与环境变化所引起的群体均值大幅变动并存。二十世纪，许多人群的平均身高随着营养、疾病负担和生活条件的变化而增加。这些变化与遗传因素对特定出生队列内个体身高差异的重要贡献并不矛盾。描述均值周围变异的统计量，本身并不能揭示均值变化的原因。"
    },
    {
      "heading": "利用亲属、双生子和育种设计进行估计",
      "text": "传统的估计方法利用亲属间预期的遗传相似性。在假定随机交配、不存在相关的共同环境协方差，并采用其他简化假设的加性模型下，亲本与子代之间的协方差为 \\(\\tfrac12 V_A\\)。因此，子代表型对单个亲本表型的回归斜率为 \\(\\tfrac12 h^2\\)。如果将子代表型对双亲均值（即两个亲本表型的平均值）进行回归，相应的斜率则为 \\(h^2\\)。这些结果取决于模型假设，并不是家系数据普遍具有的性质。\n\n不同亲属关系提供的信息各不相同。同父异母的半同胞平均共享四分之一的加性遗传变异，因此在标准假设下，其预期协方差为 \\(\\tfrac14 V_A\\)。全同胞预期共享二分之一的加性效应和四分之一的显性效应；他们还可能共享产前环境、家庭环境或养育环境。受控育种设计通过将后代分配到不同亲本组合和不同环境中，来区分这些变异来源。在植物研究中，同一基因型的重复个体、杂交和多世代系谱还提供了更多实验选择。\n\n双生子研究将同卵双生子与异卵双生子进行比较：同卵双生子几乎共享全部遗传而来的核 DNA 序列变异，而异卵双生子的预期加性遗传亲缘度与普通全同胞相同。在简单的 ACE 模型中，表型方差被划分为加性遗传效应 \\(A\\)、共同环境效应 \\(C\\) 和非共同环境效应 \\(E\\)。如果将方差标准化为一，双生子间的预期相关系数为\n\n\\[r_{\\mathrm{MZ}}=A+C,\\qquad r_{\\mathrm{DZ}}=\\tfrac12 A+C.\\]\n\n常见的近似公式 \\(h^2=2(r_{\\mathrm{MZ}}-r_{\\mathrm{DZ}})\\) 就是由这些假设推导而来的。\n\n双生子研究的估计依赖于等环境假设：与表型有关的环境影响，不得以一种会被误归因于遗传效应的方式，使同卵双生子表现出更高的相似性。其他复杂因素包括选型交配、产前差异、同胞间的相互作用，以及非加性遗传效应。如果只有标准的同卵与异卵双生子比较数据，而没有额外信息，通常无法同时对共同环境组分和显性组分进行自由估计。非共同环境组分还包含测量误差，并不直接等同于个体各自经历的事件的总和。\n\n收养研究和扩展系谱能够提供互补的比较，但需要注意收养安置、产前影响和选择性参与等问题。现代系谱分析经常使用“动物模型”，这是一种统计混合模型，其中预期的加性协方差由亲缘关系矩阵确定。这类模型可以纳入重复记录、多个世代、母体效应和共同养育环境。其效用取决于系谱与抽样设计是否包含足够的独立信息，以区分所提出的各个组分。如果遗传亲缘关系仍与环境相似性高度一致，增加观测数量并不能自动消除混杂。"
    },
    {
      "heading": "基于实测基因组变异的估计",
      "text": "基因组方法利用观测到的整个基因组中的变异来估计遗传因素的贡献，而不是仅依赖家系记录。一种常见方法是根据大量单核苷酸多态性（SNP）构建基因组亲缘关系矩阵。名义上没有亲缘关系的个体之间，基因组相似程度仍存在细微差异。如果基因组越相似的个体对，其表型也往往越相似，就可以利用混合模型估计与实测标记相关的方差。2010年，杨剑及其同事利用常见SNP数据，以人类身高为例展示了这种方法。\n\n由此得到的量通常称为SNP遗传力。它衡量的是在给定模型下，可归因于所分析变异捕获的加性效应的表型方差。它不一定等同于总的狭义遗传力。基因分型芯片可能无法充分捕获罕见变异、结构变异，或与已分型标记相关性较弱的变异。连锁不平衡使实测标记能够捕获附近未测定变异的效应，但这种标记作用并不完全，而且在不同基因组区域和不同群体之间有所差异。\n\n还可以使用全基因组关联研究的汇总统计量。布伦丹·布利克-沙利文及其同事于2015年提出的LD分数回归，将关联检验统计量与各标记所标记的变异量联系起来。在其假设成立的条件下，这种关系有助于估计SNP遗传力，并评估混杂因素的贡献。相关方法还可估计不同性状之间共有的遗传效应。这些方法的表现取决于样本构成、遗传架构以及连锁不平衡参考数据的适用性等因素。\n\n缺失遗传力一词描述的是：某些家系研究设计推断出的遗传力，与特定基因组分析所能解释的方差之间存在差距。其中一个重要区别在于，比较涉及的究竟只是单独达到统计显著性的关联变异，还是联合建模的所有变异。成千上万个因效应过小而未能达到发现阈值的变异，合在一起可能解释相当可观的方差。其他可能的原因包括标记捕获不完全、罕见变异、非加性效应、表型定义的差异，以及基于家系或基因组的估计中存在的偏差。这种差距并不能证明存在某一种尚未发现的生物学机制。\n\n即使直接测量DNA，群体结构、亲缘关系和家庭环境仍然是需要考虑的因素。遗传祖源可能与地理位置和环境条件相关，从而产生并非由个体自身变异直接造成的关联。家系内分析利用亲属之间所继承等位基因的差异，可以减少某些形式的混杂。这类分析还可能区分直接效应与父母的间接遗传效应；后者有时称为“遗传教养”，指父母的基因型通过环境影响子代的结局。这类分析的统计功效通常较低，也不能摆脱所有假设；与常规的家系间分析相比，它们回答的是更为具体的问题。"
    },
    {
      "heading": "选择反应与育种实践",
      "text": "狭义遗传力尤其有用，因为它将观测到的选择与预期的世代间变化联系起来。最简单的育种者方程为：\n\n\\[R=h^2S,\\]\n\n其中，\\(S\\) 是选择差，即入选亲本的平均表型值与原始群体平均表型值之差；\\(R\\) 则是在可比条件下测量的子代平均值与原始群体平均值之间的预期差异。该方程描述的是短期预期，其成立需要若干假设，包括表型与育种值之间存在近似线性关系。\n\n例如，某家畜群体的平均体重为 \\(100\\) 个单位，入选亲本的平均体重为 \\(110\\)，则 \\(S=10\\)。若 \\(h^2=0.30\\)，预期选择反应就是 \\(3\\) 个单位。因此，预测的子代平均体重为 \\(103\\)，而不是 \\(110\\)。环境优势和无法传递给后代的基因组合，可能使入选亲本的表现优于其子代平均能够继承的水平。如果雄性和雌性受到的选择不同，就必须适当地合并两者的贡献，而不能将入选亲本的平均值视为一个不加区分的单一数值。\n\n育种计划所利用的信息不限于个体自身的表型。亲本、同胞和子代的记录、重复测量数据以及基因组标记，都有助于提高育种值估计的准确性。最佳线性无偏预测通常与查尔斯·亨德森的研究工作联系在一起，这种方法在混合模型中结合了观测记录和亲缘关系信息。基因组选择将这一思路扩展到全基因组标记，使得在直接测量某一性状之前就能估计育种值。对于在生命后期才表现、只能在一种性别中测量或评估成本高昂的性状，这尤其有用。\n\n仅凭遗传力并不能确定可实现的遗传增益。选择强度、育种值估计的准确性、加性遗传标准差和世代间隔都很重要。对于遗传力较低的性状，如果能从大量亲属或重复观测中积累可靠信息，也可以获得选择反应。反之，如果加性遗传变异按绝对单位衡量很小、繁殖缓慢，或者选择受到其他性状的制约，即使遗传力很高，也不能保证快速取得进展。无量纲的方差比值，不能取代与育种目标相关的变异尺度。\n\n长期选择反应可能大幅偏离最初育种者方程的预测。选择会改变等位基因频率，并可能在基因座之间产生关联，而近交和遗传漂变则可能减少变异。饲养管理方式的变化也可能改变环境方差和遗传方差。对某一性状进行选择，还可能引起繁殖力、存活率或抗病性的相关变化。因此，育种计划会采用多性状评估并设定明确的约束条件，而不是假定提高某个遗传力很高的单一指标就必然能够改善整体表现。\n\n在野生种群中，性状与繁殖成功之间的环境协方差，使其与自然选择的关系更加复杂。观测到某一性状与适合度相关，并不一定意味着选择直接作用于该性状；环境的趋势性变化也可能掩盖遗传上的响应。系谱分析或基因组分析有助于区分这些过程，但遗传力本身并不能证明一个种群正在发生进化变化。"
    },
    {
      "heading": "多性状、发育与疾病易感性",
      "text": "许多应用需要考察遗传协方差，而不只是分别估计每个性状的遗传力。遗传相关衡量遗传效应在两个性状之间共同变动的程度：\n\n\\[r_G= \\frac{\\operatorname{Cov}_G(X,Y)} {\\sqrt{V_{G,X}V_{G,Y}}}.\\]\n\n这种协方差可能源于遗传变异通过多效性影响不止一种表型，也可能源于影响不同性状的等位基因通过连锁不平衡而彼此关联。存在遗传相关，并不一定能证明一个性状会导致另一个性状。\n\n对于多个性状，选择引起的多变量响应通常写作\n\n\\[\\Delta\\mathbf{\\bar z}=\\mathbf G\\boldsymbol\\beta,\\]\n\n其中，\\(\\mathbf G\\) 为加性遗传方差—协方差矩阵，\\(\\boldsymbol\\beta\\) 包含各性状的选择梯度。这个表达式说明了为什么即使选择没有直接作用于某个性状，该性状仍可能发生变化：对与其存在遗传相关的性状进行选择，可以产生间接响应。它也解释了选择所受的约束。如果现有遗传变异主要沿着另一种性状组合的方向分布，那么即使选择有利于两种变化，也可能收效甚微。\n\n发育也可以用类似方式处理。五岁时的身高与成年后的身高彼此相关，却是不同的表型，其遗传力和遗传相关可能各不相同。遗传力随年龄增长而上升，并不一定意味着环境影响逐渐消失；这可能反映了遗传方差的累积、环境暴露的变化、测量信度的差异，或与遗传因素相关的环境选择。纵向模型可以区分稳定的遗传影响和特定年龄的效应，不过，其结论取决于测量的时间安排以及所假定的协方差结构。\n\n处理二元结局需要格外谨慎。疾病诊断被编码为患病或未患病，但研究者常采用易感性阈值模型进行分析。该模型假定存在一种无法直接观测的连续易感性，通常假定其服从正态分布，超过某一阈值便被诊断为患病。遗传和环境组分被赋予这种易感性，而不是直接赋予二元观测结果。因此，易感性尺度上的遗传力描述的是易感性变异的一种模型，并不表示某位患者的疾病由遗传因素导致的概率。\n\n观测尺度与易感性尺度上的遗传力之间如何换算，取决于所假定的群体患病率；在病例—对照研究中，还取决于抽样比例。两项研究报告的观测尺度遗传力可能不同，但换算到同一易感性尺度后却可能相容。患病率的不确定性、诊断标准的不一致，以及观测时年龄的差异，都会增加比较的难度。该模型有助于将二元记录与数量遗传学理论联系起来，但其潜在尺度是一项假设，而不是直接测得的生物学量。\n\n遗传力也不同于外显率、家族再发风险和个体的预测患病概率。外显率关注在给定基因型的条件下出现某种表型的概率；再发风险关注亲属中出现该疾病或性状的风险；遗传力则关注群体中的方差。一个性状可以具有相当高的遗传力，而目前测得的遗传预测指标仍不足以准确预测个体的情况。"
    },
    {
      "heading": "解读、局限与审慎比较",
      "text": "最常见的解读错误，是把遗传力理解为可以将一个个体按百分比分成遗传和环境两部分。遗传力为 \\(0.70\\)，并不意味着一个人的身高、行为或疾病易感性有 70% 是由遗传决定的。它描述的是在特定模型下个体之间的变异。个体发育涉及生物过程与环境过程的相互作用，通常无法按照这一方差比将其划分为相应的部分。\n\n第二种错误，是将高遗传力等同于不可改变。苯丙酮尿症说明了遗传病因与环境干预之间的区别：影响苯丙氨酸代谢的遗传变异可以导致这种疾病，但饮食管理能够显著改变它对发育的影响。更一般地说，几乎所有个体都共有的某个因素，可能在因果上不可或缺，却只能解释很少的已观察到的变异。如果所有生物体都获得了充足的水分，供水差异对方差的贡献可能很小，尽管水对发育仍然不可或缺。在因果关系推断中，解释方差与判断干预效果是两个不同的问题。\n\n群体内部的遗传力也不能揭示群体均值差异的成因。两个群体内部的遗传力都可能相当高，但它们之间的均值差异却完全由环境条件造成。遗传差异也可能有所贡献，但这需要另行提供证据，并采用适当的研究设计。无论是群体内部的遗传力估计，还是对此类估计的比较，都不能解决这一问题。当社会分类被误当作遗传上具有生物同质性的群体时，这一局限尤其重要。\n\n在预测方面，还需要作出另一项区分。多基因评分将已测量遗传变异的估计效应综合起来，但其预测表现取决于发现样本、效应估计的精度、连锁不平衡、等位基因频率、表型定义以及目标环境。高遗传力并不保证某个具体评分能够捕捉大部分相关变异。将预测应用于不同群体或队列时，预测表现可能下降。间接遗传效应和群体结构也可能使家庭间的预测不同于同胞之间的预测。\n\n解读时应同时考虑不确定性。样本量、亲缘关系分布不均、表型测量不精确、样本纳入方式、发表偏倚以及模型设定错误，都可能影响估计结果。置信区间可能很宽，尤其是在样本较小或某些组分难以可靠识别时。双生子研究、家系研究、无亲缘关系个体的基因组模型以及家庭内分析所得的估计不一定一致，因为它们可能针对直接遗传效应、间接遗传效应、加性遗传效应和由遗传标记捕捉的效应的不同组合。\n\n因此，一份在科学上能够得到恰当解读的报告，应明确说明研究群体和抽样框、表型及其测量尺度、年龄和环境背景、统计模型、所估计的遗传组分，以及不确定性。当这些方面相互一致时，比较才最有意义。否则，两个已发表遗传力估计值之间的数值差异，可能反映的是测量或研究设计上的差异，而非遗传过程在生物学上的变化。"
    }
  ],
  "links": [
    "genetics",
    "phenotype",
    "gregor-mendel",
    "quantitative-genetics",
    "gene",
    "eugenics",
    "variance",
    "epistasis",
    "allele",
    "genetic-drift",
    "genome",
    "single-nucleotide-polymorphism",
    "linkage-disequilibrium",
    "genome-wide-association-study",
    "natural-selection",
    "matrix",
    "water",
    "causation",
    "publication-bias"
  ],
  "sources": [],
  "license": "https://creativecommons.org/licenses/by/4.0/"
}