研究团队开发超大规模基因互作检测方法 揭示遗传背景如何改变基因变异对性状的影响-肽度TIMEDOO

一项发表在 《Nature Genetics》 的最新研究展示了一种可在前所未有规模上检测人类基因互作（gene interactions）的计算方法。研究表明，个体的整体遗传背景能够显著改变单一基因变异对复杂性状（如体重指数、胆固醇水平等）的影响。

基因互作与复杂性状的关联

复杂性状往往由多个基因共同调控，而基因之间的相互作用可能解释以下现象：

  • 两名携带同一遗传风险因素的人，健康结果却截然不同；

  • 依靠单一基因变异预测疾病风险时准确度有限。

然而，由于缺乏处理超大规模基因组数据的有效工具，过去在人体中寻找基因互作的证据一直非常困难。

FAME：可在百万级变异中识别互作信号的新工具

研究团队开发的计算方法 FAME（全称未给出）能够检测并量化遗传互作的影响。

传统方法通常尝试“成对搜索”基因变异之间的互作，这些互作信号往往非常微弱，难以被发现。FAME 则关注 单个基因变异的效应如何被个体基因组中全部其他变异共同调制，从而累积弱信号，识别出此前无法探测的互作效应。

由于这一策略涉及对全基因组数十万变异的聚合分析，其计算量极为庞大。FAME 通过先进的数学优化技术显著降低计算成本，同时保持结果可信度。

在 UK Biobank 的应用结果

研究团队将 FAME 应用于 约 30 万名英国白人来源的 UK Biobank 数据，发现了 16 个显著的基因互作实例，涉及胆固醇、肝酶、睾酮等多种性状。

主要发现包括：

  • 虽然每个互作效应并不强，但其影响往往 大于单独分析变异时的效应（传统 GWAS 方法的限制）；

  • 多个互作信号在独立数据集中得到了重复验证，增加了结果可信度。

研究团队计划进一步：

  • 将 FAME 应用至罕见变异与疾病相关性状；

  • 探索互作在基因组中的精细定位；

  • 扩展至更多族群，以了解不同人群间的基因互作差异。

研究者观点

“这项研究为我们理解基因如何共同影响性状提供了新的视角。”
——通讯作者 Sriram Sankararaman，UCLA 计算机科学、计算医学与人类遗传学教授

“之前我们一直知道基因并非独立工作，但缺乏能够在大规模人群中检测互作的工具。”
——第一作者 Boyang Fu，研究期间为 UCLA 博士生，现为哈佛医学院博士后

“FAME 能在数十万人的数据中、对数百万基因变异进行互作检测，仅需数小时——这是以前完全做不到的。”

参考文献：A biobank-scale test of marginal epistasis reveals genome-wide signals of polygenic interaction effects, Nature Genetics (2025). DOI: 10.1038/s41588-025-02411-y. www.nature.com/articles/s41588-025-02411-y

编辑：周敏

排版：李丽