IF31.7｜疾病易感与生存的遗传效应重叠有限

易感基因位点几乎不影响患者生存，疾病进展遗传基础或需另寻他路。

这篇按生信解读号的读法拆：先看背景和问题，再看作者怎么做、做出了哪几条硬发现，最后把数据和代码收走。

研究背景

全基因组关联研究（GWAS）已成功揭示许多疾病的易感遗传基础，但疾病进展的遗传学研究相对滞后。疾病进展的遗传基础对药物靶点发现和临床预后预测至关重要，因为多数药物旨在治疗而非预防疾病，且患者确诊后如何预测进展是临床难题。既往针对癌症、神经退行性疾病、心血管疾病等的小规模进展GWAS发现的位点很少，且易感多基因评分（PGS）对进展的预测效果不佳。此外，基于患病个体的研究可能受到指标事件偏倚（index event bias）的影响，导致结果解读困难。大规模生物样本库与纵向电子健康记录的整合为系统比较疾病易感与进展的遗传结构提供了机会。

科学问题

卡在哪里： 此前研究多局限于单一疾病或小样本，缺乏跨多种疾病、大规模的系统比较；易感位点是否同样影响疾病进展、易感PGS能否预测进展，以及指标事件偏倚对结果的影响程度，均未得到充分实证回答。

本文要回答： 系统比较九种常见疾病易感与疾病特异性死亡的遗传效应，回答易感位点是否影响进展、易感PGS能否预测进展两个核心问题。

技术路线

作者主要用了：GWAS、Cox比例风险模型、PGS、LD评分回归、模拟分析。

作者利用七个生物样本库（FinnGen、UK Biobank等）的纵向电子健康记录，对九种常见疾病（如2型糖尿病、冠心病、阿尔茨海默病等）开展患者队列内的疾病特异性死亡GWAS，并与已发表的易感GWAS进行系统比较。首先在单变异水平比较易感位点对死亡的影响，然后在多基因水平检验易感PGS对死亡的预测能力，并通过下采样实验控制样本量差异，最后探索替代进展定义（如2型糖尿病大血管并发症）及指标事件偏倚的理论影响。

图 1　Fig. 1。图1展示了研究设计：利用七个生物样本库，对九种疾病的患者进行疾病特异性死亡GWAS，比较易感与死亡的遗传结构，包括单变异和多基因效应，并探索替代进展定义及指标事件偏倚的理论影响。

核心亮点

亮点 1｜易感位点对死亡几乎无影响

在九种疾病中，仅发现一个与疾病特异性死亡全基因组显著相关的位点（rs7360523，靠近SULF2，与心衰死亡相关）。从已发表易感GWAS中提取的804个独立易感位点，经多重检验校正后均与疾病特异性死亡无显著关联，且效应方向与随机预期一致（P=0.5028）。该心衰死亡位点对心衰易感也无显著影响（P=0.87，方向相反）。

图 2　Fig. 2。图2比较了易感GWAS显著位点（红点）与死亡GWAS显著位点（蓝点）的效应量。绝大多数易感位点对死亡无显著影响，效应方向随机分布；仅心衰死亡有一个全基因组显著位点，且该位点对心衰易感无显著效应。

亮点 2｜样本量并非低遗传力的主因

为排除样本量差异的影响，作者在FinnGen和UK Biobank中进行下采样实验，使易感GWAS与死亡GWAS具有相同的有效样本量。结果显示，易感GWAS在九种疾病中识别出33个全基因组显著位点，而死亡GWAS未发现任何显著位点，表明进展表型的遗传力本身较低，而非单纯由统计功效不足所致。

图 3　Fig. 3。图3显示易感PGS对疾病易感（虚线）和疾病特异性死亡（橙点）的关联。易感PGS对易感有强关联（HR 1.17–1.90），但对死亡的关联很弱，多数置信区间跨越1，部分疾病甚至呈保护趋势。

亮点 3｜易感PGS对死亡预测力弱

易感PGS对疾病易感有强关联（HR范围1.17–1.90），但对疾病特异性死亡的预测力很弱。例如，乳腺癌易感PGS与乳腺癌死亡无关联（HR=0.98, 95% CI 0.93–1.02），心衰PGS与心衰死亡关联最强（HR=1.09, 95% CI 1.07–1.12），而慢性肾病和前列腺癌易感PGS甚至呈保护趋势。敏感性分析（如限制随访时长、仅纳入新发患者）结果一致。

图 4　Fig. 4。图4比较了易感PGS与长寿PGS对疾病特异性死亡的预测效果。长寿PGS在多数疾病中显示出更强的关联（HR更大），且置信区间更远离1，表明一般长寿遗传因素比疾病易感遗传因素更能预测患者生存。

亮点 4｜长寿PGS预测死亡优于易感PGS

基于一般人群寿命GWAS构建的长寿PGS在九种疾病中有七种与疾病特异性死亡显著相关（P<0.005），且效应量普遍大于易感PGS。在2型糖尿病大血管并发症分析中，冠心病PGS对并发症的预测力（HR=1.19, 95% CI 1.17–1.21）显著强于2型糖尿病易感PGS（HR=1.04, 95% CI 1.03–1.06），提示一般人群中与进展相关的表型遗传信号可能更有价值。

图 5　Fig. 5。图5展示2型糖尿病大血管并发症GWAS（上）与无糖尿病人群心血管事件GWAS（下）的曼哈顿图。两者在染色体9上共享同一显著位点，但效应量在糖尿病患者中减弱（β=0.09 vs 0.11），提示指标事件偏倚可能使进展GWAS信号衰减。

亮点 5｜指标事件偏倚影响有限

模拟分析显示，当存在共享的非遗传风险因素时，指标事件偏倚会导致进展GWAS效应衰减，且共享成分占比越高，偏倚越大。然而，在进展遗传力较低的情景下（与实证结果一致），即便进行偏倚校正，也未能发现显著的进展相关变异，说明低信噪比可能是比指标事件偏倚更大的挑战。

生信可带走

这一块是给做分析的人用的，不是科普点缀。

• 方法栈： GWAS、Cox比例风险模型、PGS、LD评分回归、模拟分析
• 公开数据： 原文未给出公开组学登录号
• 代码： 原文未给出公开 GitHub/GitLab 仓库
• 谁该点开原文： 从事疾病遗传学、生物样本库分析或临床预测模型研究的生信从业者和研究生。

带走一句

做疾病进展遗传分析时，不要默认易感位点或易感PGS能迁移到进展表型；可优先考虑一般人群中与进展相关的表型遗传信号，或寻找更精细的进展定义。