IF31.7｜多效性共享遗传力量化常见疾病的共享遗传方差

约一半常见疾病遗传力与其他疾病/性状共享，且遗传共享强于表型共享。

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

常见疾病具有高度多效性，以往研究多通过两两遗传相关或潜在因子分析来刻画疾病间的共享遗传成分，但缺乏一个直接量化目标疾病遗传方差中与一组辅助疾病共享部分的方法。遗传相关矩阵虽能反映成对关系，却无法直接给出目标疾病总遗传力中被多效性解释的比例。此外，基于有限样本GWAS汇总统计量估计遗传相关时存在抽样噪声，直接利用这些估计值会引入向上偏倚，导致共享遗传力被高估。因此，需要一种能够整合多个辅助疾病信息、并校正噪声偏倚的估计框架，以更准确地评估疾病遗传结构中的多效性贡献。

科学问题

卡在哪里： 现有方法只能估计目标疾病与单个辅助疾病的遗传相关，无法同时整合多个辅助疾病来量化目标疾病遗传方差中可被这组疾病解释的最大比例；且遗传相关估计的抽样噪声会导致共享遗传力估计产生向上偏倚，缺乏有效的校正手段。

本文要回答： 定义并估计多效性共享遗传力（h2pleio），即目标疾病遗传方差中与一组辅助疾病共享的最大比例，并通过偏差校正获得无偏估计。

技术路线

作者主要用了：PHBC、Monte Carlo偏差校正、cross-trait LDSC、genomic block-jackknife。

作者将目标疾病遗传值分解为疾病特异成分和多效性成分，后者定义为辅助疾病遗传值的线性组合，通过最大化该组合与目标疾病遗传值的相关性来定义h2pleio。利用遗传相关矩阵，h2pleio/h2可表达为rg[D,T]^T rg[D,D]^{-1} rg[D,T]。由于遗传相关估计存在抽样噪声，直接计算会高估h2pleio，因此引入Monte Carlo偏差校正：从jackknife协方差矩阵采样估计误差，生成遗传相关矩阵的噪声样本，通过缩放系数ξc调整目标-辅助遗传相关向量，使噪声样本的平均h2pleio/h2与初始估计一致，最终以ξc^2缩放初始估计获得无偏值。模拟验证了方法的无偏性和标准误校准。

图 1　Fig. 1。图1展示了多效性共享遗传力的概念框架。a部分将目标疾病总表型方差分解为遗传方差和环境方差，遗传方差进一步分为疾病特异成分和多效性成分，后者是辅助疾病遗传值的线性组合。b部分类似地定义多效性表型方差，即目标疾病表型方差中可被辅助疾病表型解释的比例。该图直观说明了h2pleio和V2pleio的定义。

核心亮点

亮点 1｜偏差校正大幅降低h2pleio估计

模拟显示，未校正的h2pleio/h2估计存在平均0.026的向上偏倚，而经Monte Carlo偏差校正后平均偏倚降至0.0006，几乎无偏。在UK Biobank 15种疾病中，校正前平均h2pleio/h2为38%，校正后降至27%，证实了偏差校正的必要性。

图 2　Fig. 2。图2通过模拟评估PHBC的无偏性。a部分显示未校正的h2pleio/h2估计存在明显向上偏倚（平均偏倚0.026），b部分显示经Monte Carlo偏差校正后估计值接近真实值（平均偏倚0.0006），不同颜色代表不同的真实h2pleio/h2值，验证了偏差校正的有效性。

亮点 2｜常见疾病约一半遗传力具多效性

以15种UK Biobank疾病为辅助疾病时，平均h2pleio/h2为27%；当辅助疾病/性状扩展到62个时，平均h2pleio/h2升至48%。对于30种非UK Biobank疾病，平均h2pleio/h2为37%。表明随着辅助性状增加，多效性共享遗传力占比上升并趋于平台，约一半常见疾病遗传力可被其他疾病/性状解释。

图 3　Fig. 3。图3展示UK Biobank 15种疾病的遗传相关（a）和表型相关（b）矩阵。遗传相关在疾病类别内和类别间均存在中等程度相关，而表型相关普遍较小。星号标记遗传相关显著大于表型相关的疾病对（Bonferroni校正P<4.76×10^-4），表明遗传共享强于表型共享。

亮点 3｜多效性遗传力广泛分布于疾病类别

移除单个疾病类别对h2pleio/h2影响有限：移除目标疾病自身类别后平均仅降至24%，再移除影响最大的另一类别后降至18%。单个类别可解释大部分h2pleio（如MDD与消化系统疾病共享41%遗传力），但其他类别仍贡献显著，说明多效性遗传力并非集中于少数类别，而是广泛分布。

图 4　Fig. 4。图4展示不同辅助疾病集下h2pleio/h2的估计。以15种UK Biobank疾病为辅助时平均为27%，加入17种数量性状后升至33%，移除目标疾病类别后降至24%，再移除一个类别后降至18%。代表性疾病T2D、MDD和HTN的估计值也显示类似趋势，说明多效性遗传力广泛分布且随辅助性状增加而上升。

亮点 4｜遗传共享强于表型共享

比较h2pleio/h2与表型共享方差比例V2pleio/V2，发现前者平均是后者的1.51倍（s.e. 0.16）。在GERD、呼吸系统疾病、肥胖和MDD中，h2pleio/h2显著大于V2pleio/V2（P<0.05/15），提示遗传效应比环境效应具有更强的跨疾病共享，可能反映多效性稳定选择的作用。

图 5　Fig. 5。图5比较使用单个疾病类别作为辅助疾病时的h2pleio/h2（浅色条）与移除该类别后h2pleio/h2的减少量（深色条）。单个类别可解释大部分h2pleio（如MDD与消化系统共享41%），但移除该类别仅使总h2pleio/h2减少5%，表明不同类别间存在冗余，多效性遗传力广泛分布于多个类别。

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： PHBC、Monte Carlo偏差校正、cross-trait LDSC、genomic block-jackknife
• 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： 从事复杂疾病遗传学、多效性分析或遗传相关研究的生信与统计遗传学研究者。

带走一句

分析多效性时，应整合多个辅助性状并校正遗传相关估计的抽样噪声，否则会高估共享遗传力；PHBC提供了无偏估计框架。