3.5 关联作图与全基因组关联研究

3.4 节的连锁作图依赖可设计的杂交或可追踪的家系，分辨率受限于可观察的减数分裂次数；对人类这样无法安排婚配、世代漫长的物种，这条路线在分辨率与适用性上都遇到硬边界。本节转向第二种定位策略：不在实验群体中制造重组，而是直接利用自然群体中千百代累积的历史重组。关联作图(association mapping)在群体样本中检验「哪个标记等位基因与表型共变」：无需预设致病基因的位置，分辨率可达 kb 级；代价是必须直面群体结构与海量多重检验带来的统计陷阱。按扫描范围，它有两级火力——凭生物学知识押注少数基因的候选基因关联研究(candidate gene study)，与不设假设、扫描全基因组标签 SNP 的全基因组关联研究(genome-wide association study, GWAS)。

3.5.1 关联的遗传学基础

关联研究的最早形态并不依赖全基因组工具。20 世纪 70 年代，免疫遗传学家以血清学方法确立了 HLA 区域与疾病的关系：HLA-B27 与强直性脊柱炎的关联至今仍是医学遗传学中最强的常见标记关联之一（携带者的相对风险高出数十倍，公认事实），特定 HLA-DQ 等位与 1 型糖尿病的关联亦属经典。这类候选基因研究凭先验知识锁定少数基因，成本低、周期短，在「候选时代」产出大量报告；但其成败高度依赖假设的正确性——押错基因则一无所获，小样本与宽松阈值又使阳性结果鱼龙混杂，事后经大规模检验重复者寥寥（Gibson & Muse, 2009; Altshuler et al., 2008）。全基因组关联研究正是对这一困境的回应。

关联作图之所以能「测标记而得变异」，根基是 3.3 节的连锁不平衡。设因果变异 D 与标记 M 处于 LD：携带风险等位的染色体上，标记等位也随之富集，于是病例组中 M 的频率会系统性地偏离对照组——检验 M 即间接检验了 D。两个推论值得强调。其一，关联强度被 r² 折扣：用 M 代理 D 时检验功效约按 r² 缩水，达到同等功效所需样本量约放大 1/r² 倍，标签 SNP 的质量因此直接决定统计功效。其二，历史重组虽经千百代累积，LD 的作用半径仍以 kb 计，故关联信号几乎总是落在因果变异的邻域而非变异本身——曼哈顿图上的「峰」是一片因 LD 而连锁的楼群，而不是一栋孤楼。

3.5.2 病例—对照统计：卡方检验、比值比与遗传模型

病例—对照设计(case–control design)招募一组患者与一组非患者，在每个位点比较等位基因频率。以等位基因为计数单位时，每个个体贡献两个等位，计数填入 2×2 列联表（格内计数 a、b、c、d 见图 3.5-1）。无关联假设下，各格期望计数仅由行、列边际合计决定，观察对期望的偏离程度由卡方统计量度量：

卡方检验回答「有无」，不回答「多大」。效应大小的标准度量是比值比(odds ratio, OR)——病例组中携带与不携带风险等位的优势，除以对照组中的相应优势：

以图 3.5-1 的数据演示：病例中 T : C = 120 : 80（优势 1.5），对照中 90 : 110（优势约 0.82），OR ≈ 1.83，95% 置信区间约 1.23–2.73，不含 1，与卡方检验结论一致。解读时须注意 OR 是「优势之比」而非「概率之比」：同样的频率差，在对照基线频率不同处对应的 OR 不同（图 3.5-1 右），报告效应量时应同时给出计数与区间，而不是只给点估计。

按计数单位与遗传假设，单点位检验有几种常用模型。等位模型即上述以等位为单位的 2×2 检验，功效较高，但把个体内两个等位视为独立，若样本含亲缘个体会低估方差。基因型模型以个体为单位，并按假设合并杂合子：显性模型比较携带者（AA + AB）与非携带者（BB），隐性模型比较纯合（AA）与其余（AB + BB）。加性模型给基因型赋 0/1/2 的风险等位剂量，检验剂量与患病概率的线性趋势，对应的 Cochran–Armitage 趋势检验(Cochran–Armitage trend test)不依赖 Hardy–Weinberg 假设，是全基因组扫描中最常用的单点位检验之一。模型选择应事先声明：对同一数据换用多种模型再择最显著者，本身就会抬高假阳性。

3.5.3 混杂与校正：群体分层及其控制

混杂的机制可由两个条件的叠加陈述。其一，样本存在群体分层(population stratification)：病例与对照的祖先构成不同（例如病例多来自北方人群、对照多来自南方人群）；其二，等位基因频率与疾病发生率都随祖先变化。二者同时成立时，即便位点半点生物学效应也没有，合并后的边缘表也会出现显著的频率差——结构与 Simpson 悖论同构。习题 3.5-2 给出一个可手算的构造：各亚组内部病例与对照的等位频率完全相同，合并后 χ² 却远超全基因组阈值。除分层外，不同批次、不同芯片、不同实验方案造成的系统差异（批量效应）以同样机制制造假关联。

控制手段分设计与统计两个层面。设计层面：按祖先与采集地匹配入组，或采用家系内对照——传递不平衡检验（TDT）以父辈未传递给子女的等位为对照，天然免疫分层。统计层面有三条主线。其一，基因组控制(genomic control)（Devlin & Roeder, 1999）以全基因组位点的检验统计量估计整体膨胀系数并统一缩放：

其二，主成分法（EIGENSTRAT；Price et al., 2006）：以大量无关标记计算个体间的主成分，把前若干主成分当作「祖先坐标」——既可剔除离群个体，也可将主成分作为协变量在每位点检验中回归掉；它能够刻画连续梯度的分层，已成 GWAS 的标准配置。其三，在含家系或亲缘结构的样本中，把亲缘矩阵纳入线性混合模型，可同时吸收分层与近亲相关（并修正 3.5.2 节等位模型的方差低估）。三条路线并非互斥，实际分析常组合使用。

3.5.4 多重检验：从 Bonferroni 到 5×10⁻⁸

一张数十万至上百万位点的芯片意味着同等量级的假设检验。若每个位点都按 P < 0.05 判显著，纯噪声也将「贡献」数以万计的阳性。多重检验校正因此不是可选项，而是 GWAS 立论的前提。校正目标有两类：控制家族错误率（FWER，至少犯一次错的概率），或控制假发现率(false discovery rate, FDR)（错误发现占全部发现的比例）。

Bonferroni 简单而保守：它假设 M 个检验相互独立，而基因组上相邻 SNP 因 LD 高度相关，有效独立检验数远小于分型位点数，按位点数除会把阈值压得过严、损失功效。置换检验(permutation test)给出精确答案：反复打乱表型与基因型的对应关系，以统计量的经验零分布确定阈值。置换天然保留基因型间的 LD 结构与样本相依性，代价是计算量随重复次数线性增长；实用折衷是仅对候选区域的位点做局部置换。FDR 控制（如 Benjamini–Hochberg 程序，将排序后的 P 值与 (i/M)·q 比较）在探索性分析中功效更高，适合「宁可多看、事后甄别」的场合；但在需要严格断言的 GWAS 主报告中，行规仍是 FWER 式的全基因组阈值。

3.5.5 GWAS 的工程学：设计、质控与读图

GWAS 是一项工程：样本以千、万计，分型靠高密度芯片（3.2 节）加基于参考面板的插补，分析的相当部分消耗在质控上——缺失率、对照中的 Hardy–Weinberg 偏离（见 3.6 节）、最小等位频率、重复与亲缘检出、人群离群剔除。两阶段设计(two-stage design)是控制成本的经典安排：第一阶段全基因组扫描，第二阶段仅对排名靠前的候选位点在独立样本中分型检验；显著性水平可在两阶段间合理分摊，而「在独立样本中重复」本身就是对假阳性最有效的过滤。单个中心样本不足时，联盟间的荟萃分析(meta-analysis)把各中心的汇总统计量加权合并，是提高功效的主要途径。

曼哈顿图(Manhattan plot)是 GWAS 的第一张总览图：每个 SNP 一点，横轴为按染色体排列的基因组位置，纵轴为 −log₁₀(P)（图 3.5-2）。绝大多数点伏在底部构成噪声海面；真实信号表现为拔地而起的峰群——峰顶是 top SNP，两侧渐次降低的「楼群」正是与其连锁的邻近位点。判读要点：只有越过全基因组显著线（P < 5×10⁻⁸）的峰才算显著；介于显著线与提示线（常取 P < 10⁻⁵）之间者列为候选，须独立重复；孤立的超高单点若无 LD 楼群衬托，应先怀疑分型伪迹而非新发现。

Q-Q 图(quantile–quantile plot)把观察 P 值的分位数对零假设下的期望分位数作图（图 3.5-3），是 GWAS 的总体分布诊断。中段紧贴对角线（斜率 λ ≈ 1）说明统计量无系统膨胀；仅尾部抬升是真实强信号的特征；反之，自小 P 值处即整体抬升、λ 明显大于 1，提示检验统计量膨胀——群体分层、批量效应或病例对照入组不对称都是常见原因，应先校正再判读。校正前后的 Q-Q 图对比因此成为投稿与评审的常规检查。

成果的定性列举足以说明这种方法的力量。2005 年，补体因子 H（CFH）基因常见变异与年龄相关性黄斑变性的关联被三个研究团队同期独立确立（其中发表于《科学》的研究常被引为标志，Klein et al., 2005），把此前少受注意的补体通路推到该病研究的中心，常被视为复杂疾病 GWAS 时代的开端。2 型糖尿病领域，TCF7L2 位点由连锁信号出发经关联检验确立（Grant et al., 2006），至今仍是该病效应最稳健的常见变异位点之一；FTO 基因常见变异与体重指数及肥胖易感的关联（Frayling et al., 2007）则首次给出常见变异层面的肥胖证据。2007 年，Wellcome Trust 病例对照联盟（WTCCC）以 7 种常见疾病、约 14 000 例病例与 3 000 例共享对照的规模确立了共享对照设计的可行性，产出大批可重复位点（The Wellcome Trust Case Control Consortium, 2007；McCarthy et al., 2008）。此后十余年，公共 GWAS 目录累计的可靠关联记录以十万计（括注：原书出版于 2009 年，此为后续进展）。

3.5.6 结果解释的边界：效应量、缺失遗传力与风险评分

GWAS 的设计处处以常见变异—常见病假说(common disease/common variant hypothesis, CDCV)为前提：常见变异频率高、标签覆盖好、关联功效大。若相当一部分疾病风险实际由稀有变异贡献，则基于常见变异标签的芯片天然看不见它们——这是稀有变异—常见病路线与 CDCV 的张力所在，也是原书出版后重测序与负荷（burden）类检验迅速发展的动因。两类贡献的比例因病种而异，未可一概而论。

效应量普遍小是更直接的边界：常见易感等位的 OR 多在 1.1–1.5 量级，与单基因病「有 / 无」式的效应相差悬殊。小效应意味着需要巨大样本才有功效，也意味着单个位点对个体预测几乎无用；初筛阶段的效应估计还普遍偏高（「胜者诅咒」），应以重复阶段的估计为准。

把已定位位点的解释方差相加，往往只及双生子研究估计遗传度的一小部分，缺口即缺失遗传力(missing heritability)问题。候选解释包括：效应更小、现有样本检不出的常见变异；芯片覆盖差的低频与结构变异；基因—基因与基因—环境互作；以及双生子估计本身可能偏高与表型测量误差。后续的回应包括生物银行级别的超大样本与基于全基因组标记的遗传力估计方法（括注：多为 2009 年后进展）。

命中位点的位置分布出人意料：绝大多数落在非编码区，位于编码序列之内者只占少数。这提示常见变异更多通过改变表达调控而非蛋白序列起效，也解释了为何 GWAS 结果的解读离不开调控注释——与表达数量性状位点（eQTL）的共定位分析成为从统计信号走向机制的标准一步，相关方法在 6.3 节展开。

本节反复出现的方法学支点——分层校正、Hardy–Weinberg 质控、等位基因频率谱——都建立在群体遗传学之上。3.6 节回到这一基础：变异频率在群体中如何被突变、漂变、选择与迁移塑造。