6.3 基因表达的数量遗传：eQTL

6.1 节的五层信息栈里，基因组层与转录组层之间隔着「转录」这道门：第 3 章测了 DNA 上有哪些变异，第 4 章测了 RNA 上有哪些基因正在被读取，但两层测量各自为政。本节处理它们之间的缝合问题。提问方式很自然：某个体某基因表达量的高低，是否以及如何由其基因型决定？要回答它，必须在同一批个体上同时拿到基因型与表达量——这是全书第一次把两层数据真正对齐到同一些样本上，其逻辑基础已在 6.1 节末尾埋下：遗传变异在配子形成时随机分配、不受后天表型反向影响，因而可作为天然的扰动来源，为「变异 → 表达」的因果方向提供支撑。

这一研究纲领由 Jansen 与 Nap（2001）命名为遗传基因组学(genetical genomics)：对分离群体或人群同时做全基因组基因分型与全转录组表达测量，然后对每一个基因的表达量各做一次数量性状定位。本节按「概念（6.3.1）—分类（6.3.2）—热点（6.3.3）—统计（6.3.4）—对 GWAS 的机制注释（6.3.5）—组织与时相特异性（6.3.6）—过渡（6.3.7）」展开。

6.3.1 遗传基因组学：把表达量当作数量性状

先回顾 3.4 节的数量性状位点作图：对身高、产量、血压这类连续变异的性状，在分离群体中以遗传标记遍扫基因组，用 LOD 曲线检出与性状连锁的区段。现在做一个视角切换——每个基因的表达量，本身就是一个数量性状：它在群体中连续分布、个体间存在差异、可以定量测量（第 4 章的表达矩阵恰好为每个个体 × 每个基因给出了这样一个读数）。既然满足数量性状的全部要件，表达量当然也可以拿来作图。这样定位到的位点称为表达数量性状位点(expression quantitative trait locus, eQTL)。逐基因的检验模型即普通的线性回归：

把表达量当性状，不只是把 QTL 软件换一批输入。表达量是一类特殊的分子表型(molecular phenotype)，与身高、血压等经典复杂性状相比有三点优势。其一，离基因型近：从变异到表达只隔一步转录调控，中间没有发育、行为与环境的层层稀释，是「中间表型」。其二，测量误差可控：表达量的误差主要来自技术（标记效率、文库大小、批次），可以通过第 4 章的归一化与技术重复加以压制，而不像血压、行为那样受被试状态与量表错估的干扰。其三，遗传力通常可观：在受控的分离群体中，大量转录本的表达差异表现出显著的遗传成分（Brem et al., 2002）。当然，「离基因型近」不等于「没有环境」：表达本身随组织、时相与生理状态而变，这一点将在 6.3.6 回来制约我们。

这一纲领的开创性实验在 2002 至 2005 年间密集出现。Brem、Yvert、Clinton 与 Kruglyak（2002）在《科学》发表了酵母的全转录组遗传解剖：把一株实验室株与一株野生分离株杂交，对数十个单倍体分离子同时做基因分型与表达测量，检出大量呈遗传性变异的转录本与多个表达连锁信号，并在数条染色体臂上观察到反式信号的集中（详见 6.3.3）。Schadt 等（2003）在《自然》上把同样的策略推广到哺乳动物与作物——「在玉米、小鼠与人类中考察表达的遗传学」，显示 eQTL 不是酵母的特例，而是普遍现象。人群方向上，Morley 等（2004）在 CEPH 多代家系的淋巴母细胞系中完成首个人类全基因组 eQTL 扫描；Stranger 等（2005）则利用 HapMap 计划的类淋巴细胞系样本证明，第一代 SNP 图谱已足以支撑人群中的表达关联作图。

与单性状 QTL 相比，eQTL 作图的检验规模 exploded 式增长：全转录组约 2 万个表达性状，全基因组 10⁵–10⁷ 个标记，组合即达 10⁹–10¹¹ 次检验。对如此规模，Bonferroni 校正在统计上过于严苛（真实效应会被压垮），通行做法是逐基因做排列检验获得经验零分布、再在基因与标记两层控制错误发现率——这正是 4.4 节讨论 FDR 时同一问题的高维版本。全部检验的结果可以排成一张「靶基因 × 标记」的大矩阵，而这张矩阵有两种典型读法：看信号落在靶基因近旁还是远处（6.3.2），以及许多基因的信号是否挤在同一处（6.3.3）。

6.3.2 cis 与 trans：两类 eQTL 的操作定义

图 6.3-1 给出两类 eQTL 的几何对照，并配以按基因型分组的表达箱线图——这正是式 (6.3-1) 的图形化：三种基因型（TT、TC、CC）对应三组表达分布，回归系数 β 就体现在组间位移上。

经验上，两类 eQTL 的统计面貌差别很大：cis 效应普遍较大、等位基因作用多呈加性、在不同群体与组织间可重复性较高；trans 的单个效应通常很小，多数需要远大于 cis 的样本量才能稳定检出。机制上也各循其道——cis 变异直接改写顺式调控元件（转录因子结合位点、局部染色质可及性、UTR 影响的 mRNA 稳定性与翻译效率），作用对象天然是近旁基因；trans 变异则改变某个弥散性调节因子的数量或活性，再由后者作用于分布全基因组的众多靶点。

两点辨析需要预先给出。第一，cis 是位置概念，不是机制证明：显著标记落在基因近旁，只说明信号与基因共坐标；真正的因果变异可能只是与该标记连锁的另一个变异。把 cis 信号精确定到核苷酸并做功能验证，仍是独立的工作。第二，效应大小不能作为分类依据：判定 cis/trans 的唯一标准是标记与靶基因的相对位置，一个效应很大的远距离信号依然是 trans，一个效应微弱的近端信号依然是 cis（习题 6.3-1）。

6.3.3 trans 热点与主调节因子

把全基因组的 eQTL 结果画成一张「标记位置 × 靶基因位置」的点阵， cis 与 trans 立刻显出不同的几何形态（图 6.3-2）：cis 信号沿对角线分布（信号在基因自己的坐标上），而大量基因的 trans 信号若来自同一个位点，就会在点阵上聚成一根垂直条带。

反式热点(trans-eQTL hotspot)指一个染色体区段同时调控数十乃至数百个基因表达的位点（操作上常以单个标记关联基因数超过某一阈值——如 10 至 20 个——为界，具体依研究而定）。Brem 等（2002）在酵母中最早描述了这一现象：多条染色体臂上出现成簇的 trans 信号，各支配一批功能相关的基因。热点的机制解释相当直接：如果变异落在某个转录因子、染色质修饰因子或信号通路核心组分的编码区或调控区，它的全部下游靶基因都会随之波动。因此热点本身就是主调节因子(master regulator)的候选名单——作图直接把一份「基因清单」压缩成少数几个候选开关。

热点更深的价值在于它与网络分析的接口。第 5.6 节已经看到，共表达网络把上万个基因组织成模块，但网络本身只有相关性、没有方向；而热点提供了一个因果入口：主调节因子位点的基因型按孟德尔方式随机分配，相当于对整个下游模块做了一次「天然分组实验」——基因型不同的个体，模块表达模式系统性不同。由遗传扰动出发给网络边定向、把热点与模块对接，正是 6.4 节因果推理的出发点之一。

6.3.4 统计挑战与群体设计

第一重挑战是效应量普遍偏小。除少数强 cis 信号外，大多数 eQTL 对表达变异的解释比例有限，单个 trans 效应尤甚。检出功效因此成为 eQTL 研究设计的第一约束：在酵母分离群体中，数十至上百个分离子足以检出强信号（Brem et al., 2002）；而在人类队列中，cis 通常需要数百个体方能较完备地检出，trans 效应往往需要上千样本才有稳定功效——这一经验在 2010 年代的大规模组织项目（如 GTEx）中得到系统印证。与之配套的是表达测量本身的规模：性状数以千计、常达两万，任何设计都必须同时考虑「测多少个体」与「测多少基因」的预算权衡。

第二重挑战是群体选择。分离群体与自然群体各有结构性优劣（表 6.3-1）：前者等位基因频率约各半、家系内随机化、功效高，但只能研究两亲本之间的差异且定位区间宽；后者等位基因多样、连锁不平衡短、可直接精细定位并外推到人群，但频率谱偏态（稀有变异功效低）且必须控制群体分层。Stranger 等（2005）在 HapMap 类淋巴母细胞系上的工作展示了人群路线的可行性，也暴露了其代价——细胞系虽可无限扩增、便于重复测量，其表达谱却只能部分代表原位组织。

第三重挑战是反式效应的多重检验负担。cis 检验只涉及每个基因近旁的少数标记，负担可控；trans 检验则是真正的全基因组 × 全转录组交叉，检验数以十亿计，而效应又最小——最不利的情况。实践上的对策是分层控制：先在 cis 窗口内以较宽松的阈值完成近端检验，再对全基因组 trans 检验单独建立零分布并施加更严格的错误发现率控制，同时以排列检验吸收表达数据间的相关结构（直接套用 Bonferroni 会因为忽略了检验之间的相依而过度保守）。

6.3.5 eQTL 作为 GWAS 的机制注释层

本节的核心价值在这里兑现。3.5 节与 3.7 节留下的问题：GWAS 检出的疾病风险位点，绝大多数并不改变任何蛋白质的氨基酸序列。对 GWAS 目录的系统统计（2010 年代完成）显示，约九成（估计多在 88%–93% 之间）的性状相关 SNP 位于非编码区——原书出版于 2009 年，当时这一格局已经显现，但其普遍程度由随后的目录分析最终确立。若风险变异大多不改蛋白，它们通过什么起作用？主流答案是：通过改变基因表达量。换言之，复杂疾病的遗传力有相当部分藏在调控层，而 eQTL 目录正是这层调控的「地图」。

把 GWAS 信号与 eQTL 对接的规范做法是共定位分析(colocalization)：在同一基因组区域内，疾病关联信号与表达关联信号是否由同一个因果变异驱动？朴素的「峰对峰」比对并不够——连锁不平衡使邻近位点的关联曲线彼此相似，两个紧挨着的峰完全可能来自两个不同的因果变异。正式的共定位方法（如 coloc 类贝叶斯框架）在区域内枚举一组互斥假设（两者无关、仅其一关联、各自独立关联、共享同一因果变异），计算各假设的后验概率；其中「同一变异既影响疾病又影响表达」的后验概率记作 PP4，PP4 高才支持把 GWAS 信号「翻译」为靶基因表达变化的机制解释。新一代方法（如 ENLOC 一类概率共定位）进一步把该思想从逐位点扩展到全基因组与全部组织（图 6.3-3）。

实证方面已有一批整合范例。Lappalainen 等（2013）在 465 名 1000 Genomes 计划个体的淋巴母细胞系上联合全基因组测序与 RNA 测序（GTEx 计划启动前的系统性预演，学界习称 Geuvadis），把常见与罕见变异对表达和剪接的影响并置解读，展示了复杂疾病风险位点如何经由表达量与转录本比例的改变行使功能——其中克罗恩病等炎症性疾病的易感位点与表达效应的整合即是典型案例。更早的教科书级例子来自血脂代谢：1p13 位点的非编码变异先被证明改变肝脏中 SORT1 基因的 cis 表达，继而改变低密度脂蛋白胆固醇水平与心肌梗死风险（Musunuru et al., 2010）——一条从非编码变异到表型的完整因果链。

6.3.6 组织与时相特异性

eQTL 不是基因组的固有属性，而是「基因组 × 状态」的属性。同一个变异在不同组织中的效应谱可能截然不同：肝脏中强的 cis-eQTL 在脑组织中或许无法检出，反之亦然——因为转录因子表达谱与染色质状态本就因细胞类型而异，顺式元件只有在被相应机器读取时才会暴露变异的后果。系统刻画这种特异性正是 GTEx 计划(Genotype-Tissue Expression Project)的使命（该计划于 2010 年由美国国立卫生研究院启动；先期成果于 2015 年发表于《科学》，为上百名捐赠者的数十种组织建立了多组织 eQTL 目录）。对任何 eQTL 结论，都应先问一句：什么组织、什么状态？

状态维度同样重要。表达是在某一生理状态下测得的快照，扰动之后情况可能改观：响应 eQTL(response eQTL, reQTL)指刺激或干预前后效应不同的位点——某变异在静息状态下不显现，免疫刺激（如细菌脂多糖或干扰素处理）后才改变靶基因的诱导幅度。2010 年代对免疫细胞的一系列刺激实验表明，相当一部分调控变异只在「响应」中被打开。这意味着静态目录只是基线快照，疾病相关的动态过程（感染、炎症、应激）可能由 reQTL 主导。

最后是测量层面的根本局限：bulk 组织是细胞类型的混合物。一克肝组织包含实质细胞、免疫细胞、内皮细胞与成纤维细胞，测得的表达量是按各类细胞比例加权的平均值。后果有二：其一，效应被稀释——某变异只在占 5% 的库普弗细胞中起作用，bulk 读数中被其余 95% 稀释，可能完全漏检；其二，构成性假象——若基因型与某种细胞的丰度相关（本身就是一种生物学，但也可能是技术偏倚），所有该细胞特异的基因都会表现出「关联」。以去卷积估算细胞比例、或走向单细胞水平的 eQTL 测量（2010 年代后期兴起），是应对这一局限的两条技术路线。

6.3.7 从单性状作图到多组学因果网络

回顾本节的方法学实质：把「一个基因的表达」当作一个孤立的数量性状，逐个作图。当基因数以万计时，这种逐个处理的策略在信息上并不经济——基因并非彼此独立，热点已经暗示它们共享调节因子。下一步的自然推广有三条：其一，把基因打包成模块再作图，以共表达模块的特征值为性状寻找「模块 QTL」，热点与模块由此对接；其二，把 eQTL 当作因果方向的工具——基因型在配子形成时随机分配，天然适合作为工具变量，为表达–表达、表达–表型之间的边定向（孟德尔随机化思想的组学版本）；其三，把更多层次一并纳入——蛋白质、代谢物（6.2 节）与临床表型的配对矩阵，构成多层因果网络的推断问题。这三条路线合起来，就是 6.4 节多组学数据整合与网络推理的主题。