多基因遗传病

多基因遗传病(polygenic disease)，又称复杂疾病(complex disease)或多因子疾病(multifactorial disease)，是由多个微效基因(multiple minor genes)与环境因素相互作用而引发的疾病。这类疾病不遵循孟德尔单基因遗传的分离律和自由组合律，而是呈现家族聚集性但无明确遗传模式，其表型变异呈连续分布，在人群中表现为易患性(liability)的阈值模型(threshold model)。随着基因组学与生物信息学的发展，多基因病已成为遗传学、临床医学及公共卫生领域的研究热点。

早在20世纪初，生物统计学派如Galton和Fisher就提出多因子遗传假设，认为数量性状由多个微效基因控制。1918年Fisher的里程碑论文《孟德尔遗传假设下亲属间的相关性》奠定了多基因遗传的数学基础。1960年代，Falconer提出阈值模型，将易患性假说与疾病分类学结合，用于解释糖尿病、精神分裂症等复杂疾病的遗传机制。2005年后，全基因组关联研究(GWAS)的开展使得大规模筛选疾病易感位点成为可能，但同时也暴露出多基因遗传的复杂性——单个位点贡献极小（OR通常<1.5），且存在大量遗传度缺失(missing heritability)。

多基因病的遗传基础包括：1) 累加效应(additive effect)：多个易感等位基因的效应可线性叠加，个体携带的危险等位基因越多，患病风险越高。2) 遗传异质性(genetic heterogeneity)：不同个体或群体可能由不同基因组合致病，如2型糖尿病在不同种族中主效基因不同。3) 上位效应(epistasis)：基因间相互作用可增强或削弱单个基因的效应。4) 等位基因异质性(allelic heterogeneity)：同一基因内不同突变可能导致相同表型。5) 表观遗传修饰(epigenetic modification)：DNA甲基化、组蛋白修饰等可改变基因表达，导致疾病风险差异。

经典方法包括双生子研究(twin study)、家系研究(family study)和收养研究(adoption study)，用以估算遗传度(heritability, h²)。现代分子遗传学方法主要有：连锁分析(linkage analysis)适用于主效基因效应较大的多基因病；候选基因关联研究(candidate gene association study)基于生物学假设选择基因；全基因组关联研究(GWAS)无假设扫描数百万个单核苷酸多态性(SNP)，是目前主流策略；全外显子/全基因组测序(WES/WGS)可发现稀有变异；多基因风险评分(polygenic risk score, PRS)整合多个SNP效应，用于风险预测。此外，通路分析(pathway analysis)、基因集富集分析(GSEA)及系统生物学方法也逐渐应用。

2型糖尿病(T2D)：全球患病率约9%，已报道400余个易感位点，如TCF7L2、KCNJ11等，单个位点风险增加仅10-20%，但PRS可区分高危人群。环境因素如肥胖、久坐是重要触发因素。冠心病(CAD)：9号染色体短臂(9p21)位点是最早发现的强关联区域，但其机制尚未完全阐明。GWAS已锁定160余个位点，但仅解释约20%遗传度。精神分裂症：遗传度高达80%，但单个SNP贡献极微，GWAS发现108个独立位点，同时存在罕见拷贝数变异(CNV)贡献。此外，自身免疫病如类风湿关节炎、炎症性肠病等也属典型多基因病。

主要挑战包括：“缺失遗传度”难题：已发现位点解释的遗传度远低于家系研究估算值，可能原因有稀有变异贡献、基因间交互、表观遗传及环境因素等。改进策略包括增加样本量、关注低频/稀有变异、整合多组学数据。遗传异质性与种族差异：多数GWAS基于欧洲人群，跨种族验证不足，限制了预测模型的普适性。未来需推进全球多样化人群研究。因果变异鉴定：关联位点多为标记SNP，需精细定位(fine-mapping)和功能验证确定因果基因。单细胞测序、CRISPR筛选等新技术正被用于解析机制。从风险预测到干预：PRS虽能分层人群，但临床效用尚待评估，需结合其他生物标志物。药物基因组学可能指导个体化治疗，如他汀类药物响应与特定遗传变异相关。伦理与教育：多基因风险信息可能带来标签效应或焦虑，需加强遗传咨询和公众教育。

多基因遗传病是遗传与环境因素非线性互作的复杂系统，其研究正从单一位点走向网络、从关联走向因果、从描述走向预测。尽管前路挑战重重，但伴随大规模人群队列、多组学整合及人工智能技术的进步，人类对多基因病的认识将不断深入，最终转化为疾病预防、诊断和治疗的实用方案。

• Falconer, D. S. (1965). The inheritance of liability to certain diseases, estimated from the incidence among relatives. Annals of Human Genetics, 29(1), 51-76.
• Visscher, P. M., et al. (2017). 10 years of GWAS discovery: biology, function, and translation. American Journal of Human Genetics, 101(1), 5-22.
• Bulik-Sullivan, B. K., et al. (2015). LD Score regression distinguishes confounding from polygenicity in genome-wide association studies. Nature Genetics, 47(3), 291-295.
• Khera, A. V., et al. (2018). Genome-wide polygenic scores for common diseases identify individuals with risk equivalent to monogenic mutations. Nature Genetics, 50(9), 1219-1224.
• Manolio, T. A., et al. (2009). Finding the missing heritability of complex diseases. Nature, 461(7265), 747-753.
• Timpson, N. J., et al. (2018). Genetic architecture: the shape of the genetic contribution to human traits and disease. Nature Reviews Genetics, 19(2), 110-124.
• McCarthy, M. I., et al. (2008). Genome-wide association studies for complex traits: consensus, uncertainty and challenges. Nature Reviews Genetics, 9(5), 356-369.
• Golan, D., et al. (2014). Measuring missing heritability: inferring the contribution of common variants. Proceedings of the National Academy of Sciences, 111(47), E5272-E5281.