芝加哥大学研究人员开发的一种新统计工具提高了发现导致疾病的遗传变异的能力。2024 年 1 月 26 日发表在《自然遗传学》上的一篇新论文描述了该工具，它结合了全基因组关联研究 (GWAS) 的数据和基因表达的预测，以限制假阳性的数量，并更准确地识别致病基因和变异。疾病。

GWAS 是一种常用的方法，用于识别与一系列人类特征(包括最常见的疾病)相关的基因。例如，研究人员将一大群患有特定疾病的人的基因组序列与另一组来自健康个体的序列进行比较。在疾病组中发现的差异可能表明遗传变异会增加该疾病的风险，并值得进一步研究。

然而，大多数人类疾病并不是由单一遗传变异引起的。相反，它们是多个基因、环境因素和许多其他变量复杂相互作用的结果。因此，GWAS 通常会识别出基因组中许多区域与疾病相关的许多变异。

然而，GWAS 的局限性在于它只能识别关联性，不能识别因果关系。在典型的基因组区域中，由于一种称为连锁不平衡的现象，许多变体彼此高度相关。这是因为 DNA 是通过整个区块而不是单个基因从一代传递到下一代的，因此附近的变异往往是相关的。

“一个区块中可能有许多遗传变异，这些变异都与疾病风险相关，但你不知道哪一个实际上是因果变异，”人类遗传学副教授、高级研究员 Xin He 博士说。这项新研究的作者。“这是 GWAS 的根本挑战，即我们如何从关联转向因果关系。”