从候选基因到全基因组：GWAS 的起源、术语与分析流程

前 GWAS 时代的两种方法#

在 GWAS 出现之前，定位复杂性状的遗传位点主要靠两样东西：连锁分析和候选基因研究。

连锁分析利用家系中遗传标记与表型的共分离来定位致病基因。原理很直觉——同一条染色体上距离近的位点不容易被重组分开，倾向于一起传给后代。但这个方法需要收集多代家系样本，成本高，对复杂性状（多个微效基因加环境）功效很低，定位精度也粗糙，通常是 Mb 级别的区域。

候选基因研究则是基于已有的生物学认知，选几个”嫌疑基因”，在 case-control 群体中比较等位基因频率。问题在于：它依赖对性状生物学的先验知识，无法发现全新基因；早期研究普遍样本量只有几百例，统计功效低；大量结果无法被独立重复——可重复性危机。

2000 年代初，遗传学界逐渐认识到：复杂性状的遗传结构是高度多基因的，单个基因的效应极小。需要一种无假设驱动的、全基因组覆盖的关联分析方法。GWAS 由此诞生。

三个技术前提#

GWAS 能落地，靠的是三个基础设施在同期的成熟：

人类基因组计划（HGP, 1990–2003） 提供了参考序列，让变异检测成为可能。

国际 HapMap 计划（2002–2009） 系统性地绘制了人类常见 SNP（MAF > 5%）及其连锁不平衡结构。HapMap 的关键发现是：人类基因组以 LD block 为结构单元，每个 block 内的 SNP 高度相关，可以用少数 tag SNP 代表整个 block。这意味着只需分型 30 万~50 万个 tag SNP，就能覆盖基因组中大多数常见变异——直接降低了全基因组关联的成本。

高通量 SNP 芯片技术 让大规模人群的基因分型在经济上可行。Illumina 和 Affymetrix 开发了可并行检测数十万至数百万 SNP 的商业芯片。

三个条件缺一不可：没有参考基因组就不知道变异在哪，没有 HapMap 就不知道需要检测哪些位点，没有芯片就付不起全基因组分型的代价。

关键里程碑#

2005 年 Klein 那篇论文值得一提。仅用 96 例患者和 50 例对照，就发现了 CFH 基因上一个效应量远超此前候选基因研究的 SNP。这在今天看来样本量小得不可思议，但它证明了全基因组无假设扫描的可行性——一个范式的确立往往不需要大样本，需要一个巧妙的研究设计。

WTCCC 则把 GWAS 推向了主流。它同期对 7 种疾病做了关联分析，建立了 case-control 设计的标准范式，并确立了 $p < 5 \times 10^{-8}$ 这个至今仍在使用的全基因组显著性阈值。

跨学科扩展#

GWAS 起源于人类疾病遗传学，但方法框架已被广泛移植到农业育种（作物产量、抗病性）、畜牧遗传（产奶量、肉质）、水产养殖（生长速率）、进化生物学（检测自然选择的基因组信号）等领域。不同物种面临不同挑战：参考基因组质量参差不齐，LD 衰减模式差异大（鸡和狗的 LD 范围远大于人类，鱼类则更小），群体结构可能更复杂。但核心分析逻辑是相通的。

基础概念#

统计遗传#

分析环节#

数据格式#

第一步：明确生物学问题#

一切 GWAS 都始于一个问题：

对什么物种的什么表型进行关联分析？

这决定了后续所有环节：

第二步：样本策略与统计功效#

GWAS 首选无关个体（unrelated individuals）。如果样本中存在隐性亲缘关系，应在关联检验阶段通过 LMM 中的 GRM 显式建模。

在开始实验前应估算所需样本量。统计功效取决于四个因素：样本量 $N$（功效 roughly 与 $\sqrt{N}$ 成正比）、效应量、MAF、显著性阈值。经验法则：对于连续性状，要检测解释 0.1% 表型方差的 SNP（MAF = 0.3），在 $\alpha = 5 \times 10^{-8}$ 下达到 80% 功效约需 30,000 样本。功效计算可用 GAS Power Calculator 或 QUANTO。

对于 case-control 设计，对照应来自与病例相同的源人群。极端不平衡（如 1:100）会严重损害检验功效，可使用 SAIGE 等方法处理。

第三步：基因分型策略#

人类 GWAS 常用 Illumina GSA（约 70 万 SNP，多民族优化）或 Infinium Omni 系列（约 250 万 SNP）。非模式生物通常选通用高密度芯片或定制芯片。

第四步：质量控制（QC）#

QC 是整个 GWAS 分析中最关键的步骤。设计不当或 QC 不足将直接导致下游结果不可靠。

1
plink --bfile data --missing --out sample_missing
2
plink --bfile data --mind 0.05  # 移除缺失率 > 5% 的样本

1
plink --bfile data --check-sex --out sex_check

1
plink --bfile data --het --out het_check

1
king -b data.bed --related --degree 2

1
plink --bfile data --pca 10 --out pca_result

1
plink --bfile data --geno 0.05

1
plink --bfile data --hwe 1e-6 --out hwe_check

第五步：群体分层处理#

QC 完成后，对清洁数据进行 LD 修剪后的 PCA，取前 5~20 个主成分用于可视化和后续校正。

1
plink --bfile clean_data --indep-pairwise 50 5 0.2 --out ld_pruned
2
plink --bfile clean_data --extract ld_pruned.prune.in --pca 20 --out pca_final

校正策略有三种选择：

当前最推荐的是 LMM + PC 协变量的组合。

第六步：关联检验#

经过 QC 和群体结构校正后，进入正式的关联检验。根据数据规模和性状类型选择工具：

第七步：可视化与下游分析#

关联检验的结果通过曼哈顿图和 Q-Q 图进行初步评估。达到全基因组显著性阈值（$p < 5 \times 10^{-8}$）的位点进入精细定位和功能注释。

精细定位通过贝叶斯方法（FINEMAP、SuSiE）计算每个 SNP 的后验包含概率（PIP），构建 95% 可信集，缩小因果变异范围。共定位分析（coloc）则检验 GWAS 信号与 eQTL 信号是否共享因果变异，为功能解读提供线索。