【多基因风险评分】解锁个体健康风险的遗传密码：原理、应用与未来洞察

在精准医疗的浪潮中，多基因风险评分（Polygenic Risk Score, PRS）正逐渐成为一股革新性的力量。它超越了传统单一基因疾病的范畴，旨在量化个体对复杂疾病的遗传易感性，为疾病的早期预防、诊断和个性化治疗提供了前所未有的视角。本文将围绕PRS的核心疑问，深入探讨其“是什么”、“为什么”、“哪里用”、“多少算”、“如何算”以及“怎么用”。

PRS是什么？

多基因风险评分，简称PRS，是一个综合性的数值指标，它通过整合个体基因组中数以万计甚至百万计的常见遗传变异（如单核苷酸多态性，SNP）信息，并根据每个变异与特定复杂疾病或性状的关联强度进行加权计算，最终得出的一个综合性分数。这个分数旨在反映一个人因遗传因素而对某种疾病的易感程度。

• 核心构成：
  • SNP（单核苷酸多态性）： 基因组中最常见的遗传变异形式，指的是DNA序列中单个核苷酸的变异。PRS主要基于这些普遍存在的、效应微小的SNP。
  • 效应量（Effect Size）： 每个SNP对疾病风险的贡献大小，通常来自全基因组关联研究（GWAS）的结果，表现为对数优势比（log odds ratio）或Beta系数。
  • 等位基因计数： 统计个体基因型中与疾病风险增加相关的“风险等位基因”的数量。
• 与孟德尔遗传病的区别：

  与传统上由单一基因突变导致的孟德尔遗传病（如囊性纤维化、亨廷顿病）不同，PRS旨在量化由众多微效基因变异累积贡献的风险。对于大多数常见复杂疾病，如心脏病、糖尿病、某些癌症和精神疾病，其发病并非由单一基因决定，而是遗传、环境和生活方式等多方面因素共同作用的结果。PRS正是为了捕捉这种多基因遗传贡献而设计的。

• 分数表现形式：

  PRS本身通常是一个连续的数值，其具体含义需要与特定人群的分布进行比较。常见的解读方式包括：

  1. 百分位数（Percentile）： 例如，某个体的PRS值处于人群中的90百分位，意味着其遗传风险高于90%的同源人群。
  2. 相对风险（Relative Risk）： 将某个PRS区间的个体与参考组（如人群平均风险）进行比较，得出其患病风险是参考组的多少倍。
  3. 标准差单位： 表示个体PRS值偏离人群平均值多少个标准差。

为什么需要PRS？

开发和应用PRS的核心动力在于其能够弥补传统风险评估方法的不足，并推动精准医疗的发展。

• 应对复杂疾病的遗传异质性：

  大多数常见疾病是复杂的、多基因的，这意味着它们由许多基因和环境因素共同决定。传统的单基因检测无法全面捕捉这种复杂性。PRS通过整合海量遗传信息，为这些疾病的遗传易感性提供了一个更全面的视图。

• 实现疾病的早期风险识别：

  在疾病症状出现之前，甚至在生命早期，PRS就可以评估个体未来患特定疾病的遗传风险。这为早期干预、预防性治疗和个性化筛查提供了可能，有望显著改善疾病预后。

• 优化资源分配与个性化干预：

  通过PRS识别出高风险人群，医疗系统可以更精准地分配医疗资源，例如：

  • 对高风险个体进行更频繁的筛查或监测。
  • 针对性地提供生活方式干预或预防性药物。
  • 避免对低风险个体进行不必要的过度医疗干预。
• 赋能药物研发与临床试验：

  PRS有助于识别对特定药物反应敏感或不敏感的患者群体，从而提高临床试验的成功率，并推动开发更具靶向性的治疗方案。它还可以帮助理解疾病的生物学机制，发现新的药物靶点。

• 弥补传统风险模型的不足：

  传统风险评估模型通常依赖于临床指标、家族史和生活习惯。虽然这些因素很重要，但它们未能充分利用个体的遗传蓝图信息。PRS能够与这些传统因素结合，构建更全面、更精确的风险预测模型。

PRS在哪些领域可以应用？

PRS的应用前景广阔，涵盖了从健康管理到药物研发的多个层面。

临床实践

• 疾病风险评估与分层：

  PRS可以用于评估个体在生命周期中罹患特定复杂疾病（如冠心病、2型糖尿病、乳腺癌、前列腺癌、阿尔茨海默病、精神分裂症等）的终生遗传风险。根据风险高低，将个体划分为高、中、低风险组，从而指导后续的临床管理。

  • 心血管疾病： 预测心肌梗死、中风等风险，指导早期生活方式干预或他汀类药物使用。
  • 癌症： 识别乳腺癌、前列腺癌、结直肠癌等高风险个体，指导更早或更频繁的筛查（如乳腺X光检查、结肠镜检查）。
  • 2型糖尿病： 评估患病风险，指导饮食控制、体育锻炼或早期药物干预。
  • 神经精神疾病： 辅助精神分裂症、抑郁症、双相情感障碍和阿尔茨海默病等疾病的风险评估，为早期干预和患者教育提供依据。
• 个性化预防与筛查：

  针对高PRS个体，可以量身定制预防策略，例如：

  • 健康生活方式指导： 对于高风险的2型糖尿病个体，提供更严格的饮食和运动建议。
  • 增强医学监测： 对高风险的乳腺癌个体，建议提前开始或加密乳腺筛查频率。
  • 早期干预： 某些情况下，可在疾病发作前考虑预防性药物治疗。
• 药物反应预测：

  PRS有望预测个体对某些药物的反应性或不良反应风险，从而指导临床医生选择最适合患者的药物和剂量，实现药物治疗的精准化。

• 辅助诊断与鉴别诊断：

  在某些情况下，当临床症状不典型时，PRS可以作为辅助信息，帮助医生更准确地诊断疾病或进行鉴别诊断。

科研领域

• 疾病机制研究：

  PRS与表型之间的关联有助于揭示疾病的潜在生物学路径和基因-环境相互作用，从而加深对疾病发病机制的理解。

• 药物靶点发现：

  通过研究与高PRS相关的遗传区域，可以发现新的基因和通路，为新药研发提供潜在靶点。

• 人群健康研究：

  PRS被广泛应用于大型生物样本库（如英国生物样本库UK Biobank）的研究，以探索遗传风险在不同人群和生活环境中的分布及其对疾病负担的影响。

制药与生物技术行业

• 临床试验设计与招募：

  利用PRS可以识别具有高遗传风险的潜在受试者，或者根据遗传背景对受试者进行分层，从而提高临床试验的效率和成功率。

• 药物上市后监测：

  评估特定药物在不同PRS人群中的有效性和安全性，为药物的精准用药提供更多证据。

多少PRS才算高风险？如何解读？

PRS本身是一个数值，其“高”或“低”的判断以及所代表的风险水平，并非一个简单的绝对阈值，而是需要结合统计学、人群背景和临床上下文进行专业解读。

PRS的解读维度

• 百分位数：

  这是最直观的解读方式。例如，如果一个人的PRS在人群中处于前1%，这意味着他的遗传风险高于99%的同源人群。处于前5%或前10%通常也认为是高风险区间。具体的百分位阈值会根据不同疾病和临床目标而设定。

  例： 某位女士的乳腺癌PRS位于人群的95百分位。这意味着她因遗传因素患乳腺癌的风险高于95%的女性。这可能提示她需要更早开始乳腺钼靶检查，或者考虑额外的筛查手段（如乳腺MRI）。

• 相对风险：

  PRS可以用于计算高风险人群相对于普通人群（或低风险人群）的患病几率。例如，PRS位于前5%的个体，其患冠心病的风险可能是人群平均水平的2到3倍。

  例： 针对冠心病，研究可能显示PRS在前5%的个体，其终生患病风险是PRS处于中间50%个体的3倍。这种倍数关系提供了更具体的风险量化。

• 标准差单位：

  PRS通常被标准化，使其平均值为0，标准差为1。因此，PRS值为+1表示其遗传风险比平均水平高一个标准差。这有助于进行跨研究的比较。

• 绝对风险：

  PRS本身不直接提供绝对风险（如“你未来10年患病几率是X%”），但它可以与其他临床和环境因素（如年龄、性别、体重指数、家族史、生活习惯等）结合，通过多变量风险预测模型来计算个体的绝对终生风险或特定时间段内的风险。

  例： 一个结合了PRS、年龄、BMI、吸烟史和血压的风险模型，可以预测一位50岁男士未来10年内发生心血管事件的概率。

预测能力（“多少”能预测？）

PRS的预测能力，即它能解释多少疾病风险的变异，是衡量其临床实用性的关键指标，通常通过以下统计量来评估：

• ROC曲线下的面积（AUC, Area Under the Receiver Operating Characteristic Curve）： AUC值范围在0.5到1之间。0.5表示预测能力与随机猜测无异，1表示完美预测。PRS的AUC值通常在0.6到0.8之间，表明其具有一定的预测能力，但并非完美。
• 解释方差百分比（R-squared）： 表示PRS能解释多少比例的疾病表型变异。对于复杂疾病，PRS通常能解释5%到20%的遗传变异。这表明PRS是重要的，但疾病发生还受其他（遗传和非遗传）因素的影响。
• 风险分层能力： PRS能将人群有效地区分为高风险和低风险群体的能力。例如，PRS最高分位的个体患病率是否显著高于最低分位。

重要考量

• PRS不是诊断工具： PRS评估的是“遗传易感性”或“风险”，而非诊断“是否患病”。高PRS不等于一定会患病，低PRS也不等于绝不会患病。它提供的是概率和倾向性。
• 人群特异性： PRS的计算和有效性高度依赖于其开发和验证所基于的人群（祖先背景）。一个在欧洲人群中构建的PRS，可能在亚洲或非洲人群中效果大打折扣，甚至完全失效，因为不同人群的基因频率和连锁不平衡模式存在差异。
• 疾病特异性： 不同疾病的PRS预测能力差异很大。对于某些疾病（如冠心病、乳腺癌、精神分裂症），PRS已显示出较好的预测潜力；而对于另一些疾病，其预测能力可能有限。
• 与其他风险因素的结合： 最有效的风险评估通常是将PRS与传统的临床风险因素（如年龄、性别、BMI、吸烟史、家族史、血压、血脂等）结合起来，构建综合风险模型。PRS是锦上添花，而非取而代之。

PRS如何计算？

PRS的计算是一个多步骤的过程，通常需要大规模的基因组数据和复杂的生物信息学方法。

1. 基础数据获取：全基因组关联研究（GWAS）

• 大规模发现队列： 首先，需要一个庞大的“发现队列”（Discovery Cohort），其中包含大量患病个体和健康对照个体的基因组数据，以及他们的疾病表型信息。例如，英国生物样本库（UK Biobank）拥有超过50万人的基因组和健康数据，是PRS研究的重要资源。
• SNP-表型关联分析： 对这些数据进行全基因组关联研究（GWAS）。GWAS通过统计学方法，逐一分析基因组中每个SNP与特定疾病或性状之间的关联强度（即效应量或风险比）。这会产生一个包含数百万个SNP，每个SNP都有一个效应量（beta值或log(OR)）和关联P值的结果文件。

2. SNP选择与权重分配

从GWAS结果中选择用于构建PRS的SNP，并分配其权重是核心步骤。理想情况下，我们会选择那些与疾病强关联且独立（或尽可能独立）的SNP。

• 权重： 每个SNP的权重通常是其在GWAS中得到的效应量（beta系数或对数优势比）。这个效应量反映了该SNP每增加一个风险等位基因对疾病风险的线性贡献。
• P值阈值： 传统方法会根据P值设定一个阈值（例如P < 5x10^-8），只选择达到统计显著性的SNP。然而，许多微效但未达到全基因组显著性的SNP也可能对PRS有贡献，因此现代方法会更灵活地利用这些信息。
• 连锁不平衡（LD）校正： 由于基因组中的SNP并非完全独立，它们之间可能存在连锁不平衡（LD），即彼此遗传自同一条染色体的倾向。如果直接将所有关联SNP纳入计算，可能会重复计算某些遗传信号。因此，需要进行LD校正。
• 剪枝与阈值法（P+T, Pruning and Thresholding）： 这是一种较早且直观的方法。它首先根据P值阈值选择SNP，然后通过“剪枝”去除那些与其他强关联SNP处于高LD状态的SNP。
• 贝叶斯方法（如LDpred, PRS-CS）： 这些是更先进的方法，它们在模型中直接考虑了SNP之间的LD结构，并假设所有SNP（包括那些未达到显著性的）都对表型有贡献。它们通过复杂的统计模型同时估计每个SNP的效应量，并调整LD影响，以提供更精确的PRS权重。这些方法通常能构建出预测能力更强的PRS。
• 其他机器学习方法： 一些研究也探索使用Lasso、Elastic Net、SBLUP等机器学习算法来选择SNP并分配权重。

3. 个体PRS计算

一旦确定了要纳入的SNP及其权重，对个体PRS的计算就相对直接了。

• 基因型数据： 需要获取待评估个体的基因型数据（通常通过SNP芯片或全基因组测序获得）。
• 加权求和： 对于每个个体，PRS的计算公式通常为：

  PRS = ∑ (基因型 * SNP权重)

  • 其中，“基因型”通常表示为风险等位基因的拷贝数（0, 1或2）。
  • “SNP权重”是该SNP的效应量（如GWAS中的beta系数）。
  • 这个求和过程遍历所有被纳入PRS的SNP。

4. PRS的标准化与验证

• 标准化： 原始PRS值通常会被标准化，以便在不同研究或人群中进行比较，例如转化为Z分数（均值为0，标准差为1）或百分位数。
• 独立验证： 最关键的一步是在一个独立的、未用于PRS构建的“验证队列”（Validation Cohort）中评估PRS的预测性能。这个验证队列应与发现队列具有相似的人群背景，以确保PRS的泛化能力。

PRS怎么用？如何融入健康管理？

将PRS从实验室数据转化为有意义的临床应用，需要谨慎的流程设计和专业的解读。

1. 遗传数据采集与PRS计算

• 基因检测： 个体通过唾液或血液样本进行基因组DNA提取，然后进行基因分型（SNP芯片）或全基因组测序（WGS）。
• PRS报告生成： 专业的基因组公司或实验室根据上述计算方法，为个体生成特定疾病的PRS报告。报告通常会包含PRS的原始值、在参考人群中的百分位数以及相应的相对风险。

2. 专业解读与遗传咨询

• 遗传咨询师的角色： 这是PRS应用中至关重要的一环。遗传咨询师会向个体解释PRS报告的含义、其局限性、并非诊断结果，以及它与其他风险因素（如家族史、生活方式）的关系。他们会强调高PRS不等于必然患病，低PRS不等于绝对安全。
• 风险沟通： 确保个体充分理解PRS所代表的“概率”而非“宿命”，避免不必要的焦虑或虚假的安全感。

3. 融入临床决策流程

• 综合风险评估： PRS不应孤立使用。临床医生会将其与传统的临床风险因素（如年龄、性别、BMI、血压、胆固醇水平、吸烟史、家族史）、生活方式（饮食、运动）以及其他生物标志物（如血液检查结果）结合起来，进行全面的风险评估。
• 个性化预防策略：
  • 增强筛查： 对PRS高风险个体，可能建议更早、更频繁地进行特定疾病的筛查。例如，高遗传风险的乳腺癌女性可能被建议提前开始乳腺X线检查，或考虑乳腺MRI。
  • 生活方式干预： 针对2型糖尿病高PRS个体，医生可能会提供更积极的饮食和运动指导，并强调定期监测血糖的重要性。
  • 预防性药物： 在某些高风险情况下，医生可能会与患者讨论预防性药物治疗的可能性（例如，高PRS的冠心病风险个体可能更早开始他汀类药物治疗）。
• 药物选择与剂量调整： 基于PRS预测药物反应的潜力，指导医生为患者选择最佳药物或优化剂量，以提高疗效并降低副作用。
• 健康教育与赋能： 帮助个体更好地理解自己的健康风险，从而做出更明智的健康决策，并积极参与到自身的健康管理中。

4. 伦理、法律和社会影响（ELSI）

PRS的应用带来了一系列伦理挑战，需要在使用过程中审慎考虑：

• 知情同意： 确保个体充分理解检测的目的、PRS的局限性及其潜在影响。
• 隐私与数据安全： 基因数据是高度敏感的个人信息，必须确保其存储和使用符合最高标准的隐私保护和数据安全要求。
• 遗传歧视： 担忧基因信息可能被用于就业、保险或其他方面的歧视。需要健全的法律法规来保护个体权利。
• 公平性与可及性： 目前PRS在欧洲人群中开发较多，其在非欧洲人群中的适用性存在局限性。如何确保PRS的益处能够公平地惠及所有人群，避免加剧健康不平等，是一个重要挑战。
• 误解与焦虑： 确保公众对PRS的理解正确，避免将其视为“命运宣判”，减少不必要的心理负担。

5. 持续研究与完善

PRS领域仍在快速发展，未来的应用将更加广泛和深入：

• 多维度整合： 将PRS与表观遗传学、蛋白质组学、代谢组学、微生物组学等“组学”数据结合，构建更全面、更精准的风险预测模型。
• 算法优化： 开发更先进的机器学习和人工智能算法，提高PRS的预测能力和跨人群泛化能力。
• 临床转化： 进行更多的前瞻性临床研究，验证PRS在不同疾病和人群中的临床实用性和经济效益。

总之，多基因风险评分作为解码个体遗传风险的强大工具，正逐步从科研走向临床。它的核心价值在于提供早期预警，助力个性化预防和精准医疗。然而，其广泛应用仍需跨学科的努力，包括技术进步、严格的临床验证、健全的伦理规范以及专业的解读与咨询服务。