摘要：你有没有好奇过，为什么家族里总有那么些特别高、特别聪明的人？这背后藏着一个看似清晰，实则深邃的遗传学秘密——“遗传力”（heritability）。长期以来，研究人员都在努力量化由基因组中常见“单核苷酸多态性”（SNP）解释的性状变异比例，也就是我们常说的“S

你有没有好奇过，为什么家族里总有那么些特别高、特别聪明的人？这背后藏着一个看似清晰，实则深邃的遗传学秘密——“遗传力”（heritability）。长期以来，研究人员都在努力量化由基因组中常见“单核苷酸多态性”（SNP）解释的性状变异比例，也就是我们常说的“SNP基础遗传力”（SNP-based heritability, h²_SNP）。这就像我们研究一座遗传“冰山”，看似已掌握了大部分露出水面的部分。然而，水面之下，是否还隐藏着更庞大、更复杂的遗传机制，正悄无声息地影响着我们对性状遗传模式的认知？

最新研究揭示，确实有！这股隐形力量，就是常常被忽视的“配子相不平衡”（Gametic Phase Disequilibrium, GPD）。它不像传统的连锁不平衡（LD）那样发生在紧密相连的基因位点之间，而是指那些在基因组上相隔甚远，甚至位于不同染色体上的基因变异，由于“婚配选择”（assortative mating, AM）——比如高个子倾向于和高个子结婚，或者“群体分层”（population stratification, PS）——不同地域人群基因频率的自然差异，而在人群中表现出超出预期的“共现”趋势。你可以想象成，原本各自独立的基因“个体”，在这些非随机力量的作用下，不知不觉中“牵手”，形成了一种全新的、方向性的“基因联动”。

那么，这种隐秘的“基因牵手”究竟对我们的身高、智力、甚至健康有多大影响？5月19日发表于《Nature Genetics》上的一项重磅研究“The contribution of gametic phase disequilibrium to the heritability of complex traits”，正是为了解答这一疑问！研究团队开发了一种创新方法——“离散基因组限制性最大似然法”（Disequilibrium Genome-based Restricted Maximum Likelihood, DGREML），它就像一把锋利的“手术刀”，能够首次同时精确量化SNP的附加遗传力贡献，以及GPD带来的方向性协方差。利用全球55万余人的基因组数据，惊人地发现，在身高、教育程度、智力等关键性状中，这种跨染色体的GPD效应竟然能贡献高达10-27%的SNP基础遗传力！这不仅重塑了我们对单一性状遗传力的理解，甚至还深刻影响着性状间的遗传相关性！

解锁遗传的“神秘搭档”：什么是配子相不平衡（GPD）？

要理解GPD，我们首先要从基因的“独立宣言”说起。在经典的孟德尔遗传学中，非同源染色体上的基因是独立遗传的，这意味着它们在后代中的组合是随机的。然而，生命远比我们想象的复杂。配子相不平衡（GPD）正是这种“独立宣言”的一个“例外”——它指的是在不同染色体上，或者同一染色体上距离较远的、没有物理连锁关系的基因位点之间，等位基因的非随机关联。

想象一下，你有一个决定身高的基因A和一个决定智力的基因B，如果它们位于不同的染色体上，那么从理论上讲，你从父母那里继承到的A等位基因和B等位基因应该是独立组合的。但GPD告诉我们，事实并非总是如此。它们可能倾向于以某种特定的组合方式遗传，比如，高个子倾向于拥有更高的智力，那么决定高个子的基因位点和决定高智力的基因位点之间，就可能出现GPD。

那么，是什么力量导致了这种“跨越山海”的基因关联呢？主要有两个“幕后推手”：

选型交配（Assortative Mating, AM）：这是最主要的驱动力。选型交配是指个体在选择配偶时，倾向于选择那些在某种性状上与自己相似的人。比如，“高个子找高个子，聪明人找聪明人”。这种“门当户对”不仅发生在社会层面，也深刻影响着基因的传递。当夫妻双方在某个性状上高度相似时，他们携带的与该性状相关的基因位点，无论是否紧密连锁，都可能在后代中形成非随机的组合。经过多代选型交配，这些原本独立的基因位点就会在人群中形成GPD。简单来说，如果高个子倾向于找高个子，那么随着时间的推移，决定身高的众多基因位点（即使它们分散在不同染色体上）就会倾向于在人群中“抱团”，形成一种定向的遗传关联。

群体分层（Population Stratification, PS）：想象一下，一个大群体由几个小群体组成，而这些小群体在基因上存在差异（比如，不同祖先来源的群体）。如果这些小群体之间在某个性状的平均值上也有差异，那么在整个大群体中进行遗传分析时，就可能观察到GPD。这并不是因为基因之间真的有功能上的关联，而是因为不同群体的基因频率和性状分布不同，从而引入了一种“统计学上”的非随机关联。

了解了GPD的本质和驱动因素，我们就能更好地理解为什么这项新研究如此重要。因为它不仅仅是量化了遗传力，更是在探究一种我们此前未曾充分捕捉到的基因组“协同效应”。

探秘“幕后英雄”：DGREML方法闪亮登场

传统的基因组限制性最大似然法（GREML）在估算h²_SNP时，通常假设个体基因组中SNP位点的影响是随机的，且彼此独立，或者说它们符合“随机婚配”的假设。然而，正如我们前文提到的，选型交配（AM）的存在打破了这一假设，导致传统的GREML估算结果可能出现偏差。想象一下，如果一对夫妇都非常聪明，那么他们不仅会传递与智力相关的基因，而且这些基因可能在他们的后代中以一种非随机的方式组合，从而导致智力相关的SNP位点之间出现GPD。传统的GREML方法未能充分考虑到这种由AM引起的SNP效应与基因型之间的非独立性，因此可能高估了实际的遗传力。

为了解决这一难题，这项研究引入了一种创新的方法——不平衡基因组限制性最大似然法（Disequilibrium Genome-based Restricted Maximum Likelihood, DGREML）。 DGREML的核心在于，它不再简单地假设SNP效应是随机且独立的，而是通过一种巧妙的模型设计，来捕捉SNP效应与基因型之间的非独立性，这种非独立性正是GPD的体现。

DGREML模型的巧妙之处在于，它将SNP对性状的遗传贡献分解为两个关键组成部分：

随机婚配遗传方差（σ²_g）：这部分代表了在随机婚配人群中，由SNP解释的遗传方差。它是我们传统意义上理解的“基因组加性遗传力”的核心。

不平衡遗传方差（δ）： 这正是DGREML的创新之处！它量化了由GPD引起的额外遗传贡献，可以理解为“定向协方差”的贡献。如果δ显著不为零，就意味着存在由AM或群体分层（PS）引起的，跨基因组的等位基因定向关联效应。

DGREML的强大之处体现在：

更准确地量化遗传力：它能够更全面地评估SNP对性状的遗传贡献，区分开随机婚配下的遗传力和GPD带来的额外贡献。

无需配偶信息，检测选型交配：传统上，研究选型交配通常需要大量的配偶数据。但DGREML的独特优势在于，它可以在缺乏配偶信息的情况下，仅通过个体基因组数据来检测并量化AM的存在及其强度。这是因为它直接捕捉了AM在基因组上留下的“印记”——GPD。

有效处理群体分层： DGREML还能够通过将遗传主成分（principal components, PCs）作为固定效应纳入模型，有效地调整和去除群体分层对遗传力估算造成的混淆效应。这意味着它能更精准地揭示GPD的真实贡献，而不是简单地将其归因于群体结构。

简而言之，DGREML就像一个更高级的“基因侦探”，它不仅能看到基因的“表面价值”，还能深入挖掘那些由人类社会行为（如选型交配）或历史因素（如群体迁移）在基因组中留下的“隐形线索”，从而为我们呈现一幅更加完整和细致的遗传图景。

模拟世界的“大演练”：DGREML的实战能力

在将DGREML应用于真实世界的人类数据之前，研究团队首先通过大规模的模拟实验，对DGREML的性能和稳健性进行了全面评估。这就像是新式武器在投入战场前，必须在模拟训练场上进行严苛的考验，以确保其可靠性和准确性。

情景一：选型交配（AM）下的模拟

研究人员模拟了一个经历十代选型交配的群体，其中性状由10,000个独立致病SNP控制，预期平衡遗传力（h²_eq）分别为0.25或0.5。他们改变了配偶表型相关性（r）从0到0.6，以模拟不同强度的AM。

传统方法的“失误”：模拟结果显示，在选型交配存在的情况下，传统的GREML方法会系统性地高估SNP遗传力（σ²_g）。例如，当平衡遗传力为0.25且配偶相关性为0.4时，GREML估算的遗传力会偏高；当配偶相关性为0.6时，偏差则更为明显。这验证了先前研究的发现：AM确实会扭曲传统遗传力估算。

DGREML的“精准”：相比之下，DGREML展现出卓越的性能。它能够准确地检测并量化由AM引起的配子相不平衡遗传方差（δ）。在多项模拟场景中，DGREML估算的δ值与基于AM理论的预期值非常接近，平均而言，在六种模拟情景中的四种（包括AM不存在的零假设情况，即r=0）下，DGREML估算的δ与理论值之间没有显著差异。这表明DGREML能够可靠地捕捉到GPD效应。

值得注意的是，当配偶表型相关性r较大（例如，r=0.4或0.6）且平衡遗传力较低时，DGREML对δ的估算可能略微偏高。但总体而言，DGREML的估算结果与预期高度一致。研究还发现，当实验样本量足够大且配偶相关性适中（例如r≤0.3，这在人类群体中较为常见）时，DGREML能够可靠地量化GPD的贡献。

稳健性测试：研究进一步测试了DGREML在不同模拟条件下的稳健性，包括不同的实验和有效群体大小、性状的多基因性以及分析中捕获SNP所解释遗传力的比例。结果显示，DGREML对δ和σ²_g的估算值基本不受这些因素的影响，展现出高度的稳定性。即使改变了因果效应大小的分布（例如从固定效应改为高斯分布），或者通过直接模拟GPD而非前向时间模拟来生成数据，结果也保持了高度一致性。

情景二：群体分层（PS）下的模拟

为了评估DGREML在群体分层存在下的性能，研究团队利用了英国生物样本库（UK Biobank, UKB）中约31万名无关个体的真实基因型数据，并根据他们的出生地将其划分为两个地理区域，模拟了群体分层。

PS如何“伪造”GPD信号：模拟结果惊人地显示，群体分层（PS）也能够诱导显著的配子相不平衡遗传方差（δ）。在未经调整的DGREML分析中，δ的平均估算值达到0.050（标准误0.0006），而随机婚配遗传方差σ²_g的估算值则为0.456（标准误0.001）。这表明，PS可以产生一个看似是由GPD引起的“假信号”。

PC调整的“拨乱反正”：然而，DGREML通过一个关键的步骤——将遗传主成分（PCs）作为固定效应纳入模型——成功地“拨乱反正”。研究发现，随着纳入模型的PCs数量的增加，δ的估算值单调下降，当至少纳入10个PCs作为固定效应时，δ的估算值降至0.003（标准误0.0005），与0没有显著差异。同时，σ²_g的估算值也单调上升，最终达到其预期值0.5，与随机婚配下的理论值一致。这充分证明了PC调整在去除PS引起的GPD假信号方面的关键作用。

PC调整的必要性：研究强调，PCs必须从足够大的样本中计算才能有效纠正PS。如果PCs是在较小的子样本中计算的，DGREML估算的δ仍然可能追踪PS效应。这提示我们，在实际数据分析中，充分的PC调整是确保DGREML结果准确性的前提。

总而言之，这些广泛的模拟实验强有力地证明了DGREML的性能：它不仅能检测到由选型交配引起的、在基因组中留下“定向印记”的GPD，而且在实验样本量足够大且配偶相关性适中时，能够可靠地量化其对性状方差的贡献。同时，它也提醒我们，在真实数据分析中，必须通过充分的PC调整来消除群体分层带来的混淆，确保我们捕捉到的是真正的GPD效应，而非群体结构造成的假象。

解锁人类复杂性状的“秘密宝藏”：UK Biobank大数据揭示

在通过模拟验证了DGREML的强大功能后，研究团队将目光投向了真实世界的大规模人类遗传数据——英国生物样本库（UK Biobank, UKB）。他们对来自英国约35万名欧洲血统个体的26个定量性状进行了DGREML分析。

首先，在未进行PC调整的DGREML分析中，研究发现26个性状中有21个（P

然而，考虑到模拟结果中群体分层（PS）对δ估算的潜在影响，研究团队随后进行了至关重要的一步：将20个遗传主成分（PCs）作为固定效应纳入模型进行调整。PC调整后的结果更能反映出由选型交配（Assortative Mating, AM）或其他真实的遗传结构因素所驱动的GPD效应。

PC调整后，六个性状的δ估算值仍然显著（P

受教育程度（Educational Attainment）：δ估算值为0.050（标准误0.003）。随机婚配遗传方差（σ²_g）估算值为0.129。这意味着，GPD对受教育程度SNP遗传力的贡献约为6.31%（0.050 / (0.050 + 0.129)）。这是一个非常重要的发现，因为受教育程度是人类选型交配最典型的性状之一。

身高（Height）：δ估算值为0.050（标准误0.004）。随机婚配遗传方差（σ²_g）估算值为0.421。GPD对身高SNP遗传力的贡献约为10.62%（0.050 / (0.050 + 0.421)）。身高也是一个典型的选型交配性状，这一结果进一步证实了AM对其遗传结构的影响。

家庭平均收入（Average Household Income）： δ估算值为0.020（标准误0.004）。随机婚配遗传方差（σ²_g）估算值为0.061。GPD对家庭平均收入SNP遗传力的贡献约为24.69%（0.020 / (0.020 + 0.061)）。

看电视时间（Time Spent Watching Television）：δ估算值为0.015（标准误0.003）。随机婚配遗传方差（σ²_g）估算值为0.106。GPD对看电视时间SNP遗传力的贡献约为12.40%（0.015 / (0.015 + 0.106)）。

流体智力分数（Fluid Intelligence Score）：δ估算值为0.025（标准误0.006）。随机婚配遗传方差（σ²_g）估算值为0.199。GPD对流体智力SNP遗传力的贡献约为11.19%（0.025 / (0.025 + 0.199)）。

整体健康自评（Overall Health (Self-)rating）：δ估算值为0.006（标准误0.002）。随机婚配遗传方差（σ²_g）估算值为0.040。GPD对整体健康自评SNP遗传力的贡献约为13.04%（0.006 / (0.006 + 0.040)）。

总结来看，GPD对身高的SNP遗传力贡献约为10.62%，对受教育程度的贡献约为6.31%，对流体智力的贡献约为11.19%，对家庭平均收入的贡献约为24.69%，对看电视时间的贡献约为12.40%，对整体健康自评的贡献约为13.04%。 综合来看，对于这些性状，GPD对SNP遗传力的贡献范围在10%到27%之间。这表明，在这些性状的遗传构成中，GPD扮演着不可忽视的角色。

“对照组”的检验：研究人员特意选择了体质指数（BMI）和骨密度（bone mineral density）作为“负对照”性状，因为之前的研究表明这些性状的选型交配效应很小。令人欣慰的是，DGREML分析结果显示，即使在PC调整后，这些性状的δ估算值也未达到显著水平。这进一步验证了DGREML能够准确区分选型交配效应和非效应。

PC调整的重要性再强调： 研究发现，PC调整能够显著降低δ的估算值。例如，对于发色（hair color），未调整PC时δ估算值为0.057（标准误0.004），而调整20个PC后，δ降至0.004（标准误0.004）。这表明，许多表观的GPD信号实际上可能受到群体分层的影响。但对于身高和受教育程度这些已知具有强AM效应的性状，它们的δ估算值对PC调整的敏感性较低，这进一步支持了这些性状中存在真实的AM效应。

“基因伴侣”的秘密：多性状DGREML分析

除了分析单个性状的GPD贡献外，研究团队还进行了多性状DGREML分析，旨在量化GPD对性状间遗传协方差（genetic covariance）的贡献。这就像是探究两个性状（比如身高和智力）的基因是否也以某种“成对”的方式彼此影响，而这种影响是否又受到GPD的“隐形之手”操控。

在多性状DGREML模型中，遗传协方差被分解为两部分：

随机婚配遗传协方差（C_g）： 代表在随机婚配人群中，由SNP解释的两个性状间的协方差，主要反映了基因的“多效性”（pleiotropy）——即一个基因影响多个性状。

不平衡遗传协方差（C_δ）： 代表由GPD引起的两个性状间的额外协方差贡献，反映了“跨性状选型交配”（cross-trait assortative mating）的效应，即人们倾向于选择在多个性状上都相似的伴侣。

研究人员对英国生物样本库中的六对性状进行了双变量DGREML分析，包括身高、体质指数（BMI）、流体智力和受教育程度。他们发现了四对性状之间存在显著的C_δ（P

受教育程度与流体智力： C_g估算值为0.094（标准误0.013），C_δ估算值为0.040（标准误0.007）。这意味着，GPD对这两个性状间遗传协方差的贡献约为29.85%（0.040 / (0.040 + 0.094)）。

受教育程度与身高：C_g估算值为0.031（标准误0.006），C_δ估算值为0.020（标准误0.003）。GPD对受教育程度与身高遗传协方差的贡献约为39.22%（0.020 / (0.020 + 0.031)）。这表明，高个子且受教育程度高的人倾向于彼此结合，导致这两个性状的基因组之间产生了显著的GPD效应。

身高与BMI：C_g估算值为-0.029（标准误0.006），C_δ估算值为-0.014（标准误0.004）。GPD对身高与BMI遗传协方差的贡献约为32.56%（-0.014 / (-0.014 - 0.029)）。

受教育程度与BMI：C_g估算值为-0.035（标准误0.006），C_δ估算值为-0.024（标准误0.003）。GPD对受教育程度与BMI遗传协方差的贡献约为40.68%（-0.024 / (-0.024 - 0.035)）。

综合来看，GPD对这些性状间遗传协方差的贡献约为30%到40%（标准误约10%）。 这项发现进一步揭示了GPD不仅影响单一性状的遗传力，还在性状之间建立了“隐形联系”，加剧了它们之间的遗传相关性。

与LDSC方法的比较：研究还对比了DGREML估算的遗传相关性与连锁不平衡回归（LDSC）方法的结果。之前的研究表明，LDSC方法在跨性状选型交配下可能存在高估。结果显示，LDSC估算的遗传相关性比DGREML估算的随机婚配遗传相关性（r_g0）高出12%到70%，比DGREML估算的总遗传相关性（r_g）高出5%到22%。 这进一步支持了DGREML的观点：GPD确实会影响遗传相关性的估算，而LDSC方法未能充分捕捉到GPD效应，从而导致了高估。

全球基因图谱：族群差异与“地域印记”

为了探索GPD在不同人群中的普遍性和差异性，研究团队将DGREML应用于两个东亚人群样本：日本生物样本库（Biobank Japan, BBJ，约16.4万名个体）和中国嘉道理生物库（China Kadoorie Biobank, CKB，约5.2万名个体）。他们再次将身高和体质指数（BMI）分别作为“正对照”和“负对照”性状。

日本生物样本库（BBJ）的发现：

在BBJ数据中，研究人员在PC调整后发现：

身高：仍然存在显著的δ估算值，为0.016（标准误0.004），P值为6.7 × 10⁻⁶。其随机婚配遗传方差（σ²_g）为0.479。这意味着，GPD对身高SNP遗传力的贡献约为3.23%（0.016 / (0.016 + 0.479)）。这个比例虽然低于英国人群（约10.62%），但仍具有统计学意义。

BMI： 也发现了边缘显著的δ估算值，为0.009（标准误0.004），P值为0.03。其随机婚配遗传方差（σ²_g）为0.745。GPD对BMI SNP遗传力的贡献约为1.19%（0.009 / (0.009 + 0.745)）。

冠心病（Coronary Artery Disease）：同样存在显著的δ，为0.003（标准误0.0001），P值为3.91 × 10⁻⁹。

中国嘉道理生物库（CKB）的发现：

然而，在CKB样本中，DGREML分析并未发现任何性状存在显著的δ估算值。例如：

身高： δ估算值为-0.002（标准误0.006），不显著。

BMI： δ估算值为0.002（标准误0.011），不显著。

跨人群比较与解读：

这项跨人群的分析揭示了一个引人深思的现象：由身高驱动的选型交配（AM）效应或群体分层在英国人群中似乎比在日本和中国人群中更强。

英国人群： 选型交配效应（如“高个子找高个子”）在英国人群中对身高、受教育程度等性状的遗传力贡献显著，且PC调整后依然存在，这表明这些性状的GPD是真实存在的。

日本人群： 身高和BMI的GPD贡献虽然显著但比例较低，这可能暗示了日本人群中选型交配的强度相对较低，或者其社会文化模式对婚配的影响有所不同。

中国人群： 在CKB中未发现显著的GPD贡献，这可能反映了该队列本身的特点，例如其群体分层结构可能已经被PC调整充分捕获，或者其选型交配模式在这些性状上的遗传影响较小，甚至可能因为研究设计上的某些限制而未能充分捕捉到潜在的GPD信号。

这种跨人群的差异性非常重要。它不仅提示我们，选型交配等非随机婚配模式在不同文化和历史背景下可能存在差异，从而在基因组中留下不同的“印记”；也强调了在进行遗传学研究时，必须充分考虑人群特异性。DGREML方法为我们提供了一个有力的工具，能够深入探究这些未被充分理解的人群遗传模式。

DGREML的启示

这项研究通过引入DGREML方法，为我们理解人类复杂性状的遗传结构打开了一扇新的大门。它不仅仅是量化了遗传力，更是揭示了配子相不平衡（GPD）这一“隐形之手”在塑造我们性状中的重要作用。

DGREML的深远意义：

更全面的遗传图景：DGREML能够同时量化SNP的加性遗传贡献和其定向协方差（GPD）的贡献，从而提供一个更全面、更细致的性状遗传结构视图。它纠正了传统方法因未考虑非随机婚配而可能产生的偏差。

揭示选型交配机制：DGREML无需配偶信息就能检测和量化选型交配（AM）效应，这对于在缺乏这些数据的群体中研究人类婚配模式具有巨大价值。它通过基因组自身的“印记”来反推社会行为，这本身就是一种突破。

跨人群研究的利器：这种方法尤其适用于那些目前在遗传学研究中代表性不足的人群，因为其数据可能较少，或者缺乏详细的社会学信息。DGREML提供了一种仅基于基因型数据来深入分析遗传结构的新路径。

理解遗传相关性： 通过双变量DGREML分析，发现GPD显著地影响了性状间的遗传协方差和相关性，例如对受教育程度和身高间的遗传协方差贡献近40%。这改变了我们对多基因性状间复杂关系的理解，可能影响未来的多性状遗传预测和疾病风险评估。

然而，这项研究也存在一些局限性，并提出了未来的挑战：

机制的复杂性：尽管DGREML能检测到GPD的存在，但它并不能完全区分GPD是由选型交配、群体分层，还是自然选择（尤其是定向选择或稳定选择）引起的。虽然实证分析中普遍观察到δ为正值，暗示AM和PS的影响更强，但未来仍需更精细的模型来彻底解耦这些复杂的生物学力量。

PC调整的艺术：研究强调了PC调整在消除群体分层效应方面的重要性，尤其是在PCs从足够大的样本中计算时。但对于小样本或存在精细尺度群体分层的复杂人群，如何进行最有效的PC调整仍是一个持续的挑战。

负向GPD的局限：DGREML在设计上更适合检测正向的GPD效应，对于负向的GPD（比如由负向选择或特定类型的基因组操作引起），其模型可能无法很好地捕捉。

“缺失遗传力”的挑战：研究表明，当分析中未能捕获所有因果变异时（例如，仅使用常见SNP而忽略稀有变异），DGREML可能会低估GPD对遗传力的相对贡献。这意味着，随着全基因组测序数据（whole-genome sequencing data）的普及，预计将观察到更大的GPD贡献估算值，从而进一步缩小所谓的“缺失遗传力”差距。

更深层次的探究： 未来的研究可以探索替代的先验分布、将DGREML扩展到GWAS汇总统计数据，以及应用于稀有变异分析。这些都将有助于我们更全面地理解GPD在人类复杂性状遗传结构中的作用。

这项关于配子相不平衡（GPD）的研究，无疑是人类遗传学领域的一次重要飞跃。它不仅仅是一项统计学方法的创新，更是一次对人类基因组“隐形之手”的深刻洞察。

我们曾经以为，基因的影响是单一的，线性叠加的。但DGREML告诉我们，基因之间的关系远比我们想象的复杂。它们不仅有直接的“加性”效应，还有由社会行为、历史迁徙等因素塑造的“定向协方差”效应。这种“隐形联盟”的存在，揭示了基因、个体行为和环境之间的精妙舞蹈。

正如我们所看到的，身高的遗传力、学习能力的潜质、甚至对健康和收入的自我评价，都受到了GPD的微妙影响。而这种影响在不同人群中，又呈现出独特的“地域印记”。这提醒我们，人类基因组的多样性，不仅体现在基因序列本身，更体现在这些基因如何在不同人群中以非随机的方式组合、传递，并最终塑造出我们所见的各种复杂性状。

每一次科学的进步，都是对生命奥秘的又一次解锁。这项研究的意义在于，它为我们提供了一把新的“钥匙”，去开启那些被GPD“隐藏”的遗传信息。未来，随着更多高质量基因组数据的涌现和DGREML等先进方法的不断完善，我们有理由相信，人类将对自身的遗传蓝图拥有更深刻、更全面的认识，从而为疾病的预防、诊断和治疗，以及个性化教育和生活方式的指导，提供更精准的科学依据。

参考文献

Zhang Y, Sakaue S, Morris S, Graff M; Biobank Japan Project; Yamamoto K, Chen Z, Li L, Keller MC, Goddard ME, Walters RG, Okada Y, Visscher PM, Yengo L. The contribution of gametic phase disequilibrium to the heritability of complex traits. Nat Genet. 2025 May 19. doi: 10.1038/s41588-025-02192-4. Epub ahead of print. PMID: 40389611.

声明：本文仅用于分享，不代表平台立场，如涉及版权等问题，请尽快联系我们，我们第一时间更正，谢谢！

往期热文：

The Lancet

Nature | 耐药癌细胞的末日铁骑！揭秘溶酶体铁引发的死亡风暴

Nature Biotechnology

Science | 大脑神经元配对秘籍：如何将“3D海选”变“1D精准奔现”

Science | 颠覆认知！有丝分裂新模式：细胞“不变形”也能造就多样性

Cell

来源：生物探索一点号1