Nature子刊：基因网络对基因功能的影响

　　

生物通报道：当一些基因共同调节某个单一性状时，它们通常以一个较大的基因簇或者网络一起工作。在研究单个基因是如何影响性状时，如果能够将基因簇或者网络纳入参考范畴，那么就可以避免错误地提高单个基因的重要程度。

在过去的20多年中，我们曾确定了许多简单疾病的“主效”基因，认为它们多是单基因疾病和寡基因疾病，单一致病基因的作用显著，在家系中的传递模式简单，符合孟德尔遗传规律。然而，近年来越来越多的复杂疾病出现在我们身边，例如精神分裂症、糖尿病、癌症等等。它们大多数由众多因素共同作用发生，如多个基因、一个基因的多个突变、环境以及未知的随机因素，遗传模式更加复杂。在普通人群中发病率较高，极大的影响了人类健康。研究发现，复杂疾病的性状受到多基因的相互作用影响。全基因组关联分析（Genome-wide association study）仅能够解析单个SNP位点对疾病易感性的贡献，单纯依靠这一策略并不能在寻找复杂疾病的病因上得到根本性的突破。基因和基因的相互作用可能是复杂疾病致病的主要因素之一。针对这一点，科学家们已经提出了一些检验基因相互作用的算法，包括惩罚logistic回归模型、多因子降维，集合关联法、贝叶斯网络、随机森林法等。

来自瑞典乌普萨拉大学的研究学者们通过对数千种酵母细胞展开详细分析，为我们展现了利用基因网络的互作方式来更精准的预测表型的可能性。

这一研究进展发表于2017年2月27日的Nature Genetics杂志上。Örjan Carlborg和同事们从实验室和葡萄园获得4390株酵母分离株，通过分析它们的基因型和表型数据来评估遗传相互作用的复杂性状变异，由此提出了酵母菌基因之间普遍存在的互作网络模型。

如今，得益于先进的测序技术，一个人的全部基因组在几天之内便可绘制完毕。在当下的后基因组时代，基因研究的瓶颈已不再是寻找个体间DNA差异的问题。而是确定这些数以百万计的差异是如何影响单个细胞或整个生物体的功能，以及这些影响作用是如何发生的。PNAS：研究基因互作的新方法

生物公司可以提供DNA为基础的族谱分析服务，例如寻人、亲子鉴定。然而未来我们希望根据基因预测个人机体的各种特性，例如定制个性化治疗方案，给予健康生活指导。本研究的负责人高级讲师Örjan Carlborg的博士学生，也是本文章的第一作者Simon Forsberg说道。

研究人员对来自数千种不同基因的酵母细胞的DNA和特征进行了详细分析。结果表明，基因互作是一种较为常见的工作形式。在知道了这些基因是如何合作以后，这些信息就可以用来更好的理解各种基因在调节性状中谁起主导作用，谁起协助作用，从而从遗传组成中预测单个酵母细胞的各种特性。

Carlborg说，没有哪个遗传学家会认为某个基因突变在不同人身上结果都肯定一样。这就是为什么我们要从大量的实验中获取数据来搞清楚某某基因的重要程度。我们希望通过我们的方法和思路，来帮助其他人以更好的方式分析和解释人类、植物和动物的基因研究结果。倘若我们不考虑基因的互作，就可能造成一些疾病治疗中的错误结论，例如利用DNA信息预测某人患有某种高风险疾病或某种药物会对其产生严重的影响，等等

Forsberg提及，事实上，现有的研究结果表明，基因确实是网络集成化工作的。它们中的一些成员承担了许多其它基因的“调节开关”，当它们“关闭”时，网络中的其它基因的突变对研究对象的性状没有影响。因此这些开关基因作用的观察就完全依赖于网络中的其他基因。而某些特定的突变会对它们的功能造成巨大的改变，使它们无法与网络中的其他基因取得联系。研究结果表明，在很多案例中，仅通过将各个基因的功能总结起来是很难预测细胞或者人体表现型的。

（生物通：卢兆丹）

原文摘要：

Accounting for genetic interactions improves modeling of individual quantitative trait phenotypes in yeast

Experiments in model organisms report abundant genetic interactions underlying biologically important traits, whereas quantitative genetics theory predicts, and data support, the notion that most genetic variance in populations is additive. Here we describe networks of capacitating genetic interactions that contribute to quantitative trait variation in a large yeast intercross population. The additive variance explained by individual loci in a network is highly dependent on the allele frequencies of the interacting loci. Modeling of phenotypes for multilocus genotype classes in the epistatic networks is often improved by accounting for the interactions. We discuss the implications of these results for attempts to dissect genetic architectures and to predict individual phenotypes and long-term responses to selection.