综述：测序数据中双基因遗传检测方法的基准研究

本文系统评述了双基因遗传（digenic inheritance）检测方法的研究进展，针对罕见病（rare diseases）诊断中缺乏金标准（gold standard）的现状，对比分析了队列（cohort-based）与个体（individual-based）两类方法的优劣，重点推荐了DiGePred（低假阳性）、ARBOCK（高真阳性）和DIEP（平衡性佳）三种算法，为临床和研究提供实用选择指南。

　　

双基因遗传：破解罕见病谜题的新钥匙
随着二代测序（NGS）技术的普及，科学家们逐渐意识到，许多罕见病的病因可能隐藏在双基因遗传（digenic inheritance）模式中——即两个不同基因的协同突变导致疾病发生。这一发现为破解传统单基因遗传模型无法解释的临床病例提供了新思路。

方法学分类：从群体到个体
现有检测方法可分为两大类：基于队列（cohort-based）的方法通过统计人群基因变异频率寻找互作信号，而个体化（individual-based）方法则直接分析患者基因组合。后者尤其适用于表型异质性高或极罕见的疾病，其中不依赖表型输入的算法更具普适性。

性能对决：三大算法的亮眼表现
在模拟真实场景的基准测试中，不同方法展现出鲜明特点：

• DiGePred 以严苛的筛选标准将假阳性率压至最低，适合临床确诊场景；
• ARBOCK 凭借广谱捕获能力识别最多已知致病基因对，利于科研探索；
• DIEP 则在敏感性与特异性间取得最佳平衡，成为日常筛查的理想选择。

挑战与展望
尽管技术进步显著，双基因检测仍面临基因互作机制不明、计算资源消耗大等瓶颈。未来需整合多组学数据和更高效的并行算法，让这把"基因钥匙"真正打开更多未诊断疾病的黑箱。