多基因风险评分与性状关联分析指南：精神分裂症案例解析与实践教程

《Frontiers in Psychiatry》：Association analysis between polygenic risk scores and traits: practical guidelines and tutorial with an illustrative data set of schizophrenia

这篇综述为多基因风险评分（PRS）研究提供了系统指南，重点解析PRS与性状关联分析中的统计建模、交互作用检验和模型验证流程。文章通过精神分裂症相关数据集演示了线性/逻辑回归中协变量调整、R2/伪R2评估、异方差处理等关键步骤，强调忽略交互项可能导致关联信号丢失。配套的R代码和四个工作案例（Working Examples）为研究者提供了从PRS排序到非线性数据转换的完整解决方案。

　　

多基因风险评分（PRS）与性状关联分析指南

1 引言

多基因风险评分（PRS）作为个体遗传易感性的量化指标，基于全基因组关联研究（GWAS）结果计算而来。传统分析方法通常通过线性或逻辑回归模型评估PRS与目标性状的关联性，并调整性别、年龄等协变量。然而，这种标准化流程可能掩盖重要生物学信息——例如PRS与协变量的交互作用，或忽视模型验证导致假阳性结论。

2 分析指南框架

2.1 模型选择策略

研究提出四种全模型（FM）构建方案：基础模型（FM_WI）、含性别交互项模型（FM_Sex）、含诊断交互项模型（FM_Diag）及双交互项模型（FM_Sex/Diag）。通过精神分裂症案例展示，当PRS与性别存在交互作用时，仅使用基础模型会导致男性组显著关联（p=0.0101）被掩盖（p=0.0764）。

2.2 PRS优先级排序

针对Clumping+Thresholding方法产生的106个PRS，提出半自动化筛选流程：

• •

  连续性状：计算各模型R²总和（S值）

• •

  二元性状：采用Nagelkerke伪R²或判别系数D

  通过可视化排序图（如图2），研究者可依据S值断层现象确定需深入分析的PRS候选集。

2.3 模型验证与修正

线性回归需验证三大假设：

1. 1.

   线性：通过性状-PRS散点图判断

2. 2.

   正态性：Shapiro检验（p<0.05时需平方根/对数变换）

3. 3.

   同方差性：Levene检验

   当CAPE阴性评分（连续变量）残差非正态时（p=4.335e-06），平方根变换使p值提升至0.0811，成功满足建模条件。

2.4 二元性状特殊处理

针对二元性状（如CAPE阳性分组），需额外检验过离散现象。若残差偏差/自由度>>1，应采用准二项分布模型。精神分裂症案例中，PRS.15在性别分层分析中展现显著差异：男性组OR=2.109（p=0.0101），女性组无关联（p=0.9910）。

3 真实数据集应用

227名健康受试者的 psychotic-like experiences（PLEs）数据分析显示：

• •

  阴性症状：PRS.13（p值阈值=0.07）经变换后显著关联（p=0.045）

• •

  阳性症状：PRS.15（阈值=0.09）存在性别特异性效应

  通过置换检验验证，PRS.13使模型解释方差提升1.97%（p=0.0033）。

4 方法学启示

研究强调交互作用检验的临床价值——在精神分裂症案例中，忽略性别交互项将导致50%关联信号丢失。同时揭示自动化分析的局限性：未经验证的模型可能产生膨胀的统计显著性（如异方差使p值虚低）。配套的GitHub资源（含R脚本与示例数据集）为方法落地提供实践支持。

该指南突破传统PRS分析范式，将统计严谨性与临床解释性相结合，为复杂性状遗传架构解析树立新标准。