fastGxE：面向生物银行规模的全基因组基因-环境交互作用检测方法

基因—环境交互（GxE）对人类复杂性状影响深远，但研究框架在应用与报告上的异质性一直限制其向公共卫生转化^[1]。既往GWAS多聚焦遗传主效应，而位点级GxE检测的两条既有路线各有瓶颈：单环境检验，如PLINK的线性回归框架^[2]和线性混合模型方法fastGWA-GE^[6]，功效不足，即使在大规模生物样本库中也未能稳定检出FTO与BMI这类已被确立的交互信号；多环境联合检验（如StructLMM、GEM）功效更高，却在仅少数环境真正参与交互时功效下滑，且计算密集、难以全基因组开展，又未建模多基因效应、多基因交互效应与跨环境噪声异质性，容易产生过多假阳性。大规模关联检验的可扩展性虽已由SAIGE等混合模型方案在主效应层面部分应对^[4]，GxE层面仍缺类似工具；方差成分分析估计GxE遗传力平均约为加性遗传力的6.8%^[5]，另有研究绕开环境测量、借变异度QTL推断交互^[3]，但生物样本库规模的全基因组、位点级交互扫描始终难以落地。

这篇发表于Nature Genetics的工作^[7]提出fastGxE：逐SNP检验其与多个环境因子的交互，同时控制环境主效应、多基因效应、多基因交互效应与噪声异质性，并把不同效应结构下的检验P值合并为单一结果。在30万个体、7,833,003个SNP、64个环境因子的设置下，16核6.3小时即可完成全基因组分析，较fastGWA-GE快32.98倍、较StructLMM快126.49倍；块级并行在16和32核下还能再提速1.86和3.22倍。配套的mmSuSiE（SuSiE的混合模型扩展）用于识别驱动交互的具体环境因子。作者据此对英国生物样本库的32个体格性状和67项血液指标进行了分析，软件亦已开源^[8]。

相对既有认识，fastGxE的推进在于把此前主要在总体层面估计的GxE遗传架构^[5]连同多基因交互背景一起纳入逐位点检验，在全基因组尺度上产生校准的P值，并对交互环境的数量保持稳健；模拟在NxE效应为0%、15%和25%的零设置下考察了I类错误控制，功效比较则覆盖不同交互遗传力、活跃环境数量乃至部分活跃环境被遗漏的情形，正对应单环境与多环境两类旧方法各自的软肋。

不过，文中真实数据结果均来自英国生物样本库的性状分析，向其他人群和更复杂暴露的外推尚待检验，模拟中“活跃环境被遗漏”的设置也提示环境测量不完整的现实问题并未消失。据报道，GxEsum、SPAGE等可扩展方法也在推进同类任务^[9][10]，而GxE研究在分析框架与报告上的规范化，仍是其走向公共卫生应用的更大前提^[1]。