罕见变异关联研究通常采用基因水平负荷测试，在此类测试中，编码变异需根据功能注释和等位基因频率进行筛选（或称“掩蔽”）和聚合。然而，掩蔽策略（即一组掩码）在研究中很少重复，也很少有研究为其使用提供充分理由。2026年5月8日发表于 Nature Genetics 的一项研究中，Broad研究所的团队对234项研究使用的664种掩码进行了系统文献回顾，发现掩蔽策略在不同研究间极少重复。为量化其对关联结果的影响，他们将所有既往策略应用于UK Biobank 189,947例外显子组中的54种表型。结果发现，显著关联的数量高度依赖于掩蔽策略（范围从58到2,523个关联），这也是对该数据集的不同发表分析之间关联重叠度较低（<30%）的关键原因。他们经验性地确定了在多个数据集和表型中对低频和罕见变异基因水平关联具有高发现效力的掩蔽策略，并利用这些策略探讨了其他因素对负荷测试结果的影响。这些发现为负荷测试提供了一种基线策略，以增加研究效力和可重复性，解决了既往研究不一致的一个来源。
研究亮点速览
-
系统性文献回顾：系统分析了234项研究、664种掩码和146种掩蔽策略，发现>78%的掩码和>92%的掩蔽策略仅在一篇文献中使用过。
-
巨大的变异性：将既往所有掩蔽策略应用于UK Biobank的54种表型后，显著关联数量范围从58到2,523不等（变异高达43倍）。
-
可重复性危机：三篇高影响力的UK Biobank外显子组研究使用了不同的掩蔽策略，其报告的关联仅有28.2%是三者共有的。
-
基线策略提出：使用贪心算法在低频（MAF<1%）和罕见（MAF<0.1%）变异掩码中分别筛选出8种掩码的策略，其捕获的关联数约为既往平均策略的2倍，且计算开销仅有适度增加。
-
跨数据集验证：该基线策略在All of Us（410,400例）和AMP T2D GENES（40,054例）数据集中同样表现优异，且在连续型和二元表型中均检测到更多关联。
-
其他分析要素探讨：以基线策略为基础，进一步探讨了负荷测试软件、变异聚合层级、转录本选择等对结果的影响。
背景：掩蔽策略的巨大变异
基因水平负荷测试的工作原理：
-
将基因内的低频和罕见编码变异进行分组。
-
假设所有纳入的变异对基因功能有相同方向的影响。
-
因此，选择哪些变异纳入（即掩蔽策略）至关重要。
掩码的类型：
-
按功能注释：截短变异（pLoF）、错义变异（按预测算法分类）
-
按频率：低频（<1%）、罕见（<0.1%）、超罕见（<0.01%）
文献回顾的惊人发现：
-
从2012年到2024年，文献中出现了45种不同的生物信息学注释和25种不同的等位基因频率/计数阈值。
-
78.2%的掩码和92.2%的掩蔽策略仅在一篇文献中使用过（图1d）。
-
大多数研究没有为自己的掩蔽选择提供正当理由，往往只是引用前人的研究——形成了“无理由的循环引用”。
核心结果：掩蔽策略对关联结果的巨大影响
| 分析 | 显著关联数量范围 | 变异倍数 |
|---|---|---|
| 所有掩码（271种） | 3 - 2,706 | 902倍 |
| 低频变异掩码（MAF<1%） | 3 - 440 | 147倍 |
| 罕见变异掩码（MAF<0.1%） | 3 - 289 | 96倍 |
| 掩蔽策略（146种） | 58 - 2,523 | 43倍 |
重要发现：
-
作为对照，同义变异掩码（MAF<0.1%）仅产生7个显著关联，表明其他掩码检测到的关联并非由于统计假象。
-
三篇高影响力UK Biobank外显子组研究的比较：三篇研究使用了不同的掩蔽策略，它们报告的关联仅有28.2% 是三者共有的；即使在同一分析流程下重新分析，也只有35.6% 的关联是三者共有的（图1e-f）。
结论：掩蔽策略的巨大差异是不同研究结果不一致的关键原因，而这一因素此前未得到充分重视。
基线掩蔽策略的制定
研究者探索了多种潜在基线策略，最终推荐以下两种8掩码策略（表1）：
低频变异基线策略（MAF < 1%）
| 掩码 | 注释 |
|---|---|
| 掩码1 | pLoF |
| 掩码2 | pLoF 或 至少1种算法预测有害的错义变异 |
| 掩码3 | pLoF 或 至少4种算法预测有害的错义变异 |
| 掩码4 | pLoF 或 至少14种算法预测有害的错义变异 |
| 掩码5 | pLoF 或 至少19种算法预测有害的错义变异 |
| 掩码6 | pLoF 或 至少24种算法预测有害的错义变异 |
| 掩码7 | pLoF 或 至少29种算法预测有害的错义变异 |
| 掩码8 | pLoF 或 至少34种算法预测有害的错义变异 |
罕见变异基线策略（MAF < 0.1%）
| 掩码 | 注释 |
|---|---|
| 掩码1 | pLoF |
| 掩码2 | pLoF 或 至少1种算法预测有害的错义变异 |
| 掩码3 | pLoF 或 至少4种算法预测有害的错义变异 |
| 掩码4 | pLoF 或 至少9种算法预测有害的错义变异 |
| 掩码5 | pLoF 或 至少14种算法预测有害的错义变异 |
| 掩码6 | pLoF 或 至少19种算法预测有害的错义变异 |
| 掩码7 | pLoF 或 至少29种算法预测有害的错义变异 |
| 掩码8 | pLoF 或 至少34种算法预测有害的错义变异 |
性能对比：
-
低频基线策略检测的关联数（563）是既往平均策略（294）的1.9倍。
-
罕见基线策略检测的关联数（352）是既往平均策略（177）的1.99倍。
-
计算开销：运行8种掩码（同时）比运行1种掩码的内存占用几乎无增加，CPU时间仅增加1.2倍（罕见）至2.2倍（低频）。
跨数据集验证
| 数据集 | 样本量 | 与高频策略相比 |
|---|---|---|
| All of Us | 410,400 |
低频：多检测74-126个关联（1.5-2.16倍） 罕见：多检测40-46个关联（1.31-1.37倍） |
| AMP T2D GENES | 40,054（73%非欧洲裔） |
低频：多检测18-27个关联 罕见：多检测4-10个关联 |
| 11种二元表型（UK Biobank） | 469,818 |
低频：多检测1.21倍 罕见：多检测1.32-1.5倍 |
| 11种二元表型（All of Us） | 315,536 | 类似改进 |
结论：基线策略在不同数据集、不同表型类型（连续/二元）、不同遗传背景（欧洲/非欧洲裔）中均表现稳健。
新发现的关联
利用基线策略在UK Biobank ~440K样本中分析54种表型，发现了114个既往未报道的显著关联，其中许多具有生物学合理性：
| 表型 | 新关联基因 | 生物学依据 |
|---|---|---|
| 嗜酸性粒细胞计数 | PRG2 (P=1.1×10⁻⁹) | 编码嗜酸性粒细胞颗粒核心蛋白，附近存在GWAS信号 |
| 糖化血红蛋白 (HbA1C) | PTPN11 (P=1.5×10⁻⁸) | 编码SHP2蛋白，与胰岛素抵抗相关 |
| 血小板计数 | PTPN6 (P=1.9×10⁻⁹) | 参与造血细胞信号转导和血小板信号转导 |
| 用力肺活量 | ASXL1 (P=2.4×10⁻¹³) | ASXL1敲除小鼠出现肺成熟缺陷 |
基因集富集分析：4,203个基因集中，多个富集的基因集与对应表型的生物学机制一致，验证了这些新发现的整体生物学合理性。
其他分析要素的比较
以基线策略为基础，研究者探讨了其他影响负荷测试结果的因素：
| 因素 | 发现 | 建议 |
|---|---|---|
| 分析软件 | REGENIE和SAIGE-GENE+结果高度相关（r=0.99）；REGENIE对连续表型多检出50个关联，SAIGE-GENE+对二元表型多检出22个关联 | 连续表型：REGENIE；二元表型：SAIGE-GENE+ |
| 变异聚合层级 | 蛋白质域聚合检测到的关联数约为基因层级的91% | 基因层级为默认选择 |
| 转录本选择 | “最严重后果”法检测关联最多；实验支持转录本法检出96%；规范转录本法仅检出80% | 推荐实验支持转录本 |
| 掩码可解释性 vs. 发现效力 | 强调可解释性的简单掩码策略检测关联更少（86.7%） | 基线策略在不牺牲解释性的前提下最大化发现效力 |
| 低频 vs. 罕见掩码 | 低频掩码检测的关联数是罕见掩码的1.83-1.86倍 | 建议同时使用两者；低频掩码可能捕获与常见变异的LD |
临床转化与研究实践意义
-
提高可重复性：为基因水平关联研究提供“基线”策略，使不同研究间的结果可直接比较，减少因分析选择导致的差异。
-
药物靶点发现：标准的负荷测试分析流程将提高新药靶基因鉴定的可靠性。
-
临床遗传学：在病例-对照负荷测试中采用标准掩蔽策略，可提高对候选基因评估的置信度。
-
工具可用性：研究者开发了公开可用的脚本（Broad Institute），可自动为输入的变异列表创建基线策略的组文件。
局限性
| 局限 | 应对/未来方向 |
|---|---|
| 文献检索可能遗漏部分掩码 | 实际变异性可能更大 |
| 新发现的关联需要独立复制验证 | 开展独立队列验证 |
| 可能出现掩码间效应方向相反的情况 | 需仔细检查基因-表型对的关联模式 |
| 依赖生物信息学预测工具 | 改进后的工具需更新策略 |
| 策略是经验性确定的，而非机制性驱动 | 研究者应透明报告掩蔽选择并向基线策略靠拢 |
方法学亮点
| 技术 | 应用 |
|---|---|
| 系统文献回顾 | 识别664种掩码、45种生物信息学注释、25种MAF阈值 |
| 掩码PCA聚类 | 基于变异成员关系识别冗余掩码 |
| 贪心算法 | 逐步添加非冗余掩码以最大化检测关联数 |
| 交叉验证 | 验证贪心策略的稳健性 |
| 扩展掩码库 | 探索更严格MAF阈值和新组合注释 |
作者与资助
-
主要作者：Broad研究所团队（详见原文）
-
数据来源：UK Biobank、All of Us Research Program、AMP T2D GENES
论文信息
原文标题：Empirically determined baseline masking strategies and other considerations for gene-level burden tests
作者：详见原文
期刊：Nature Genetics, 58, 717–725 (2026)
DOI：10.1038/s41588-026-02597-9
开放获取：CC BY 4.0
BIOGUIDER.COM 编辑按：
本文揭示了罕见变异研究领域一个长期被忽视但至关重要的问题——掩蔽策略的巨大差异显著损害了研究的可重复性。虽然研究者在设计掩蔽策略时有充分理由进行自定义，但当掩蔽选择不是研究的焦点时，采用标准化的基线策略将极大提高发现效力和跨研究比较的可能性。对于从事罕见变异关联研究的人员，本研究提供了两个可直接使用的基线掩蔽组合（低频和罕见），并提供了开源脚本。未来，将不同生物信息学预测算法的权重纳入掩蔽策略（而不仅是简单的“多数投票”）可能进一步提高发现效力，但本文的基线策略是当前最实用的起点。
专业术语快速索引
-
负荷测试：聚合基因内多个罕见变异以检验其与表型的联合关联。
-
掩蔽（Masking）：根据功能注释和频率筛选纳入负荷测试的变异。
-
掩蔽策略：一组掩码（例如，pLoF， pLoF+有害错义，等等）。
-
pLoF：推定的功能丧失变异（无义、移码、剪接位点）。
-
贪心算法：在子集选择问题中，每一步都做出局部最优选择的算法。
-
低频变异：MAF < 1%；罕见变异：MAF < 0.1%。