全基因组关联研究（Genome-wide association study，GWAS）是分析家畜复杂性状遗传基础的关键工具。常规GWAS偏重于检测常见变异的加性效应，忽视了稀有变异和基因间互作在复杂性状中的作用。稀有变异通常指次等位基因频率低于5%的变异[1]。这类变异虽在群体中频率较低，却可能具有较大效应，解释了部分GWAS未解析的缺失遗传力问题。基因之间的上位性指基因间的非加性互作效应，在模型生物研究中广泛存在并对性状变异有显著贡献，是复杂性状遗传架构的重要组成部分。然而，在复杂性状中检测上位性面临巨大的计算和统计挑战，且其对缺失遗传力的贡献程度存在一定争议。一种观点认为上位性贡献有限，另一种则认为其作用不可忽视。除上位性外，稀有变异、结构变异、基因—环境互作、表观遗传和大量微效常见变异也可能对缺失遗传力具有一定的贡献[2]。
目前，已开发多种策略与工具来检测上位性，包括基于回归、数据挖掘、机器学习及通路分析等方法。理解基因互作对全面阐明基因型—表型关系至关重要[3-4]。大量研究证实，仅考虑基因独立效应过于简化，基因互作在性状表现中可能起关键作用。Gibson[5]研究指出，在人和动物中，许多性状的已知基因仅能解释少量遗传力，推测未捕获的稀有变异效应与基因间非加性互作，共同构成了这部分缺失遗传力的来源。因此，在家畜基因组研究中关注稀有变异和上位性具有重要的现实意义，其既能有效促进鉴定潜在的大效应突变（隐性有害等位基因），又能加深对基因网络和生物通路的理解[6]。近几年，随着家畜品种测序和高密度基因分型数据的积累，大规模分析稀有变异及基因互作成为可能。基于此，本文系统综述了畜禽全基因组稀有变异上位性的统计分析方法和应用进展，为解析畜禽复杂经济性状的遗传机制、优化育种策略提供参考。
1 稀有变异上位性检测和统计方法
针对稀有变异和基因互作效应的检测，研究人员开发了多种统计方法。常规的线性模型和线性混合模型为检测提供了基本框架，线性或Logistic回归用于检验单标记及其SNP×SNP交互项与表型的关联，线性混合模型则通过在模型中加入基因组亲缘矩阵等随机效应来控制群体结构对结果的影响[3]。常规模型假设明确、易于实现和解释，在分析单一位点或少数预先候选的互作时表现良好。然而，直接将其用于全基因组范围的互作扫描难度较大。全基因组成对标记组合数量庞大（可达数十亿对），逐一回归检验计算量巨大，且多重校正要求极为严格，导致早期GWAS大多忽略了全基因组互作分析。即使采用线性混合模型控制群体结构，穷举扫描所有SNP对在计算上仍几乎不可行[4]。因此必须探索更高效的策略来研究稀有变异的上位性效应。
贝叶斯方法和机器学习等现代手段逐渐被引入基因互作检测。贝叶斯方法借助先验分布和马尔可夫链蒙特卡洛（Markov chain monte carlo，MCMC）采样，可同时评估大量位点组合的效应，如贝叶斯网络和生物经济农业模型（Bio-economic agricultural model，BEAM）能够一次性考虑多基因的交互[5]。其优势在于可融入功能注释等先验信息并检测高维交互，但其计算复杂、对先验假设敏感，结果以后验概率呈现，解释不如频率论方法直观。机器学习和数据挖掘方法（随机森林、深度学习、多因子降维法）无需显示模型假定即可从高维数据中学习非线性关系，能检测传统模型遗漏的交互信号[6-7]。例如，随机森林可借助变量重要性筛选出与表型关系密切的SNP组合，但难以区分是交互效应还是各自独立效应；深度神经网络可拟合复杂基因作用模式，但当前在家畜数据中易受样本限制且难以解释。这些模型常用于提高预测准确度，而提取具体的显著互作仍需结合统计检验确认[8]。
稀有变异聚合检验明显提升了单基因内低频变异效应的检测能力。常规方法是将基因或功能单元内多个罕见突变折叠为一个指标进行关联分析，如Burden检验（统计每个个体在该基因是否带有稀有突变）或序列核关联检验（以方差成分评估基因整体效应）[9]。聚合分析在变异效应同方向时有较高检出力，但若同一基因内存在相反效应的突变，简单合并会相互抵消信号[10]。序列核关联检验借助赋予变异不同权重并采用核方法建模，在效应异质情况下仍保持良好灵敏度。此类基因水平的稀有变异检验已广泛应用于人类疾病基因研究，亦适合用于家畜数据，可发掘传统GWAS忽略的低频变异效应。然而，这些方法主要关注单基因范围内的变异集合，对跨基因的稀有变异互作研究仍然较少[11]。
因此，研究人员探究了一些针对稀有变异上位性检测的新方法，以更有效地分析全基因组范围的低频等位基因互作。其通过降低维度和引入生物学先验缩小搜索空间。例如，稀有变异基因-基因互作分析方法（G×Grare）将每个基因内的多个稀有突变折叠为1个超等位基因，然后采用广义多因子降维法策略筛选基因对间的互作[12]；稀有变异基因-基因互作检测工具（GGI-RUNNER）利用一般人群数据建立基因对共突变的基线模型，再检测病例中特定基因对的稀有共同突变是否超出基线预期。相比常规逐对检验，这类方法在控制群体结构的同时提高了检出效率，在人类全基因组测序数据中已发现具有生物学意义的稀有变异互作网络[13]。这些方法以基因为单位折叠数据或结合功能注释和网络信息，减少了候选组合数量，在一定程度上弥补了常规互作扫描处理稀有变异的不足。但其往往依赖更多先验信息且软件实现不够普及，有待在家畜数据上进一步验证和推广。表1提供了稀有变异上位性Meta分析中常用统计方法的系统性比较，包括基于负荷的检验、基于方差成分的检验（SKAT和SKAT-O）、线性混合模型方法、贝叶斯方法以及多表型Meta分析。本文分析了每种方法的统计学原理、应用优势与局限性，并列举了相应的软件工具实例，为研究人员在设计针对复杂遗传特征的稀有变异关联研究上，提供了方法选择的科学依据。
表1 稀有变异上位性Meta分析的统计方法比较 |
| 方法名称 | 描述 | 统计学原理 | 优点 | 缺点 | 软件/工具示例 |
|---|---|---|---|---|---|
| 基于负荷的 检验 | 将基因或区域内的稀有变异聚合成1个得分 | 检验聚合得分与表型之间的关联 | 当区域内许多变异具有相同方向的效应时，效力高 | 当变异具有相反效应或只有少数是致病时，效力降低 | EPACTS、GRANVIL、PLINK/SEQ、Rvtests、SCORE-Seq、SKAT、VAT |
| 基于方差成分的检验（SKAT，SKAT-O） | 检验区域内遗传效应的方差是否与表型相关联 | 使用核函数来评估变异集与表型之间的关联 | 对不同效应方向和致病变异比例具有鲁棒性 | 当大多数变异具有相同方向的效应时，可能不如负荷检验有效 | EPACTS、PLINK/SEQ、SCORE-Seq、SKAT、VAT、MetaSKAT |
| 使用线性混合模型的Meta分析 | 使用LMMs检测上位性，可能纳入基因—环境相互作用 | 模拟遗传效应和环境效应，解释群体结构 | 能够处理复杂的研究设计和控制混杂因素 | 计算密集 | mvMAPIT、StructLMM |
| 贝叶斯方法 | 使用贝叶斯推理进行稀有变异关联研究 | 结合先验信息和数据来估计后验概率 | 灵活地模拟复杂场景，能够量化证据 | 计算密集，需要仔细指定先验分布 | MRP、MIRAGE |
| 多表型Meta分析 | 联合分析多个相关的表型 | 合并来自多个表型的证据以提高效力 | 提高检测与多个相关表型相关的稀有变异的效力 | 可能需要额外的假设和复杂的模型 | Meta-MultiSKAT、Meta-SAIGE |
综合表明，常规线性/混合模型严谨直观但无法应对海量组合，贝叶斯和机器学习模型能够挖掘复杂非线性互作但计算成本高、结果难解释，聚合检验聚焦单基因低频变异而忽略基因间互作，新兴方法提升罕见突变互作检出力但依赖先验且通用性有限[14]。各类方法各有优缺点，为提高分析效率和灵敏度，必须针对研究目的灵活组合。
2 稀有变异上位性计算工具与数据资源
稀有变异上位性分析必须借助高效的软件工具和丰富的数据资源。常用PLINK、GCTA等GWAS工具进行基因互作分析，但在分析超大规模数据上效率受限；BOLT-LMM、SAIGE等专为百万级标记和超大样本设计，在单标记检测中表现出色。此外，BOOST、epiGPU等专用程序借助算法优化和并行计算明显提升了互作扫描速度。研究者可根据数据规模和需求选择合适工具，并充分利用高性能计算（GPU、集群）满足计算要求[15]。
在数据资源方面，家畜领域已有多个大型变异数据库和测序计划支持相关研究。NCBI dbSNP和Ensembl变异数据库收录了主要家畜物种的大量已知突变，可用于注释变异功能。“1 000公牛基因组计划”等提供了覆盖牛主要品种的海量变异信息；猪和鸡也有类似的大规模基因组计划[16]。这些资源能够有效确定某变异在大群体中是否罕见，并为跨群体Meta分析奠定基础。动物QTLdb则汇总了文献报道的QTL位点，方便将新发现的互作位点与已有效应位点比对。
3 主要畜禽物种的稀有变异上位性研究案例
上述分析的稀有变异上位性检测、统计方法，分析工具以及规模基因组数据使其实证研究成为可能。本文以牛、猪、鸡为例，分析相关研究进展。
3.1 牛
在奶牛中，超大样本的互作分析揭示了丰富的基因间上位性效应。Jiang等[17]利用约29.4万头荷斯坦奶牛（约76 K SNP）的基因型数据，穷举检测了SNP-SNP组合，分析产奶量、乳成分等多个性状，结果表明，在乳脂率、乳蛋白率等性状中检出多对显著互作（显著性P<10-7）基因，而产奶量等产量性状仅发现少量互作信号，繁殖性状几乎未检测到显著互作基因；乳成分性状互作以染色体内居多，而产量性状跨染色体互作比例更高；其中，第14号染色体上包含乳脂主效基因DGAT1的区域与全基因组许多位点存在互作，被认为对乳脂含量有广泛的调控作用。这表明已知具大效应的DGAT1等位基因对表型的影响会因遗传背景不同而改变，借助互作可以被增强或削弱。除了数量性状，研究还揭示了隐性缺陷由多基因互作导致的实例。例如，奶牛的鼠尾综合征仅当同时具有MC1R基因的显性等位基因、5号染色体上银色突变的杂合状态以及5号染色体上一段隐性突变时才出现，即至少3个基因座共同作用才产生该缺陷表型[18]。这属于高阶上位性，表明育种中控制此类隐性缺陷需考虑相关互作基因的组合，而非孤立地去除单个突变。全基因组测序也揭示了牛群体中一些极罕见但关键的等位基因。例如，发现了极低频但效应显著的突变与奶牛产量性状相关，并借助于后代基因型缺失模式在荷斯坦奶牛中鉴定出多对互补隐性致死等位基因（HH缺陷），揭示了等位基因间的互作致死效应[19]。
3.2 猪
在猪群体中，观察到了稀有变异的大效应和基因互作。Boshove等[20]将约20万头商业种猪（长白猪等）的660 K芯片基因型数据提升到序列精度后，分析生长和背膘性状，发现14个加性QTL和9个非加性QTL；其中，长白猪群体中，一个发生在CDHR2基因上的罕见错义突变纯合时明显降低生长速度并增加背膘厚度；另一品系中，第15号染色体上OBSL1基因的一个框移突变表现出巨大的不良效应。这些极低频但高效应的等位基因为猪只生长和胴体性状的改良提供了新靶点。
在基因互作方面，网络分析展现了重要价值。Banerjee等[21]采用WISH算法，在杜洛克和长白猪中分别构建了全基因组SNP互作网络模块，每个品种均发现约1 200个紧密互作的SNP节点，富集于生长和能量代谢相关的分子通路（ErbB受体、Ras/Rap1、cAMP/PKG等）中。这些互作模块涉及的基因（ABL1、KITLG、GNA12等）大多与肌肉发育、脂肪代谢相关，部分解释了不同品种及饲料效率组别间的性能差异。在饲料转化效率低的猪群中观察发现互作模块富含维生素代谢和脂肪酸合成路径的基因，表明这些猪只能量利用率低可能是由特定基因互作导致。由此可见，借助互作网络，研究者能够将零散的SNP互作整合成功能模块并挖掘出传统单标记分析遗漏的新基因[22]。
3.3 鸡
4 结语与展望
目前，稀有变异上位性分析面临数据和方法上的多重挑战。首先，样本量与数据质量不足。稀有变异携带者稀少，检测涉及两个以上稀有突变的互作必须有极大的样本量，而畜禽领域难以获得如此庞大的数据，样本不足导致检出力低[25]。同时，不同品种的等位基因频率和连锁不平衡格局差异较大，一个群体中发现的显著互作在另一群体中很可能缺乏相应的等位基因组合。其次，计算复杂性高。全基因组穷举搜索海量互作组合极其耗时，即使借助并行计算，1次完整扫描仍需数日乃至数周；同时，严格的多重校正阈值可能遗漏较多中等效应的真实互作[26]。最后，模型过拟合与结果解释困难。包含大量交互项的模型若缺乏足够样本易产生过拟合，在基因组选择预测中引入数千互作效应目前仅带来较小的准确度提升（约3%~6%）[27]。大量互作结果的生物学意义难以解读，必须借助网络分析和专业知识提炼出真实的生物学信号。
上述问题有望随着相关技术的持续迭代与优化而逐步得到解决。首先，提升数据规模。上万乃至数十万头动物的全基因组序列数据的不断积累，加上跨机构的数据共享，将极大提高稀有变异互作的检出能力并增强结果的普适性[28]。多组学功能数据的整合将提供先验知识，有针对性地寻找相关功能的基因组合。其次，方法创新和跨学科融合具有重要研究价值。人工智能和计算机算法将更多用于互作检测，如强化学习智能搜索组合、图神经网络从数据中学习交互模式、因果推断等识别真正的因果互作[29]。深度学习模型的可解释性有望增强（注意力机制标记重要交互），跨物种的迁移学习可尝试将人类大数据中总结的互作规律应用于畜禽[30]。再次，育种应用前景广阔。未来可将稀有变异和互作信息纳入遗传评估与选种决策中，例如，根据群体中等位基因分布，制定互作育种策略，有意识地搭配特定基因型组合的亲本，以触发有利互作或避免不良互作效应。最后，跨学科合作与标准化助力该领域快速发展。遗传学、统计学、生物信息学和育种专家的紧密合作，结合统一的互作分析规范和数据共享平台，方便不同研究结果的比较和方法验证，共同推动稀有变异上位性研究不断发展。
总之，畜禽全基因组稀有变异上位性分析正逐渐从概念探索走向实用阶段。本文系统梳理了稀有变异上位性分析的核心方法体系，涵盖线性模型、贝叶斯方法、机器学习等现代分析技术，以及针对稀有变异和基因互作的检验策略。结合牛、猪、鸡等畜禽物种的典型研究案例，总结了稀有变异和上位性分析已取得的成果与面临的挑战。尽管目前面临数据和方法上的诸多挑战，如数据规模不足、计算复杂性高等，但随着更多高质量大数据的积累和分析工具的优化，如融合功能注释、引入人工智能以及加强机构合作等，这些措施为稀有变异和基因互作的深入研究以及畜禽育种带来新的机遇。