揭示复杂性状(complex traits)的遗传基础，正在经历从连锁分析、候选基因策略到现代GWAS的统计遗传学范式演进，并进一步从“常见变异—小效应”的GWAS范式，向覆盖“稀有变异(rare variants)—中至大效应”的连续遗传谱(genetic spectrum)扩展(方宣钧和吴为人, 2026)。随着全外显子组与全基因组测序(WES/WGS)的广泛应用，研究者得以在全基因组范围内同时解析常见与稀有变异，从而推动复杂性状遗传结构研究进入更加精细化的阶段(Lee et al., 2012a; Rajabli and Kunkle, 2023)。尽管GWAS已成功鉴定大量与性状相关的位点，但其主要聚焦于常见变异，在解释复杂性状遗传力时仍存在显著缺口，即所谓“缺失遗传力”(missing heritability) (Falk et al., 2023; Rajabli and Kunkle, 2023)。在这一背景下，受净化选择约束的稀有变异由于具有更大的等位效应、更强的等位异质性以及更明显的功能富集特征，被认为是连接统计关联与生物学机制的重要补充来源(Ionita-Laza et al., 2013)。

 

然而，稀有变异的统计分析面临根本性挑战。在单变异(single-variant)框架下，检测功效近似与样本量、等位基因频率及效应量的组合成正比(Power∝n⋅p(1−p)β²)，当极低时，即便在大规模样本中也难以获得足够统计信号(Lee et al., 2012a)。此外，复杂性状普遍存在效应方向异质性(effect heterogeneity)与非因果变异引入的噪声(noise introduced by non-causal variants)，使得单点检验不仅功效受限，还可能出现I类错误校准偏差(Hecker et al., 2020)。因此，传统GWAS框架在稀有变异情境下难以直接推广。

 

为克服上述限制，基于集合(set-based)的聚合分析(aggregation analysis)成为主流策略。该方法以基因或功能区为单位，将多个稀有变异的信息整合为一个统计对象，从而在统计上等效于提升有效样本量，并在生物学层面与功能单元相匹配(Lee et al., 2012b; Ionita-Laza et al., 2013)。在统计建模上，这类方法通常通过加权机制整合等位基因频率与功能注释，并结合线性或广义线性混合模型以控制群体结构、亲缘关系及样本不平衡，从而在真实数据中获得更稳健的推断(Zhang et al., 2019; Hecker et al., 2020)。

 

从统一的统计遗传学视角来看，稀有变异分析可以被理解为对“集合层(set-level)遗传效应”的推断问题，即对一组变异的整体效应结构进行建模。这一点与前述GWAS(关联estimand)、遗传力估计(方差estimand)以及精细定位(因果概率estimand)形成互补，共同构成复杂性状遗传分析中的多层推断体系。在这一框架下，聚合检验的核心差异不再仅是“方法选择”，而是对应于不同统计假设下的效应表示方式(effect representation)。

 

具体而言，现有方法大致分为两条“统计路径”。负担检验(burden tests)假设集合内变异效应方向一致，并将其折叠为单一加权效应，从而对应于“固定效应(fixed-effect)模型”下的平均效应估计；而序列核关联检验(Sequence Kernel Association Test, SKAT)则将位点效应视为随机变量，通过方差组分(variance-component)模型刻画其整体变异程度，从而自然适配方向异质与稀疏因果结构(Lee et al., 2012a)。在此基础上，SKAT-O等方法通过在固定效应与随机效应模型之间进行自适应加权，实现对未知遗传结构的稳健逼近(Lee et al., 2012b)。

 

尽管上述方法体系已较为成熟，但其在不同遗传结构与研究设计下的性能边界仍缺乏系统性总结。特别是在因果比例、效应方向一致性、权重错配、样本规模、病例–对照不平衡及多祖源数据整合等关键因素共同作用下，各类方法的最优适用区间仍不明确(Falk et al., 2023; Zhang et al., 2019)。因此，有必要在统一框架下对这些方法进行系统比较，并明确其在实践中的决策路径。

 

基于此，本研究围绕“功效—稳健性—可解释性”(power–robustness–interpretability)三元目标展开研究。首先，通过理论推导与仿真分析系统比较负担检验与SKAT家族在不同遗传结构与数据条件下的统计性能；其次，结合人群与作物数据的实证分析，评估群体结构、批次效应及功能注释质量对推断结果的影响，并探讨在极端不平衡与多祖源背景下的校准策略(如鞍点近似与Firth校正)；最后，在统一统计框架下提出一个可复用的实践决策体系，包括变异筛选、权重设计、方法选择及结果报告标准，从而为复杂性状遗传研究提供系统化的方法学指导。在这一框架中，稀有变异分析不再被视为GWAS的补充技术，而是构成复杂性状因果推断链条中的一个独立推断层，与单变异分析与精细定位共同完成从关联信号到机制解析的逐步收敛。

 

1稀有变异关联的统计挑战：从单点功效瓶颈到集合层推断

1.1单变异分析的功效极限与信息瓶颈

在经典单变异关联分析框架中，统计检验能力受等位基因频率与样本量的共同约束。在加性模型下，单个位点基因型方差为Var(G)=2p(1−p)，其检验统计量的非中心参数(non-centrality parameter, NCP)在广义线性模型中可近似表示为：

 

λ∝n_eff⋅2p(1−p)β²，

 

对于二分类性状，还需乘以病例比例因子π(1−π) (Lee et al., 2014)。当等位基因频率p≪1时，携带者数量(minor allele count, MAC)迅速减少，使得λ随之衰减，即便在大规模队列中亦难以获得足够统计功效(Bigdeli et al., 2014; Lee et al., 2014)。这一现象揭示了一个根本限制：单变异检验在稀有变异情境下存在“信息不可扩展性”(information non-scalability)问题。

 

此外，当病例–对照比例极端不平衡时，传统基于渐近分布的检验(如Wald或Score统计)会出现偏离，导致I类错误膨胀。尽管鞍点近似或Firth偏置校正可改善显著性校准，但这些方法仅修正分布形式，并不能增加有效信息量(Wang, 2014; Lee et al., 2014)。

 

现实数据中的多种因素进一步削弱统计能力，包括测序误差导致的MAC低估、群体结构与亲缘关系引起的方差膨胀，以及批次效应与Hardy–Weinberg偏离引入的系统性偏差。同时，全基因组范围内严格的多重检验阈值(如α≈5×10⁻⁸)进一步压缩了可检测空间(Bigdeli et al., 2014)。更为重要的是，复杂性状普遍存在广泛的等位异质性(allelic heterogeneity)，即同一基因内不同变异的效应大小与方向不一致，使得单变异框架难以整合其整体效应结构，也难以支持机制层面的解释(Boutry et al., 2023a; Rajabli and Kunkle, 2023)。

 

因此，从统计推断角度看，问题的核心已从“检测单个位点效应”转变为：如何对一组稀有变异的整体效应结构进行建模与推断。

 

1.2聚合检验：从单点推断到集合层效应(set-level estimand)

为克服单变异分析的局限，稀有变异关联研究引入了集合层聚合检验(rare variant aggregation tests, RVAT)。该策略以基因或功能区域为单位，将多个变异的信息整合为一个统计对象，从而在统计上提升有效信号强度，并在生物学上与功能单元保持一致(Lee et al., 2014; Rajabli and Kunkle, 2023)。

 

典型的加权负担统计可表示为：

 

，

 

其中权重w_j通常基于等位基因频率与功能注释(如Beta权重、CADD评分或LoF优先)设定，以强调潜在功能变异(Boutry et al., 2023a)。在回归框架中，检验Y∼T_burden+C即可评估集合效应。

 

这一方法学转变的本质在于：将推断对象从“单变异效应”提升为“集合层遗传效应(set-level genetic effect)”。

 

在统一统计遗传学框架中，该层与前述GWAS(关联层)、遗传力估计(方差层)及精细定位(因果概率层)形成互补，共同构成复杂性状遗传分析的多层推断体系。

 

1.3两条统计路径：效应结构假设与方法分化

在集合层推断中，方法学分化的核心在于对变异效应结构的不同假设。统一表示为：

 

Y=Xβ+ε，

 

其中β=(β₁,…,β_m)为集合内变异效应向量。不同方法对应不同的建模假设：

 

(1)负担检验：固定效应模型(fixed-effect model)

假设集合内变异效应方向一致：

 

β_j≈β

 

则聚合效应为线性叠加，其统计功效近似为：

 

 

该方法在因果比例高且效应同向时具有最优功效(Lee et al., 2014)。

 

(2) SKAT：随机效应模型(variance-component model)

假设变异效应服从随机分布：

 

β_j∼N(0,τ²)

 

通过核矩阵K=GWG^T构建统计量：

 

Q_SKAT=(y−μ)TK(y−μ)

 

其有效信号与Σw_j²β_j²成正比，因此对方向异质与稀疏因果更为稳健(Lee et al., 2014; Rajabli and Kunkle, 2023)。

 

由此可见：负担检验与SKAT并非简单替代关系，而是对同一因果空间在不同效应假设下的两种统计投影。在未知真实遗传结构的情况下，自适应方法(如SKAT-O)通过在两种模型之间进行加权组合，实现稳健性能(Lee et al., 2012b; Pan et al., 2014)。

 

2 负担检验(Burden Tests) ：线性聚合下的因果信号压缩模型

2.1 基本原理

负担检验(burden tests)旨在解决单个稀有变异逐一检验时功效不足的问题，其核心思想是：在同一基因或功能区内，将多个稀有变异的效应进行线性聚合(linear aggregation)，从而在统计上提升有效信号强度(Lee et al., 2014; Guo et al., 2018; Ziyatdinov et al., 2024)。

 

该方法隐含一个关键假设：同一集合内的大多数稀有变异对表型的效应方向一致(directional consistency)。

 

例如功能缺失(loss-of-function, LoF)或高损害错义变异通常在同一基因上产生相似的功能后果。

 

在统计实现上，将集合内变异折叠为个体层面的负担得分：

 

 

并在回归模型中检验：

 

Y∼T_burden+C,H₀:γ=0

 

其中，w_j为权重，S为变异集合(mask)。

 

在该框架下，负担检验的非心参数近似为：

 

 

这表明其信号在一阶线性层面累积：当效应方向一致时，信号增强；而当存在方向异质或中性变异时，Σw_jβ_j发生抵消，导致功效下降(Pan et al., 2014; Lee et al., 2014)。这一机制对应于图1中“高一致性—高因果比例”区域的优势表现。

 

图1 稀有变异关联方法在不同遗传结构下的功效相图(phase diagram) 注：横轴表示效应异质性(从低到高)，纵轴表示因果变异比例。负担检验在效应方向一致且因果比例较高时具有最优功效；当存在效应方向异质或因果位点稀疏时，SKAT更具优势；而SKAT-O/ACAT等全能方法在大多数情形下接近最优并具有更强稳健性 Figure 1 Phase diagram of rare variant association methods under different genetic architectures Note: The x-axis represents effect heterogeneity (from low to high), and the y-axis represents the proportion of causal variants. Burden tests achieve optimal power when effect directions are consistent and the causal proportion is high. When effect-direction heterogeneity is present or causal variants are sparse, SKAT has a clear advantage. Omnibus methods such as SKAT-O and ACAT are near-optimal in most scenarios and show stronger robustness. This diagram provides an intuitive basis for method selection

 

权重w_j通常基于等位基因频率或功能注释设定(如Beta权重、LoF优先、CADD评分等)，而通过掩码(mask，如MAF≤1%或功能过滤)定义集合S，可减少非因果变异引入的信号稀释(Lee et al., 2014; Guo et al., 2018)。在病例-对照极不平衡时，Firth校正或鞍点近似可改善I类错误控制，但不改变信息量(Wang, 2014)。

 

图1从统一统计视角展示了不同方法在不同信号结构下的适用区域，为方法选择提供直观依据。

 

2.2 常见方法

现有负担检验方法大多建立在线性聚合框架之上，其差异主要体现在两个方面：一是如何构建变异集合，二是如何为不同变异分配权重。围绕这两个核心环节，不同方法形成了各具侧重的实现策略。

 

CAST(Cohort Allelic Sums Test)是最为基础的一类方法，其思路是将个体是否携带任一稀有变异转化为二值指标，即T_i=I(ΣG_ij>0)。该方法实现简单、计算效率高，但由于忽略了变异数量及效应大小的信息，在存在较多中性或弱效变异时，统计功效容易受到稀释(Lee et al., 2014)。

 

CMC(Combined Multivariate and Collapsing)在CAST的基础上引入分组策略，通常依据等位基因频率或功能注释将变异划分为若干子集，并在每个子集中构建负担变量后进行联合检验。该方法在一定程度上缓解了效应异质性带来的影响，但仍隐含假设同一子集内变异效应方向一致，因此在方向不一致时表现受限(Lee et al., 2014; Ziyatdinov et al., 2024)。

 

加权和统计(如WSS或Madsen–Browning方法)进一步通过权重函数强化稀有变异的贡献，通常赋予频率更低的变异更高权重，从而在“同向效应且稀有变异主导”的情形下显著提高检出能力(Lee et al., 2014)。这一类方法的有效性依赖于权重设定与真实效应之间的一致性。

 

VT(Variable Threshold)方法则不预先固定等位基因频率阈值，而是在一系列候选阈值上重复构建负担统计并选择最优结果，从而提高对不同频率分布场景的适应性(Lee et al., 2014)。这种策略在一定程度上缓解了人为阈值设定带来的偏倚，但也引入了额外的多重比较问题。

 

近年来，SBAT与NNLS-Joint等方法尝试在多层注释与频率分层框架下同时构建多个负担分量，并通过联合优化实现整体检验。这类方法在保持总体效应方向约束的同时，提升了在复杂变异结构下的稳健性(Ziyatdinov et al., 2024)。

 

需要指出的是，单一负担检验通常在效应方向一致时表现最佳，而在方向不一致或信号结构复杂时可能显著失效。因此，在实际分析中，常将负担统计与核方法或组合检验(如SKAT-O、ACAT)联合使用，以在模型设定不完全明确的情况下获得更稳健的推断结果(Liu et al., 2019)。

 

2.3 优缺点

在稀有变异分析中，当一组变异中具有较高比例的真实因果位点，且其效应方向基本一致时，负担检验通常能够取得较好的统计表现。其本质在于将多个位点的效应进行线性聚合，统计量随加权总效应的平方而增长，可近似表示为

 

 

在这种“同向效应且因果变异占比较高”的情形下，信号可以有效累积，从而使负担检验在功效上优于单位点检验及基于方差组分的模型(Lee et al., 2014; Guo et al., 2018)。

 

从方法特性来看，负担检验具有结构简单、解释直接的优点。其统计量可视为对“基因层面累积效应”的度量，结果易于跨研究比较与汇总，也便于在大规模队列或多中心研究中进行整合分析。

 

但这一类方法的适用性依赖于其关键假设。一旦这些假设偏离实际数据结构，性能会迅速下降。首先，当变异效应存在方向不一致时(例如风险与保护效应并存)，线性聚合将导致信号相互抵消，从而显著降低检验功效。其次，非因果变异的混入会进一步稀释真实信号，使得整体效应被低估。此外，权重函数或功能注释若与真实生物学机制不匹配，也可能引入系统性偏差。不同人群间等位基因频率与连锁不平衡结构的差异，同样会影响负担统计的稳定性与可迁移性。

 

针对上述问题，实践中通常采用一系列策略加以缓解。例如，通过更严格的变异筛选或分层掩码(如仅保留功能缺失变异)减少噪声来源；结合等位基因频率与功能注释构建联合权重，以提高对潜在因果变异的敏感性；在效应结构未知或存在方向异质性时，引入自适应方法(如SKAT-O或ACAT)以提高整体稳健性(Liu et al., 2019)。此外，在样本量较小或等位基因计数极低的情形下，可采用Firth校正或鞍点近似等方法，以改善参数估计与显著性检验的稳定性(Wang, 2014)。

 

总体而言，负担检验在适用条件满足时具有较高效率，但其性能对效应结构假设较为敏感，因此在实际分析中往往需要与更为灵活的方法结合使用，以获得更稳健的推断结果。

 

3 序列核关联检验(SKAT)及其扩展

3.1 基本原理

与负担检验依赖“效应方向一致”的前提不同，序列核关联检验(Sequence Kernel Association Test, SKAT)在建模上将集合内各位点的效应视为随机变量，并通过方差组分框架评估其整体变异是否偏离零。这一设定使其能够更好地适应效应方向不一致、因果位点稀疏或混杂中性变异的情形(Lee et al., 2012a)。

 

具体而言，设中心化后的基因型矩阵为Z=[G_ij−2p_j]，并假定位点效应满足

 

β_j∼N(0,tw_j²)，

 

其中t表征总体效应方差。在原假设H₀:t=0下，SKAT统计量可写为

 

Q=(Y−μ̂₀)^TK(Y−μ̂₀),K=ZWZ^T，

 

其中W=diag(w_j²)。等价地，该统计量也可表示为

 

Q=Σw_j²U_j²，

 

即对各位点得分统计量的加权平方和。

 

这一构造具有几个直接后果：不同方向的效应不会相互抵消；非因果位点对统计量的影响相对较弱；在因果信号稀疏的情况下仍能保持一定敏感性。在大样本条件下，统计量Q服从混合卡方分布，通常通过Davies方法或矩匹配近似计算其显著性(Lee et al., 2012b)。该框架可以自然扩展到线性或逻辑回归模型，并结合混合效应模型以控制群体结构与亲缘关系(Oualkacha et al., 2013)。

 

3.2 核函数与权重设计

SKAT的核心在于通过核函数刻画个体间的遗传相似性，其中最常用的形式为加权线性核：

 

K=ZWZ^T。

 

(1)权重设定

权重函数用于反映不同变异在先验上的重要性。常见策略包括基于等位基因频率的Beta权重(例如Beta (MAF;1,25))、基于功能注释的分层权重(如LoF变异权重大于错义变异)、以及结合预测评分(如CADD或LOFTEE)进行加权。这些方法的共同出发点在于假设较为罕见或具有明确功能影响的变异更可能产生较大效应(Jiang et al., 2023)。

 

(2)核函数选择

在核函数方面，线性核是默认选择，适用于加性遗传效应的建模。在此基础上，也可采用IBS核或高斯核来捕捉非线性效应或单倍型结构。然而，随着核函数复杂度的提高，自由度增加，在信噪比较低时反而可能削弱检验功效(Falk et al., 2023)。因此，实际应用中通常以线性核为主，并辅以权重优化。

 

3.3 方法扩展

为提高在不同遗传结构下的适应性，SKAT已发展出多种扩展形式。

 

SKAT-O通过在负担检验与SKAT之间引入权重组合，

 

Qρ=(1−ρ)QSKAT+ρQ_burden，

 

并在不同ρ取值下选择最优统计量，从而在效应方向一致时接近负担检验，在方向异质时回归SKAT，具有较好的自适应能力(Lee et al., 2012b)。

 

MK-SKAT则通过整合多个核函数或权重设定(例如不同频率权重或功能注释)，并采用组合检验(如Cauchy组合或最小p值策略)汇总结果，以降低单一模型设定带来的偏差(Falk et al., 2023)。

 

此外，SKAT框架已扩展至多种数据结构，包括常见与稀有变异的联合分析、极端不平衡病例对照设计，以及生存数据、多表型或有序结局等复杂情形(Chen et al., 2013; Chen et al., 2014; Wu and Pankow, 2016; Jiang et al., 2023)。

 

3.4 优缺点

在效应方向不一致或因果位点较为稀疏的情况下，SKAT的统计量可近似表示为

 

λ_SKAT∝nΣw_j²β_j²，

 

因此不受效应抵消的影响，通常较负担检验更具优势，并且对非因果变异具有较好的鲁棒性(Lee et al., 2014)。

 

然而，其性能同样依赖于数据结构与模型设定。当变异效应方向高度一致时，信号难以被有效聚合，功效可能低于负担检验。此外，结果对权重函数和核函数的选择存在一定依赖，而其统计量本身也不易直接解释为“基因效应大小”，在生物学解读上相对间接。

 

基于这些特点，在未知或复杂效应结构下，SKAT或SKAT-O通常作为更稳健的选择；而在已有明确先验(例如功能缺失变异且效应方向一致)时，负担检验仍可能更为高效(Lee et al., 2014; Liu et al., 2019)。

 

4 位点聚合策略与实践设计

4.1 聚合单元：基因级vs功能区定义

稀有变异关联分析首先需要定义变异集合(set)，其本质是确定统计检验的“作用单位”。不同聚合单元直接影响集合内的因果比例与效应一致性，从而决定后续检验方法的适用性(Boutry et al., 2023b)。

 

基因级聚合以转录本或基因为单位，具有解释直观、结果易于复现的优势，尤其适用于LoF或高置信致病变异的富集分析。然而，由于基因长度与位点数量差异较大，该策略往往引入大量中性变异，并可能包含功能异质的结构域或转录本，从而削弱信号并降低负担检验功效。

 

功能区聚合则通过功能注释对集合进行细化，例如区分PTV、损害错义、剪接位点或调控元件(如增强子、TF结合位点等)。该策略能够提高集合内的因果比例并减少方向异质，但会显著增加集合数量与重叠程度，从而加重多重检验负担。

 

在实践中，通常采用层级策略(gene → functional region → pathway)，先在基因层面进行初筛，再在显著基因内进行功能细化。这种分层设计在控制统计负担的同时提高了信号分辨率(Boutry et al., 2023b)。

 

4.2 变异筛选与掩码(masking)

掩码定义了纳入分析的变异集合，其核心目标是在“因果比例”与“样本信息量”之间取得平衡(Lee et al., 2014)。

 

频率阈值(MAF threshold)是最基本的筛选标准。常用策略包括≤1%、≤0.1%或更严格阈值，并在同一基因内并行构建多阈值掩码。阈值过宽会引入大量非因果变异导致信号稀释，而阈值过严则会因携带者数量不足而降低统计功效。可变阈值(VT)方法通过在每个基因内自适应选择最优频率阈值，通常优于固定阈值设定(Lee et al., 2014)。

 

功能过滤用于进一步提高因果比例。编码区优先纳入PTV及预测有害错义变异，非编码区则结合保守性、调控注释及组织特异性证据进行筛选。对于极稀有变异(如单例)，通常需与高置信功能注释联合使用，以避免技术噪声带来的假阳性(Boutry et al., 2023b)。

 

此外，严格的质量控制(QC)是必要前提，包括测序深度、基因型质量、批次效应与Hardy–Weinberg偏离等，否则技术误差可能在聚合过程中被放大并误判为遗传信号(Lee et al., 2014)。

 

4.3 权重设计(weighting)

权重用于调节不同位点对统计量的贡献，其设计直接反映对潜在遗传结构的假设(Lee et al., 2014)。

 

基于频率的权重通常采用Beta分布形式：

 

w_j∝Beta(MAF_j;1,25)

 

以强调更稀有变异的贡献。该策略隐含“稀有变异效应更大”的假设。

 

功能注释权重则将生物学信息编码为统计权重，例如根据变异类型(PTV > missense > synonymous)或预测评分(如CADD、REVEL)赋予不同权重：

 

w_j=w_MAF,j×w_func,j

 

在复杂遗传结构下，单一权重方案可能产生错配风险，因此常采用多权重并行策略，并通过组合检验(如Cauchy组合)或多核方法进行整合，以提高稳健性(Liu et al., 2019; Boutry et al., 2023b)。

 

4.4 设计因素与检验方法的匹配

聚合策略本质上通过改变集合内的遗传结构(因果比例与效应方向)，影响不同统计检验的功效表现。

 

当集合内因果比例较高且效应方向一致时，负担检验更具优势；而当存在方向异质或非因果变异比例较高时，SKAT通过二次信号累积表现出更好的稳健性。功能过滤与权重优化可在一定程度上提高负担检验的适用性，而多核或自适应方法(如SKAT-O)则可在结构未知时提供更稳健的性能(Lee et al., 2014; Liu et al., 2019)。

 

因此，位点聚合设计并非独立步骤，而是与统计方法选择紧密耦合：聚合策略决定数据结构，而数据结构决定最优检验方法。

 

5 何时选择负担检验与SKAT：基于遗传结构的决策框架

5.1 方法选择的结构性依据

负担检验与SKAT之间的选择，本质上取决于变异集合内部的潜在遗传结构，尤其是因果比例(causal proportion)与效应方向一致性(directional concordance)。当生物学先验支持同一基因或区域内的变异倾向于产生同向效应(例如LoF不耐受基因中的蛋白截断变异，或同一功能结构域内的破坏性突变)，且功能注释能够有效提高因果变异比例时，负担检验通常具有更高的统计功效。在此情境下，基于频率与功能的加权策略(如VT或联合权重)往往优于固定阈值方法，而对超稀有变异进行折叠处理有助于降低估计方差并提升稳定性(Lee et al., 2012a; Lee et al., 2012b)。

 

相比之下，当集合内效应方向不确定或存在明显异质性(例如调控区域、跨组织调控效应或混合功能类别变异)，或者仅有少数位点为真正因果变异时，SKAT的方差组分框架更具优势。通过对效应平方的累积，SKAT能够避免不同方向效应的抵消，并在非因果变异比例较高或权重设定存在误差的情况下保持较好的鲁棒性(Lee et al., 2012a)。

 

在实际研究中，遗传结构通常未知或呈混合状态，因此SKAT-O作为自适应方法在多数情形下表现接近最优。该方法通过在负担检验与SKAT之间进行数据驱动的权衡，实现对不同效应结构的动态适配(Lee et al., 2012b)。在权重或核函数设定不确定性较高的场景中，多核策略(如MK-SKAT)可以进一步缓解模型错配带来的性能波动。

 

样本结构同样影响方法选择。在病例–对照严重不平衡或样本规模较小的情况下，SKAT类方法通常比负担检验更稳定，但需结合鞍点近似或Firth校正以控制I类错误膨胀(Zhang et al., 2019)。

 

5.2 方法选择的决策表达

上述关系可以统一理解为一个由遗传结构驱动的二维决策问题，其核心坐标为“效应方向一致性 × 因果比例”。在该空间中，不同方法分别对应不同的最优区域：当因果比例较高且效应方向一致时，负担检验具有明显优势；当因果信号稀疏或方向异质时，SKAT表现更为稳健；而在结构未知或混合情形下，SKAT-O通常作为默认策略(表1)。

 

表1 方法选择决策框架 Table 1 Decision framework for method selection

 

因此，方法选择不应被视为工具偏好，而应被理解为对潜在遗传模型的统计逼近。

 

5.3 实践流程：从集合定义到稳健推断

在应用层面，方法选择更适合被组织为一个分层决策流程，而非单一步骤的模型选择。该流程可概括为三个连续层级(图2)：

 

图2 稀有变异关联分析的方法选择决策流程(Methods in Practice) 图注：本图展示了基于遗传结构与数据特征的稀有变异关联分析方法选择流程。分析首先从变异集合定义(masking)开始，包括多重MAF阈值、功能注释过滤及祖源分层频率估计。核心决策节点在于评估基因区内的遗传结构，尤其是因果变异比例(causal proportion)与效应方向一致性(effect-direction concordance)。当因果比例较高且效应方向一致时，负担检验(burden test)通常具有更高检出力；当效应方向异质或因果变异稀疏时，基于方差组分的SKAT方法更为稳健；在结构未知或混合情形下，SKAT-O作为自适应方法通常接近最优。进一步地，在权重设定不确定、多祖源数据或样本结构复杂(如病例–对照不平衡、小样本)等情境下，需要通过多核整合(MK-SKAT)、鞍点近似(SPA)或Firth校正等策略提升推断稳健性。最终，结果需结合多重检验校正、独立队列验证及功能注释解释进行报告。本流程强调，方法选择本质上取决于潜在遗传结构，而非单一统计工具偏好 Figure 2 Decision pipeline for method selection in rare variant association analysis (Methods in Practice) Note: This figure illustrates a decision pipeline for method selection in rare variant association analysis based on genetic architecture and data characteristics. The analysis begins with variant set definition (masking), including multiple MAF thresholds, functional annotation filtering, and ancestry-stratified frequency estimation. The core decision point is the evaluation of the genetic architecture within a gene region, particularly the causal proportion and effect-direction concordance. When the causal proportion is high and effect directions are concordant, burden tests usually have higher detection power; when effect directions are heterogeneous or causal variants are sparse, variance-component methods such as SKAT are more robust; when the structure is unknown or mixed, SKAT-O, as an adaptive method, is usually close to optimal. Furthermore, under conditions such as uncertainty in weight specification, multi-ancestry data, or complex sample structure (e.g., case–control imbalance or small sample size), inference robustness needs to be improved through strategies such as multi-kernel integration (MK-SKAT), saddlepoint approximation (SPA), or Firth correction. Finally, results should be reported in conjunction with multiple-testing correction, validation in independent cohorts, and interpretation based on functional annotation. This workflow emphasizes that method selection fundamentally depends on the underlying genetic architecture rather than on preference for a particular statistical tool

 

(1)变异集合定义(masking)

首先依据等位基因频率与功能注释构建变异集合，例如多重MAF阈值、功能类别过滤(LoF、损害错义或调控变异)以及祖源分层频率估计。该步骤直接决定因果比例与信噪比，是后续分析的基础。

 

(2)遗传结构判别(genetic architecture)

随后基于生物学先验或初步统计特征，对集合内的效应结构进行判断。高因果比例且同向效应的情形更适合负担检验；低因果比例或效应方向异质时则优先考虑SKAT；当结构难以预判时，SKAT-O提供较稳健的折中方案。

 

(3)稳健性修正(robustness adjustment)

在复杂数据条件下，还需进一步考虑权重设定不确定性、样本不平衡、小样本偏倚及多祖源差异等因素。相应地，可通过多核方法、鞍点近似或祖源分层策略进行修正，以保证统计推断的稳定性。

 

整体而言，该流程体现为从“集合构建→结构判别→稳健性控制”的逐步约束过程，其目标是在未知遗传机制下逼近最合适的统计模型。

 

6 仿真与实证基准：结构驱动的性能评估

6.1 仿真设计

为系统评估不同方法在多种遗传结构下的表现，本研究构建了一个覆盖因果比例、效应方向一致性及等位基因频率分布的仿真框架。核心参数包括因果比例(π_c)、方向一致性(θ)以及稀有变异谱(MAF spectrum)，并引入不同LD结构与祖源差异以模拟真实数据复杂性。表型类型涵盖定量性状与二分类性状(包括不平衡病例–对照设计)，样本规模设置覆盖人群与作物研究的典型范围。

 

在方法层面，对比了负担检验(WSS、VT)、SKAT、SKAT-O及MK-SKAT，并在混合模型框架下控制群体结构，同时针对极端不平衡情形引入SPA或Firth校正。评估指标包括检出能力(power与I类错误)、统计校准(λ_GC与QQ曲线)、稳健性(对权重、LD与祖源的敏感性)以及计算成本。

 

6.2 仿真结果：性能的结构依赖性

仿真结果显示，各方法并不存在全局优势，而是在不同遗传结构下呈现“分区最优”的特征。

 

在效应方向一致且因果比例较高的情形中，负担检验与VT方法具有最低均方误差；在效应方向异质或信号稀疏时，SKAT表现更为稳健；在结构未知或混合情境下，SKAT-O整体接近最优表现。与此同时，负担检验对权重与mask设定高度敏感，而SKAT对模型错配具有更强容忍度，多核方法可进一步降低设定不确定性带来的波动。

 

不同数据系统亦表现出差异：在LD较强的作物数据中，粗粒度聚合易导致信号稀释，需要更精细的功能分层；在人群数据中，超稀有变异丰富，SKAT类方法结合稳健校正能够维持良好统计性质；多祖源分析则依赖分层权重与自适应方法以保持稳定性。

 

6.3 实证验证：从统计信号到生物解释

在真实数据中，上述规律得到进一步验证。

 

在作物抗病性分析中，编码区变异(尤其是LoF变异)通常表现出一致方向效应，负担检验更易检出显著信号；而在调控区域，由于效应方向复杂，SKAT类方法提供更稳定的结果。人群外显子测序数据则显示，在功能约束较强的基因中负担检验表现突出，而在包含多类型变异的集合中，SKAT-O具有更好的稳健性。此外，在病例–对照严重不平衡的情形下，引入SPA或Firth校正对于控制I类错误至关重要。这些结果共同表明，方法性能不仅依赖效应结构，也显著受样本设计与数据特征影响。

 

6.4 小结

综合仿真与实证分析，可以得到一致结论：稀有变异关联分析中不存在普适最优方法，最优选择由潜在遗传结构决定。具体而言，负担检验适用于“同向且因果比例较高”的情形，SKAT适用于“方向异质或信号稀疏”的结构，而SKAT-O在结构未知时提供稳健的默认选择。

 

7 讨论：从聚合检验到因果结构推断的统一视角

7.1 线性与二次聚合的统计本质

负担检验与SKAT家族的差异，根源并不在于具体统计技术的优劣，而在于其对基因区域内效应结构的不同建模假设。前者通过对效应进行线性聚合，本质上估计的是集合内平均效应的偏移；后者则通过对效应平方的累积，将位点效应视为随机变量的方差分量，从而刻画效应强度的离散程度。两种统计量分别对应“均值信号”和“方差信号”的不同投影方式。

 

在效应方向一致且因果比例较高的情形中，线性聚合能够有效累积信号，从而获得更高的统计功效；而在效应方向异质或因果位点稀疏的条件下，二次形式避免了效应抵消，因此更具稳健性。这种分工关系表明，方法间的性能差异本质上来源于对潜在遗传结构的适配程度，而非方法本身的优劣(Lee et al., 2012a; Lee et al., 2014; Boutry et al., 2023a)。

 

7.2 方法互补性的结构解释

基于上述认识，负担检验与SKAT之间的“互补性”可以被重新理解为不同统计模型在不同遗传结构区域中的最优逼近。在前述决策流程中，这一关系被形式化为一个由因果比例与效应方向一致性共同决定的结构空间。在该空间中，负担检验对应于结构已知且同向效应占主导的情形，SKAT则提供对异质结构的稳健估计，而SKAT-O通过在两者之间进行数据驱动的权衡，实现对未知结构的自适应逼近。

 

因此，方法选择不再是经验性的工具比较问题，而应被视为对潜在因果结构的统计识别问题。换言之，稀有变异关联分析的核心任务，是在有限样本与不完全信息条件下，对集合内的效应结构进行合理近似。这一视角将传统的“方法比较”提升为“结构感知推断”(structure-aware inference)的统一框架。

 

7.3 稳健性提升：从自适应方法到模型集成

在真实数据中，遗传结构往往呈现混合或未知状态，因此稳健性成为方法选择的关键考量。SKAT-O通过在负担检验与SKAT之间进行自适应加权，在多种情形下接近最优性能，因而可作为默认分析策略(Lee et al., 2012b; Moutsianas et al., 2015)。然而，当权重设定或核函数选择存在较大不确定性时，单一模型仍可能出现偏差。

 

在此背景下，多核方法(如MK-SKAT)通过整合不同权重与核函数，降低模型错配带来的风险，其本质是从单一模型选择转向模型集成。结合两类方法的优势，可以形成一个兼顾检出能力与解释性的实践策略：以SKAT-O进行初步筛选，在候选区域采用多核方法进行稳健估计，并通过负担检验验证同向效应的存在。这一流程在统计效率与生物学可解释性之间取得了相对平衡。

 

7.4 跨系统一致性：人群与作物中的统一机制

尽管这些方法最初发展于人类遗传学，其适用性在不同生物系统中表现出高度一致的结构依赖性。在作物系统中，较强的连锁不平衡和等位基因聚簇效应往往导致信号在大区间内扩散，从而加剧负担检验中的信号稀释现象；但在功能明确的编码区域(如关键抗性基因或代谢通路基因)中，同向效应仍然使负担检验具有优势。相比之下，调控区域由于效应方向和作用机制的复杂性，更适合采用SKAT类方法进行分析。

 

在人群数据中，稀有的功能缺失变异通常直接对应明确的生物学机制，因此在这些区域中负担检验表现尤为突出；而在包含多种功能类别或复杂调控作用的变异集合中，SKAT及其扩展方法则提供更稳健的统计推断。总体而言，不同系统间的差异主要来源于遗传结构与变异分布的不同，而非方法本身的适用性限制。

 

7.5 关键挑战与未来方向

尽管现有方法在多种场景下已表现出良好性能，若干结构性问题仍限制其进一步发展。首先，变异注释与集合构建策略仍存在不确定性，尤其是在非编码区域与组织特异调控方面，这直接影响因果比例的估计与统计功效。其次，跨祖源数据中的等位基因频率与LD结构差异显著，可能导致模型稳定性下降并增加假阳性风险。

 

在统计层面，极低频变异与样本不平衡情形下，传统渐近近似往往失效，需要依赖鞍点近似或Firth校正等方法以维持推断的准确性(Zhang et al., 2019)。此外，目前缺乏统一的分析规范，包括变异集合定义、权重选择以及结果报告标准，这在一定程度上限制了跨研究结果的可重复性与可比较性。

 

未来研究需要在三个方向上推进：一是改进功能注释与集合构建策略，以提高因果变异富集程度；二是发展适用于多祖源与复杂样本结构的稳健方法；三是推动分析流程与报告标准的规范化，从而提升稀有变异研究的整体可重复性与解释力。

 

8 结论(Conclusion)

本研究从统一的统计遗传学视角出发，系统阐明了稀有变异关联分析中负担检验与SKAT家族方法的内在关系。结果表明，这两类方法并非相互替代，而是分别对应不同的因果结构假设：负担检验通过线性聚合刻画同向效应主导的遗传模式，而SKAT通过方差组分建模适配方向异质与稀疏因果情形。因此，方法性能的差异本质上来源于遗传结构，而非统计技术本身。

 

在此基础上，本研究进一步提出，方法选择应从经验驱动转向结构驱动。通过将变异集合定义、效应方向一致性与因果比例等因素纳入统一决策框架，可以将“选择何种方法”转化为“识别何种因果结构”的问题。在结构未知或混合的现实情境中，SKAT-O作为自适应方法能够在不同模式间实现近似最优，而多核融合策略则为应对权重与模型不确定性提供了更稳健的扩展路径。

 

仿真与实证结果共同表明，不存在在所有情境下占优的单一方法，而是存在由遗传结构划分的“最优区间”。这一发现与本研究提出的分层决策流程相一致，支持在实际研究中采用“筛选—精化—验证”的策略，以在检出力、稳健性与可解释性之间取得平衡。

 

从更广泛的角度看，稀有变异分析补充了复杂性状遗传学中的关键一环。相较于基于单变异的关联分析与基于概率的精细定位，其核心作用在于刻画基因区层面的效应结构，从而在统计层面连接变异集合与功能机制。这一层级的引入，使复杂性状研究能够从单点信号进一步过渡到结构化因果推断。

 

总体而言，以聚合检验为核心的稀有变异分析框架，为复杂性状遗传学提供了一种面向结构的推断工具。未来研究的关键在于，在多祖源与多组学数据不断积累的背景下，进一步提升对复杂效应结构的识别能力，同时保持模型的稳健性与结果的可解释性。

 

作者贡献

方宣钧是本研究的执行人，完成文献调研、数据分析以及论文初稿的写作与修改。作者本人已阅读并同意最终的文本。

 

致谢

本研究由国家自然科学基金重大项目(30490254)资助。

 

参考文献

Bigdeli T.B., Neale B.M., and Neale M.C., 2014, Statistical properties of single-marker tests for rare variants, Twin Research and Human Genetics, 17(3): 143-150.

https://doi.org/10.1017/thg.2014.17

 

Boutry S., Helaers R., Lenaerts T., and Vikkula M., 2023a, Rare variant association on unrelated individuals in case-control studies using aggregation tests: existing methods and current limitations, Briefings in Bioinformatics, 24(6): bbad412.

https://doi.org/10.1093/bib/bbad412

 

Boutry S., Helaers R., Lenaerts T., and Vikkula M., 2023b, Excalibur: A new ensemble method based on an optimal combination of aggregation tests for rare-variant association testing for sequencing data, PLoS Computational Biology, 19(9): e1011488.

https://doi.org/10.1371/journal.pcbi.1011488

 

Chen H., Lumley T., Brody J., Heard-Costa N.L., Fox C.S., Cupples L.A., and Dupuis J., 2014, Sequence kernel association test for survival traits, Genetic Epidemiology, 38(3): 191-197.

https://doi.org/10.1002/gepi.21791

 

Chen H., Meigs J.B., and Dupuis J., 2013, Sequence kernel association test for quantitative traits in family samples, Genetic Epidemiology, 37(2): 196-204.

https://doi.org/10.1002/gepi.21703

 

Falk I., Zhao M., Nait Saada J., and Guo Q., 2023, Learning the kernel for rare variant genetic association test, Frontiers in Genetics, 14: 1245238.

https://doi.org/10.3389/fgene.2023.1245238

 

Guo M.H., Plummer L., Chan Y.M., Hirschhorn J.N., and Lippincott M.F., 2018, Burden testing of rare variants identified through exome sequencing via publicly available control data, The American Journal of Human Genetics, 103(4): 522-534.

https://doi.org/10.1016/j.ajhg.2018.08.016

 

Hecker J., Townes F.W., Kachroo P., Laurie C., Lasky-Su J., Ziniti J., Cho M., Weiss S., Laird N., and Lange C., 2020, A unifying framework for rare variant association testing in family-based designs, including higher criticism approaches, SKATs, and burden tests, Bioinformatics, 36(22-23): 5432-5438.

https://doi.org/10.1093/bioinformatics/btaa1055

 

Ionita-Laza I., Lee S., Makarov V., Buxbaum J.D., and Lin X., 2013, Sequence kernel association tests for the combined effect of rare and common variants, The American Journal of Human Genetics, 92(6): 841-853.

https://doi.org/10.1016/j.ajhg.2013.04.015

 

Jiang Z., Zhang H., Ahearn T.U., Garcia-Closas M., Chatterjee N., Zhu H., Zhan X., and Zhao N., 2023, The sequence kernel association test for multicategorical outcomes, Genetic Epidemiology, 47(6): 432-449.

https://doi.org/10.1002/gepi.22527

 

Lee S., Abecasis G.R., Boehnke M., and Lin X., 2014, Rare-variant association analysis: study designs and statistical tests, The American Journal of Human Genetics, 95(1): 5-23.

https://doi.org/10.1016/j.ajhg.2014.06.009

 

Lee S., Emond M.J., Bamshad M.J., Barnes K.C., Rieder M.J., Nickerson D.A., Christiani D., Wurfel M., and Lin X., 2012b, Optimal unified approach for rare-variant association testing with application to small-sample case-control whole-exome sequencing studies, The American Journal of Human Genetics, 91(2): 224-237.

https://doi.org/10.1016/j.ajhg.2012.06.007

 

Lee S., Wu M.C., and Lin X., 2012a, Optimal tests for rare variant effects in sequencing association studies, Biostatistics, 13(4): 762-775.

https://doi.org/10.1093/biostatistics/kxs014

 

Liu R., Yuan M., Xu H., Chen P., Xu X.S., and Yang Y., 2020, Adaptive weighted sum tests via LASSO method in multi-locus family-based association analysis, Computational Biology and Chemistry, 88: 107320.

https://doi.org/10.1016/j.compbiolchem.2020.107320

 

Liu Y., Chen S., Li Z., Morrison A.C., Boerwinkle E., and Lin X., 2019, ACAT: a fast and powerful p value combination method for rare-variant analysis in sequencing studies, The American Journal of Human Genetics, 104(3): 410-421.

https://doi.org/10.1016/j.ajhg.2019.01.002

 

Moutsianas L., Agarwala V., Fuchsberger C., Flannick J., Rivas M.A., Gaulton K.J., Albers P., McVean G., Boehnke M., Altshuler D., and McCarthy M.I., 2015, The power of gene-based rare variant methods to detect disease-associated variation and test hypotheses about complex disease, PLoS Genetics, 11(4): e1005165.

https://doi.org/10.1371/journal.pgen.1005165

 

Oualkacha K., Dastani Z., Li R., Cingolani P.E., Spector T.D., Hammond C.J., Richards J., Ciampi A., and Greenwood C.M., 2013, Adjusted sequence kernel association test for rare variants controlling for cryptic and family relatedness, Genetic Epidemiology, 37(4): 366-376.

https://doi.org/10.1002/gepi.21725

 

Pan W., Kim J., Zhang Y., Shen X., and Wei P., 2014, A powerful and adaptive association test for rare variants, Genetics, 197(4): 1081-1095.

https://doi.org/10.1534/genetics.114.165035

 

Rajabli F., and Kunkle B.W., 2023, Strategies in aggregation tests for rare variants, Current Protocols, 3(11): e931.

https://doi.org/10.1002/cpz1.931

 

Wang X., 2014, Firth logistic regression for rare variant association tests, Frontiers in Genetics, 5: 187.

https://doi.org/10.3389/fgene.2014.00187

 

Wu B., and Pankow J.S., 2016, Sequence kernel association test of multiple continuous phenotypes, Genetic Epidemiology, 40(2): 91-100.

https://doi.org/10.1002/gepi.21945

 

Zhang X., Basile A.O., Pendergrass S.A., and Ritchie M.D., 2019, Real world scenarios in rare variant association analysis: the impact of imbalance and sample size on the power in silico, BMC Bioinformatics, 20(1): 46.

https://doi.org/10.1186/s12859-018-2591-6

 

Ziyatdinov A., Mbatchou J., Marcketta A., Backman J., Gaynor S., Zou Y., Joseph T., Geraghty B., Herman J., Watanabe K., Ghosh A., Kosmicki J., Locke A., Thornton T., Kang H., Ferreira M., Baras A., Abecasis G., and Marchini J., 2024, Joint testing of rare variant burden scores using non-negative least squares, The American Journal of Human Genetics, 111(10): 2139-2149.

https://doi.org/10.1016/j.ajhg.2024.08.021

 

方宣钧, 吴为人, 2026, 统计遗传学范式的演进：从连锁分析与候选基因策略到现代GWAS, 分子植物育种, 24(9): 2817-2829.