方宣钧, 2026, 多祖源与跨数据域情境下的多基因风险评分(PRS/PGS)：统计解释框架、方法学前沿与鲁棒性评估, 基因组学与生物技术, 15(1): 1-13 (10.5376/gb.2026.15.0001) (Fang X.J., 2026, Polygenic risk scores (PRS/PGS) across multi-ancestry and cross-domain settings: statistical framework, methodological advances, and robustness evaluation, Jiyinzuxue Yu Shengwujishu (Genomics and Biotechnology), 15(1): 1-13 (doi: 10.5376/gb.2026.15.0001))

多基因风险评分(polygenic risk scores, PRS/PGS)通过对全基因组关联研究(GWAS)位点效应的加权聚合，将“位点—性状”的关联信息转化为个体层面的遗传风险预测量，是连接基础遗传学与转化应用的重要工具。随着大规模基因组—表型数据的积累，其方法已由早期的阈值—剪裁(C+T)发展为显式建模连锁不平衡(LD)与效应分布的贝叶斯收缩框架，并进一步整合功能注释、多祖源信息与迁移学习策略，以提升预测性能与可解释性。然而，PRS在跨群体应用中的可迁移性与鲁棒性仍面临显著挑战，表现为预测精度下降、校准偏移及决策阈值不稳定，其根源可从统计推断角度理解为不同群体之间LD结构、等位基因频率谱及效应分布差异所导致的统计对象不匹配(estimand mismatch)。在此背景下，本研究从统计遗传学的统一框架出发，将PRS视为在特定数据与模型假设下的预测函数(predictive functional)，并与SNP遗传力所刻画的方差解释能力相衔接，提出“方差分解—个体预测”的连续推断链条。在此基础上，系统综述并比较多群体背景下PRS/PGS的主要方法，包括LD-aware贝叶斯收缩、功能注释整合、多祖源迁移学习及模型堆叠与再校准策略，并以PRS-CSx、CT-SLEB与PolyPred等方法为代表进行分析。进一步，本文构建“训练—验证—冻结—外部评估”的标准分析流程，提出以相对R²/AUC、校准斜率与决策净获益为核心的多维评价体系，并讨论PRS与环境因子的联合预测及其在医学与作物育种中的应用。最后，本研究从跨群体不公平性与伦理治理角度，分析PRS在不同人群与生态系统中的应用边界，并提出以“多祖源数据建设、因果与功能注释整合、祖源敏感建模、环境耦合及群体特异再校准”为核心的综合范式。该框架有助于推动PRS/PGS从单一预测工具向可迁移、可解释且具有公平性的决策支持体系转变，为复杂性状遗传学的应用研究提供系统性参考。