GSR：固定基因收录频率后重新评估通路富集

全文解读｜medRxiv v1，2026-09-07 公开，尚未同行评议。 本文依据所读的 25 页全文，包括 Methods 和主图 1–6；文末列出的 6 个独立补充文件未附在 PDF 中，相关精确结果及实施细节尚未独立核查。

通路重叠与富集证据

GWAS 通路富集通常问：一组基因的关联强度是否高于基因组背景？困难在于，某些基因被反复收录进许多通路；如果这些高频基因本身富集遗传信号，许多不同名称的通路都可能受益。GSR 进一步问：固定每个基因的关联证据及其被收录次数以后，真实的基因组合是否比随机组合更突出？ 它改变通路统计量的参照分布，随后重排结果，并不重新估计 GWAS 效应。

交换算法固定哪些量

令 $A_{gp}$ 表示基因 $g$ 是否属于通路 $p$。算法随机选择两个已有的基因—通路连接，交换其通路归属；产生重复成员的交换不被接受。由此保留每个基因的行和 $d_g=\sum_p A_{gp}$、每条通路的列和 $s_p=\sum_g A_{gp}$，以及全部基因的身份和基因—性状关联。

这可表述为：在给定两组边际计数后，基因与通路的连接可交换。需要精确区分，每对通路共享哪些基因、共享多少基因并不固定。行和固定意味着总的两两共享计数 $\sum_g {d_g\choose 2}$ 固定，但不能据此说原始 overlap 矩阵不变。每条通路原有的基因共表达、物理相邻关系、功能凝聚性也不会被保留。

实现采用 BiRewire v3.30，按引用文献的交换步数下界生成 1,000 个随机通路数据库；比较零模型 PS 只保持通路大小。GSR 的逻辑不是把高频基因删除或降低其关联分数，而是让它们在随机参照中也保持同样高的收录频率。若基因频率体现真实多功能性，这部分真实生物学也被条件化掉了，因此调整前后回答的问题不同。

数据与四种基础分析

MSigDB v2023 C2 的 Reactome、KEGG、BioCarta、WikiPathways 和 PID 通路，筛选常染色体蛋白编码基因及 10–2,000 个基因的通路后，共有 16,605 个基因、5,878 条通路；通路大小中位数 37。2,588 个基因出现在超过 50 条通路，591 个出现在超过 100 条通路。后续分层 LDSC 的“多通路基因”另定义为收录次数至少达到第 90 百分位，并非上述两个描述性阈值。

12 个性状包括 BMI、CAD、T2D、MDD、AD、SCZ、IBD、乳腺癌，以及 UKB 的 HDL、平均血小板体积、碱性磷酸酶和嗜酸性粒细胞比例。作者称外部 GWAS 使用不含 UKB 的欧洲祖源结果；UKB 质控后总体为 387,235 人、542,312 个 SNP，4 个实验室性状采用 70% 发现集、30% PRSet 目标集。这不是每个性状的有效样本量，各性状缺失与病例数需未附补充表核查。

基础方法	本文实际使用的统计量与设置
MAGMA v1.10	SNP-wise mean 基因统计量；基因关联强度对通路成员身份及默认基因层协变量进行竞争性回归。
PascalX	SOCS 基因统计量、chi-squared 通路统计量；邻近相关基因采用 fusion gene 处理。图中简称 Pascal。
PRSet	通路内 clumping-and-thresholding PRS，GWAS 阈值为 1，在 UKB 目标样本检验关联；原始竞争性检验另作 1,000 次置换。
GSA-MiXeR	比较 full 与 baseline 模型的通路 SNP 遗传力，输出 fold enrichment，不提供正式通路 p 值。

SNP—基因映射使用 ±35 kb。PRSet 要求目标样本超过 2,000 人，二分类性状要求超过 2,000 病例，故排除 AD、IBD、SCZ，只评估 9 个性状。因此“四种方法 × 十二性状”不是完整的 48 格实验；PRSet 也仍然需要个体水平目标数据。

原始检验在不同随机通路下的表现

对每条通路，作者计算其 1,000 个随机版本中原方法 $p<0.05$ 的比例，再观察这一比例在通路之间的分布。Figure 2 检查的是原方法在指定随机通路零模型下的名义显著率，并非 GSR 调整后经验 p 值的校准。 原始基因关联被保留，因此也不是无遗传效应的表型置换实验。

在 GSR 随机通路下，各性状的平均 FPR 范围为 MAGMA 0.0279–0.0836、Pascal 0.0474–0.144、PRSet 0.0452–0.414。平均 FPR 超过 0.10 的性状—方法组合有 10 个，PS 下有 5 个；PS 下明显膨胀主要见于 PRSet。GSA-MiXeR 没有正式 p 值，未纳入此项 FPR 比较。

Figure 4 显示，大通路在 GSR 下更容易被原方法判显著；这种大小梯度在 CAD、HDL 等性状尤其明显。Figure 5 则把通路 FPR 中位数与高频基因捕获的遗传力占比比较：MAGMA、Pascal、PRSet 的图示相关分别为 $r=0.851$、$0.794$、$0.865$。该占比以数据库内多通路及其他基因捕获的遗传力之和作分母；它本身不是再除以 SNP 比例后的 fold enrichment。这支持“高频基因承载的信号越多，随机通路基线越容易升高”的解释，但相关性不能分离注释偏倚与真实多功能性。

真实信号也没有全被这套参照解释掉。以 MAGMA 的 CAD、HDL 和乳腺癌为例，Figure 3 中最显著的真实通路仍可高于 GSR 随机结果同一排序位置的分布，CAD、HDL 尾部尤其清楚。这里展示的是整体排序的 QQ 分布，不能直接认定某个点对应的具体通路获得了新的因果验证。

经验 p 值、SES 与重排序

对通路 $p$，设 $r_p$ 为随机版本中原方法 p 值小于真实通路 p 值的次数，则

$$P_{p,\mathrm{GSR}}=\frac{r_p+1}{1001},\qquad \mathrm{SES}_p=\frac{ES_{p,\mathrm{obs}}-\operatorname{mean}(ES_{p,\mathrm{rand}})}{\operatorname{sd}(ES_{p,\mathrm{rand}})}.$$

$ES$ 表示基础方法对应的通路富集效应统计量。主文没有逐一明确各软件所用输出字段，因此不将其统一改写成 $-\log p$；对 GSA-MiXeR，作者明确使用 SNP 遗传力 fold enrichment。

重排先看经验 p，再看标准化效应 SES；1,000 次随机化的最小经验 p 为 $1/1001\approx0.001$，许多强信号会并列，SES 用于进一步区分。SES 只是随机参照下的标准化差异，论文没有赋予它标准正态分布。 GSA-MiXeR 以遗传力 fold enrichment 构造 SES。PRSet 的 GSR 经验 p 则比较软件输出的原始关联 p，明确不是对其竞争性 p 再调整。

排序验证通常只在原方法 top 500 通路中进行；GSA-MiXeR 用其他三法各自 top 500 的并集，因而可能多于 500 条，也不是按它自己的原始排名选择。这是条件于候选集的排序评价，不是全数据库发现功效比较。

外部证据支持多少，独立性到什么程度

验证量是通路排序与外部评分的 Spearman 相关。Open Targets 只保留文献、药物和动物模型证据，明确去掉遗传关联来源；无证据基因记 0 后，按通路取均值。MalaCards 先对疾病内基因分数作秩变换，再按通路取均值，但 Methods 未说明进行了对应的遗传证据排除。

DoRothEA 去掉来自文献审阅的 TF–target 关系，用通路内获得直接调控或共同 TF 支持的基因对比例评分；它评价功能联系，并非性状特异致病证据。GTEx 对基因的 $\log_2(\mathrm{median\ TPM}+1)$ 除以跨组织总和，再取通路平均；每个性状指定一个代表组织，BMI 使用额叶皮层。代表组织是代理，不能据此确认唯一因果组织。

作者报告：GSR 在 60.8% 的单项比较、79.3% 的疾病关联基准比较中提高相关，16 个“方法 × 验证框架”汇总比较中有 10 个提高。前两项的逐条结果在未附 Supplementary File 2，不能独立复算；也不能把这些比例当成发现准确率或显著改善率。Figure 6 的黑色实心点只表示单个相关达到名义 $p<0.05$，不是调整前后差异通过检验。

MAGMA、Pascal 的改善主要出现在 Open Targets、MalaCards，CAD、IBD、T2D 较明显，整体幅度较小；PRSet 改善更大。GSA-MiXeR 表现混合，DoRothEA 上不少相关在调整前后都为负，不能概括为四种方法均有稳定收益。主文没有逐条给出获提升通路名称及后续实验，不能据此编写新的疾病机制案例。

独立性的另一限制来自通路大小：作者观察到，外部证据高分主要集中在小通路，而 GSR 也倾向提高小通路的相对排名。两个量沿相同方向变化，本身就可能提高相关。主文未给出充分的大小匹配或条件化验证来量化剩余增益，因此更合适的结论是“改善了这些资源定义的排序一致性”，尚不能证明全部收益来自更准确的疾病机制识别。

在实际 GWAS 分析中的位置

作者明确把 GSR 定位为通路优先级工具，没有跨通路 FWER 保证，也不建议用其经验 p 替换原方法 p 作正式推断。1,000 次随机化的分辨率也远高于 5,878 条通路的 Bonferroni 阈值。随机通路不匹配原通路的基因间相关或局部 LD 结构；基础方法内部的 LD 校正可能缓解，却不能直接保证消除这项差异。

对统计遗传学研究，更有用的应用是并列查看原始富集、GSR 排名、通路大小和高频基因贡献，识别一个解释究竟由特定基因组合支持，还是高度依赖反复出现的基因。正文没有运行时间、内存或加速倍数比较；公开的 Nextflow 流程仍需对大量随机数据库运行基础方法，不能仅凭交换步骤简单就称其为低成本分析。

论文：medRxiv v1；代码：accote45/pathway_overlap。