血液非整倍体：测量模型、遗传架构与同源染色体机制

原文：Yichen Si、Nolan Kamitaki、David Tang、Po-Ru Loh. Genetic mechanisms of mitotic error in 840,853 blood genomes. medRxiv，2026-09-09，v1，尚未经同行评审。
DOI：10.64898/2026.09.08.26362505
阅读依据：用户上传的 48 页 PDF，含正文、Methods 和主图 1–6。正文反复引用的独立 Supplementary Notes 1–8、Supplementary Figures 1–44 及补充表未包含在该附件中，本次未能取得。有关这些材料的结果只按主文所述转述，不冒充已经逐项核验。

1. 为什么这不只是“一篇 84 万人的 GWAS”

这篇论文的关键进展，是把低比例嵌合染色体异常从“超过检测阈值才算一个病例”，转成尽可能连续、精确的测量。更准确的表型使同一批生物样本产生更多遗传信息，然后作者利用跨染色体效应模式、等位染色体特异效应、结构变异和功能证据来区分可能的机制。Main，pp.2–6

必须先区分两个来源：一次测得的异常细胞比例，既与产生异常细胞的速率有关，也与异常细胞后续的存活、增殖和细胞谱系组成有关。因而胚系变异与非整倍体负担相关，不一定意味着它改变了有丝分裂错误本身。本文最有价值的后续分析，是尝试拆分这些解释；它并没有把所有关联自动归因为染色体分离机制。

我的总体判断：表型测量与遗传机制证据的衔接非常强。相较之下，克隆动态仍主要依靠横断面年龄轨迹推断，健康结局的因果证据则有限。应该把这三个层次分别评价。

2. 队列、独立样本和不同分析的分母

数据层次	UK Biobank	All of Us	说明
血液 WGS 去噪分析	490,089	350,764	合计 840,853；AoU 限血液及 EUR/AMR/AFR 分组
女性 LOX 表型	259,088	206,847	经过遗传性别及染色体异常等筛选
男性 LOY 表型	221,857	138,703	不是把全部 WGS 人数用于每个性状
常染色体分析，去除最高 0.5% read-depth 噪声后	UKB EUR 451,924	AoU EUR+AMR+AFR 348,956	具体 GWAS 另有祖源/性状限制，完整样本数表未取得

来源：Methods，pp.14–23。UKB WGS 平均覆盖约 32.5×，AoU 约 37.9×；UKB 年龄主要为入组 40–70 岁，AoU 扩展至 18–90 岁以上。作者也说明 UKB 撤回可能造成不同分析间小幅样本数变化，不宜强行让每张图分母完全相同。

研究选择 12 个表型：女性 X 丢失（LOX）、男性 Y 丢失（LOY），以及 9 种常染色体增益和 chr21 丢失。9 种增益为 chr3/8/9/12/14/15/18/21/22。选择原因是这些事件较常见，而且多数属于整条染色体异常，适合染色体总体深度检测；不是对全部 mCA 类型的完整分析。例如 copy-neutral LOH 不改变总拷贝数，不能靠本方法的总体深度偏离来识别。Methods，pp.20–22

3. 测量模型：为什么极小的覆盖度变化可以成为高信息表型

3.1 深度与异常细胞比例的关系

若一个二倍体染色体在比例为 $\alpha$ 的细胞中增加或减少一份，相对正常细胞的预期测序深度为：

$$E(D\mid\alpha)=1\pm\frac{\alpha}{2}.$$

男性 Y 是单倍体，LOY 的关系则为：

$$E(D_Y\mid\alpha)=1-\alpha.$$

因此，女性 LOX 的比例对应 $2(1-D_X)$，男性 LOY 对应 $1-D_Y$，前提是基线已校准。Methods，pp.16、19

如果某染色体采到 $F$ 个独立 DNA 片段，理想计数噪声的相对标准误约为 $F^{-1/2}$。举例说，$F=10^7$ 时深度标准误约 $3.16\times10^{-4}$，二倍体异常细胞比例的标准误约 $6.32\times10^{-4}$。这个例子是依据论文测量模型的计算，用来说明信号为何在原则上可检测，并不是实测每个样本都达到这一精度。

真实难点在于，GC、mappability、胚系 CNV、批次以及细胞组成等引起的深度波动，通常远大于计数噪声。作者报告经处理后，噪声可接近理论界限约 1.5 倍，并可检测约 0.2–0.4% 细胞的事件；其完整 benchmarking 在未取得的补充材料中，故本次不能独立确认每条染色体的误差和 FDR。Methods，pp.15–17

3.2 去噪算法的关键不是“多回归几个 PC”

流程依次包括：屏蔽低复杂度、低可比对性和常见 CNV 区域；以 1 kb 分辨率统计深度并校正 GC 偏倚；进一步屏蔽个体特异的胚系 CNV；最后使用参考样本的深度 PCs 去除剩余系统波动。Methods，pp.16–18

容易被忽略的问题是，LOX/LOY 太常见，参考集的 PCs 也可能学到真实信号。此前增加 PC 数反而会削弱染色体丢失效应。本次作者在计算 PCs 前，将 X、Y 各自合并成 25 个 bins；常染色体仍保留约 49,666 个较细 bins。于是 49,716 维向量中只有 50 维代表性染色体，使其对总体方差的贡献降低，而技术波动仍可通过全基因组结构被学习。Methods，p.17

参考样本分性别、分队列选择较年轻个体，分别估计 50 个 PCs：UKB 为 7,684 名女性和 6,852 名男性；AoU 为 7,976 名女性和 3,742 名男性，后者年龄 18–22 岁。UKB 与 AoU 的技术结构不同，用各自队列 PCs 比跨队列直接套用更有效。Methods，pp.17–18

统计解读：这是在 nuisance estimation 阶段，主动降低目标信号对噪声模型的污染。它与单细胞分析中“潜变量校正会不会把目标细胞状态/遗传效应一起去掉”直接相关。但这种设计的有效性仍需用信号恢复、假阳性与跨批次验证支持，不能仅凭去噪后方差变小判断成功。

4. 表型构建：性染色体用连续变换，常染色体用近似概率调用

4.1 LOX/LOY 的 GWAS 表型不是原始细胞比例

AoU 参考人群较年轻，原始比例计算为 $2(1-D_X)$ 和 $1-D_Y$；UKB 最年轻参考人群为 40–41 岁，已有少量丢失，作者根据 AoU 同龄人的平均偏离，将 UKB 基线调整为 1.002（X）和 1.003（Y）。Methods，p.19

为了降低右尾克隆扩增对关联的影响，作者将深度偏离截断后取自然对数。按原文式(1)–(4)，可写为：

$$y_{X,AoU}=\log\{0.001+\operatorname{clip}(1-D_X,0,0.02)\},$$ $$y_{Y,AoU}=\log\{0.001+\operatorname{clip}(1-D_Y,0,0.2)\},$$ $$y_{X,UKB}=\log\{\operatorname{clip}(1.002-D_X,0.001,0.02)\},$$ $$y_{Y,UKB}=\log\{\operatorname{clip}(1.003-D_Y,0.001,0.2)\}.$$

其中 $\operatorname{clip}(x,l,u)=\max(l,\min(u,x))$。X 的深度偏离是细胞比例的一半，所以 X 的 0.02 上限对应约 4% 细胞，而 Y 的 0.2 对应约 20%。原文式(4)左侧误标为 AoU，但所在段落明确讨论 UKB；这里显式指出该标注问题，而不是默默替换。

这些常数以增强既往 lead variants 的关联为依据选择，因此报告的“比过去关联更强”还包含表型变换优化。跨队列复制提供额外支持，但不能把针对已知信号优化后的增益看成完全独立的功效评估。Methods，pp.19–20

4.2 常染色体硬调用：FDR 属于事件识别，不属于 GWAS

作者先在年轻人中用 $1.4826\times\mathrm{MAD}$ 估计各染色体深度的噪声尺度 $\sigma$，假定无异常时 $D\sim N(1,\sigma^2)$，并以 Benjamini–Hochberg 选择约 5% FDR 的深度阈值。为比较不同染色体的事件率，另使用统一的 0.4% 细胞比例阈值。Methods，p.21；Fig.1H

不同染色体大小和噪声不同，检测阈值不能用一个深度偏离常数替代。Figure 1I 的 chr15 增益使用约 0.26% 细胞阈值，而 chr21 的图使用 0.4%，这些图的比率不能脱离阈值比较。

事件随年龄富集是生物学一致性检查，但不足以单独证明 5% FDR 得到校准；年龄相关的技术偏差也可能造成富集。FDR 控制依赖所构造的零分布合理，必须与补充中的验证共同评估。

4.3 常染色体 soft call：一个有用但并非严格生成模型的概率分数

为避免 borderline 深度信号被硬阈值丢弃，作者分性别、分事件类型拟合年龄先验。首先以 $4\sigma$ 深度偏离定义较清楚的病例，拟合：

$$\operatorname{logit}\pi_i=a+b_1\log(\mathrm{age}_i)+b_2[\log(\mathrm{age}_i)]^2,$$

年龄上限截至 80 岁。将朝目标异常方向的深度偏离除以 $\sigma$ 得到 $z_i$，再构造：

$$\operatorname{logit}p_i=\frac{z_i^2}{2}+\operatorname{logit}\pi_i.$$

相反方向、绝对值不超过 2 的 $z$ 设为零；相反方向超过 2 的样本设缺失，避免例如 chr21 增益污染 chr21 丢失的对照。最后将 $p_i<0.05$ 截为零。Methods，pp.21–22

作者明确承认这个过程有理论上较松的步骤，包括拟合先验所用 $4\sigma$ 定义等。因此，$p_i$ 更适合称为近似的概率调用表型，不能不加验证地当作个体异常状态的精确后验。

进一步的统计解读是：$z^2/2$ 与高斯均值自由拟合时的对数广义似然比形式相近，但它没有自动提供一个指定异常细胞比例先验后积分得到的完整 Bayes factor。使用年龄信息确实可提高检测效率，也意味着后续 GWAS 的协变量建模和校准要覆盖这一步的数据依赖；“数值在 0–1”本身不会保证检验有效。

5. 关联模型与遗传架构：828 不是 828 个互不相同的机制

作者共运行 34 个 GWAS：UKB EUR、AoU EUR 分别分析全部 12 个性状；较小的 AoU AMR/AFR 分析有足够事件的子集。Methods，p.22

LOX/LOY 使用 BOLT-LMM v2.5 的线性混合模型；常染色体概率表型使用线性回归，而不是同一套 LMM 或 logistic regression。协变量包括年龄、年龄平方、吸烟、遗传 PCs（UKB 20 个、AoU 16 个），常染色体分析另调性别。性染色体测试 MAF > 0.1%；常染色体按事件率采用更严格的 0.35–3.5% 阈值，以减轻罕见表型与低频变异导致的统计量膨胀。Methods，pp.22–23

提高灵敏度后，正文报告两队列约 70,000 个常染色体事件；这里保留正文的事件口径，不据此推定去重后的携带者人数。Main，pp.4、12

UKB 的 12 个性状共报告 828 项 lead associations，包括常染色体 173 项（172 项新发现）、LOX 245 项。它是跨表型的关联计数，不代表 828 个互不重叠的基因组区域。显著性采用每个扫描 $P<5\times10^{-8}$，作者用预期 FDR 作解释，并未简单按 12 个表型再做统一 Bonferroni。AoU 中 97% 方向一致，不能改写成 97% 在独立复制中均达到显著阈值。Main，p.5

图 2a 的 LOX/LOY 标签是约数（约 240、约 410），而常染色体逐图数字合计为 173；不应把约数当成与正文精确数矛盾。

位点计数的算法也因性状而异。 对 LOX/LOY，作者先按关联强度排序，要求新候选在分别条件于已保留的附近变异时仍显著，再用大于 500 kb 的间隔定义最终位点和 index variants；这种 pairwise-conditional 筛选不能写成一次完整的多变异联合模型。常染色体主要以 lead variants 相距大于 1 cM 定义位点，再对 AoU 中 Duffy 长程混合 LD 及 chr15 着丝粒等例外作条件检查。这些是位点构建规则，不是贝叶斯可信集，也不是逐个识别因果变异。Methods，pp.23–24

更有机制信息的是跨表型效应模式：遗传相关中位数约 0.15；LOX–LOY 为 0.30（s.e. 0.03），LOY–chr8 增益为 0.67（0.17），chr21–chr22 增益为 0.55（0.13），而 LOY–chr15 增益接近零。部分增殖/存活相关位点对不同异常的方向相反。Fig.2，pp.5–6、42

效应量的换算同样需要保留：常染色体线性回归的系数以 log(1 + β / 平均概率表型) 转到作者称为“发生频率的自然对数倍数变化”的尺度。平均表型来自近似 soft call，而不是已知无误的患病率；LOX/LOY 的系数则对应截断后对数细胞比例。两者便于比较方向与模式，却不是同一个观测单位上的严格统一效应。原文式(5)，p.24

这说明不能把不同染色体异常简单合并成一个“基因组不稳定性”性状后，期待所有生物学效应同向。与此同时，$r_g$ 差异也受到表型定义、检出率和统计功效影响；相关模式是机制线索，不是自动的通路分类器。

作者还报告罕见蛋白功能相关变异的基因负担关联：LOX 28 个基因、LOY 49 个、常染色体 11 个，FDR 约 0.01。它们支持动粒、着丝粒和细胞适应度机制，例如 PAR1 区域 GTPBP6/DHRSX 的潜在功能缺失与 LOX/LOY 比例降低相关。但具体 burden masks、权重及检验实现放在未取得的补充 Note 2 中，本笔记不补写成某套默认 SKAT/burden 流程。Main，p.6；Methods，p.23

6. “遗传力超过 50%”需要拆成两个不同的统计证据

作者在 EUR、年龄至少 60 岁、排除当前吸烟者的子集中，用 BOLT-REML 得到 SNP 遗传力约 LOX 35%、LOY 44%，标准误均约 1 个百分点。另以同性别同胞对的相关乘二，得到 LOX 52%（45–60%）、LOY 62%（52–71%），在文中称为 sib H²。Methods，p.25；Fig.1E

所以摘要中的“>50%”不能写成“常见 SNP 解释超过一半表型方差”，更不能推广到全部年龄层或不同定义的病例/对照表型。

还需要注意作者对同胞估计的命名。严格地说，$2r_{sib}$ 并不无条件等于广义遗传力。在一个简化的常染色体方差模型下：

$$r_{sib}\approx\tfrac12h^2+\tfrac14d^2+c^2, \qquad 2r_{sib}\approx h^2+\tfrac12d^2+2c^2,$$

其中 $d^2$ 表示显性方差比例，$c^2$ 表示共享环境方差比例；该式是本笔记的解释，不是作者实际拟合的模型。本文又涉及同性同胞共享父方 X 或 Y 的特殊遗传关系，常染色体公式不能原样当作它的精确模型。作者也提醒共享环境与性染色体传递可影响解释。

最稳健的结论是，精确连续表型揭示了很强的遗传贡献，且基于 SNP 的估计与亲属相似性在方向上相互支持；但二者估计的量、假设和潜在偏差不同。

7. 机制证据：染色体特异效应比“附近是哪个基因”更有解释力

7.1 PMF1 与 SETDB2：效应模式和遗传互作提供约束

动粒/SAC 相关变异并不作用于所有染色体。PMF1 Q75R 与 Y 的丢失/增益增加相关，却与 chr8、chr15 增益风险降低相关，支持某些动粒变化在不同染色体之间存在功能权衡的解释。Fig.3B；Main，pp.6–7

chr22 的风险单倍型近乎标记了一个遗传性结构变异：13p 与 22q 的古老异位重组形成的混合着丝粒染色体。这不是在本次血细胞中新发生的 chr22 增益本身。作者结合深度、嵌合序列及已有长读长组装，观察到该染色体更易出现增益；在可进行等位特异分析的携带者中，chr22 的 cis OR 约 3.7（2.0–6.4），trans 效应较弱。Fig.3C–I；Main，pp.7–8

SETDB2 表达降低的 eQTL 与 chr21/22 异常增加有关，罕见编码变异的方向提供补充支持；其与混合 chr13/22 的遗传互作报告 $P=3.0\times10^{-10}$。作者提出 SETDB2 功能降低可能改变 H3K9me3 边界和 CENP-A 域，进而降低分离准确度。Fig.3F–H

评价：跨变异类别、结构背景和等位染色体效应的一致性，比仅按 lead SNP 的最近基因命名更有机制约束力。但图 3G 是机制模型，不是该队列中直接测到的 CENP-A 扩张实验；且本次未取得互作检验细节，不能自行指定作者使用了哪种交互项尺度或协变量模型。

7.2 ICCE/DXZ4：多等位重复序列比附近 SNP 更接近功能变量

ICCE 常见单倍型有 0–13 个约 5.4 kb 的重复单元；DXZ4 更长，常见约 10–120 个 3 kb 单元。两处长度都与同一条 X 染色体的丢失相关，但 DXZ4 中两个改变 CTCF/YY1 motif 的 paralogous sequence variants（PSVs）使关系更具体。Main，pp.8–10；Fig.4

在联合模型中，保留野生型 CTCF/YY1 motif 的 DXZ4 单元数与较多 cis X 丢失相关；携带 motif-disrupting PSV 的重复单元数效应接近零、略偏负。这说明总长度并不足够，需要拆成不同功能类别的重复拷贝。motif 预测与 ChIP-seq 分析提供支持，但不等同于在相同遗传背景下逐一编辑重复阵列后验证分离率。

作者据此拟合单倍型双位点评分：

$$R_h=0.05265\,CN_{ICCE,h} +0.3327\log\{\max(10,CN_{DXZ4,WT,h})\}.$$

它来自 UKB EUR 女性的 haplotype-specific LOX 回归，另调整年龄、年龄平方、吸烟与遗传 PCs。最高和最低各 0.5% 单倍型评分组的 X 丢失倾向相差约 4 倍。比较单位是 X 单倍型，不是一个人的临床患病风险；也不是在独立队列验证的疾病预测模型。Methods，p.27；Fig.4J

作者称每个位点解释约 5% 的年龄调整 LOX 遗传力；这不能改写成每个位点解释 5% 总表型方差。Main，p.10

8. 总深度加等位深度：如何发现“两个 X 都在不同细胞中被丢失”

此前基于 allelic imbalance 的检测，主要利用两条同源染色体的相对不平衡。如果同一人的一部分细胞丢失 X1、另一部分丢失 X2，两个方向可以相互抵消；没有明显不平衡，不等于没有大量丢失。

作者将 read-depth 测得的总丢失比例 $c_{tot}$ 与相位解析的 allelic depth ratio $r$ 联合：

$$c_1+c_2=c_{tot},\qquad \frac{1-c_1}{1-c_2}=r=\frac{\sum AD_1}{\sum AD_2}.$$

由原文式(6)直接求解可得：

$$c_1=\frac{1-r+rc_{tot}}{1+r},\qquad c_2=\frac{r-1+c_{tot}}{1+r}.$$

后两个式子是本笔记对原方程的代数展开。它们说明新增的总量测量补上了纯相对数据无法识别的维度。作者允许小幅负估计存在，以免单纯截零造成向上偏差。Methods，p.26

相位质量也不是一句“做过 phasing”带过：在 4,213 名高比例 LOX 女性中，83.6% 未检测到 switch error、12.8% 有一个、3.6% 有至少两个。关键区域选择重组较低的 chrX:68.5–115 Mb，并排除 ICCE/DXZ4 所在区域对深度估计的直接影响；作者估计这段约 97% 个体无 switch error。另对局部 cis/trans 扫描避开中心区域，以减轻用于定义表型的等位深度与被检验位点之间的技术耦合。Methods，pp.26–27

结果表明，ICCE/DXZ4 主要影响 cis 丢失；许多其他 X 位点却对 cis/trans 有大小相近、方向相反的作用，导致总 LOX 关联不强。作者用 OneK1K 单细胞资料探索 X 失活偏倚，未获得明确支持，并承认功效有限；部分逃逸 X 失活基因的信号更符合保留染色体上的等位基因改变相对克隆适应度的解释。Main，pp.10–11；Fig.5

这里的 cis/trans 指同源染色体的哪一条被丢失，不是通常 cis-eQTL/trans-eQTL 的基因组距离定义。把两者混用会直接误解全文的机制论证。

9. 从年龄轨迹到疾病因果：哪些解释还没有被识别

9.1 横断面细胞比例不能单独区分发生与扩增

LOX 随年龄较缓慢增长，LOY 的分布与年龄关系更陡、方差更大。作者据此认为 LOX 可能主要反映反复错误，而 LOY 更受克隆扩增影响。Main，pp.3–4、13

作为说明，可设异常产生率为 $\mu(t)$、净扩增率为 $s(t)$，小比例近似下负担具有类似形式：

$$f(t)\approx\int_0^t\mu(u)\exp\left\{\int_u^t s(v)\,dv\right\}du.$$

这是本笔记的机制示意，不是作者拟合的动力学模型。它说明相似的 $f(t)$ 可以来自不同的发生率与选择组合；横断面还受出生队列、生存选择和细胞组成影响。因此年龄曲线与等位分析一起形成合理解释，但不能当作已经估计了个体内克隆增长率。

9.2 MR 的阴性结果应按所代理的暴露解释

作者对 LOX 的 9 个、LOY 的 10 个健康结局进行双向 MR，共 38 个方向；采用 IVW、weighted median、MR-Egger、MR-PRESSO，显著性阈值为 $0.05/38$。工具变量要求 $P<5\times10^{-8}$、MAF > 1%，以 EUR LD 参考 clump 至 $r^2<0.01$；MR-PRESSO 最多使用 500 个工具。Methods，p.28

没有关系在四种方法中一致达到该阈值。前列腺癌有一定支持，但不能据此宣称所有结局均已证明无因果作用。Main，p.11；Fig.6

关键解释边界有两层。第一，许多工具涉及细胞周期、免疫功能、增殖和 DNA 损伤反应，可能通过其他途径影响疾病，排除限制并不会因遗传力高或工具很多而自动成立。第二，暴露是血液中截断后对数变换的异常细胞比例的遗传倾向，不等于任意组织的非整倍体、极高克隆负担、或晚年短期内迅速扩增的干预效应。MR 不显著也可能来自功效或异质性，不能概括成“LOY 对健康没有影响”。

9.3 PRS 补充了证据，但不是临床因果试验

作者用 UKB 内五折交叉验证产生 out-of-sample LOY PRS，解释年龄调整 LOY 方差的 23.4%。大多数健康结局和寿命指标与 PRS 无明显关联；前列腺癌在最高与最低四分位间约有 8% 的相对患病率差异，非 8 个百分点绝对风险差。Main，p.11；Methods，pp.28–29

寿命分析之一使用子代 LOY PRS 代理父亲风险；父亲仍存活者的死亡年龄用经验分布的条件期望填入。这是原文的实际设计，不能描述为常规右删失生存模型，也不应与直接观测父亲基因型和完整寿命等同。

10. 对我们的单细胞 QTL、测量模型和功能定位研究的启示

10.1 先改善表型可识别性，再考虑更复杂的关联算法

本文的巨大收益首先来自更精确的观测量，而非换一套 GWAS 检验。对单细胞 QTL，这提示应检查：细胞类型比例、表达均值、状态坐标或克隆负担的误差是否已吞掉遗传信息；潜变量去噪是否把目标信号一起消除；阈值调用是否丢掉大量 borderline 个体。

若采用概率表型，可以把它与硬调用、连续测量及显式测量误差模型比较。研究设计应模拟原始测量→去噪→表型变换→关联的完整流程，而不只在已生成的干净表型上检验最后一个回归模型。本文近似 soft call 的成功表现，不代表任意模型输出的 0–1 概率都可不加校准直接做 GWAS。

10.2 将“数量”和“组成”联合建模，避免相对数据抵消

read-depth 给总量，allelic depth 给相对量，两者合起来才区分 $c_1$ 和 $c_2$。这对 allele-specific expression、克隆混合及细胞组成分析都有启发：总量稳定时相对偏倚可以很强，相对量接近平衡时总异常也可以很高。没有总量信息时，某些机制本来就不可识别，不是换一个更复杂的归一化方法即可解决。

进一步研究可将技术深度误差、相位错误和计数抽样显式放进联合观测模型，并在 donor 层估计遗传效应。本文本身没有提出这套完整层次模型；是否改善区间覆盖与弱信号发现，需要独立验证。

10.3 Fine-mapping 应覆盖结构变异与功能单元，而不只是 SNP 排名

ICCE/DXZ4 的结果说明，有时真正接近机制的变量是重复拷贝数及其功能 motif 完整程度，而不是最显著 tag SNP。对多等位重复序列，可以比较总拷贝数、不同功能单元拷贝数、以及 haplotype-specific 变量；再看加入这些候选后，原有 SNP 信号是否衰减以及等位系列是否一致。

这不是用“条件后不显著”单独证明因果，而是把关联、结构、等位系列和独立功能验证放在同一条证据链中。也提醒我们，序列模型未覆盖或难以编码的巨大结构变异，不应因缺少高功能分数就被排除。

10.4 用单细胞数据区分细胞组成、克隆适应度与细胞内调控

对于基因型与 bulk 血液表型的关联，可进一步检验信号是来自不同谱系比例、某谱系内异常负担，还是同一异常细胞内的表达改变。这样的 donor×cell-type 分解比仅报告“富集于免疫细胞”更接近本文遗留的机制问题；但需要联合或适当分层模型，不能把同一个 donor 的细胞当成独立复制。

这里最有价值的可检验问题是：跨染色体方向相反的遗传效应，是否在特定细胞谱系或状态中集中出现；同源染色体偏倚是否能在独立的单细胞 DNA/RNA 或纵向资料中重复。这些是由论文提出的问题延伸出的研究方案，不是作者已得到的结果。

11. 资源状态与结论边界

原文明确写明，全 GWAS summary statistics 和去噪/表型代码计划在同行评审完成后公开；AoU 个体表型拟通过 community workspace 提供，UKB 表型则待 RAP 的回传发布机制。不能将这篇预印本登记为已经能立即下载全部 summary statistics 和代码的公开资源。[Data/Code availability，p.29]

本次没有独立补充材料，因而尚未逐项审查模拟/检测 FDR、burden masks、复制显著性分母、XCI 单细胞分析和互作模型的完整实现。主文足以支持对总体框架及主要实证证据的解读，但不应据此声称已经完成全部方法复现性审计。

最终评价：这篇工作的最强方法学启示是，精确测量与可识别的表型分解，本身就能改变遗传学发现的规模和解释深度。大样本很重要，但真正让其产生机制信息的，是将总量、相对等位量、跨表型效应和结构变异放在一起分析；对于克隆动态和健康因果，则仍需更直接的数据与验证。