PathGPS: discover shared genetic architecture using GWAS summary data

作者: Zijun Gao, Qingyuan Zhao, Trevor Hastie
来源: Biometrics
主题: 流行病学
相关性: 5/10
机构绿灯: University of Southern California（US News 前 50，免分进入精读）
链接: https://doi.org/10.1093/biomtc/ujae060

---

一、领域脉络与小综述

这个方向是什么

本文的核心问题是：如何从大尺度生物样本库（如UK Biobank）的全基因组关联研究（GWAS）摘要统计量（summary statistics）中，探索性地发现多个性状之间共享的遗传结构？具体而言，是要识别出一组低维的“遗传路径”（genetic pathways），这些路径共同调控多个性状，并且将它们与环境和随机噪声分离开来。当前状态的成熟度处于方法开发与验证阶段——已有多种多变量GWAS方法和因子分析方法，但大多是假设驱动或高度参数化，且在处理GWAS摘要数据的特殊统计结构（非独立样本、强噪声、高维）时各有局限。

发展脉络（history）

1. 奠基工作：GWAS 的单变量范式。 最早的GWAS分析逐性状扫描SNP，得到每个SNP-性状关联的p值或Z统计量。这为后续多变量分析提供了最原始的“数据基”——即GWAS摘要统计量。

   • 常见引用：Visscher et al. (2012) 的“Five years of GWAS discovery”，总结了早期GWAS的范式。
   • 作者引用句：文中提到“GWAS summary statistics are widely available”时，隐含承认其基础性。

2. 主要进展：多变量/多性状分析方法。 开始有方法试图利用多个GWAS的摘要统计量，来探索跨性状的遗传相关性。

   • LD Score Regression (LDSC)：Bulik-Sullivan et al. (2015) 提出，利用连锁不平衡（LD）的结构，从GWAS摘要统计量中估计遗传相关（genetic correlation，即两个性状之间遗传组分的协方差）。留下的口子：它只给出两两之间的标量遗传相关，而非一个低维的、可解释的共享结构（路径/因子）。作者将其定位为“a well-established method for estimating genetic correlation”，并视为自己的一个基准（baseline）。
   • MTAG：Turley et al. (2018) 提出了多性状分析，整合多个GWAS摘要统计量来提升单个性状关联信号的发现能力。留下的口子：同样不提供共享结构；其核心假设是各性状的遗传效应高度相似，其模型（所有性状的SNP效应来自一个共同的遗传效应+各自的项）隐式地假设共享结构是“全连接”的，而非低秩稀疏的。
   • PCA-based GRS：Ge et al. (2019) 等使用主成分分析（PCA）从多个性状的遗传关联得分（GRS）中提取共享因子。留下的口子：这是与PathGPS最接近的路线，但作者指出，该方法直接应用PCA于噪声污染严重的单SNP-单性状GWAS效应估计（即β_hat），其PCA结果会受环境/随机噪声严重干扰，从而偏离真实的共享遗传结构。
   • 作者引用句：作者强调，这些方法的共同缺陷是“do not decouple genetic and environmental components before factor analysis”，导致提取的因子是“susceptible to measurement noise and residual confounding”。

3. 当前frontier：解耦遗传与环境成分的探索性因子分析。 PathGPS在此处切入。它遵循“先解耦、再降维”的路线，通过对比“信号基因”（真SNP）和“噪音基因”（非真SNP）的GWAS关联，来估计和剥离SNP对性状的环境/随机效应，获得相对纯净的遗传成分的估计，然后再进行PCA和因子分析。

   • 这是绘制共享遗传架构的探索性工具，区别于LDSC和MTAG这类假设检验/推断型工具。

4. 本文的位置：本文是这篇论文的其中一篇，Positioned as the first exploratory method that both (i) decouples the genetic and environmental components from GWAS summary data using a contrastive strategy, and (ii) extracts low-rank and sparse genetic pathways for multiple traits simultaneously.

子线索聚类

被引文献大致落在以下2-3条子线索上：

• 簇1：多变量GWAS方法，估计遗传相关/协方差。 代表：LDSC (Bulik-Sullivan et al., 2015)，MTAG (Turley et al., 2018)。思想是以方差/协方差分量的形式度量遗传共享（标量或张量），但不生成可解释的低维因子。
• 簇2：遗传关联的降维方法。 代表：PCA-based GRS (e.g., Ge et al., 2019)。思想是通过PCA直接压降性状的遗传效应矩阵，但其主要瓶颈是直接在受噪声污染的输出上做PCA，结果不稳定且生物可解释性差。
• 簇3：稳健/集成估计与降维的统计方法。 这是方法层面的子线索，包括bagging与稳健PCA。PathGPS中使用的bagging（Bootstrap Aggregating）和因子分析算法是对簇2方法的增强，试图解决噪音和稳定性问题。

这个方向在追问的核心问题

1. 如何严格分离（decouple）可观测的GWAS关联统计量中的遗传成分与环境/噪声成分？ 这是最根本的问题。现有方法要么回避（直接降维，导致噪声主导结果），要么做很强的参数假设（如MTAG假设各性状的效应是同一群体的变异）。
2. 如何解释“共享遗传因子”的生物学意义？ 当因子被提取出来后，如何验证其对应真实的遗传路径（pathway）而不是统计假象？这要求方法输出稳定且可解释的结果。
3. 如何在不依赖个体水平数据（只有摘要统计量）的情况下，稳健地估计遗传相关矩阵并进行降维？ 这是方法可行性的实际瓶颈——噪声、LD、样本重叠、通道效应等如何被处理。

⚠️ 作者的framing

• 作者的缺口frame：作者把缺口设定为“缺失一种既能解耦遗传和环境成分，又能进行低秩稀疏探索性分析的GWAS摘要统计量工具”。这样，PathGPS就成为了“显然的下一步”。
• 被淡化/回避的竞争路线：
  • 结构方程模型(SEM)的生物学应用：作者强调“linear structural equation model where traits are regulated by both genetic and environmental pathways.” 但该领域的SEM应用非常广泛，如Mx/OpenMx用于双生子模型，或经典的Maternal/Offspring效应模型。作者并未深入对比与其在GWAS语境下的直接差异。回避的是：如何在这些复杂SEM框架下（如Mom-Offspring模型）处理GWAS摘要数据，而非简化成路径图。
  • 其他基于summary statistics的降维方法：文中未提及 recent work on exGaussian (exact Gaussian) PCA for GWAS 或 Bayesian factor analysis for summary statistics (e.g., BOLT-LMM like approaches)。这些可能直接处理噪声结构。
• 什么明显该被引/该存在，却没出现在intro里？
  • 一个明显的缺失是：Proxy causal inference / Mendelian randomization (MR) 在解耦遗传效应时的角色。MR本身是用来估计暴露对结局的因果效应，但它的核心假设和工具变量结构（遗传变异作为IV）与文中“decoupling genetic and environmental components”的思想高度相关。引用一篇经典的MR方法论文（如Bowden et al., 2015, Nature Communications），可以更清晰地把PathGPS与因果推断的正统方法联系起来。这值得研究者去查一下。

张力

未见明显对立引用。所有被引工作大致在同一方向（多性状遗传分析），只是技术路径和精确目标不同。

二、最核心、最简单的例子 / 数学问题

第一步：把符号、模型、可观测数据交代清楚

• 符号：
  • k：性状（trait）索引，k = 1,...,K（如 K=10 种代谢物）。
  • j：遗传变异（SNP）索引，j = 1,...,J（如 J=1e6）。
  • Z_{k,j}：GWAS摘要统计量，表示SNP j 对性状 k 的Z统计量（常用于衡量关联强度）。这是可观测数据。
  • β_{k,j}：SNP j 对性状 k 的真实遗传效应（固定、未知的标量）。
  • σ_{k,j}^2：SNP j 对性状 k 的效应估计的标准误差（由GWAS软件给出）。
  • U_k：性状 k 的环境成分（随机变量，包含随机误差、环境暴露等）。
  • V = [v_1, ..., v_K]：K x r 的载荷矩阵（loadings），其第k行对应性状 k 对 r 个共享遗传因子 Q 的权重。
  • Q：r x J 的共享遗传因子，Q_t中的元素表示SNP j 对因子 t 的效应。它是低秩和稀疏的。
  • B = V Q：K x J 的遗传效应矩阵，其中B_{k,j} = β_{k,j}。
  • S：信号基因集（Signal genes），作者假设其SNP效应值β_j是“大”的（真实效应可被检测）。
  • N：噪音基因集（Noise genes），作者假设其SNP效应值β_j是“小”的（接近于0，主要是噪声）。
  • E_j：SNP j 对 K 个性状的环境/噪声效应向量（K维）。
  • Z_j：SNP j 对 K 个性状的GWAS关联Z统计量向量（K维），是对 B_{.,j} + E_j 的一个有偏/噪声版本。
• 模型：PathGPS假设一个线性结构方程模型：

  Trait_k = (Genetic Effect from all SNPs)_k + U_k
  

  其中，遗传效应用因子模型表示：

  B = V Q
  

  这意味着所有K个性状的遗传效应共享一个r维的低维空间（r << K, J），其生成机制是：r个共享遗传因子Q被载荷V组合成具体性状的遗传效应。 环境成分U_k与遗传变异是不相关的（关键假设）。而且，U_k的效应在GWAS摘要统计量中表现为一种随机噪声，对信号SNP和噪声SNP都是一致的。这个假设是PathGPS解耦的基础。
• 可观测数据：研究者实际能观测到的，是来自不同GWAS研究（或同一个GWAS研究的不同性状）的摘要统计量：对每个SNP j和每个性状k，观测值Z_{k,j}及其标准误差σ_{k,j}。注意：个体水平的基因型数据 (X) 是不可见的（这是GWAS摘要数据的基本设定）。也看不到环境成分U_k的直接样本。我们需要从Z_{k,j}中识别出 B 的成分（遗传）和U的成分（环境/噪声）。

第二步：讲最小内核——双变量+双SNP例子

剥去所有一般性假设，我们看一个最简单的例子，以揭示PathGPS的核心思想——通过对比信号和噪音SNP的GWAS关联统计量，来解耦遗传和环境成分。

最简特例： - 共有K=2个因果性状（e.g., 代谢物A和B）。 - 共有J=2个SNP：SNP1是信号基因（其对两个性状的真实遗传效应β_{A,1}, β_{B,1}都非0）；SNP2是噪音基因（其对两个性状的真实遗传效应β_{A,2}=β_{B,2}=0，只受环境/随机效应影响）。 - 低秩参数r=1，即假设只有一个共享遗传因子Q。

在这个特例下，模型退化为： - 实际遗传效应 B 是 K x J 矩阵。根据因子模型： - B = v Q，这里v是2 x 1的载荷向量 (v_A, v_B)^T，Q是1 x 2的因子向量 (q_1, q_2)。 - 即对SNP 1：β_{A,1} = v_A q_1，β_{B,1} = v_B q_1； - 对SNP 2：β_{A,2} = v_A q_2，β_{B,2} = v_B q_2。 - 真实的B矩阵是秩为1的。

• 可观测的数据：对每个SNP j，我们有K=2个Z统计量，它们是对β_j + e_j的有偏/缩放后加噪声的版本。为简化，我们直接假设已对GWAS结果的估计量（通常是hat{β}）进行标准化，得到：
  • SNP 1 (信号)：Z_{A,1} = β_{A,1} + ε_{A,1}，Z_{B,1} = β_{B,1} + ε_{B,1} (ε是独立同分布的高斯噪声，代表残差和环境效应）。
  • SNP 2 (噪音)：Z_{A,2} = 0 + ε_{A,2}，Z_{B,2} = 0 + ε_{B,2} (这里真实遗传效应为0，所以全是环境/随机噪声）。

核心思路（这篇论文在数学上到底干了一件什么事）： 作者想识别出v和q（或等价地，识别出β_j中的遗传协方差结构）。其关键的、也是整个方法的核心想法是：

1. 用噪音SNP来校准噪声的水平：因为SNP2的均值是纯环境/噪声，我们可以用Z_{A,2}, Z_{B,2}来估计环境噪声的协方差结构。例如，这个协方差矩阵 Cov(ε_{A,·}, ε_{B,·}) 可以近似为SNP2上Z_{A,2}与Z_{B,2}的样本协方差。由于噪音SNP数量巨大，这个估计非常稳定。

2. 将信号SNP的“遗传相关”与“环境相关”剥离：对于SNP1，其观测量Z_{A,1}, Z_{B,1}包含了遗传和环境成分。其协方差矩阵为： Cov(Z_{A,1}, Z_{B,1}) = β_{A,1}β_{B,1} + Cov(ε_{A,1}, ε_{B,1}) (假设ε独立同分布)。 我们知道β_{A,1}β_{B,1} = (v_A q_1)(v_B q_1) = v_A v_B q_1^2。这正是我们想要的遗传协方差部分。

   PathGPS的“去偏”步骤，就是用信号SNP的样本协方差矩阵减去从噪音SNP估计来的环境协方差矩阵。在这个双变量例子里，减法操作近似于： text Estimated V = estimated(遗传协方差) = Sample Cova(Z_{·,1}) - (Estimated Noise Cov from SNP2) 这个减完后的矩阵V近似于v^T v q_1^2，它正好是秩为1的矩阵，其主成分就是v的估计。

结论：这个双变量双SNP的特例，完美演示了PathGPS的核心机制：通过噪音SNP来估计并减去环境噪声的协方差结构，从而实现从观测到的GWAS关联中解耦出纯净的遗传协方差结构。之后对V进行PCA，提取出的主成分就是共享遗传因子Q的载荷v。论文的一般情形（K大，J大，r << K）只是这个特例的“加壳”——利用多个信号SNP聚合信息、利用稀疏因子模型提升解释性、利用Bagging提高稳定性。

三、这篇论文做了什么

三句话

① 研究了什么问题：提出并实现了一个名为PathGPS的探索性数据分析框架，能够从GWAS摘要统计量中发现并展示多个性状之间共享的低秩稀疏遗传架构（路径）。② 核心工具/方法：该方法基于一个线性结构方程模型，核心是一种新颖的“去偏”（debiasing）步骤——通过GWAS摘要统计量中“信号基因”和“噪音基因”的对比，估计并剥离环境/随机噪声对遗传协方差矩阵的影响；然后采用基于eigenvalue ratio和Bagging的集成策略进行稳健的因子分析，提取共享因子。③ 主要结论：在模拟与真实数据（代谢组学、UK Biobank）应用中，PathGPS能够稳定地识别出已知的基因-性状集群和共享结构，并生成多个可在后续研究中验证的生物假设。

关键设定与假设

在第二节最小记号的基础上，补全完整设定： - 核心模型：沿用B = V Q。关键假设：低秩性（rank(B) = r << K, J）和稀疏成分（Q的列（因子）是稀疏的，仅影响少数SNP，对应生物通路上的关键调控节点）。 - 可观测数据：GWAS摘要统计量包括Z_{k,j}及其标准误，以及SNP之间的连锁不平衡（LD）结构（通常来自一个参考面板）。 - “信号基因”与“噪音基因”的区分：这是一个探索性定义，不是严格的理论假设。PathGPS的实验性方法是：对每个性状，最显著的m%（如1%）的SNP被定义为该性状的“信号基因”；其余为“噪音基因”。这个定义对结果稳健，但理论上并没有假设存在一个完美的分离。作者用Bagging来抵消因这个定义不完美而导致的不稳定性。 - 关键假设： - 线性结构方程模型：与标准SEM一致。 - 环境与遗传效应独立：环境效应U_k与所有遗传信号（包括信号SNP和噪音SNP的效应）不相关。这是一条强假设，但通过“噪音SNP”，作者实际上是在利用这条假设来识别环境结构——因为噪音SNP的遗传效应为0，其观测到的关联全部来自环境。 - LD结构的可估计性：LD结构被假定为已知（从参考面板估计或来自GWAS软件）。PathGPS在估计协方差矩阵时考虑了LD的影响，但这增加了计算的复杂性。 - 因子模型的低秩、稀疏性：这是降维和因子提取的先决条件。作者通过模拟和真实例子验证了其在某些生物学场景下的合理性。

主要结果（核心量化结论与与baseline对比）

本文为方法论文，无严格定理（理论型），结果以模拟和真实应用为主。

• 核心方法（两个子程序）：

  1. 去偏（Debiasing）：算法步骤“PathGPS-DEB”。给定GWAS摘要统计量、信号基因集S、噪音基因集N、LD矩阵L，算法输出一个去偏后的遗传协方差矩阵 D（K x K）。这个D的估计方式是先估计遗传效应矩阵B（即Z的变换矩阵）在S上的主成分，然后减去噪音SNP上Z的协方差。
  2. 因子提取（Pathways）：算法步骤“PathGPS-PATH”。输入D，通过如下方式提取因子：
     • PCA：对D做PCA，用eigenvalue ratio（特征值比值）来决定因子个数r。具体地说，是求max_{t} (λ_t / λ_{t+1})，取t为因子数。
     • Factor Analysis with Rotation：基于PCA得到的r个主成分输入到因子分析（FA）中，并进行稀疏旋转（如varimax），获得可解释的载荷矩阵V和因子得分Q。
     • Bagging：将上述“去偏-因子提取”过程重复T次，每次独立Bootstrap抽样信号/噪音SNP集（保持比例不变）并添加小随机扰动。最终输出所有bootstrap runs的因子载荷的中位数和后验选择频率，作为鲁棒性度量。
  3. 一个关键增量：作者提出了一种“FactorSelection”的方法，通过“Bagging Gap”（即因子在不同bootstrap run中被抽出次数的差异）来帮助选择因子个数。

• 结果（模拟）：PathGPS在多种模拟设定下：

  • 与PCA-based GRS对比，PathGPS的去偏过程显著降低了噪声造成的虚假共享结构，并且因子结构更接近真实结构（以因子载荷间的相关系数来衡量）。
  • Bagging显著提高了结果的稳定性：在重复模拟中，Bagging之后因子载荷的方差显著小于单次运行。
  • 对超参数（如信号基因阈值）的选择不那么敏感，特别是结合Bagging后。

• 结果（真实应用：代谢组学与UK Biobank）：

  • 代谢组学数据：应用于约100种代谢物的GWAS摘要数据。PathGPS识别出约7个共享因子。其中，已知的脂质组学分类（如脂肪酸、甘油三酯、高/低密度脂蛋白）的聚类效果清晰可见。作者展示了一个因子载荷的热图，利用Bagging选择稳定因子。例如，因子1主要富集“甘油三酯”类物质，与已知的代谢通路一致。PathGPS还提出了一些新的跨类别聚类（如几种氨基酸和某些脂质在同一个因子上有高载荷），暗示了暂时未知的共调控机制。作者验证了这些“新假设”的SNP在已知代谢基因位点处的富集情况（如与FADS, LPL等基因区域的共定位）。
  • UK Biobank：应用于约200个性状（包括身高、体重指数（BMI）、血压、多种疾病）。PathGPS识别出约15个因子。最明显的结构是体格测量与代谢类性状的聚类。另一个因子特殊地绑定了不同类型的精神神经（如抑郁症、焦虑、神经质）。与已知的GWAS catalog和遗传相关研究高度一致。

证明路线与技术技巧（无严格理论证明；这里拆解方法的构建逻辑）

由于这是方法/应用型论文，没有严格的证明，但有“方法合理性”的构造逻辑。

• 整体路线（方法论构建的3-5步）：

  1. 设定目标：构建一个可观测统计量到V Q（低秩）的映射。Z ~ B + Noise。
  2. 去偏的关键跳跃：传统PCA Z Z^T会受到环境噪声Noise Noise^T的显著污染。作者的核心跳跃点：用噪音SNP的Z值在Noise成分上的支持来估计Noise Noise^T。其合理性在于：如果某个SNP对任一性状都无效（噪音），它的Z统计量纯粹来自环境/随机因素，这些因素与真实遗传结构无关。因此，噪音SNP的协方差矩阵的期望就是环境噪声的协方差。因此，D = (信号SNP协方差) - (噪音SNP协方差)是B B^T的无偏估计。这就是整方法的核心技巧。
  3. 处理漏报（False Negative）：但现实中，一个基因可能在某个性状上是信号、在另一个上是噪音。如何避免“去偏”过程错误地将信号的遗传结构抵消？PathGPS的解决办法是：对每个Bootstrap样本，随机选取SNP来定义信号/噪音集。通过Bagging，那个在单次run中被错误归类为“噪音”的遗传信号在多次run中的贡献会被平均掉。所以，Bagging不仅是提高稳定性，更是一种处理分类错误的技术手段。
  4. 降维与因子提取：在得到D后，直接执行PCA和因子分析。

• 关键跳跃点：就是上述的第2点——利用噪音SNP的Z值直接减掉环境协方差。这是将经典的“双样本”差分法（如差分隐私、双重稳健估计）思想代入GWAS语境。

• 技术技巧点名：

  • 因子模型： 使用的因子分析（FA）是经典的线性统计模型。分解后的V Q结构。
  • eigenvalue ratio： 用于因子数选择。这是TIMME (Tipping & Bishop, 1999; 在马氏距离背景下的一个技巧)的变体，但在因子模型中较常见。
  • Bagging： Bootstrap Aggregating。核心目的是降低方差、提高稳定性、并允许超参数的自适应选择。
  • 稀疏旋转（varimax）： 提高载荷矩阵V的可解释性，使得得到的因子更容易与具体生物学通路相关联。
  • LD调整： 在计算协方差时，加入了LD矩阵的逆（Moore-Penrose广义逆）进行Whiten，以校正连锁不平衡对SNP效应估计的相关性（但论文中是采用 Z_corrected = L^{-1/2} Z 的思想，一个标准技巧）。但路径提取时回到原空间会再乘上 L^{1/2}，确保因子是可解释的。

真实例子与应用（已在上文详细列出）

已经在主要结果的最后部分详细描述了。这里再概括： - 数据：代谢组学数据（~100种代谢物）和UK Biobank数据（~200个性状和疾病）。 - 应用方式：输入这些性状的GWAS摘要统计量，运行PathGPS的R包。 - 结果：稳定复现已知聚类（如脂质、代谢组），并生成许多“新假设”（新的跨类聚类、疾病-性状共享结构）。 - 这个例子想说明：PathGPS在真实数据环境下，不仅是“能够工作”，而且是有效的探索性工具，能生成可操作性的新生物学假设，而非只在模拟数据下漂亮。

🔎 结论是否比证明窄

由于PathGPS是一个探索性工具，其结论就是“发现了这些共享结构”。它本身不声称因果性或唯一性，因此“比证明窄”的问题不突出。但有一点值得注意：作者在结论里说“PathGPS suggests new hypotheses for future investigations”，这严格来说是对的。作者并没有声称这些结构是“真实存在的唯一结构”。所以，结论的陈述与方法的构造（探索性）是一致的，没有被过度泛化。不过，利用Bagging Gap选择因子数的方法，其理论性质（如拒绝原假设的准确率）未被正式证明，仅靠模拟验证了其有效性。因此，结论的性质（探索性的）比某条具体定理的证明（如p值的控制）要“宽”，但论文本身在这个结论下是诚实的。

四、开放问题

1. 识别性问题与理论化：B = V Q的分解在无假设下是不唯一的（旋转不变性）。PathGPS通过稀疏旋转来强制唯一性，但因子模型何时是可识别的？ 即，在可观测Z统计量的约束下（Z = B Q + Noise），在已知Noise协方差结构的情况下，V和Q的Procrustes误差界是什么？还是只有经典因子模型的旋转技巧（V列正交 + sparsity）。这扎根于论文的方法构造本身（第二节“Pathways”）。

2. 信号/噪音SNP集的构造与定义：这是PathGPS所有方法成功的基石。但：“信号基因”和“噪音基因”的这种经验划分如何影响因子估计的偏差和方差？ 是个需要严格处理的问题。通常的真实效应分布是连续的（polygenic），而非离散的。当遗传具有高度多基因性（每个SNP效应都很小）时，信号的方差会被噪音“吃掉”多少——这等价于一个半参数或去偏M估计中的“模型异议”（misspecification）问题。作者用Bagging替代了理论分析。这是一个开放问题。

3. 因子的生物学解释的统计保证：PathGPS提取出的因子载荷，可以被解释为“共享遗传通路”。但这只是统计上的聚类和定性。如何从机制上严格验证这些统计因子是明确的生物学通路（如特定的代谢通路、转录因子结合位点）？目前只能通过遗传共定位（colocalization）的富集分析作为验证。这是一个统计学到生物学的桥梁问题，对于任何探索性方法都存在。文中第4节“Application”结尾有相关讨论。

4. 与因果推断的直接结合：GWAS数据本身就是一个巨大的工具变量集。PathGPS可以提炼出共享因子Q，而Q对性状的载荷V本质上反映了SNP对性状的间接效应（通过共享因子）。这可以自然地切入因果中介分析或MR中介分析：比如，我们可以问，某个共享因子（如氨基酸代谢）是否介导了BMI对血压的遗传效应？将PathGPS的因子作为中介变量，利用GWAS摘要数据进行中介分析，是一个直接的延伸（可能需要类似Mediation MR的方法，但结合了PathGPS的非参数结构）。这个问题扎根于论文最后一句对潜在应用的暗示。

---

Maintained by 陈星宇 · Homepage · Source on GitHub

评论