長期以來，科學家們致力於理解人類各種特徵的遺傳基礎，從身高、體重到疾病易感性，都希望透過基因來解釋其變異。然而，一個令人困惑的現象浮出水面：

透過全基因組關聯研究（GWAS）識別出的基因變異，往往只能解釋一小部分觀察到的遺傳力，這就是所謂的「遺傳力缺失」（Missing Heritability）。這個謎團不僅挑戰了我們對遺傳的理解，也阻礙了我們利用基因資訊來預測和改善人類健康的能力。

遺傳力缺失：一個持續存在的挑戰

遺傳力是指個體間表型差異中，可歸因於基因差異的比例。傳統的家系研究表明，許多人類特徵具有高度的遺傳力，例如身高，遺傳力估計高達 80%。然而，當研究人員利用 GWAS 來尋找與這些特徵相關的特定基因變異時，他們發現這些變異加總起來，通常只能解釋 10% 到 50% 的遺傳力。這種巨大的差距，就是遺傳力缺失問題的核心。

例如，對於身高，GWAS 已經識別出數百個與身高相關的基因變異，但這些變異加總起來，也只能解釋約 20% 的身高變異。對於精神分裂症等複雜疾病，情況更加嚴峻，已知的基因變異只能解釋不到 10% 的遺傳力。

這種遺傳力缺失現象，促使科學家們不斷探索新的解釋，並發展新的研究方法，以期更全面地理解人類特徵的遺傳基礎。

解釋遺傳力缺失的可能原因

針對遺傳力缺失問題，科學界提出了多種可能的解釋，主要可以歸納為以下幾個方面：

1. 罕見變異的影響

GWAS 主要關注的是常見的基因變異（在人群中出現頻率超過 1% 的變異）。然而，罕見的基因變異，雖然在人群中出現的頻率較低，但可能對表型產生更大的影響。這些罕見變異，由於其低頻率，很難在 GWAS 中被檢測到。

全外顯子組測序（Whole-Exome Sequencing, WES）和全基因組測序（Whole-Genome Sequencing, WGS）等技術的發展，使得研究人員能夠更全面地檢測罕見變異。一些研究表明，罕見變異可能在某些疾病的遺傳力中扮演重要角色。例如，在自閉症譜系障礙的研究中，罕見的從頭突變（De Novo Mutations）被認為是重要的遺傳因素。

2. 基因間的交互作用（上位性）

GWAS 通常假設每個基因變異對表型的影響是獨立的，忽略了基因之間可能存在的交互作用。上位性是指一個基因的效應受到另一個基因的影響。如果基因之間的交互作用非常複雜，那麼 GWAS 就很難檢測到這些效應。

研究基因間交互作用的計算複雜度非常高，需要大量的樣本和複雜的統計方法。然而，隨著計算能力的提升和新的統計方法的發展，研究人員正在逐步探索基因間交互作用在遺傳力中的作用。

3. 基因與環境的交互作用

基因與環境的交互作用是指基因的效應受到環境因素的影響。例如，一個基因可能在某種環境下對表型產生影響，而在另一種環境下則沒有影響。這種交互作用使得基因的效應更加難以預測。

研究基因與環境的交互作用需要收集個體的基因資訊和詳細的環境暴露資訊，並利用統計方法來分析它們之間的關係。這項工作非常具有挑戰性，因為環境因素非常複雜，而且很難準確測量。

4. 表觀遺傳修飾

表觀遺傳修飾是指不改變 DNA 序列，但可以影響基因表達的修飾。這些修飾包括 DNA 甲基化、組蛋白修飾和非編碼 RNA 等。表觀遺傳修飾可以受到環境因素的影響，並且可以遺傳給後代。

表觀遺傳修飾可能在遺傳力缺失中扮演重要角色，因為它們可以影響基因的表達，而 GWAS 主要關注的是基因序列的變異。研究表觀遺傳修飾需要利用表觀基因組學技術，例如 DNA 甲基化測序和染色質免疫沉澱測序（ChIP-Seq）。

5. 群體結構和遺傳異質性

群體結構是指人群中存在的遺傳差異。如果 GWAS 沒有充分考慮群體結構，可能會導致錯誤的關聯結果。遺傳異質性是指同一個表型可能由不同的基因變異引起。如果 GWAS 沒有考慮遺傳異質性，可能會低估基因變異的效應。

為了應對群體結構和遺傳異質性，研究人員需要利用更精確的統計方法，並增加研究樣本的多樣性。

6. 遺傳力估計的偏差

傳統的家系研究可能高估了遺傳力，因為它們沒有充分考慮環境因素的影響。此外，遺傳力估計也可能受到樣本大小和研究設計的影響。

新的研究方法和技術

為了應對遺傳力缺失的挑戰，科學家們正在發展新的研究方法和技術，包括：

全基因組測序（WGS）：

WGS 可以檢測個體基因組中的所有變異，包括罕見變異和結構變異。

全外顯子組測序（WES）：

WES 可以檢測個體基因組中編碼蛋白質的區域的變異。

表觀基因組學研究：

表觀基因組學研究可以檢測 DNA 甲基化、組蛋白修飾和非編碼 RNA 等表觀遺傳修飾。

多組學整合分析：

多組學整合分析可以將基因組學、轉錄組學、蛋白質組學和代謝組學等多個層面的數據整合起來，以更全面地理解生物學過程。

機器學習和人工智能：

機器學習和人工智能可以幫助研究人員分析大量的基因組數據，並識別複雜的基因間交互作用和基因與環境的交互作用。

孟德爾隨機化（Mendelian Randomization）：

孟德爾隨機化是一種利用基因變異作為工具變量來推斷因果關係的方法。它可以幫助研究人員區分基因與表型之間的因果關係和相關關係。

結論與研判

遺傳力缺失是一個複雜的問題，沒有單一的解決方案。上述提到的各種因素，可能共同導致了遺傳力缺失現象。隨著新的研究方法和技術的發展，我們正在逐步解開這個謎團。

儘管目前還無法完全解釋遺傳力缺失，但我們已經取得了一些重要的進展。例如，我們越來越認識到罕見變異、基因間交互作用、基因與環境交互作用和表觀遺傳修飾在遺傳力中的作用。此外，我們也越來越重視研究樣本的多樣性和統計方法的精確性。

未來，我們需要繼續發展新的研究方法和技術，並將多個層面的數據整合起來，以更全面地理解人類特徵的遺傳基礎。同時，我們也需要更加關注環境因素和生活方式對基因表達的影響。

總體而言，遺傳力缺失問題的解決，需要多學科的合作和持續的努力。雖然目前仍面臨許多挑戰，但隨著科學的進步，我們有理由相信，我們最終能夠解開這個謎團，並利用基因資訊來改善人類健康。

Newsflash | Powered by GeneOnline AI
For any suggestion and feedback, please contact us.
原始資料來源: GO-AI-6號機 Date: November 13, 2025