信息速览
INFOBOX — plasma-metabolome-wgs 一屏速览
维度 内容 本质 单一研究产出的血浆代谢组全基因组遗传图谱（汇总统计资源），不是通用组学仓库 团队 复旦大学附属华山医院（郁金泰、程炜团队），前八作者共同第一 论文 Nat Commun 2026;17:7856；doi:10.1038/s41467-026-74781-8；PMID 42331824；PMCID PMC13443626 队列 UK Biobank（英国生物样本库），199,138 人；不是 China Kadoorie Biobank，也非泰州队列 测序 WGS 平均 32.5×（Illumina NovaSeq 6000，2×151 bp，DRAGEN 3.7.8，GRCh38） 代谢组 Nightingale Health 高通量 NMR；313 项 = 249 项直接测量 + 64 项衍生比值 核心数字 36,105 个独立信号（22.20% 新发现）｜12,361 个推定因果变异-性状关联｜1,527 个条件独立基因-性状对｜245 条因果关联｜410 个靶点｜680 个蛋白编码基因中 108 个 IEM 相关 方法学内核 WGS 相对插补芯片：近半数 lead 信号芯片法缺失（主因 MAF<0.01）；可信集中位长度 15→5 个变异 遗传力 WGS 中位 h²=0.31，同一样本芯片口径 h²=0.11，接近三倍 开放入口 https://metabolome-whole-genome-landscape.com/（**汇总统计交互浏览+批量下载**，CC BY-NC-ND 4.0） 常见误解 把站点当成"19 万人代谢组原始数据下载站"——不提供个体级数据 库内区分 与 Metabolomics Workbench（rid 484，通用代谢组仓库）本质不同；与 UK Biobank（rid 96/569）是上游关系
一句话定位：这是人类血浆代谢组遗传学迄今最大规模的一次"换镜头"——把过去十几年用 SNP 芯片拼出来的代谢物遗传图谱，换到全基因组测序的底片上重拍一遍，结果是近一半的信号在旧底片上根本不存在，因果变异的定位精度从"十几个候选"缩到"三五个候选"。全部统计结果被放进一个可交互浏览的开放站点，构成后续代谢通路、疾病机制与药物靶点研究的公共底座。
导语读法三则：
- 只想要数据：直奔 §6——先弄清"你能拿到什么"（汇总统计）与"你拿不到什么"（个体级数据），这是本条目最容易被误读的地方。
- 关心方法学：直奔 §4——WGS 对芯片的优势拆成"覆盖率"“单倍型分辨”"可信集收窄"三层逐条讲透，这是本条目最值得读的部分。
- 关心临床转化：直奔 §5——245 条因果关联与 410 个靶点如何从信号链一路推到可成药蛋白，以及这条链上每一步的不确定性。
§0 导读：这个数据集解决什么问题
0.1 代谢组遗传学的二十年困局
血浆代谢物是连接基因与疾病的"中间表型"：遗传变异改变酶或转运体活性，进而改变代谢物浓度，代谢物再与疾病风险相关。把这条链拆开研究，需要一张基础地图——每个代谢物的浓度受哪些遗传位点调控，这些位点在哪里，效应多大。这张地图就是 mQTL（metabolite quantitative trait locus，代谢物数量性状位点）图谱。
过去十余年，这张地图主要由基因分型芯片 + 插补产出。芯片法有两个结构性短板。第一是覆盖：商用芯片只直接测定几十万到几百万个常见变异，其余全靠参考面板插补，而插补对罕见变异（MAF<1%）几乎无能为力——参考单倍型面板里没有的变异，插补算法只能猜。第二是分辨率：芯片上的变异彼此高度连锁（LD，linkage disequilibrium），一个关联信号背后往往拖着一整段几十上百个变异的单倍型块，精细定位（fine-mapping）只能在块内做概率排序，很难把因果变异缩到个位数。
0.2 WGS 换镜头
全基因组测序改变的是底片本身：不是"测已知位点再插补未知"，而是把每个个体 30 亿碱基逐个读出来——常见变异、罕见变异、个体特有的新变异都在读段里。理论上这一步同时解决覆盖与分辨率两个问题：罕见变异不必再靠插补推测，单倍型边界由实测基因型直接界定，重组断点可见，连锁块被切细。
这套推理在方法学上早被广泛接受，但缺少一个够大的实证：要证明"WGS 确实比芯片多找到东西"，需要在同一批人身上同时拿到 WGS 与芯片、同一套表型、同一套分析流程，再做逐信号对照。样本量小则罕见变异统计功效不足，样本量大则需要数十万人的测序数据。
0.3 本研究提供的实证
复旦大学团队用 UK Biobank 的 199,138 人 WGS 与 Nightingale NMR 代谢组完成了这次对照。结论用三个数字概括：
- 覆盖：36,105 个独立 lead 信号中，约一半在既往芯片 GWAS 汇总中完全找不到对应——主因是这些变异 MAF<0.01，插补芯片根本测不到。
- 分辨率：匹配区域的精细定位可信集（credible set，即包含因果变异的后验概率集合）中位长度从芯片的 15 个变异降到 5 个变异；12,361 个变异-性状关联的模型平均 PIP 超过 0.95，达到"推定因果变异"级别。
- 遗传力：同一批样本上，WGS 估计的中位遗传力 0.31，芯片口径 0.11——增量几乎全部来自罕见变异。
0.4 从图谱到靶点
有了更细的地图，下游三步才站得住：
- 基因层归因：罕见变异聚集检验（burden test）把分散在同一基因内的多个罕见变异合并检验，得到 1,527 个条件独立于常见变异的基因-性状对；
- 因果推断：用孟德尔随机化（MR）与共定位，把代谢性状与疾病结局连起来，得到 245 条推定因果链；
- 靶点优先化：要求蛋白对代谢物与疾病的作用方向一致（concordant），筛出 410 个候选药物靶点。
0.7 一句话回答六个高频问题
- 这是什么：一项研究的产物——UK Biobank 19.9 万人 WGS × 313 项 NMR 代谢物的关联统计图谱。
- 为什么重要：它用同批人、同表型、同流程，量化了 WGS 相对芯片的增量（近半信号、三倍遗传力、三倍精度）。
- 能拿到什么：汇总统计；拿不到个体数据。
- 怎么用：MR、共定位、靶点查询、跨队列比较；不适合训练个体级预测模型。
- 最该记住的数字：36,105 个信号，近半数芯片测不到。
- 最容易犯的错：以为这是中国队列、以为站点能下个体数据。
0.5 本站点是什么、不是什么
这是本条目要反复强调的一点：https://metabolome-whole-genome-landscape.com/ 是汇总统计的交互式浏览站——你可以在网页上按代谢物、按位点、按基因区域查看关联模式，跨 WGS/WES/芯片三套结果对比，也可以批量下载汇总统计文件。它不提供任何一名参与者的基因型、代谢物测量值或临床信息。个体级 UK Biobank 数据只能通过 UK Biobank 的申请通道获取，且适用其独立的访问协议。把站点当作"19 万人代谢组数据集下载页"是最常见的误读（详见 §8 与坑点 5）。
0.6 本条目怎么写
- §1 十问十答速览；§1b 任务书数字逐项核验；§2 论文与时间线；§2b 研究管线拆解；§3 机构与人物；§4 数据规模；§5 WGS vs 芯片的方法学内核（全文技术重心）；§6 任务谱系；§7 临床转化；§8 获取与许可（含个体级数据的澄清）；§9 生态与互链；§10 坑点与存照；§11 DAIMS 评分；§12 常见问答；§13 库内关系图谱；附录 A-E 数字速查、术语表、来源清单。
- 所有数字以论文摘要、PMC 全文与站点页面三源互证；仅见于二手媒体的表述会明确标注为"媒体口径"。
- 凡无法从一手来源确证的字段，一律写"未公开"，不做推测性补全。
§1 数据集速览：十问十答
Q1：这个数据集的官方名字是什么？
没有单一官方"数据集名"。论文标题是 Analysis of whole genome sequencing and plasma metabolomics unveil genetic determinants and clinical implications for human health；资源在论文中被称为 “open-access resource”，站点域名 metabolome-whole-genome-landscape.com 直译即"代谢组-全基因组图谱"。千方库内以 slug plasma-metabolome-wgs 立条。
Q2：数据来自哪个队列？
UK Biobank（英国生物样本库）。论文摘要原文：“313 metabolic biomarkers in up to 199,138 UK Biobank participants”。不是 China Kadoorie Biobank，也不是泰州队列——尽管研究团队在中国，队列是英国的（坑点 1）。
Q3：测了多少人、测多深？
199,138 人通过质控进入分析；WGS 平均深度 32.5×，Illumina NovaSeq 6000 平台，2×151 bp 读长，DRAGEN 3.7.8 流程比对到 GRCh38。
Q4：代谢组用什么平台、多少个代谢物？
Nightingale Health Ltd 的高通量 NMR（核磁共振）平台，在芬兰 Nightingale Health 设施的 8 台光谱仪上测定 EDTA 血浆。共 313 项代谢标志物：249 项直接测量（氨基酸、载脂蛋白、胆固醇、脂肪酸、糖酵解相关、酮体、炎症标志物、脂蛋白与脂质等）+ 64 项由直接测量值算出的生物学比值。
Q5：一共找到多少遗传信号？
36,105 个独立 lead 信号，分布于 268 个独立位点；其中 22.20%（8,015 个）为既往芯片 mQTL 未见的新信号（与已有信号 LD r²<0.8）。
Q6：1,527 这个数字指什么？
罕见变异聚集检验中条件独立于常见 mQTL 的蛋白编码基因-性状对数量。它是"去掉常见变异解释之后，基因层面还剩多少独立信号"的净增量，不是全部显著对数（全部显著且验证的对数为 5,999 对）。
Q7：245 条因果关联是怎么来的？
两样本孟德尔随机化（MR）+ 共定位（colocalization）联合筛选：共定位证据 PP.H4>0.5 的代谢性状-疾病对 27,284 个，经 MR 与多重检验校正后保留 245 条推定因果关联，涉及 92 个代谢性状与 56 种疾病。
Q8：410 个药物靶点是什么？
在 3,874 个"蛋白-代谢物-疾病"稳健三角关联中，筛出对代谢物与疾病方向一致的蛋白，得到 410 个候选靶点；其中 263 个（64.1%）落在可成药基因组内。
Q9：108 个 IEM 相关基因怎么算的？
在 680 个被显著基因-性状对牵涉的蛋白编码基因中，与已知遗传代谢病（IEM，inborn errors of metabolism）基因集（背景 1,475 个）比对，命中 108 个，超几何检验 P=3.25×10⁻¹⁴——显著富集。
Q10：我能下载什么？
能下载汇总统计（关联结果表）；不能下载个体级数据。站点采用 CC BY-NC-ND 4.0，仅限非商业用途。个体级数据需走 UK Biobank 申请（本研究使用申请号 19542 与 202239）。
§1b 逐项数字核验：任务书数字与一手来源的对照
任务书（RSI 派发单）给出的核心产出数字需要逐项核实。核验结果如下——全部命中，但其中两项的口径需要在成稿中加限定。
| # | 任务书数字 | 一手来源核验 | 结论 | 口径限定 |
|---|---|---|---|---|
| 1 | 19.9 万人（约 19 万） | 摘要 “up to 199,138 UK Biobank participants” | ✅ 精确 | 是"通过质控的最高可用数"，非招募人数 |
| 2 | WGS + NMR 代谢组 | 摘要 + Methods | ✅ 成立 | WGS 32.5×；NMR 为 Nightingale 平台 |
| 3 | 36,105 个信号 | 摘要 “36,105 independent signals” | ✅ 精确 | 指 独立 lead 信号，非位点数（位点 268 个） |
| 4 | 1,527 个基因-性状对 | 摘要 “1,527 conditionally independent protein-coding gene–trait pairs” | ✅ 精确 | “条件独立于常见 mQTL”；总数 5,999 |
| 5 | 245 条因果关联 | 摘要 “245 potential causal associations” | ✅ 精确 | “potential”——其中 110 条获流行病学复检支持 |
| 6 | 410 个药物靶点 | 摘要 “410 potential targets” | ✅ 精确 | 优先化名单，非验证靶点 |
| 7 | 680 个蛋白编码基因中 108 个 IEM 相关 | 全文 IEM 段落 680 / 108 / 背景 1,475 / P=3.25×10⁻¹⁴ | ✅ 精确 | "IEM 相关"指已知 IEM 基因富集命中，非新发现致病基因 |
| 8 | 发表期刊 “可能是 Nature 系 2026” | Nature Communications 2026;17:7856 | ✅ 确证 | Nature 系列子刊，非 Nature 主刊 |
| 9 | DOI | 10.1038/s41467-026-74781-8 | ✅ 确证 | 前缀 s41467 即 Nature Communications |
| 10 | 队列 “可能是 China Kadoorie Biobank 或泰州队列” | UK Biobank | ❌ 任务书猜测错误 | 已在坑点 1 存照 |
| 11 | WGS 测序深度 | 32.5× | ✅ 确证 | NovaSeq 6000，2×151 bp |
| 12 | NMR 平台型号 | Nightingale Health 高通量 NMR，8 台光谱仪 | ⚠️ 部分 | 厂商与设施明确；具体光谱仪型号未公开 |
| 13 | 代谢物数量 | 313 项（249 直接 + 64 比值） | ✅ 确证 | 非 313 种独立化学物质 |
| 14 | 开放数据库 URL | https://metabolome-whole-genome-landscape.com/ | ✅ 可访问 | 汇总统计浏览，非个体级下载（坑点 5） |
| 15 | “近半数信号芯片缺失” | 摘要/正文 “nearly half” | ✅ 定性成立 | 无单一精确百分比，不写伪精确数 |
| 16 | “提高精细定位到因果变异水平” | 12,361 个 PIP>0.95；可信集 15→5 | ✅ 成立 | “推定因果"而非"实验证实” |
核验方法说明：三项独立来源——(a) PubMed 摘要页（42331824），(b) PMC 开放全文（PMC13443626），© 站点首页实测抓取。中文媒体报道（开泰生物、医药魔方）作为第四顺位交叉参考，仅在其与一手来源一致时引用；不一致时以一手来源为准（本次核验未发现实质冲突）。
一处需要向主会话报告的与任务书的出入：任务书推测队列为"China Kadoorie Biobank 或泰州队列"，实际为 UK Biobank。这不是证伪（数据集真实存在、规模与数字全部命中），而是任务书 brief 的队列猜测有误。成稿按实核结果写 UK Biobank，并在坑点 1 中把这一混淆作为首要存照事项——因为它是检索此条目最容易踩的坑。
§2 论文与时间线
2.1 出版信息
| 项 | 内容 |
|---|---|
| 标题 | Analysis of whole genome sequencing and plasma metabolomics unveil genetic determinants and clinical implications for human health |
| 期刊 | Nature Communications（Springer Nature，开放获取） |
| 卷期 | 2026;17:7856（文章中译转载与检索摘要口径一致；卷号 17 与 2026 年对应） |
| DOI | 10.1038/s41467-026-74781-8 |
| PMID | 42331824 |
| PMCID | PMC13443626 |
| 收稿/修回/接收日期 | 未公开（本条目检索窗口内 PMC 页面正文未展示文章历史栏） |
| 通讯作者 | Wei Cheng（程炜）、Jin-Tai Yu（郁金泰），均属复旦大学华山医院 |
| 共同第一作者 | Yi-Xuan Wang、Yi-Xuan Qiang、Yi-Jun Ge、Yue-Ting Deng、Bang-Sheng Wu、Liu Yang、Yi-Lin Chen、Xiao-Yu He（前 8 位标 #） |
| 合著者 | Yu He、Bing-Ran Yao、Chen-Jie Fei、Rui-Ying Yin、Jia You、Jian-Feng Feng |
| 作者总数 | 15 人 |
| 利益冲突 | 作者声明无利益冲突 |
| 论文许可 | 开放获取（Springer Nature 2026 年度 OA 条款，具体 CC 版本未在本条目检索窗口内确证 → 记"未公开"；站点数据明确为 CC BY-NC-ND 4.0） |
2.2 为什么这篇论文值得单独立条
第一，规模纪录。 199,138 人的人群血浆代谢组 WGS 分析，在公开发表文献中属迄今最大规模（团队与多家中文报道均以"迄今规模最大"表述）。此前同类研究多是万人到十万人量级，或是 WGS 子集 + 全队列芯片的混合设计。
第二，设计罕见。 真正稀有的不是样本量，而是"同批人、同表型、WGS 与芯片并行对照"这一设计。多数"WGS vs 芯片"的文献要么用不同队列比，要么用模拟/下采样比；本研究把芯片插补数据在同一批样本上重建，直接做逐信号、逐区域、逐遗传力估计的配对比较，这是方法学主张能被实证的关键。
第三，资源形态。 它不只是一个队列的附属产出，而是一张独立的、可被第三方反复查询的公共图谱——有专属域名、有跨技术对比视图、有批量下载，构成"论文 + 数据库"的双产物结构。
2.3 时间线
| 时间 | 事件 |
|---|---|
| 2006-2010 | UK Biobank 招募约 50 万 40-69 岁参与者（本研究样本的基线来源） |
| 2019-2023 | UK Biobank 分批发回全基因组测序数据（约 50 万人），本研究使用其中带 NMR 代谢组且有质控通过 WGS 的 199,138 人 |
| 2025 年内 | 站点 metabolome-whole-genome-landscape.com 上线（图 1 中 BioRender 图注标注为 Qiang, Y. 2025；具体上线日期未公开） |
| 2026 | 论文发表于 Nature Communications，卷 17 文章号 7856 |
| 2026-09 / 2026-10 | 中文科研媒体（开泰生物、医药魔方、全国体外诊断网、网易号转载）集中报道，口径与论文摘要一致 |
说明：本条目无法从一手来源确证论文的在线发表日期（仅知年份 2026 与文章号）。检索时若看到"2026 年某月某日发表"的具体日期，应回溯 Nature Communications 文章页核对，本条目不做推测。
2.4 与前序工作的关系
论文引用的关键对照基线有两条，理解它们才能读懂本研究"新增量"的口径：
- Karjalainen 等（约 2024）的芯片版血浆 NMR 代谢组 meta 分析：这是本研究外部重复比较的对象。双向重复率：本研究 lead 信号中被其重复 77.0%；其 lead 信号中被本研究重复 69.6%。两个方向的不对称（77.0% > 69.6%）本身就是"WGS 覆盖更广"的一个侧证。
- UK Biobank 既往 WES（全外显子组测序）与芯片 mQTL 研究：站点把 WGS、WES、插补芯片三套结果并列展示，用户可以直观看到同一区域在三套技术下的信号形态差异。
2.5 论文结构导读
论文的主线是"由粗到细、由相关到因果"的四段式：
- 单变异分析（Single variant analysis）：36,105 个 lead 信号 + 精细定位 12,361 个推定因果关联；
- 聚集检验（Aggregate-based analysis）：罕见变异按基因聚合，1,527 个条件独立基因-性状对；
- 生物学解读：代谢通路、IEM 基因富集、非欧洲血统 mQTL；
- 临床转化：代谢物-疾病因果（245 条）+ 药物靶点优先化（410 个）。
站点首页的功能分区与这条主线严格对应——"Single variant analysis"与"Aggregate-based analysis"两个大栏目，加上 Whole genome sequencing / Imputed array-based GWAS / Whole exome sequencing 三套技术的切换开关。
§2b 研究方法拆解：从原始数据到 410 个靶点的完整管线
这一节把论文的统计管线摊开，便于读者判断每个数字是在哪一步产生的、依赖什么假设。管线共七步，前四步是"发现"，后三步是"解释与转化"。
2b.1 第一步：样本与数据装配
- 输入：UK Biobank 的 WGS pVCF（Field 24310）+ Nightingale NMR 代谢组字段 + 基线表型。
- 交集：同时具备合格 WGS 与完整代谢组的 199,138 人。
- 质控：WGS 侧排除样本污染、性别不一致、非欧洲血统的异常值等标准 UK Biobank QC 项；代谢组侧排除缺失值过多的样本。具体 QC 阈值论文 Methods 有列，本条目不逐条复述。
- 规模控制：保留 35,776,728 个通过 QC 的 SNP/INDEL 进入单变异分析（常见 7,726,466 + 罕见 28,050,262）。全 QC 后常染色体变异池为 497,340,481 个——这是"测到的"，进入分析的是"可用的"。
2b.2 第二步：两阶段关联分析
- 划分：约 70% 为发现集（134,177 人）、30% 为验证集（57,504 人）。
- 模型：线性混合模型（标准 GWAS 做法），协变量含年龄、性别、芯片批次、前若干主成分等。
- 阈值：全基因组显著（通常 5×10⁻⁸）。
- 验证：发现集显著的主关联 2,072,685 个，验证集复现 966,153 个；两阶段效应量相关性 r=0.99——说明没有严重的 winner’s curse（胜者诅咒，即发现集效应量系统性高估）。
- 产出：36,105 个独立 lead 信号。
2b.3 第三步：精细定位
- 输入：每个显著区域内的汇总统计 + 外部 LD 参考面板。
- 方法：贝叶斯精细定位（SuSiE 类方法，论文使用 model-averaged PIP）。
- 产出：8,072 个区域、34,377 个 distinct signals，其中 12,361 个变异-性状关联的 PIP>0.95。
- 依赖假设：每区域因果变异数的先验、LD 参考面板与目标人群的匹配度。这两点是 PIP 解释的边界（坑点 4 的延伸）。
2b.4 第四步：罕见变异聚集检验
- 输入：17,751 个蛋白编码基因 + 基因附近的调控区。
- mask：26 种组合（功能类别 × MAF 阈值），如 PTV-only、有害错义、全部罕见等。
- 模型：burden / SKAT 类聚合检验。
- 条件分析：以常见 mQTL 为协变量，得到 1,527 个条件独立对。
- 产出：5,999 个显著验证对 → 1,527 个条件独立对。
2b.5 第五步：遗传力估计
- 方法：GCTA（GREML），用全基因组 SNP 关系矩阵估计 SNP-based heritability。
- 对照：同一批样本用插补芯片数据重跑一遍。
- 结果：0.31（WGS）vs 0.11（芯片）。
- 注意：GREML 估计的是"被标记变异（tagged variants）解释的方差"，受标记密度与 MAF 谱影响——这正是两者差异的来源，也是为什么不能把 0.31 当作"真实遗传力"。
2b.6 第六步：因果推断
- 共定位：代谢性状 GWAS × 疾病 GWAS（FinnGen R11，2,440 个结局），PP.H4>0.5 保留 27,284 对。
- MR：以 mQTL 为工具变量，两样本 MR 估计代谢物→疾病的因果效应；多重检验校正后 245 条。
- 共定位扩展：与 pQTL（33 对）、eQTL（202 对）、sQTL（116 对）分别共定位，提供分子中介证据。
- 复检：161 条在观察性流行病学数据中检验方向，110 条获支持。
2b.7 第七步：靶点优先化
- 三角关联：蛋白（pQTL）× 代谢物（mQTL）× 疾病（GWAS）三者的方向一致性筛选，得 3,874 个稳健三角。
- 优先化：要求蛋白对代谢物与疾病的作用方向 concordant，得 410 个靶点。
- 分层：可成药基因组重叠 263 个（tier1 73 / tier2 26 / tier3 164）；已有临床阶段药物 81 个；未确立靶点且安全性等级 ≤2 的 12 个。
- 边界：方向一致性是启发式筛选，不是因果证明；安全性分级来自计算预测，与真实临床安全性不总一致（§7.4 的 APOC3 例）。
2b.8 管线的一图式回顾
UK Biobank WGS (32.5×, 19.9万人) ──┐
├─→ 质控 → 两阶段关联 (70/30) → 36,105 lead 信号
Nightingale NMR (313 项) ──┘ │
├─→ 精细定位 → 12,361 个 PIP>0.95
│
├─→ 罕见变异聚集 → 5,999 → 1,527 条件独立
│
└─→ 遗传力 0.31 vs 0.11
36,105 信号 ──→ 共定位(27,284) ──→ MR ──→ 245 条 ──→ 观察复检 ──→ 110 条
1,527 对 ──→ 680 个蛋白编码基因 ──→ 108 个 IEM 基因 (P=3.25×10⁻¹⁴)
245 条 + pQTL ──→ 三角关联 3,874 ──→ 方向一致筛选 ──→ 410 个靶点
§3 机构与人物
3.1 牵头单位
通讯作者署名单位（依据 PubMed 作者单位信息）：
- 复旦大学附属华山医院神经内科（Department of Neurology, Huashan Hospital, Fudan University）
- 国家神经疾病医学中心（National Center for Neurological Disorders）
- 脑功能与脑疾病全国重点实验室（State Key Laboratory of Brain Function and Disorders）
- 教育部脑科学前沿中心（MOE Frontiers Center for Brain Science）
- 上海自然科学研究院 / 上海市医学院（Shanghai Academy of Natural Sciences, Shanghai Medical College）
- 新基石科学实验室（New Cornerstone Science Laboratory）
这是一支以神经退行性疾病与脑健康为主攻方向的临床-计算联合团队，郁金泰长期从事阿尔茨海默病与认知障碍的临床与遗传研究，程炜侧重计算神经科学与大队列多组学分析。团队近年在大规模 UK Biobank 多组学（蛋白组、代谢组、影像）方向产出密集，本研究是其在代谢组维度的代表作。
3.2 关键人物
| 角色 | 姓名 | 说明 |
|---|---|---|
| 通讯作者 | Wei Cheng（程炜） | 计算与多组学方向负责人；论文署名带通讯标记 |
| 通讯作者 | Jin-Tai Yu（郁金泰） | 临床神经病学方向负责人；PubMed 列出的通讯邮箱为 jintai_yu@fudan.edu.cn |
| 共同第一（第 1） | Yi-Xuan Wang | 第一作者，姓名顺序在引文中列首位 |
| 共同第一（第 2） | Yi-Xuan Qiang | 站点图 1 的 BioRender 图由 Qiang, Y. 制作 |
| 共同第一（第 3） | Yi-Jun Ge | — |
| 共同第一（第 4-8） | Yue-Ting Deng、Bang-Sheng Wu、Liu Yang、Yi-Lin Chen、Xiao-Yu He | 论文标注 # 共同第一 |
| 合作者 | Jian-Feng Feng | 复旦大学类脑智能科学与技术研究院方向，长期参与该团队的大队列统计方法工作 |
说明：作者的中文姓名写法以论文署名的拼音为准；本条目不对未公开的中文名做推测。
3.3 数据来源机构（非作者单位）
- UK Biobank：样本、测序、代谢组测量与表型数据的提供方；本研究通过的申请号为 19542 与 202239。
- Nightingale Health Ltd（芬兰）：NMR 代谢组测定平台与设施提供方；UK Biobank 的血浆 NMR 数据由该公司在芬兰的设施测定。
- Illumina / DRAGEN：测序仪（NovaSeq 6000）与二级分析流程提供方；UK Biobank WGS 由多家测序中心合作完成，本研究使用其发布的 pVCF（Field 24310）。
- FinnGen R11：疾病 GWAS 汇总统计来源（2,440 个结局），用于代谢物-疾病因果推断。
- deCODE 等既往 pQTL 研究：4,907 个血浆蛋白的 pQTL 数据，用于蛋白-代谢物-疾病的三角验证。
3.4 伦理与合规
UK Biobank 作为 Research Tissue Bank 已获英国 North West Multi-centre Research Ethics Committee 批准，使用者在其批准范围内开展研究无需另行申请伦理审批。本研究在论文中声明遵循该框架；个体级数据的访问受 UK Biobank 材料转移协议约束。
§3b 团队近年的多组学产出序列：为何是代谢组
3b.1 一支团队的"组学阶梯"
复旦大学郁金泰/程炜团队近年在 UK Biobank 上持续推进"一种组学一项大分析"的策略，形成一条可对照的产出序列：
| 组学层 | 典型研究内容 | 与本研究的关系 |
|---|---|---|
| 基因组 + 影像（脑结构/功能） | 脑影像与认知/痴呆的遗传关联 | 方法学同源（大队列 GWAS + 下游 MR） |
| 蛋白组（Olink） | 血浆蛋白与神经退行/精神疾病的因果推断 | 本研究用其 pQTL 结果做三角验证 |
| 代谢组（NMR） | 本研究 | 唯一同时具备 WGS 与代谢组的 19.9 万人配对分析 |
| 多组学整合 | 蛋白-代谢-影像的联合模型 | 本图谱是其代谢维度底座 |
这条阶梯的共性方法：大队列汇总统计 + 孟德尔随机化 + 共定位 + 靶点优先化。本研究与同系列工作的差别在于，它不只做下游因果推断，还在上游发现层（单变异、聚集、精细定位）做了完整重建——这也是为什么它能回答"WGS 比芯片好在哪"这个纯方法学问题。
3b.2 为什么选代谢组做"技术对照"的载体
这个选择不是偶然的，代谢组有三个适合做技术对照的特性：
- 测量稳定：NMR 的定量精度高、批次效应可控，使得"WGS vs 芯片"的差异不会被测量噪声淹没。
- 遗传结构丰富：313 项指标覆盖从强单基因主效（如某些酶底物）到高度多基因（如脂蛋白亚类）的完整谱系，能在同一套数据里同时检验两种极端情形。
- 中间表型地位：代谢物位于基因与疾病之间，使得"发现更多信号"这件事能直接翻译成"发现更多可干预靶点"，而不只是统计学上的增量。
对照之下，蛋白组（Olink）的测量噪声更大、批次效应更复杂；影像表型的遗传力普遍偏低。代谢组是三种组学中"信噪比 × 遗传可解释性 × 临床可转化性"乘积最高的。
3b.3 与国际同行的分工
在国际版图上，这条工作线与几支团队形成分工：
- Broad / deCODE 系：偏蛋白组与罕见变异（冰岛人群的全基因组深度高，罕见变异发现能力强）；
- UK Biobank 核心分析团队：偏大队列的基础 GWAS 数据产品（芯片口径为主）；
- Nightingale 平台生态：偏 NMR 代谢组的跨国标准化（多队列 meta 分析）；
- 本研究所在团队：偏"WGS + NMR"的配对设计与从信号到靶点的全链条。
§4 数据规模与内容：硬数字与坐标系
4.1 一表看全
| 维度 | 数值 | 备注 |
|---|---|---|
| 参与者总数 | 199,138 | 通过 WGS 与代谢组质控 |
| 欧洲血统 | 191,681（96.26%） | 主分析人群 |
| 非洲血统（AFR） | 3,296（1.66%） | 用于跨族裔 mQTL |
| 南亚血统（SAS） | 3,848（1.93%） | 用于跨族裔 mQTL |
| 东亚血统（EAS） | 175（0.09%） | 样本过小，未做独立 mQTL |
| 混合美洲（AMR） | 138（0.07%） | 样本过小，未做独立 mQTL |
| 女性 | 105,726（53.09%） | — |
| 中位年龄 | 58 岁 | — |
| 采血前中位空腹时长 | 3 小时 | 非空腹设计 |
| 发现集 / 验证集 | 134,177 / 57,504（约 70%/30%） | 两阶段设计 |
| 代谢标志物 | 313 | 249 直接测量 + 64 衍生比值 |
| WGS 平均深度 | 32.5× | NovaSeq 6000，2×151 bp |
| 单变异分析可用变异 | 35,776,728 个 SNP/INDEL | 常见 7,726,466 + 罕见 28,050,262 |
| 独立 lead 信号 | 36,105 | 分布 268 个独立位点 |
| 新信号占比 | 22.20%（8,015 个） | LD r²<0.8 判新 |
| 潜在新信号 | 648 个（1.79%） | 边界情形 |
| 精细定位区域 | 8,072 个 / 34,377 个 distinct signals | — |
| 推定因果变异-性状关联 | 12,361 | model-averaged PIP>0.95 |
| 聚集检验测试基因 | 17,751 个蛋白编码基因 | 26 种变异 mask 模型 |
| 显著且验证的基因-性状对 | 5,999 | — |
| 条件独立基因-性状对 | 1,527 | 独立于常见 mQTL |
| 代谢物-疾病共定位对 | 27,284（PP.H4>0.5） | — |
| 推定因果关联 | 245 | 92 性状 × 56 疾病 |
| 稳健三角关联 | 3,874 | 蛋白×代谢物 1,164 / 蛋白×疾病 1,267 |
| 候选药物靶点 | 410 | 263 个落在可成药基因组 |
| 涉及蛋白编码基因 | 680 个 | 其中 108 个为 IEM 相关 |
4.2 313 项代谢标志物的构成
| 分组 | 数量 |
|---|---|
| 脂蛋白与脂质 | 192 |
| 衍生生物学比值 | 64 |
| 脂肪酸 | 18 |
| 胆固醇 | 15 |
| 氨基酸 | 10 |
| 糖酵解相关 | 4 |
| 酮体 | 4 |
| 载脂蛋白 | 3 |
| 体液平衡 | 2 |
| 炎症标志物 | 1 |
| 合计 | 313 |
这张表解释了一个常被忽略的事实：所谓"313 项代谢物"，并非 313 种独立化学物质。脂蛋白与脂质占 192 项（61.3%），其中大量是同一类脂蛋白颗粒按粒径亚组分拆分（如 VLDL 各亚类的颗粒浓度、胆固醇、甘油三酯、磷脂等），彼此高度相关；再加 64 项衍生比值（如 omega-3 占总脂肪酸比、亚油酸占总脂肪酸比），真正的"独立代谢物"数量远少于 313。做下游分析（尤其是多重检验校正与孟德尔随机化工具变量筛选）时，必须考虑这种组内相关性，否则会高估独立性、虚增有效检验数。
4.3 位点分布的两个结构性事实
事实一：信号极度偏斜。 268 个独立位点承载 36,105 个信号，最富集的多效性位点是 19q13.3，单一位点含 5,483 个 lead 信号、关联 245 个代谢性状。这个区域密集分布着载脂蛋白与脂蛋白代谢相关基因簇，是血浆脂质表型最著名的多效性热点。典型性状的关联位点中位数仅 28 个，38 个性状关联位点 ≥40 个——分布是典型的长尾。
事实二：绝大多数信号落在非编码区。 全部 lead 信号中只有 4.08% 对应蛋白截短（PTV）、错义、框内或同义变异；其余位于内含子、基因间、上下游与调控区。这与"代谢物浓度主要由酶的丰度与转运体的表达调控决定"的先验一致——调控变异比编码变异更容易在不破坏蛋白功能的前提下改变代谢通量。这一事实也是后续必须补做聚集检验（专门找编码区罕见变异）的原因：单变异分析天然偏向常见、调控型信号。
4.4 遗传力：0.31 与 0.11 的口径说明
论文报告 WGS 估计的遗传力中位数为 h²=0.31，同一样本用插补芯片数据估计为 h²=0.11，“接近三倍”。分组看：载脂蛋白最高（中位 0.45）、脂肪酸次之（0.43）、氨基酸最低（0.06）。
读这三个数字要带三个限定：
- "遗传力"在此指基于常见+罕见变异的 SNP-based heritability（GCTA 口径），是基因组相似度解释的表型方差比例，不是经典双生子遗传力，也必然低于真实遗传力（结构变异、表观遗传、基因-环境交互未纳入）。
- 0.11 是"芯片可捕获部分"的估计，0.31 是"测序可捕获部分"的估计；两者的差（0.20）不是"芯片错了",而是"芯片看不到"。论文归因于罕见变异——罕见变异贡献的遗传力约为常见变异的两倍。
- **氨基酸遗传力异常低（0.06）**值得注意：多数氨基酸受饮食与肝肾功能强烈影响，环境方差大，遗传效应占比自然被压低。这不是数据缺陷，是生物学事实。
4.5 lead 变异与因果变异解释的方差
- lead 变异（每个信号的领头 SNP）解释的表型方差中位 0.13；
- 推定因果变异（PIP>0.95）解释的方差中位 0.05；
- 单区域最高：17.9% 的残余性状方差，对应谷氨酰胺/甘氨酸比值。
最后一条值得单独提：一个区域解释近 18% 的性状方差，是极强的信号，典型对应一个主效酶基因（谷氨酰胺/甘氨酸比值与线粒体甘氨酸裂解系统相关）。这类"单区域主导型"性状是遗传学研究的理想模型，也是精细定位最容易收敛到单变异的情形。
4.6 全 QC 变异池与进入分析变异池的差额去哪了
一个容易忽略的数字关系：
| 口径 | 数量 |
|---|---|
| 全 QC 后常染色体变异池 | 497,340,481（常见 7,726,466 + 罕见 489,614,015） |
| 进入单变异分析的变异 | 35,776,728（常见 7,726,466 + 罕见 28,050,262） |
差额约 4.6 亿，几乎全部是罕见变异（4.896 亿 → 0.281 亿）。原因有几层：
- 单例变异（singleton）：只在一个个体中出现的变异无法做关联检验（没有"携带者 vs 非携带者"的对照），被排除；
- 极低 MAF 变异：携带者数不足以支撑统计检验；
- 质控不合格：深度不足、比对质量差的位点；
- 分析阈值：常见变异侧全部保留（7,726,466 = 7,726,466），说明所有常见变异都进了；罕见侧从 4.896 亿降到 0.281 亿，过滤率 94.3%。
这一差额是理解"WGS 到底比芯片多看到多少"的关键——WGS 测到了 4.97 亿个变异，但能进入统计检验的只有 3,578 万个，其中罕见 2,805 万个。芯片法能进入检验的通常只有几百万个常见变异。所以"WGS 的增量"准确说是"2,805 万个可检验的罕见变异"，而非"4.97 亿个全部变异"。
引用时若说"WGS 覆盖了 5 亿个变异"，严格讲是"测到了"，不是"都分析了"。这两个数字在本研究的材料中都出现，含义不同。
4.7 表型的组织维度：十个代谢组
313 项指标在论文中被归为 10 个代谢组（metabolite group），站点与 Figure 2 的 Fuji plot 均按此着色：
- 氨基酸（10 项）
- 载脂蛋白（3 项）
- 胆固醇（15 项）
- 脂肪酸（18 项）
- 体液平衡（2 项，如肌酐、白蛋白相关）
- 糖酵解相关（4 项，如葡萄糖、乳酸、丙酮酸相关）
- 炎症标志物（1 项，糖蛋白乙酰化 GlycA）
- 酮体（4 项，如 β-羟基丁酸、丙酮）
- 脂蛋白与脂质（192 项）
- 衍生生物学比值（64 项）
这个分组的重要性在于：遗传力的组间差异极大（载脂蛋白 0.45、脂肪酸 0.43、氨基酸 0.06），说明不同代谢组的遗传架构本质不同——脂蛋白与脂肪酸受强遗传调控（合成酶、转运体、受体基因的主效变异），氨基酸则更多受饮食与肝肾功能影响。做通路分析或靶点筛选时，不能把"代谢物"当作同质集合。
4.8 遗传力的组内分布
论文用 ridge plot 展示遗传力在不同代谢组与 MAF 分箱下的分布。几个可记的观察：
- 组间差异 > 组内差异：载脂蛋白与脂肪酸组的遗传力集中在 0.3-0.5 区间，氨基酸组集中在 0.0-0.15 区间，组内离散度小于组间差距；
- MAF 分箱趋势：常见变异（MAF>5%）解释的遗传力在各组都较稳定，罕见变异（MAF<1%）解释的部分在脂蛋白与脂肪酸组显著更大——这与"脂肪酸去饱和酶、载脂蛋白基因存在大量罕见功能变异"的生物学先验一致；
- WGS 与芯片的差距在罕见变异分箱最大：这直接说明 0.31 vs 0.11 的差主要来自罕见变异层。
4.9 与"英国生物样本库官方 GWAS"的口径差
UK Biobank 官方发布的 GWAS 结果（Neale 实验室口径、Pan-UKB 等）与本研究的差别：
| 维度 | 官方 GWAS 产品 | 本研究 |
|---|---|---|
| 基因型来源 | 芯片 + 插补 | WGS 实测 |
| 表型 | 数千个字段（含部分代谢组） | 313 项 NMR 代谢标志物 |
| 分析深度 | 单变异关联为主 | 单变异 + 精细定位 + 聚集 + 跨族裔 + MR + 靶点 |
| 更新频率 | 定期版本更新 | 一次性论文产出 |
| 用途 | 通用查询 | 代谢组专项 + 转化优先化 |
两者不是竞争关系：官方产品是"广度"，本研究是"深度 + 专项"。做代谢组研究时，本研究提供的方法学增量（精细定位、罕见变异）是官方产品不具备的。
4.10 数字之间的自洽性检查
把关键数字放在一起做一个简单校验，可以看出这组结果内部是自洽的：
| 检查 | 计算 | 结果 | 判断 |
|---|---|---|---|
| 信号 / 性状 | 36,105 ÷ 313 | 约 115 个信号/性状 | 与"典型性状中位 28 个位点"的差异来自多效性位点；合理 |
| 信号 / 位点 | 36,105 ÷ 268 | 约 135 个信号/位点 | 由 19q13.3 单点 5,483 个信号强烈拉高；长尾分布，合理 |
| 新信号数 | 36,105 × 22.20% | 8,015 | 与论文报告数一致 |
| 编码变异占比 | 4.08% × 36,105 | 约 1,473 个 | 与"绝大多数信号在非编码区"一致 |
| 条件独立占比 | 1,527 ÷ 5,999 | 25.5% | 与论文"25.5% 独立于常见 mQTL"一致 |
| 非编码独有占比 | 论文摘要 32.9% | 与 25.5% 不矛盾 | 两者口径不同：25.5% 是"独立于常见 mQTL"，32.9% 是"仅非编码 mask 显著" |
| IEM 富集 | 108/680 vs 1,475 背景 | 观察 15.9% vs 期望约 4.5% | 超几何 P=3.25×10⁻¹⁴；合理 |
| 靶点可成药比例 | 263 ÷ 410 | 64.1% | 与论文一致 |
| 复检支持率 | 110 ÷ 161 | 68.3% | 约三分之二；论文未给百分比，此为本条目计算 |
校验结论：所有可由简单运算复核的数字都自洽；唯一需要留意的是 25.5% 与 32.9% 两个比例的口径差异——它们不是矛盾，而是回答不同问题：前者问"有多少基因-性状对在扣掉常见变异后仍显著"，后者问"有多少只在非编码区域内显著"。引用时若混用会造成数字对不上（这一点属于坑点 4 同类的口径问题：数字本身没错，混用口径才会出错）。
§5 WGS vs 芯片：本条目最有价值的技术内核
5.1 先把两种技术放在同一坐标系里
| 维度 | 基因分型芯片 + 插补（GWAS array） | 全基因组测序（WGS） |
|---|---|---|
| 直接观测 | 数十万到数百万个预设探针位点 | 全基因组每个碱基的测序读段 |
| 变异来源 | 直接基因分型 + 参考面板插补推测 | 实测，含个体特异新变异 |
| 罕见变异（MAF<1%） | 基本不可得（面板里没有就插补不出） | 直接捕获（本研究 2,805 万罕见变异进入分析） |
| 结构变异 / 短 indel | 覆盖差 | 较好（GRCh38 比对， indel 纳入单变异分析） |
| 单倍型分辨 | 受限于芯片位点密度与插补面板 | 重组断点可见，单倍型块被切细 |
| 精细定位可信集 | 常含数十个变异 | 可缩到个位数 |
| 成本（每样本） | 低 | 高（数十至上百倍） |
| 大队列可行性 | 数十万至数百万 | 目前十万量级（本研究 19.9 万） |
这张表的关键不是"WGS 更好"这句结论，而是好在哪个环节。WGS 的优势可拆成三层，每层对应一个不同的统计问题。
5.2 第一层：覆盖率——近半数信号芯片法完全缺失
事实：36,105 个 lead 信号中，约一半（论文正文表述"nearly half"）在既往芯片 GWAS 汇总中找不到对应信号；主因是这些变异的 MAF<0.01。
机制：芯片插补的本质是"用参考面板里的单倍型给你的基因型找最可能的组合"。当目标变异在两个参考单倍型之间都存在且频率足够高时，插补准确率可以很高（常见变异 r² 常 >0.9）。但当变异是罕见的时候，问题来了：
- 参考面板（如 1000 Genomes、HRC、TOPMed）里未必包含这个变异——它可能只出现在极少数个体里，或根本没被测过；
- 即便面板里有，罕见变异的单倍型背景极其多样，插补算法难以确定它挂在哪条单倍型上；
- 芯片上离它最近的标记变异可能相距几十 kb 且不与之连锁，插补器只能"蒙"。
结果就是：罕见变异在芯片数据里表现为缺失值或随机噪声，连带其所在的整个罕见单倍型信号一起消失。这不是分析方法的失误，是数据源的信息下限。
为什么这条重要：它意味着过去所有基于芯片 mQTL 的"代谢物遗传结构"结论，在罕见变异这一层上是系统性不完整的——不是精度不够，是整类信号压根没被观测到。对以"稀有高频效应变异"为主的代谢酶（如某些氨基酸代谢酶、脂肪酸去饱和酶）而言，这部分缺失可能占到遗传结构的显著比例，这正是遗传力从 0.11 跳到 0.31 的来源。
一个需要说清的限定：论文的"近半数缺失"是与已有芯片汇总统计的对比，其中包含两类原因——(a) 变异本身在芯片数据中不可得；(b) 变异可得但由于样本量/统计功效差异在芯片分析中未达显著。论文明确指出主因是 MAF<0.01，即 (a) 占主导，但严格地说，“缺失"不等于"芯片法必然测不出”，而是"在既有芯片汇总的样本量与阈值下没有出现"。引用这一数字时应保留这层限定（坑点 3）。
5.3 第二层：单倍型分辨——从"连锁块"到"重组断点"
这是 WGS 优势中最容易被低估的一层，也是最技术性的一层。
问题背景：两个物理位置相近的变异，如果从未在人群历史中被重组分开，它们就处于强连锁不平衡（LD）状态——你观测到 A 变异与性状相关，B 变异也与性状相关，统计上无法区分谁是因果。芯片的位点稀疏（约每 1-5 kb 一个标记），插补又只恢复已知单倍型，因此一个关联区域在芯片数据里往往表现为一个长 LD 块，块内几十个变异共享几乎相同的关联统计量。
WGS 如何破局：密集标记（本研究 3,577 万个变异进入单变异分析）让"哪些变异彼此真正连锁"变成可实测的事实——同一条单倍型上的变异在个体间共同传递，不同单倍型之间的边界由历史上的重组事件决定，而重组断点在密集基因型下可以被精确定位。于是：
- 块被切细：原本一个 LD 块被拆成若干个更小的单倍型片段，每段内变异共享统计量，段与段之间可以区分；
- 信号被拆开：原本表现为一个信号的区域，可能实际是两三个独立信号（每个有独立的效应方向或强度）；
- 因果集收窄：精细定位的可信集从"块内几十个"缩到"片段内几个"。
论文给出的量化证据：
| 指标 | 芯片口径 | WGS 口径 | 改善 |
|---|---|---|---|
| 每匹配区域的中位信号数 | 2 个 | 3 个 | 拆出更多独立信号 |
| 精细定位可信集中位长度 | 15 个变异 | 5 个变异 | 缩短约 67% |
| 单信号匹配区域中分辨率改善比例 | — | 75.81% | 中位可信集 89→47 变异 |
| 匹配区域中 WGS 捕获更多信号的比例 | — | 52.69% | 41.35% 区域两者相等 |
| 精细定位至 ≤5 个变异的信号占比 | — | 50.2%（17,254 个） | 半数信号收敛到 5 个以内 |
两个可读的案例：
- LIPG 位点（omega-3 脂肪酸）：WGS 精细定位找到 4 个推定因果变异，芯片口径只有 1 个——说明该区域实际存在多个独立的功能变异，芯片因 LD 合并只能看到"一个"。
- HMGCR 位点（他汀靶点）：可信集从芯片的 16 个变异缩到 WGS 的 3 个。HMGCR 是他汀类药物的经典靶点，把候选集从 16 缩到 3 意味着后续功能实验的验证成本下降一个量级。
功能性佐证：WGS 候选因果变异中 40.0% 与超级增强子（super-enhancer）重叠，芯片候选为 34.6%（P=1.02×10⁻⁴）；1,657 个（71%）变异被预测破坏转录因子结合基序，受影响最多的基序属 FOXJ3（82 个变异）与 REST（75 个变异）。这说明收窄后的候选集不只是"更少"，而且"更可能是真的调控变异"——富集在功能元件上的比例显著高于芯片候选。
为什么这层对下游影响最大：药物靶点发现与功能实验的瓶颈往往不是"知道有这个区域"，而是"不知道该改哪个碱基"。可信集从 15 缩到 5、从 16 缩到 3，直接决定了 CRISPR 验证、报告基因实验、碱基编辑的工作量。
5.4 第三层：遗传力与效应量估计
WGS 让罕见变异的效应得以被估计。本研究：
- 罕见变异携带者的效应量中位数为常见变异的约两倍（论文归因于罕见变异多受较强纯化选择，能存留的往往是效应较大的）；
- 编码区聚集检验的效应中位 0.42（标准化单位），非编码区 0.26，蛋白截短（PTV）类最大（中位 0.76）——符合"越破坏功能、效应越大"的生物学直觉；
- lead 变异解释方差中位 0.13 vs 推定因果变异 0.05：单个 lead 变异是"区域内最显著的标记"，往往高估真实因果变异的作用（因为它是因果变异 + LD 邻居效应的叠加）；精确定位后的因果变异效应才是更接近真实的估计。
5.5 罕见变异聚集检验：把"测得到"变成"测得准"
单变异分析对罕见变异几乎没有功效——每个罕见变异只有几十个携带者，关联检验的统计功效极低。标准解法是聚集检验（burden / SKAT 类）：把同一基因（或同一功能区域）内的多个罕见变异合并成一个"负担"得分，检验携带者与非携带者的表型差异。
本研究的做法：
- 测试 17,751 个蛋白编码基因，使用 26 种变异 mask 模型（不同功能类别 × 不同 MAF 阈值的组合，如 PTV-only、missense 预测有害、全部罕见等）；
- 结果：显著且验证的基因-性状对 5,999 个；
- 关键的一步是条件分析：把常见 mQTL 的效应作为协变量剔除，看基因层面还剩多少独立信号 → 1,527 个条件独立基因-性状对；
- 其中 325 个在编码与非编码 mask 中均显著；
- 摘要中的"32.9% unique to non-coding regions"指这批基因-性状对中有三成只在非编码 mask 下显著——即它们的信号来自基因附近的调控区罕见变异，而非蛋白编码改变。这是 WGS 相对 WES（外显子组测序）的又一优势：WES 只看外显子，天然看不到这部分。
- 830 个（54.3%） 聚集区域不含任何 lead mQTL；421 个（27.6%） 不含任何已验证的单变异关联——这些是单变异分析完全漏掉、只在基因层面聚合后才显现的信号。
- 70 个基因-性状对在 WES 中无法检测（进一步说明非编码罕见变异的价值）。
1,527 与 5,999 的区别必须讲清：5,999 是"基因层面显著"的总数，其中大部分可能由该基因附近的常见 mQTL 驱动（常见变异与罕见变异在基因内共存）；1,527 是扣掉常见变异贡献后的净增量。论文与二手报道常把 1,527 当作"发现的新基因-性状对"，严格说它是"条件独立的基因-性状对"，口径更保守，也更有价值。
5.6 跨族裔：WGS 的第四个隐性优势
芯片的探针设计以欧洲人群变异谱为主，非欧洲人群的变异覆盖系统性偏低（“ascertainment bias”）。WGS 没有这个偏向，因此本研究能在非欧洲血统子集中发现大量族裔特异信号：
- AFR（3,296 人）显著关联 4,640 个；SAS（3,848 人）5,563 个；AMR（138 人）与 EAS（175 人）因样本量过小未检出；
- AFR 特异变异-性状对 1,966 个；SAS 特异 1,033 个；
- 77.2% 的非欧洲独有 mQTL 在欧洲人群中 MAF<0.01%——这些变异在欧洲人里几乎不存在，芯片与欧洲主导的插补面板都不可能覆盖。
示例：CD36 终止获得变异 7:80671133:T:G 在 AFR 中 MAF=11.01%，在欧洲人中仅 0.00026%。这个变异几乎只存在于非洲血统人群，芯片研究（以欧洲为主）根本无从发现。
这个维度的意义在于公平性：多基因风险评分在非欧洲人群中迁移性差，部分原因就是变异发现阶段的覆盖偏差。WGS 图谱是纠偏的第一步——发现阶段不偏，后续评分才可能不偏。
5.7 一句话总结方法学主张
芯片法回答的是"已知常见变异里哪些与代谢物相关"；WGS 回答的是"这个人的基因组里所有变异中哪些与代谢物相关"。前者是抽样估计，后者是普查。本研究的价值在于用 19.9 万人的普查结果量化了两者的差距：近半数信号在前一种问法下不存在，因果定位精度差三倍。
5.8 一个思想实验：如果只用芯片，会漏掉什么
把本研究的结论反过来读，可以估算芯片法在代谢组遗传学上"看不到"的东西有多大：
- 信号层：近半数 lead 信号在芯片汇总中不出现 → 若历史上只有芯片数据，代谢物 mQTL 的完整目录会少一半；
- 遗传力层：0.11 vs 0.31 → 芯片法只能解释"可解释遗传方差"的约三分之一，剩余三分之二被归因为"缺失的遗传力"（missing heritability）。本研究给出了其中相当一部分的具体来源：罕见变异；
- 分辨率层：可信集中位 15 vs 5 → 芯片法的因果候选集平均是三倍大小，功能验证的试错成本相应放大；
- 基因层：830 个（54.3%）聚集区域不含任何 lead mQTL → 这些基因层面的信号在纯单变异芯片分析中完全不可见；
- 族裔层：77.2% 的非欧洲独有 mQTL 在欧洲人 MAF<0.01% → 芯片（尤其欧洲设计的芯片）对这些变异基本无感。
五项加总，回答的是遗传学的一个老问题："missing heritability 去哪了？"本研究给出的答案不是全部，但是可量化的一大块：在被芯片漏掉的罕见变异里，在芯片分不开的单倍型块里，在非欧洲人群的变异谱里。
5.9 两类方法的成本-收益现实
必须承认 WGS 不是无条件的更优解：
| 场景 | 推荐 | 理由 |
|---|---|---|
| 十万人以内、预算充足、关注罕见变异与因果定位 | WGS | 增量信息值回成本 |
| 百万人级、只关注常见变异关联 | 芯片 + 插补 | 样本量的统计功效收益大于分辨率收益 |
| 已有芯片大样本、想补充罕见变异 | WGS 子集 + 芯片全样本联合 | 混合设计，成本折中 |
| 非欧洲人群研究 | WGS 优先 | 芯片 ascertainment bias 最严重 |
| 临床靶点验证 | WGS 精细定位 | 可信集收窄直接降低实验成本 |
一句话：WGS 买到的是"分辨率与覆盖率"，芯片买到的是"样本量"。当样本量已经足够（如本项目 19.9 万），边际样本量的价值下降，分辨率的边际价值上升——这是 WGS 在当前阶段开始"划算"的经济学原因。
§6 任务与标注：这张图谱能支持哪些研究任务
本集条目不是"图像-标签"型数据集，它的"任务层"是统计产出层：不同类型的下游研究可以直接消费不同层级的产物。下表把图谱按"可支持的科研任务"横向切开。
6.1 任务谱系
| 层级 | 任务 | 输入 | 输出 | 本研究对应产物 |
|---|---|---|---|---|
| T1 单变异关联 | 找代谢物的关联位点 | 基因型 + 代谢物 | lead 信号表 | 36,105 个信号 |
| T2 精细定位 | 定位到因果变异 | 区域汇总统计 + LD 参考 | 可信集 / PIP | 12,361 个 PIP>0.95 关联 |
| T3 基因层归因 | 找编码区罕见变异的作用基因 | 变异功能注释 + 聚集检验 | 基因-性状对 | 1,527 个条件独立对 |
| T4 跨族裔迁移 | 检验信号在不同血统中的可迁移性 | 分族裔汇总统计 | 族裔特异/共享 mQTL | AFR 1,966 / SAS 1,033 特异对 |
| T5 因果推断 | 代谢物→疾病的因果效应 | mQTL 工具变量 + 疾病 GWAS | MR 估计 + 共定位 PP | 245 条因果关联 |
| T6 靶点优先化 | 找可成药蛋白 | pQTL + mQTL + 疾病 GWAS | 靶点表（方向一致性） | 410 个靶点 |
| T7 疾病机制 | 代谢通路层面的机制解释 | 通路注释 + 全部信号 | 富集通路 | 通路分析（§6.5） |
| T8 多组学整合 | 与蛋白组/转录组/影像对齐 | 本图谱 + 其他组学 | 跨组学关联 | 与 pQTL/eQTL/sQTL 共定位 |
6.2 每层任务的常见误用
- T2 误用：把 PIP>0.95 当作"已证实因果"。PIP 是贝叶斯后验概率，依赖先验（如每个区域最多一个因果变异的假设）与 LD 参考面板质量；高 PIP 只说明"在给定模型与数据下，该变异是最可能的因果候选"，不等于功能实验证实。
- T3 误用：把 5,999 当作"新基因发现"。其中多数与常见 mQTL 共处一区；条件独立的 1,527 才是净增量。
- T5 误用：把 MR 估计当临床试验效应量。MR 假设（工具变量仅通过暴露影响结局、无水平多效性）在代谢组场景常被违反——一个 mQTL 往往同时影响多个高度相关的代谢物（尤其是脂蛋白亚类），多效性是常态而非例外。
- T6 误用：把 410 当作"已验证靶点"。论文明确这是"prioritized"（优先化）名单，263 个落在可成药基因组只是"有药可做"，不是"做了有效"。
- T8 误用：忽视样本重叠。若外部 pQTL/eQTL 研究同样基于 UK Biobank，与本研究存在样本重叠，共定位结果会被重叠样本放大（本研究使用的 pQTL 来自既往研究，重叠程度未逐一披露）。
6.3 产出物的文件形态
论文与站点描述的产物形态：
- 汇总统计（summary statistics）：按代谢标志物组织的关联结果表，含变异标识（chr:pos:ref:alt）、效应量、标准误、P 值、MAF、样本量等标准 GWAS 汇总量字段。站点支持批量下载。
- 交互式浏览视图：按位点 / 按基因 / 按代谢物三个维度切换，可叠加 WGS / WES / 芯片三套结果对比；单变异与聚集检验两个分析模式可切换。
- 精细定位结果：可信集与 PIP（论文报告 12,361 个 PIP>0.95 关联；站点是否逐条提供 PIP 需以页面实际为准）。
- 下游衍生表：基因-性状对表、代谢物-疾病因果表、药物靶点表（论文正文/补充材料形态，站点是否提供需核对）。
精确的文件命名、字段 schema、压缩格式与单文件体积：未公开（论文与站点首页均未给出技术规格说明）。做自动化接入前应以站点实际下载页为准。
6.4 代谢通路的生物学解读
论文把 36,105 个信号按代谢通路做了组织，几个值得记的结论：
- 脂蛋白代谢位点最密集：19q13.3（含 APOE/APOC 簇）单点承载 5,483 个信号、245 个性状，是整个图谱的多效性中心；
- 氨基酸代谢位点相对稀疏但效应清晰：氨基酸遗传力最低（0.06），但少数位点（如与支链氨基酸、甘氨酸/丝氨酸代谢相关的酶基因）效应极强，适合作为"单基因主效"模型研究；
- 脂肪酸去饱和与延长链：FADS 簇与 ELOVL 家族位点对多个脂肪酸比值有强效应，是 omega-3/omega-6 通路研究的核心。
6.5 IEM：从遗传代谢病基因到常见病代谢图谱
这是本条目最具临床想象力的一段。
背景：遗传代谢病（IEM，inborn errors of metabolism）是一组单基因代谢缺陷病，已知致病基因约 1,475 个（论文使用的背景集规模）。传统上，IEM 是罕见病领域——一个基因缺陷导致某代谢物堆积或缺乏，产生严重表型。
本研究的发现：在 680 个被显著基因-性状对牵涉的蛋白编码基因中，108 个是已知 IEM 基因，超几何检验 P=3.25×10⁻¹⁴，远超随机期望。268 个代谢位点中有 81 个（30.22%） 至少含一个注释到 IEM 基因的 lead 变异。
怎么解读：
- IEM 基因不是"罕见病专属"：同一个基因，严重功能丧失导致罕见病，轻微功能改变（或常见调控变异）则表现为人群内连续的代谢物浓度差异，与常见病风险相关。这是"罕见病变异谱的轻症端"假说在代谢组尺度的验证。
- 对临床的直接价值：IEM 携带者（杂合子）在人群中并不罕见（许多 IEM 是常染色体隐性，携带率可达 1/50-1/100），其代谢表型长期被忽视；这张图谱给出了携带者代谢谱的人群参照。
- 对药物开发的启示：IEM 基因天然是"人体验证过的靶点"——人类遗传学证据最强的靶点类型，其药物成功率显著高于无遗传学支持的靶点。108 个 IEM 基因进入候选池，是老药新用与新靶点发现的高价值入口。
- 一个具体例子——SLC13A5：常见内含子插入 17:6692123:A:AGATG 与柠檬酸相关（β=0.03，P=1.16×10⁻²³）；罕见错义变异 17:6703031:C:T 效应大得多（β=1.49，P=2.78×10⁻⁴⁸），仅 90 名杂合携带者。同一个基因，一个常见弱效变异 + 一个罕见强效变异，共同刻画了柠檬酸水平的遗传结构——这正是"WGS 同时看到常见与罕见两层"的典型例证。
6.6 站点交互视图的实际使用路径
站点首页的功能分区给出了三种浏览入口，实用路径可归纳为：
路径一：从代谢物出发（最常用）
- 在代谢标志物列表中选择 313 项中的某一项（如 “Omega-3 fatty acids”）；
- 查看该性状的 Manhattan / Fuji 图，定位显著位点；
- 点击位点进入区域视图，切换到"Whole genome sequencing"看 WGS 信号，再切换"Imputed array-based GWAS"看芯片信号——两者在同一坐标系下对比；
- 若关注因果变异，查看精细定位结果（可信集与 PIP）；
- 下载该性状的汇总统计，进入本地 MR 分析。
路径二：从位点出发
- 输入 chr:pos 或基因名（站点的单变异分析支持按区域检索）；
- 查看该区域内所有代谢性状的关联模式（Fuji plot 的多效性视图）；
- 判断该位点是"单性状特异"还是"多性状多效"；
- 多效性强的位点（如 19q13.3）应进一步做条件分析，避免重复计数。
路径三：从基因出发（聚集检验）
- 切换到 “Aggregate-based analysis”；
- 按蛋白编码基因 / RNA 基因 / 假基因 / 基因间调控区四类区域浏览；
- 查看该基因的罕见变异聚合信号与显著性状；
- 与单变异视图对照，判断该基因的信号是"常见变异驱动"还是"罕见变异独立"。
四种区域类型（Protein-coding gene、RNA gene、Pseudogene、Intergenic region）是站点明确列出的分组，说明聚集检验不只覆盖蛋白编码基因——这与论文"额外测试 RNA 基因 1,368 个关联、假基因 210 个、基因间调控区 22 个"的补充分析对应。
6.7 一个典型的下游工作流示例
假设一个研究团队想验证"某代谢物是否对某疾病有因果作用"：
步骤 1 从站点下载该代谢物的 WGS 汇总统计（含 chr:pos:ref:alt、beta、se、p、MAF、N）
步骤 2 按 P<5e-8、LD r²<0.001、窗口 10Mb 做 clumping，得到独立工具变量
步骤 3 用 TwoSampleMR / MVMR 等工具，与目标疾病的 GWAS 汇总统计做 MR
步骤 4 做 MR-Egger / MR-PRESSO 检验水平多效性
步骤 5 用 coloc 做共定位，检查代谢物与疾病是否共享因果变异（PP.H4）
步骤 6 若共定位支持且 MR 方向一致，查站点/论文的靶点表看是否有对应蛋白
步骤 7 若涉及蛋白，用 pQTL 数据做"蛋白→代谢物→疾病"的三角验证
步骤 8 报告时明确区分"统计推断"与"因果确证"，注明 110/161 复检支持率的背景
这个流程的关键在第 2 步与第 4 步：代谢物的工具变量极易出现水平多效性（一个 mQTL 往往同时影响多个高度相关的脂蛋白亚类），MR-Egger 与 MR-PRESSO 的敏感性检验不能省。本研究论文中的 245 条结论，也是经过类似的多重检验与共定位双重把关后才留下的。
6.8 不适合用本图谱做的研究
- 代谢物鉴定/定量方法学：本图谱不含谱图、不含测量协议，应去 MetaboLights / Metabolomics Workbench；
- 代谢物化学性质预测：应去 HMDB / PubChem；
- 个体级风险预测模型训练：汇总统计不足以训练个体级模型，需 UK Biobank 申请；
- 纵向代谢轨迹：本研究是横断面设计，只有基线一次测量；
- 药物安全性预测：410 个靶点的安全性分级是计算预测，不是临床安全性数据。
§7 临床转化：245 条因果链与 410 个靶点
7.1 从关联到因果的三级火箭
| 阶段 | 方法 | 数量 | 筛选强度 |
|---|---|---|---|
| 代谢物-疾病共定位 | 共定位分析，PP.H4>0.5 | 27,284 对 | 宽 |
| 孟德尔随机化 | 两样本 MR + 多重检验校正 | 245 条 | 严 |
| 流行病学复检 | 在观察性数据中检验方向一致性 | 161 条进入复检，110 条获支持 | 最严 |
245 条涉及 92 个代谢性状 × 56 种疾病。注意最后一行：161 条进入观察性复检、110 条获支持——即约 68% 的 MR 结论在独立观察数据中方向一致，约三分之一未获支持。这个比例应被写入任何引用"245 条因果关联"的段落，否则会把统计推断误当作已确证结论（坑点 4）。
7.2 两个可读的因果案例
案例一：omega-3 脂肪酸与胆结石
- 代谢性状：omega-3 脂肪酸（占总脂肪酸比例）；
- 疾病：胆结石（cholelithiasis）；
- 证据：共定位模型包含概率 MIP=0.997，MR 方向为保护性；
- 解读：omega-3 降低胆固醇结石形成风险，与"胆汁胆固醇饱和度"的病理生理一致。
案例二：亚油酸与静脉曲张
- 代谢性状：亚油酸（LA）；
- 疾病：静脉曲张；
- 证据：OR=0.578（P=3.94×10⁻⁶），保护性；
- 解读：亚油酸与血管弹性/炎症通路相关，但静脉曲张的病因复杂（瓣膜功能、压力），此关联更可能是"共享上游代谢通路"的标记。
7.3 多组学共定位：给因果链加"分子中介"
论文进一步把代谢物信号与三类分子 QTL 做共定位：
| 共定位类型 | 对数 | 含义 |
|---|---|---|
| pQTL（蛋白） | 33 | 代谢物与蛋白丰度共享因果变异 |
| eQTL（表达） | 202 | 代谢物与基因表达共享因果变异 |
| sQTL（剪接） | 116 | 代谢物与剪接异构体共享因果变异 |
这三类共定位是"代谢物→蛋白→疾病"链条的分子证据：如果某个代谢物信号与某蛋白的 pQTL 共享因果变异，说明它们受同一调控变异驱动，蛋白很可能是代谢物变化的中介。数量上 eQTL 最多（202），说明表达调控是血浆代谢物变异最主要的分子机制，这与 §4.3"95.9% 信号在非编码区"的观察互相印证。
7.4 410 个靶点的构成
| 类别 | 数量 | 说明 |
|---|---|---|
| 稳健三角关联 | 3,874 | 蛋白×代谢物 1,164 + 蛋白×疾病 1,267（另有重叠） |
| 优先化靶点 | 410 | 要求对代谢物与疾病作用方向一致 |
| 落在可成药基因组 | 263（64.1%） | tier1 73 / tier2 26 / tier3 164 |
| 已获批或临床试验靶点 | 81 | 可直接做药物重定位 |
| 未确立靶点但安全性良好 | 12 | 安全性等级 ≤2，新靶点潜力最大 |
安全性分级分布（数字越大风险越高）：
| 等级 | 数量 | 示例 |
|---|---|---|
| 1 | 12 | PCSK9 |
| 2 | 23 | MCL1 |
| 3 | 88 | HSPB1 |
| 4 | 218 | APOC3 |
| 5 | 46 | HP |
一个值得注意的细节：APOC3 落在等级 4（风险较高），但 APOC3 抑制剂（如 olezarsen、volanesorsen）已在临床用于家族性乳糜微粒血症——说明"计算安全性分级"与"实际药物安全性"并不总是一致，分级是筛查工具而非判决。
7.5 一个药物重定位示例：CTSB
组织蛋白酶 B（CTSB，cathepsin B）的靶点分析显示：遗传预测的 CTSB 水平升高与哮喘/COPD 风险降低、与胆结石风险降低相关。CTSB 参与溶酶体蛋白降解与炎症通路，已有抑制剂在肿瘤领域开发——这个发现提示其在呼吸系统疾病与胆结石中的潜在重定位价值。这是"从代谢图谱倒推已有药物新适应症"的典型路径。
7.6 转化的边界在哪里
必须清楚这条链的每一步都不是"证据"，而是"优先级"：
- MR 假设可被违反（水平多效性在代谢组极常见）；
- 方向一致性筛选（concordant effects）是启发式，不是因果证明；
- 靶点"可成药"不等于"药物可及"（血脑屏障、组织特异性、安全窗）；
- 410 个靶点中只有 81 个已有临床阶段药物，其余 329 个是新靶点，从靶点到药物平均需要十年以上。
论文自身的定位是"prioritization"（优先化）——这个词在药物发现语境中意味着"缩小搜索空间"，而非"给出答案"。
7.7 与既有药物靶点的交叉：谁在里面，谁不在
410 个靶点中 81 个已是获批药物或临床阶段靶点，这意味着约五分之一的优先化结果与现有药物开发管线重叠。这类"遗传学支持 + 已有药物"的重叠是药物重定位的最高价值区间——药物已过安全性关，缺的只是适应症证据。
从药物类别看，优先化靶点中反复出现的类别包括：
- 脂质代谢：PCSK9（安全性等级 1）、APOC3、LPL、LIPG 等——与现有降脂药（他汀、PCSK9 抑制剂、APOC3 反义寡核苷酸）高度对应；
- 炎症与溶酶体：CTSB、MCL1 等——跨适应症潜力大；
- 氨基酸与能量代谢：与支链氨基酸、酮体代谢相关的酶类。
不在名单里的不代表不重要：优先化要求"蛋白对代谢物与疾病的作用方向一致"，方向相反或作用路径复杂的蛋白会被排除；安全性等级 4-5 的蛋白（218 + 46 个）风险高，被排在后位。名单是"优先级排序"，不是"重要性排序"。
7.8 从靶点到临床的距离
以数字感受这条链的长度：
| 阶段 | 典型耗时 | 成功率 |
|---|---|---|
| 靶点发现 → 先导化合物 | 1-2 年 | — |
| 先导优化 → 候选药物 | 2-3 年 | — |
| I 期临床 | 1-2 年 | 约 60% |
| II 期临床 | 2-3 年 | 约 30% |
| III 期临床 | 3-4 年 | 约 50-60% |
| 审批 | 1-2 年 | 约 85% |
（以上为行业通行量级，非本研究数据，仅供理解"410 个靶点"到"可用药物"的距离。）
有遗传学证据支持的靶点，II 期成功率显著高于无遗传学支持的靶点——这是 410 个靶点名单的核心价值所在：它把"从零开始找靶点"变成了"从人体验证过的候选里挑"。
§8 获取与许可：汇总统计 vs 个体级数据
8.1 三层门禁、三种获取方式
| 资产 | 入口 | 获取方式 | 许可 |
|---|---|---|---|
| 汇总统计浏览 / 批量下载 | https://metabolome-whole-genome-landscape.com/ | 网页公开访问，无需注册（本条目检索时实测可直接打开） | CC BY-NC-ND 4.0（仅限非商业用途） |
| 论文全文 | doi:10.1038/s41467-026-74781-8（PMC13443626 亦免费全文） | 开放获取 | 论文 OA 条款（具体 CC 版本未公开） |
| 个体级 WGS + 代谢组 + 表型 | UK Biobank 数据申请 | 提交研究申请，经审批后在工作区访问 | UK Biobank 材料转移协议（本研究申请号 19542、202239） |
| 疾病 GWAS 汇总统计（结局端） | FinnGen R11 | 公开下载 | FinnGen 自身条款 |
| pQTL（蛋白端） | 既往研究（约 4,907 个蛋白） | 依各研究条款 | 各异 |
8.2 最关键的澄清：这是浏览站，不是下载站（个体级）
这是本条目要写透的第一个误解。
站点提供什么：
- 按代谢物、按位点、按基因区域交互式浏览关联模式；
- 在 WGS / WES / 插补芯片 三套技术之间切换对比；
- 在单变异分析与聚集检验两种分析模式之间切换；
- 批量下载汇总统计（论文原文：“bulk download of summary statistics”）；
- 首页明示研究人群构成（Caucasian N=191,681；AFR 3,296；AMR 138；EAS 175；SAS 3,848）与代谢标志物数（N=313）。
站点不提供什么：
- ❌ 任何一名参与者的基因型（VCF/PLINK/BGEN）；
- ❌ 任何一名参与者的代谢物测量值；
- ❌ 任何个体的临床表型、人口学信息；
- ❌ 可用于重跑 GWAS 的个体级协变量与亲缘矩阵。
为什么这个区分重要：
- 合规层面：把汇总统计误认为个体数据会导致研究者跳过 UK Biobank 申请，直接以为"可以复现全部分析"——实际上你只能复现下游的荟萃分析与事后查询（如 MR、共定位、靶点查询），无法重新做单变异关联，也无法在个体层面做新的表型切分。
- 方法层面：只有汇总统计时，很多个体级方法不可用——如基于个体的 LD score 回归、个体级多基因评分、个体级孟德尔随机化的敏感性分析（需要个体暴露与结局）。
- 再分发层面：CC BY-NC-ND 的 “ND”（No Derivatives，禁止演绎）意味着不能修改后发布。把汇总统计重新整理、重排、清洗后作为衍生数据集公开，在 ND 条款下是受限的（"格式转换"通常被允许，但"实质性修改/重组"可能不被允许）。把汇总统计并入商业产品（包括商用 AI 训练数据）明确被 “NC” 排除。
8.3 三种合法使用路径
路径 A：学术研究，直接用汇总统计
- 适用：MR、共定位、靶点查询、跨队列比较、通路富集。
- 做法：从站点下载汇总统计 → 按代谢物组织 → 与自己的疾病 GWAS/pQTL 做两样本分析。
- 约束：引用原论文与站点；非商业；不改写后发布。
路径 B：需要个体级数据
- 适用：重新定义表型（如分层分析、纵向轨迹）、个体级多基因评分、新的协变量调整。
- 做法：向 UK Biobank 提交申请（需付费，且需机构签署材料转移协议），申请 WGS（Field 24310）与 NMR 代谢组字段。
- 约束：不在 UK Biobank 安全工作区之外导出个体级数据；研究成果需回传 UK Biobank。
路径 C：商业应用
- 适用：药企靶点筛选、商业诊断产品开发。
- 做法：站点数据因 NC 条款不能直接用于商业目的；商业路径应走 UK Biobank 的商业申请（更高费用），或与作者团队协商授权。
- 约束：CC BY-NC-ND 明确排除商业用途，这一点在多数"开放数据"条目中被忽略。
8.4 版本链与可持续性
- 站点无公开的版本号与更新日志（本条目检索时首页未见版本标识）；
- 论文引用应始终指向 DOI（10.1038/s41467-026-74781-8），而非站点 URL——站点可能改版，DOI 永久；
- 若站点未来下线，汇总统计的可获取性将依赖补充材料或第三方镜像；这一点在规划长期项目时应纳入风险评估。
8.5 AI-Ready 视角的获取性评估
| 检查项 | 评估 |
|---|---|
| 机器可读元数据 | 良好：论文 OA 全文 + 站点结构化页面；但汇总统计文件的字段 schema 未公开 |
| 公开直链 | 部分：站点公开可访问，但下载接口的具体 URL 与文件清单未文档化 |
| 许可明确性 | 明确（CC BY-NC-ND 4.0），但 ND/NC 对 AI 训练与商业衍生有实质限制 |
| 个体级可得性 | 无（需 UK Biobank 申请） |
| 可复现性 | 下游分析可复现；上游关联分析不可（个体级数据不可得） |
| 文档自洽 | 良好：论文、站点、二手报道的核心数字一致 |
结论：作为"汇总统计资源"它是 AI-Ready 的（可编程访问、许可明确、元数据完整）；作为"可复现的 GWAS 数据集"它不是（个体级数据不开放）。这两种定性在同一份材料里并存，是本条目最需要读者区分的地方。
8.6 汇总统计的"最小可用字段集"
做下游分析（尤其是 MR）时，汇总统计至少需要以下字段才能被标准工具直接消费：
| 字段 | 用途 | 缺失后果 |
|---|---|---|
| variant ID（chr:pos:ref:alt 或 rsID） | 与其他数据集对齐 | 无法合并 |
| effect allele / other allele | 方向统一 | 效应方向错乱 |
| beta / OR | 效应量 | 无法做 MR |
| standard error | 权重与显著性 | 无法做加权分析 |
| P value | clumping 与显著性筛选 | 无法选工具变量 |
| MAF / EAF | LD 参考匹配、频率过滤 | 无法做频率分层 |
| sample size N | 功效校正、meta 分析 | 无法合并多队列 |
| 性状标识（代谢物 ID 与单位） | 表型对齐 | 无法与其他研究匹配 |
本研究的汇总统计通常具备上述字段（标准 GWAS 汇总量格式），但逐字段的 schema 文档未公开，实际字段命名需以下载文件表头为准。若站点提供的是"每个性状一个文件"，则还需要一份性状 ID → 名称/单位的映射表——这份映射的存在与格式，本条目检索窗口内未确证，做自动化接入时应先人工核查。
8.7 引用与致谢的规范
- 引用论文：Wang Y-X, Qiang Y-X, Ge Y-J, et al. Analysis of whole genome sequencing and plasma metabolomics unveil genetic determinants and clinical implications for human health. Nat Commun. 2026;17:7856. doi:10.1038/s41467-026-74781-8
- 引用数据：同时标注站点 URL 与访问日期（站点可能更新，日期是版本锚点）
- 致谢 UK Biobank：使用其数据的成果需按 UK Biobank 要求致谢并回传
- 致谢 Nightingale：若涉及 NMR 数据的再分析，按 Nightingale 的条款致谢
8.8 与库内"获取模式"光谱的对照
千方库内数据集已形成一条可获取性光谱，本条目在光谱上的位置：
| 档位 | 代表 | 本条目 |
|---|---|---|
| 公开直链（最开放） | 多数 Zenodo / HF 数据集 | 汇总统计部分属于此档 |
| 公开浏览 + 下载 | 有门户的数据库 | 站点主体属于此档 |
| 注册后下载 | Kaggle 型 | — |
| 申请审批制 | UK Biobank 型 | 个体级数据属于此档 |
| 仅论文附带 | 部分小数据集 | — |
本条目横跨"公开浏览 + 下载"（汇总统计）与"申请审批制"（个体数据）两档——这与库内多数单档数据集不同，是"研究产出型资源"的典型特征：论文产出可以公开，底层数据不能。
§9 生态与影响：它在遗传学版图上的位置
9.1 与 UK Biobank 生态的关系
UK Biobank 是这张图谱的"母体"。理解其数据层级有助于定位本研究：
| 层级 | 内容 | 规模 |
|---|---|---|
| 队列本体 | 约 50 万参与者，基线问卷、体检、样本 | 50 万 |
| 基因分型芯片 | 约 48.8 万人 | 48.8 万 |
| 全外显子组测序（WES） | 约 47 万人 | 47 万 |
| 全基因组测序（WGS） | 约 50 万人（本研究取有代谢组的子集） | 本研究 19.9 万 |
| NMR 代谢组 | 约 27 万人有基线测量（持续扩充） | 本研究 19.9 万 |
| Olink 蛋白组 | 约 5.4 万人 | 本研究未直接使用（用外部 pQTL） |
本研究的特殊性在于它是WGS 与 NMR 代谢组的交集——两个数据域各自都有更大的覆盖，交集才是 19.9 万。这也解释了为什么样本量是 19.9 万而非 50 万。
9.2 与既往 mQTL 研究的对照
| 研究 | 样本来源 | 技术 | 代谢物数 | 信号数 |
|---|---|---|---|---|
| Karjalainen 等（约 2024） | 多队列 meta | 芯片 + 插补 | NMR 类 | 本研究外部对照 |
| 本研究（2026） | UK Biobank 单队列 | WGS 32.5× | 313 | 36,105 |
双向重复率：本研究 → Karjalainen 77.0%；Karjalainen → 本研究 69.6%。这个不对称是"WGS 覆盖更广"的直接体现——如果两者覆盖等同，双向重复率应大致对称。
9.3 类器官/代谢组数据库的连接点
本图谱是"遗传 → 代谢物"的一层，向上可接"代谢物 → 通路"（HMDB、KEGG、MetaboLights），向下可接"代谢物 → 疾病"（FinnGen、GWAS Catalog）。库内已有的代谢组相关条目：
- HMDB（rid 470）：人类代谢组数据库，提供代谢物的化学与生物学注释——用本图谱找到关联代谢物后，可在 HMDB 查其结构与通路；
- MetaboLights（rid 477）：代谢组实验数据存档——可用于查同一代谢物在其他实验中的测量协议；
- Metabolomics Workbench（rid 484）：美国 NIH 的代谢组数据仓库——与本条目本质不同，见 §9.4；
- UK Biobank（rid 96 / 569）：上游队列；
- China Kadoorie Biobank（rid 127）：同为中国人群大队列，但不是本研究的数据源——检索时极易混淆（坑点 1）。
9.4 与 Metabolomics Workbench（rid 484）的显式区分
这是任务要求必须写清的一条。
| 维度 | Metabolomics Workbench（rid 484） | plasma-metabolome-wgs（本条目） |
|---|---|---|
| 性质 | 通用代谢组学数据仓库（美国 NIH 资助） | 单一研究的遗传图谱资源 |
| 内容 | 数千项代谢组学实验的原始/处理后数据（质谱、NMR 等），涵盖各类样本、各类物种 | 一项研究：UK Biobank 19.9 万人血浆 NMR + WGS 的关联统计 |
| 数据层级 | 实验级（样本 × 特征矩阵、原始谱图） | 汇总统计级（变异 × 代谢物的关联量） |
| 遗传信息 | 一般不携带基因型 | 以遗传变异为核心组织维度 |
| 用途 | 找可比实验、复用测量协议、代谢物鉴定参照 | 找代谢物的遗传调控位点、做 MR/靶点分析 |
| 许可 | 各实验/提交者自定，平台统一条款 | 统一 CC BY-NC-ND 4.0 |
| 规模单位 | 实验数（数千） | 参与者数（19.9 万）× 代谢物数（313） |
一句话：Workbench 是"代谢组学实验的图书馆"，本条目是"一份关于代谢物遗传调控的专项调查报告"。前者回答"有没有人测过这个代谢物"，后者回答"这个代谢物的浓度受哪些基因调控"。
同理，与 MetaboLights（rid 477）的区分也成立：MetaboLights 是 EMBL-EBI 的实验存档，本条目是统计产出。
9.5 对方法学社区的影响：三个可预见的引用方向
这份资源发表后，最可能被三类研究直接引用：
方向一：mQTL 图谱的"补全与对照"
未来任何新的血浆代谢组 mQTL 研究（无论是用 TOPMed、All of Us、deCODE 还是中国队列），都需要与本研究做对照。原因很简单：这是目前最全面的参考图谱，"我的信号有多少能在 36,105 个里找到"成为新的标准检验。这类似于蛋白组领域 pQTL 图谱的演进——从单个队列到多队列 meta，再到测序深度提升后的重建。代谢组正处在"测序深度提升"这一步。
方向二：罕见变异关联的"代谢表型"参照
罕见病变异解读的难点是"这个错义变异到底有没有功能"。本研究提供了 1,527 个条件独立基因-性状对与罕见变异效应量，可作为变异解读的人群参照：一个临床检出的罕见变异，若在大队列中与某代谢物显著关联，其致病性证据等级可以提高。这条路径与 ClinGen / ACMG 变异解读框架的"PS3/BS3（功能证据）"方向天然契合。
方向三：药物靶点的"人类遗传学支持"计分
药物开发中，"人类遗传学证据"已成为靶点优先级的标准维度之一（如 Open Targets 的 genetics portal）。本研究产出的 410 个靶点表与 3,874 个三角关联，可直接作为该维度的输入数据。尤其对代谢病与心血管病，代谢物是可测量的中间表型，证据链比纯疾病 GWAS 更完整。
9.6 局限与未来方向
论文自述的局限（四条）：
- 样本以欧洲血统为主（96.26%）——跨族裔外推受限；
- UK Biobank 非空腹样本——受进食影响的代谢物遗传力被稀释；
- NMR 覆盖有限——313 项相比质谱的数千种代谢物是"子集"，脂质组学、胆汁酸、类固醇激素等大量类别未覆盖；
- 横断面设计——无法刻画遗传对代谢物纵向变化（衰老、疾病进展）的效应。
可以补充的两条（本条目评述）：
- 健康志愿者偏倚（healthy volunteer bias）：UK Biobank 参与者比英国普通人群更健康、教育程度更高，代谢物分布可能不代表全人群；
- 单队列证据：36,105 个信号虽经 70/30 内部验证，但缺乏独立外部队列的完整复现（仅有与 Karjalainen 等的双向重复率对照）。
未来方向（合理推测，非论文结论）：纳入更多非欧洲队列做 meta 分析、用纵向重复测量刻画轨迹遗传学、与质谱代谢组（更广覆盖）互补、以及把图谱用于多基因风险评分的跨族裔校准。
9.7 一个横向坐标：与其他大型组学图谱的规模对照
| 资源 | 组学层 | 样本量 | 信号/产出规模 |
|---|---|---|---|
| 本研究（2026） | 代谢组（NMR）+ WGS | 199,138 | 36,105 信号 |
| UK Biobank pQTL 类图谱 | 蛋白组 + 芯片/WGS | 数万至十余万 | 数千蛋白的 pQTL |
| GTEx | 转录组 + WGS | 数百供体、多组织 | 组织特异 eQTL |
| gnomAD | 变异频率 | 数十万外显子/基因组 | 变异频率参考（非关联） |
| 1000 Genomes | 全基因组 | 2,504 | 单倍型参考 |
这张表的作用是定位：本研究的样本量在代谢组维度是最大的，但在绝对规模上仍小于 gnomAD 的变异目录——两者用途不同（一个是关联发现，一个是频率参考），不构成直接竞争。真正可比的对手是其他大型代谢组 mQTL 研究，而本研究在"WGS + 大样本 + 全链条分析"三项同时满足上是目前唯一的。
9.8 对千方库内"多组学"叙事的补位
库内基因组学与多组学标签下已有大量条目，但多数是"测序数据"（FASTQ/BAM/VCF）或"参考基因组/注释"，缺少"从大队列组学到临床转化的完整链路"型资源。本条目补的正是这一位：
- 上游：UK Biobank（队列）
- 中层：本图谱（关联发现与因果推断）
- 下游：靶点表（可对接药物发现）
它让库内的多组学叙事从"有数据"延伸到"有结论"，对检索"代谢组遗传学能做什么"的用户是唯一的入口型条目。
§10 坑点与存照：引用这张图谱前必须知道的十件事
坑点 1：队列不是中国的
现象：研究团队全部来自复旦大学，多篇中文报道以"19 万人血浆代谢物"为题、不点明队列来源；读者极易误以为是中国人群队列（China Kadoorie Biobank 或泰州队列）。
实情：数据来自 UK Biobank（英国生物样本库），参与者以欧洲血统为主（96.26%）。论文摘要原文明确：“313 metabolic biomarkers in up to 199,138 UK Biobank participants”。
存照：英文摘要（PubMed 42331824）、PMC 全文、站点首页 Population 面板三方一致；中文媒体（开泰生物、医药魔方）正文亦写明 UKB。凡见到"中国 19 万人代谢组"的表述，均为转述失真。
影响：任何"适用于中国人群"的推论都需另做跨族裔验证——本研究东亚血统仅 175 人，无法独立支持中国人群的 mQTL 结论。
坑点 2：313 "代谢物"里六成是脂蛋白亚组分
现象：媒体普遍写"313 种代谢物"，读者以为 313 种独立化学物质。
实情：313 项中 192 项（61.3%）是脂蛋白与脂质类指标，含大量同一脂蛋白按粒径亚类的拆分测量；另有 64 项（20.4%）是由直接测量值算出的比值（如 omega-3 占总脂肪酸比），不是独立测量。
存照：论文 Methods 明确"249 项直接测量 + 64 项衍生比值"；分组计数见本条目 §4.2。
影响：做多重检验校正时若按 313 个独立检验处理，会严重低估相关结构、过度保守或过度宽松（视校正方法）；做 MR 时若把高度相关的脂蛋白亚类当作独立暴露，会重复计数同一因果效应。
坑点 3："近半数信号芯片缺失"的口径限定
现象：常被引作"芯片法漏掉一半信号"，暗示芯片法本身有缺陷。
实情：论文表述为"nearly half of the lead signals were absent from imputed array-based GWAS summary statistics"，主因是 MAF<0.01。这是与既有芯片汇总统计结果的对比，其中混合了两个因素：(a) 变异在芯片数据中本质上不可插补；(b) 变异可插补但在既有汇总的样本量与显著性阈值下未出现。论文明确指出 (a) 占主导，但严格说"缺失"≠“必然测不出”。
存照：摘要与正文一致使用 “nearly half”；具体比例论文正文按 MAF 分箱呈现（图 2d），未给出单一百分比。本条目因此不写"49%"之类伪精确数字。
影响：向非专业读者解释时应说"约一半的信号在既往芯片研究中没有出现，主要是因为它们是罕见变异"，而不是"芯片法有一半是错的"。
坑点 4：245 条因果关联不是 245 条已证实结论
现象：二手报道常写"揭示 245 条因果关系"，读者当作定论。
实情：245 条是 MR + 共定位筛选后的推定因果关联；其中 161 条进入流行病学观察复检，仅 110 条获支持。约三分之一在独立观察数据中方向未获印证。
存照：PMC 全文 Methods/Results 明确报告 161 进入复检、110 获支持；摘要仅写 “245 potential causal associations”（“potential” 是关键限定词）。
影响：引用时应写"245 条推定因果关联，其中 110 条获流行病学复检支持"，否则会把统计推断误传为已确证事实。
坑点 5：站点是汇总统计浏览，不是个体级数据下载
现象：常见误读——看到"19.9 万人"“开放获取”，就以为站点提供 19.9 万人的基因型与代谢物矩阵。
实情：站点提供的是汇总统计的交互式浏览与批量下载（论文原文 “bulk download of summary statistics”），不提供任何个体级数据。个体级 UK Biobank 数据只能通过 UK Biobank 申请（本研究申请号 19542、202239）获取。
存照：站点首页功能描述（“What can you explore from this website”）与论文 Data availability 段一致；首页 Population 面板只给分组人数，不给个体记录。
影响：以为拿到个体数据会导致研究设计错误（如计划做个体级多基因评分、重新定义表型分层），实际无法执行；也容易在合规上踩线（误以为汇总统计可自由再分发）。
坑点 6：1,527 与 5,999 不是同一件事
现象：两个数字在不同报道中交替出现，被当作同一"基因-性状对"数量。
实情：5,999 是罕见变异聚集检验中"显著且验证"的基因-性状对总数；1,527 是其中条件独立于常见 mQTL 的子集。后者才是"扣掉常见变异贡献后的净增量"。
存照：摘要写 “1,527 conditionally independent protein-coding gene–trait pairs”；正文 Results 报告 5,999 显著验证对。两个数字在论文中均出现，含义不同。
影响：引用"新发现基因数"时应使用 1,527；引用"聚集检验检出总数"时用 5,999。混用会高估新发现规模近四倍。
坑点 7：IEM 的 108/680 需连带背景集规模一起读
现象：“680 个基因中 108 个是 IEM 基因"听起来只是一个比例，容易被当作"108 个新发现的致病基因”。
实情：108 个是已知 IEM 基因（背景集 1,475 个）在 680 个被牵涉蛋白编码基因中的命中数；统计意义来自超几何富集检验（P=3.25×10⁻¹⁴），说明"这些基因在代谢图谱中被显著过度代表"，而非"发现了 108 个新 IEM 基因"。
存照：PMC 全文 IEM 段落明确给出 680、108、1,475、P=3.25×10⁻¹⁴ 四个数字。
影响：宣传语"108 个遗传代谢病相关基因被识别"中的"识别"应理解为"在代谢图谱中被定位到关联信号"，不是"新鉴定为致病基因"。
坑点 8：论文的 CC 版本与站点的 CC 版本不是一回事
现象：看到"CC BY-NC-ND 4.0"就认为整篇论文也是这个许可。
实情：CC BY-NC-ND 4.0 是站点数据的许可（论文正文明确）；论文本身的开放获取条款是 Springer Nature 2026 年度的 OA 协议，具体 CC 版本本条目检索窗口内未确证（记为"未公开"）。
存照：站点许可在正文中明确；论文页脚许可信息未在检索窗口内抓到，故不写具体 CC 版本。
影响：引用论文图表（如 Figure 1 研究设计图）与使用站点数据是两套许可，需分别核对。
坑点 9：非空腹采血
现象：代谢组研究通常要求空腹采血，读者默认 UK Biobank 代谢组是空腹样本。
实情：UK Biobank 采血非强制空腹，本研究样本采血前中位空腹时长仅 3 小时。
存照：PMC 全文 Study population 段落明确给出中位空腹 3 小时。
影响：受进食影响大的代谢物（如支链氨基酸、葡萄糖、部分脂肪酸）的遗传力估计会被环境方差稀释，这也是氨基酸遗传力仅 0.06 的可能原因之一。引用遗传力数字时应连带说明采样条件。
坑点 10：把图谱当作"代谢物功能注释库"
现象：检索某代谢物时拿本图谱当作"这个代谢物是干什么的"的查询工具。
实情：本图谱只回答"这个代谢物受哪些遗传变异调控"，不提供代谢物的化学结构、通路归属、临床参考范围等注释信息。这些需求应转向 HMDB（rid 470）、KEGG、MetaboLytics 或 Metabolomics Workbench（rid 484）。
存照：站点功能分区仅含关联浏览，无代谢物注释模块。
影响：混淆会导致"查不到"的挫败——不是数据集缺失，而是查错了工具。
10.1 双口径存照表
| 事项 | 口径 A | 口径 B | 本条目处理 |
|---|---|---|---|
| 队列归属 | 中文媒体泛称"19 万人血浆代谢物"（不点明） | 论文/站点明确 UK Biobank | 以 UK Biobank 为准，媒体口径标为转述 |
| 信号缺失比例 | 摘要 “nearly half” | 正文按 MAF 分箱呈现，无单一百分比 | 用 “近半数” 定性表述，不编造具体比例 |
| 新信号比例 | 22.20%（LD r²<0.8） | 另有 1.79% “潜在新信号” | 主口径 22.20%，边界情形单列 |
| 基因-性状对 | 5,999（显著且验证） | 1,527（条件独立） | 分别标注含义，不混用 |
| 因果关联 | 245 条（MR 筛选） | 110 条（流行病学复检支持） | 两级并写 |
| 代谢物计数 | 313 项（含 64 项比值） | 249 项直接测量 | 同时给出，说明构成 |
| 论文许可 | 逐字缺省 | 站点 CC BY-NC-ND 4.0 | 论文许可记"未公开" |
| 欧洲血统人数 | 191,681 | 摘要写 “191,681”（站点面板 Caucasian） | 一致，无冲突 |
| 病例/对照定义 | — | — | 本研究为连续性状（代谢物浓度），不涉病例对照 |
10.2 辨析：五个容易被"想当然"的技术点
坑点记录的是"数字与口径"层面的陷阱；这一节记录的是"机制理解"层面的想当然。它们不涉及具体数字，但会系统性误导研究设计。
辨析一：WGS 的深度不是越高越好
32.5× 对常见变异与中等频率变异足够，但对"单例变异"（只在一人中出现）仍有漏检——测序深度决定的是"能否可靠基因分型"，而非"能否发现所有变异"。提高深度（如 60×）能改善极罕见变异的检出，但成本翻倍、边际收益递减。对 19.9 万人队列，32.5× 是成本与信息量的折中。不要以为"WGS = 无遗漏"。
辨析二：PIP>0.95 不等于"因果已定"
贝叶斯精细定位的 PIP 高度依赖先验设定（每区域因果变异数上限、效应量先验分布）与 LD 参考面板的匹配度。同一个区域，换一个 LD 面板或先验，可信集可能变化。PIP>0.95 应读作"在给定模型与数据下，该变异是最可能的因果候选"，而非"功能实验已证实"。这正是本研究把 12,361 个称为 “putative causal”（推定因果）而非 “causal” 的原因。
辨析三：MR 的"因果"是人群平均效应，不是个体效应
MR 估计的是工具变量所代理的暴露对结局的人群平均因果效应（在满足假设的前提下）。它不告诉你"某个人的代谢物升高会怎样"，也不告诉你"干预（药物）降低代谢物会怎样"——后者还涉及剂量-反应与代偿机制。把 MR 结果直接读作"药物效应预测"是常见的过度外推。
辨析四：跨族裔重复率低不等于"欧洲的发现是错的"
一个 mQTL 在欧洲人显著、在非洲人中不显著，可能有三类原因：(a) 变异频率不同导致功效不同；(b) 该变异在不同人群中与不同因果变异连锁（LD 结构不同）；© 真正的效应异质性（基因-环境或基因-基因交互）。不能简单归为"发现不稳健"。本研究的 77.2% 非欧洲独有 mQTL 在欧洲 MAF<0.01%，说明大部分差异是频率问题而非效应问题。
辨析五：遗传力低不等于"环境决定"
氨基酸遗传力 0.06 常被解读为"氨基酸水平主要由饮食决定"。更准确的说法是"在当前的测量时点与人群中，可被常见+罕见标记变异解释的方差占比很低"。这不排除存在强效应但罕见的变异（未进入可检验范围）、不排除基因-环境交互（效应依赖饮食背景），也不排除测量误差稀释了遗传信号。低遗传力是一个观测事实，不是一个机制结论。
10.3 与任务书 brief 的逐条对账
任务书给出的"重点核实"清单与本条目成稿的对应位置：
| 任务书要求 | 成稿位置 | 结论 |
|---|---|---|
| 复旦大学团队、人群血浆代谢物全基因组遗传图谱 | §3.1、§2.1 | 确证 |
| 19.9 万人 WGS + NMR 代谢组 | §4.1 | 确证（199,138） |
| 36,105 个信号 | §1 Q5、§4.1 | 确证 |
| 1,527 个基因-性状对 | §1 Q6、§5.5 | 确证（条件独立口径） |
| 245 条因果关联 | §7.1 | 确证（potential 口径） |
| 410 个药物靶点 | §7.4 | 确证 |
| 680 个蛋白编码基因中 108 个 IEM 相关 | §6.5 | 确证 |
| 开放数据库 URL | §8.1 | 确证可访问 |
| 发表期刊与 DOI | §2.1 | Nature Communications，DOI 确证 |
| 队列名称 | §1 Q2、坑点 1 | UK Biobank（任务书猜测有误） |
| WGS 测序深度 | §4.1 | 32.5× |
| NMR 平台型号 | §4.1、§1 Q4 | Nightingale Health 平台确证；具体光谱仪型号未公开 |
| 代谢物数量 | §4.2 | 313 项 |
§11 DAIMS 评估
DAIMS（Data and AI Readiness Maturity Score，数据与 AI 就绪成熟度评分）从六个维度给数据集打分（0-5 分制，5 为最佳）：
| 维度 | 得分 | 理由 |
|---|---|---|
| D1 可发现性（Discoverability） | 5 | 有专属域名、DOI、PMID/PMCID；论文与站点互相链接；Google 可检索 |
| D2 可访问性（Accessibility） | 3 | 汇总统计公开可访问；个体级数据需 UK Biobank 审批（付费+协议）；下载接口未文档化 |
| D3 互操作性（Interoperability） | 3 | 汇总统计为标准 GWAS 格式（可被 MR 工具直接读取）；但字段 schema、变异标识规范未公开文档化；代谢物无标准本体映射表 |
| D4 可复用性（Reusability） | 4 | 下游 MR/共定位/靶点查询可直接复用；ND/NC 条款限制衍生与商业再分发 |
| D5 元数据质量（Metadata） | 4 | 论文方法学描述详尽（测序深度、平台、QC、统计模型）；站点给出人口构成与代谢物数；缺文件级元数据与版本号 |
| D6 规模与代表性（Scale & Representativeness） | 4 | 19.9 万人为同类最大；但 96% 欧洲血统，跨族裔代表性不足 |
| 综合 | 3.8 / 5 | 方法学与规模一流，访问层级与文档粒度是主要失分项 |
关键解读：D2 与 D3 的失分不是"数据不好"，而是"资源的开放形态是汇总统计而非个体数据"。对以"直接训练模型"为目标的 AI 使用者，这份资源的适用面有限（汇总统计更适合统计遗传学方法而非深度学习）；对以"遗传发现"为目标的科研使用者，它的价值极高。
§12 常见问答
Q1：为什么用 WGS 而不是 WES？
WES 只测外显子（约 1-2% 基因组），看不到内含子与基因间调控区的罕见变异。本研究 32.9% 的条件独立基因-性状对只在非编码 mask 下显著，70 个基因-性状对在 WES 中无法检测——这些正是 WES 的盲区。
Q2：32.5× 的深度够吗？
对常见变异与中等频率变异足够（基因型准确率高）；对极罕见变异（单例变异）仍会有漏检，这是 WGS 在人群队列中的普遍限制。32.5× 是 UK Biobank WGS 的标准深度，能可靠检出 MAF 约 0.1% 以上的变异。
Q3：NMR 和质谱哪个好？
不是好坏问题，是覆盖与通量的权衡。NMR 通量高、成本低、定量稳定、无需色谱分离，适合十万人级队列；但可检测的代谢物种类少（主要是丰度高的脂蛋白、氨基酸、小分子）。质谱覆盖广（可测数千种），但通量与标准化难度高。本研究 313 项是 NMR 的固有上限。
Q4：为什么欧洲人占 96%？
UK Biobank 的招募本身以英国白人为主；WGS 子集的族裔构成继承自队列。这不是本研究的取样偏差，而是母队列的构成。
Q5：能用来做多基因风险评分（PRS）吗？
可以用于构建代谢物的 PRS，但需要注意：汇总统计中的效应量基于欧洲人群，迁移到其他族裔时性能会显著下降（这正是 §5.6 讨论的 ascertainment bias 的后果）。
Q6：410 个靶点里哪些最值得跟？
论文的排序依据包括可成药性 tier、安全性等级、是否已有临床阶段药物。安全性等级 1-2 且无既定靶点的 12 个最值得关注（新靶点潜力最大）；81 个已有获批/临床阶段药物的靶点适合做重定位。
Q7：为什么 19q13.3 有 5,483 个信号？
该区域密集分布载脂蛋白基因簇（APOE、APOC1、APOC2、APOC4、APOCL 等），这些基因的产物是脂蛋白颗粒的结构与代谢核心，而 313 项代谢物中 192 项是脂蛋白相关指标——一个区域同时影响大量高度相关的性状，信号数自然爆炸。这不代表 5,483 个独立的生物学效应，而是"一个多效性热点 × 大量相关表型"的乘积。
Q8：数据集会更新吗？
站点有版本更新机制但未公开版本号与日志。论文本身是"一次性"产出；若团队后续纳入更多样本或更新 UK Biobank WGS 版本，可能有 v2。使用时应记录访问日期。
Q9：能复现论文的全部分析吗？
不能完全复现。个体级数据不可得，单变异关联、聚集检验、精细定位、GCTA 遗传力估计都无法在个体层面重跑。可复现的是基于汇总统计的下游分析（MR、共定位、靶点查询、跨队列比较）。
Q10：与 UK Biobank 官方发布的代谢组 GWAS 有何不同？
UK Biobank 官方发布的是常规芯片 GWAS（Neale 实验室口径等）；本研究是WGS 口径，且做了精细定位、罕见变异聚集、跨族裔、MR、靶点优先化等一整套下游分析。前者是"数据产品"，后者是"研究产出+数据产品"。
12.1 面向不同读者的速查
如果你是代谢组学实验研究者
- 你的代谢物若不在 313 项里，本图谱没有直接可用信息；
- 若在，可查其遗传调控位点，用于设计"遗传代理"（genetic proxy）实验（如 MR 支持因果后，用基因敲除/过表达模型验证）；
- 注意 NMR 与质谱的定量单位不同，跨平台比较需做转换。
如果你是临床遗传学家
- 108 个 IEM 基因的关联信号可作为变异解读的人群参照；
- 罕见变异效应量（如 SLC13A5 的 β=1.49）可作为"携带者预期代谢表型"的参考；
- 但图谱不提供个体级数据，无法直接用于患者诊断。
如果你是药企靶点团队
- 410 个靶点表是起点，不是终点；
- 优先看：可成药 tier1 + 安全性等级 ≤2 + 已有临床阶段药物（重定位窗口最短）；
- 必须自查：该靶点在其他组学（蛋白组、单细胞）中的表达谱与已验证的生物学功能。
如果你是 AI/ML 研究者
- 汇总统计适合训练"遗传→表型"的预测模型、MR 工具变量选择模型；
- 不适合训练"个体风险预测"模型（无个体数据）；
- 图谱的多效性结构（19q13.3 的 5,483 个信号）是研究"多任务学习中的相关表型"的天然样本。
如果你是数据工程师
- 站点是网页，不一定有 REST API（本条目检索时未见 API 文档）；
- 批量下载前先确认文件清单与字段 schema；
- 注意 CC BY-NC-ND 的 ND 条款——不要对下载数据做"实质性重组"后重新发布。
如果你是医学生/科普读者
- 一句话：这项研究证明了"把基因组读全"能让我们多找到一半的代谢物遗传开关，并且把开关定位到更精确的位置；
- 它不提供个人健康建议，也不提供个人基因检测服务。
§13 与库内条目的关系图谱
本条目不是孤岛。它在千方库内的位置可以用"上游队列—同层仓库—下游注释"三层来描述。以下是建议互链点及其性质，互链的目的是消歧而非堆砌：每一条都对应一个检索时可能混淆的具体场景。
13.1 上游：母队列
| 条目 | rid | 关系 | 检索场景 |
|---|---|---|---|
| UK Biobank | 96 / 569 | 本研究的样本、测序与代谢组测量全部来自该队列 | 用户查"UK Biobank 有哪些组学数据"时应被指向本条目，了解 WGS×代谢组的一种深度用法 |
| China Kadoorie Biobank | 127 | 同为大型中国人群队列，但不是本研究数据源 | 中文语境下"19 万人代谢组"极易被误认为 CKB，此链用于即时纠偏 |
库内 UK Biobank 有两条记录（96 与 569），分别对应不同角度的条目；本条目与两者都是"使用关系"而非"派生关系"——本研究是 UK Biobank 的使用者产出，不是官方数据产品。
13.2 同层：代谢组数据仓库（必须区分）
| 条目 | rid | 关系 | 关键区别 |
|---|---|---|---|
| Metabolomics Workbench | 484 | 同领域但异性质 | 通用实验仓库（数千实验的原始/处理数据）vs 单一研究的遗传图谱（汇总统计） |
| MetaboLights | 477 | 同上，EMBL-EBI 实验存档 | 用于找可比实验，不用于找遗传调控 |
| HMDB | 470 | 下游注释工具 | 代谢物结构、通路、临床参考值——本图谱不提供这些 |
这一组是本条目最容易与之混淆的邻居。一个实用的判别口诀：问"这个代谢物是什么"去 HMDB；问"谁测过这个代谢物"去 MetaboLights/Workbench；问"这个代谢物受哪些基因调控"才来本条目。三者的数据层级完全不同：化学注释 / 实验记录 / 遗传关联统计。
13.3 参考层：技术依赖
| 条目 | rid | 关系 |
|---|---|---|
| 1000 Genomes | 39 | 芯片插补的经典参考面板来源；本研究做芯片对照时，插补依赖这类面板，其覆盖不足正是"罕见变异缺失"的技术根源之一 |
13.4 不存在的"近邻"：需要说明的缺席
检索者可能期待本条目与以下类型条目相邻，但库内目前没有直接对应者：
- 其他大型血浆 mQTL 图谱（如基于 TOPMed 或 deCODE 的代谢组 WGS 研究）——若未来入库，应与本条目形成"技术代际"对照；
- pQTL 图谱条目（血浆蛋白遗传图谱）——本研究的三角验证依赖 pQTL，但库内无对应专项条目；
- FinnGen 条目——本研究疾病端 GWAS 来源，库内亦无专项条目。
这四项缺席意味着本条目在当前库内是"代谢组遗传学"的孤例——它是该方向唯一的入口型条目。这也解释了为什么本条目在 §5 花了大量篇幅讲 WGS vs 芯片的方法学：没有邻近条目可以分担这部分解释成本。
13.5 互链原则
- 正向链：从 UK Biobank 条目应能跳到本条目（“用 UK Biobank WGS 做的代谢组深度研究”）；
- 消歧链：从 CKB 条目应有一条"非本研究数据源"的说明，防止中文检索混淆；
- 对比链：从 Metabolomics Workbench 条目应有一条"与单一研究图谱的区别"，防止"代谢组数据都在这里"的误解；
- 反向链：本条目应链回 UK Biobank（上游）、HMDB（下游注释）、Workbench（同领域异性质）。
说明：以上 rid 均来自本条目写作时的库内查询（status=1 口径）。rid 可能随库更新变化，互链落地时以 url_name 反查为准。
附录 A：核心数字速查表
| 数字 | 含义 |
|---|---|
| 199,138 | 参与者总数 |
| 191,681 | 欧洲血统人数 |
| 32.5× | WGS 平均深度 |
| 313 | 代谢标志物数（249 直接 + 64 比值） |
| 36,105 | 独立 lead 信号数 |
| 268 | 独立位点数 |
| 22.20% | 新信号占比（8,015 个） |
| 5,483 | 19q13.3 单点信号数 |
| 4.08% | 信号中编码变异占比 |
| 12,361 | 推定因果变异-性状关联（PIP>0.95） |
| 15 → 5 | 精细定位可信集中位长度（芯片 → WGS） |
| 0.31 / 0.11 | 遗传力中位数（WGS / 芯片） |
| 17,751 | 聚集检验测试基因数 |
| 5,999 | 显著且验证的基因-性状对 |
| 1,527 | 条件独立基因-性状对 |
| 32.9% | 仅非编码 mask 显著的占比 |
| 680 / 108 | 牵涉蛋白编码基因 / 其中 IEM 基因 |
| 1,475 | IEM 背景基因集规模 |
| 27,284 | 共定位代谢物-疾病对（PP.H4>0.5） |
| 245 | MR 推定因果关联 |
| 110 / 161 | 流行病学复检获支持 / 进入复检 |
| 3,874 | 稳健三角关联 |
| 410 | 候选药物靶点 |
| 263 | 落在可成药基因组的靶点数 |
| 81 | 已获批或临床阶段靶点数 |
附录 B：术语表（30 条）
| 术语 | 释义 |
|---|---|
| mQTL | metabolite quantitative trait locus，代谢物数量性状位点：与某代谢物浓度显著关联的遗传变异 |
| pQTL / eQTL / sQTL | 蛋白/表达/剪接数量性状位点，分别指与蛋白丰度、基因表达、剪接异构体相关的变异 |
| WGS | whole genome sequencing，全基因组测序，覆盖全部 30 亿碱基 |
| WES | whole exome sequencing，全外显子组测序，只覆盖蛋白编码区 |
| 基因分型芯片（array） | 用预设探针批量测定已知位点基因型的技术 |
| 插补（imputation） | 用参考单倍型面板推断芯片未直接测定的变异基因型 |
| MAF | minor allele frequency，次等位基因频率 |
| LD / r² | linkage disequilibrium，连锁不平衡；r² 是两变异统计相关性的平方 |
| 单倍型（haplotype） | 同一条染色体上共同传递的变异组合 |
| 重组断点 | 染色体交换发生的位置，决定单倍型边界 |
| lead 信号 / lead variant | 一个独立关联区域中统计最显著的变异 |
| 多效性（pleiotropy） | 一个变异影响多个表型 |
| 精细定位（fine-mapping） | 在关联区域内用统计方法推断最可能的因果变异 |
| 可信集（credible set） | 以给定额后验概率包含真实因果变异的变异集合 |
| PIP | posterior inclusion probability，后验纳入概率；PIP>0.95 常作"推定因果"阈值 |
| 聚集检验（burden test） | 把同一基因内多个罕见变异合并为一个得分做关联检验 |
| mask（变异 mask） | 按功能类别与频率阈值定义的变异子集，聚合检验的分组单位 |
| 条件分析（conditional analysis） | 把已知信号效应作为协变量剔除，寻找独立的新信号 |
| 遗传力（SNP-based h²） | 基因组相似度可解释的表型方差比例（GCTA 口径） |
| 孟德尔随机化（MR） | 用遗传变异作工具变量推断暴露对结局的因果效应 |
| 工具变量（IV） | MR 中代理暴露的遗传变异 |
| 水平多效性 | 工具变量通过暴露以外的路径影响结局，违反 MR 假设 |
| 共定位（colocalization） | 检验两个性状的关联信号是否由同一因果变异驱动；PP.H4 为共享因果的后验概率 |
| 超级增强子（super-enhancer） | 大型调控元件簇，与细胞身份基因的高表达相关 |
| TF 结合基序（motif） | 转录因子识别的短 DNA 序列模式 |
| PTV | protein-truncating variant，蛋白截短变异 |
| 比例风险 / OR | 比值比，二分类结局的效应量度 |
| IEM | inborn errors of metabolism，遗传代谢病 |
| Nightingale NMR | 芬兰 Nightingale Health 的高通量核磁共振代谢组平台 |
| 衍生比值（derived ratio） | 由两个直接测量代谢物相除得到的新特征，非独立测量 |
附录 C：来源清单
- 论文摘要与作者信息：PubMed 42331824 — https://pubmed.ncbi.nlm.nih.gov/42331824/
- 论文全文（开放获取）：PMC PMC13443626 — https://pmc.ncbi.nlm.nih.gov/articles/PMC13443626/
- 论文 DOI：https://doi.org/10.1038/s41467-026-74781-8
- 数据资源站点：https://metabolome-whole-genome-landscape.com/
- 中文报道（口径核对）：开泰生物 https://www.kaitaibio.com/news/5815.html ；医药魔方 https://bydrug.pharmcube.com/news/detail/cd012879a8eb1235169ebb928ec9e39f ；全国体外诊断网 https://caivd-org.cn/article.asp?id=19185
- UK Biobank 官方：https://www.ukbiobank.ac.uk/
- Nightingale Health 官方：https://nightingalehealth.com/
附录 D：库内互链点（建议）
| 条目 | rid | 关联性质 |
|---|---|---|
| UK Biobank | 96 / 569 | 上游队列（本研究的样本来源） |
| China Kadoorie Biobank | 127 | 同类中国人群队列（非本研究数据源，用于对照与消歧） |
| HMDB | 470 | 代谢物化学与通路注释（本图谱下游注释工具） |
| MetaboLights | 477 | 代谢组实验存档（可比实验查找） |
| Metabolomics Workbench | 484 | 通用代谢组仓库（与本体性质不同：仓库 vs 单一研究图谱） |
| 1000 Genomes | 39 | 插补参考面板来源（芯片法的依赖基础） |
附录 E：本条目写作说明
- 全部硬数字来自 PubMed 摘要、PMC 全文与站点首页三源互证；仅见于中文媒体的表述已标注为"媒体口径"。
- 凡一手来源未覆盖的字段（论文收稿日期、论文 CC 版本、站点版本号、汇总统计文件 schema），一律写"未公开"，不做推测。
- 论文卷期"2026;17:7856"取自中文转载引文与检索摘要，DOI 与 PMID 为最强标识，引用时建议以 DOI 为准。
- 方法学对比（§5）中的机制解释（插补为何失效、单倍型如何切细）属领域通行知识的阐释，非论文原文逐句翻译；论文提供的量化证据已逐条标注来源结论。
- 站点可访问性以 2026-10-17 实测为准；若未来站点改版或下线，§8 的获取描述需相应更新。
相关数据集导航
以下为站内 AI-Ready 数据集百科中与本词条共享多个主题标签的相关数据集，按相关度降序排列：
- ckm-gut-metagenome — 共享标签：基因组学与多组学 / 代谢组学 / 测序数据 / 队列研究
- bidmc-metabolomic-masld — 共享标签：基因组学与多组学 / 代谢组学 / 队列研究
- china-map — 共享标签：基因组学与多组学 / GWAS / 测序数据 / 队列研究
- pediatric-cf-multiomic — 共享标签：代谢组学 / 测序数据 / 队列研究
- 1000-genomes — 共享标签：基因组学与多组学 / GWAS / 测序数据
- ega — 共享标签：基因组学与多组学 / 测序数据 / 队列研究
- gwas-catalog-legacy — 共享标签：基因组学与多组学 / GWAS / 测序数据
- gwas-catalog — 共享标签：基因组学与多组学 / GWAS / 测序数据
- hprc — 共享标签：基因组学与多组学 / GWAS / 测序数据
- superagers-family-study — 共享标签：基因组学与多组学 / GWAS / 测序数据 / 队列研究
导航说明：本章节由全站统一标签体系自动计算生成（标签重合度算法），双向可达；点击链接可跳转至对应数据集词条。
