一、一次偶遇，两种答案

前几天，一次偶然的交谈引出了一个老问题。一位从事精神健康临床工作多年的医生，凭着多年观察，非常肯定地说：精神疾病和遗传一定有关系。她不是遗传学背景出身，这个判断完全来自病房里一代又一代患者的家族史。

而如果去问一位做统计遗传学的研究者，得到的回答可能完全不同。相当一部分学者会说：全基因组关联分析（GWAS）找到的位点，对疾病发生的影响普遍很小；更麻烦的是，一个研究里找到的"风险位点"，换一批样本往往就对不上号了。于是，有人干脆认为，精神分裂症、抑郁症、躁狂症、焦虑症这些疾病，和基因的关系可能并不存在，或者弱到可以忽略。

同一个问题，临床经验和统计证据给出了两种几乎相反的直觉。这篇文章想做的，是把这两种直觉背后的证据摆在一起，看看它们究竟是不是真的矛盾。

二、遗传度很高，这件事其实没有争议

先看最硬的一类证据：双生子研究。同卵双生子共享几乎全部基因组，异卵双生子平均共享一半，如果同卵双生子的同病率明显高于异卵双生子，就说明基因在起作用。几十年来积累的双生子数据，在精神疾病上给出的遗传度估计相当一致：

这组数字至少说明两件事。第一，精神分裂症和双相障碍的遗传度，已经接近甚至超过很多公认的"遗传病"，基因在其中的分量不容置疑。第二，抑郁症和焦虑症的遗传度明显更低，意味着环境和经历的作用更大——这和那位医生"精神疾病一定和遗传有关"的笼统判断相比，其实需要分病种细化。

三、那为什么GWAS找到的位点"影响很小"？

这正是问题的核心，也是很多人误读统计遗传学结论的地方。GWAS效应小，和"基因不重要"，其实是两回事。

以精神分裂症为例，最新一轮全球精神病学基因组联盟（PGC）的研究，在超过30万人的样本中，找到了287个与疾病显著相关的基因组区域。更早一轮的研究找到108个位点，大约只能解释3.4%的疾病易感性变异。用更精细的统计模型估计，精神分裂症的风险可能分散在基因组中大约四成的常见变异位点上，其中绝大多数变异把患病风险只提高了3%左右（比值比约1.03），是已知复杂疾病里"最分散"的几种之一。

换句话说，精神分裂症的基因基础不是"一两个关键基因出了问题"，而是成百上千个基因，每一个都只贡献一点点风险，叠加在一起才形成了明显的易感性。这和找感冒病毒完全不是一回事：没有一个单独的位点能被拎出来说"就是它"。这解释了为什么候选基因研究常常找不到能重复的结果——因为从一开始，"单基因决定论"式的假设就和疾病真实的遗传结构不匹配。

2017年，斯坦福大学Jonathan Pritchard研究组在《细胞》（Cell）杂志提出了"全基因组模型"（omnigenic model），对此给出了一个颇具冲击力的解释：复杂性状可能受到两类基因影响——少数"核心基因"直接参与疾病通路，和数量庞大的"外围基因"。外围基因本身和疾病看似无关，但因为基因调控网络高度互联，几乎所有在相关细胞中表达的基因，理论上都可能通过网络影响到核心基因的功能。该模型进一步指出，由于外围基因数量远超核心基因，疾病的大部分可遗传变异，实际上来自这些外围基因的微小贡献，而非核心基因本身。按这个框架看，GWAS效应小、位点分散，不是"基因不重要"的证据，恰恰是基因参与方式极其广泛的证据。

四、候选基因时代留下的教训

在GWAS技术成熟之前，精神遗传学经历过一个"候选基因"的阶段：研究者根据神经生物学假说，挑出一两个"嫌疑基因"，比如5-羟色胺转运体基因（SLC6A4）上的5-HTTLPR多态性，再去检验它和抑郁症、和压力事件交互作用的关系。这类研究一度非常热门，5-HTTLPR甚至被媒体称为"兰花基因"。

但后续用更大样本、更严谨方法做的重复检验，结果相当令人失望。有研究在数万人的大样本中，系统检验了历史上最常被研究的抑郁症候选基因多态性，包括5-HTTLPR，结果没有发现任何一个候选基因与抑郁症表型存在可检测的关联，也没有重复出候选基因与压力事件的交互效应。多项独立的meta分析同样未能证实5-HTTLPR与压力交互影响抑郁风险的早期发现。

这段历史提供的教训，恰好印证了前一节的逻辑：单个基因、哪怕是生物学上看起来很合理的基因，如果真实的遗传结构是由成百上千个微效位点构成，那么盯着一两个候选基因去找"大效应"，注定很难成功，也很难被独立样本重复。这也是为什么一部分学者看到候选基因研究接连"翻车"，会得出"基因和精神疾病关系不大"的印象——他们看到的，其实是过时方法学的失败，而不是遗传基础本身的缺席。

五、严重的突变，去了哪里？

这里还有一条值得关注的线索：如果说神经发育和神经信号传导相关基因对精神疾病如此重要，那些一旦发生就会严重破坏这些基因功能的突变，理论上应该更容易致病，为什么反而在精神分裂症、抑郁症这类疾病的患者里不常见呢？

答案和"净化选择"（purifying selection）有关。对生存和生育能力影响严重的突变，很难传递到下一代，会在群体中被选择性地清除；真正能稳定遗传、以较高频率存在于人群中的常见变异，往往效应都比较温和——这本身就是GWAS找到的位点效应普遍很小的原因之一。那些效应剧烈、破坏性强的突变，更多是以新发突变（de novo mutation，即并非从父母遗传、而是在生殖细胞形成过程中新产生）的形式出现，而不是作为常见的遗传变异流传下来。

基因组测序研究证实了这一点：严重的新发突变是智力障碍、孤独症谱系障碍、癫痫等严重神经发育障碍的重要病因，这些突变集中在对蛋白功能缺失高度不耐受的基因上。有意思的是，精神分裂症患者中检测到的新发突变，经常落在和孤独症、神经发育障碍同一批基因上，而且功能类型也相似；一部分在精神分裂症患者身上发现的新发变异，在数据库中本身就被记录为其他严重神经发育综合征的致病变异。也就是说，同一批对神经发育至关重要的基因，严重的破坏性突变可能表现为孤独症或智力障碍，较轻的破坏可能表现为精神分裂症，而更常见、效应更弱的变异形式，则弥散在群体中，构成了多基因风险的一部分。

需要说明的是，这是一个正在被研究证据不断充实、但仍在发展中的框架，并不等于说每一种精神疾病的全部病因都能归结到这条"突变谱系"上，也不意味着携带风险变异就一定会在胚胎阶段终止发育——这类因果链条目前更多是基于基因组层面的群体规律和模式所做的合理推断，具体到某个基因、某个变异，还需要逐一验证。

六、所以，基因决定论对不对？

把以上几条证据放在一起，可以得到一个比"有没有关系"更细致的答案：

• 精神分裂症、双相障碍这类疾病，双生子研究显示的遗传度很高，基因在其中的作用是扎实的、可以反复测量的，这一点没有争议。
• GWAS效应小、不易重复，反映的是这些疾病的遗传结构极其分散，而不是遗传基础不存在；全基因组模型和净化选择，从不同角度解释了"为什么会这样分散"。
• 抑郁症、焦虑症的遗传度明显低于精神分裂症和双相障碍，环境、经历、发育过程中的随机因素，在这些疾病里占的分量更大，不能简单一概而论。

至于更哲学层面的"基因决定论"——即所有生命活动归根结底都是基因编码的物质运动的体现——这是一种从分子生物学逻辑出发、具有内在自洽性的理论立场，但目前学界并未就此形成统一定论：基因与环境之间存在大量交互作用和相关性，发育过程中的随机变异（比如神经细胞迁移和连接形成中的偶然性）也会影响表型，因此比较稳妥的表述是，基因信息提供了精神疾病发生的必要物质基础和风险分布，而不是在每个个体身上都已经注定、不受其他因素影响的唯一结果。

七、这对基因检测和家庭决策意味着什么

既然精神疾病的遗传基础是高度多基因的，基因解码想要提供真正有用的信息，思路也要相应调整：

• 全面覆盖，而非只看"明星基因"。候选基因时代的教训提示，只盯着一两个基因意义有限，需要覆盖神经发育、突触形成、神经递质传导相关的尽可能多的位点，才能贴近真实的多基因风险图景。
• 区分常见多态性与罕见致病变异。常见位点的微弱风险贡献，和新发突变、罕见破坏性变异造成的较大影响，在解读和干预上意义不同，需要分开评估，而不是混为一谈。
• 遗传度不是患病的判决书。即便是遗传度最高的精神分裂症，也有约两成的变异来自非遗传因素；抑郁症、焦虑症里，环境和经历的分量还要更大。基因检测提供的是风险分层信息，而不是宿命预言。
• 对家族史明确的家庭，遗传咨询仍是第一步。如果家族中已有精神分裂症、双相障碍等重性精神疾病的诊断，建议先寻求精神科医生和遗传咨询师的专业评估，而不是仅凭一份基因检测报告自行下结论。

参考文献

1. Trubetskoy V, et al. Mapping genomic loci implicates genes and synaptic biology in schizophrenia. Nature. 2022;604:502–508.
2. Ripke S, et al. (Schizophrenia Working Group of the Psychiatric Genomics Consortium). Biological insights from 108 schizophrenia-associated genetic loci. Nature. 2014;511:421–427.
3. Zhao Z, et al. Empirical Bayes estimation of semi-parametric hierarchical mixture models for unbiased characterization of polygenic disease architectures. Frontiers in Genetics. 2018;9:115.
4. Owen MJ, et al. Genomic findings in schizophrenia and their implications. Molecular Psychiatry. 2023.
5. Boyle EA, Li YI, Pritchard JK. An expanded view of complex traits: from polygenic to omnigenic. Cell. 2017;169(7):1177–1186.
6. Singh T, et al. (SCHEMA Consortium). Rare coding variants in genes conferring substantial risk for schizophrenia. Nature. 2022.
7. Rees E, et al. Schizophrenia, autism spectrum disorders and developmental disorders share specific disruptive coding mutations. Nature Communications. 2021;12:5353.
8. Acuna-Hidalgo R, Veltman JA, Hoischen A. New insights into the generation and role of de novo mutations in health and disease. Genome Biology. 2016;17:241.
9. Iossifov I, et al. De novo gene disruptions in children on the autistic spectrum. Neuron. 2012;74(2):285–299.
10. Sullivan PF, Kendler KS, Neale MC. Schizophrenia as a complex trait: evidence from a meta-analysis of twin studies. Archives of General Psychiatry. 2003;60(12):1187–1192.
11. Sullivan PF, Neale MC, Kendler KS. Genetic epidemiology of major depression: review and meta-analysis. American Journal of Psychiatry. 2000;157(10):1552–1562.
12. Smoller JW, Finn CT. Family, twin, and adoption studies of bipolar disorder. American Journal of Medical Genetics Part C. 2003;123C(1):48–58.
13. Hettema JM, Neale MC, Kendler KS. A review and meta-analysis of the genetic epidemiology of anxiety disorders. American Journal of Psychiatry. 2001;158(10):1568–1578.
14. Purves KL, et al. A major role for common genetic variation in anxiety disorders. Molecular Psychiatry. 2020;25:3292–3303.
15. Caspi A, et al. Influence of life stress on depression: moderation by a polymorphism in the 5-HTT gene. Science. 2003;301(5631):386–389.
16. Border R, et al. No support for historical candidate gene or candidate gene-by-interaction hypotheses for major depression across multiple large samples. American Journal of Psychiatry. 2019;176(5):376–387.
17. Cross-Disorder Group of the Psychiatric Genomics Consortium. Identification of risk loci with shared effects on five major psychiatric disorders: a genome-wide analysis. The Lancet. 2013;381(9875):1371–1379.