Proliposomal Intravesical Paclitaxel

<<< 左右滑动见更多 >>>   榴莲忘返AIDD   供稿 | 刘思源审稿 | 吉星   目录 大多数号称 SOTA 的药物响应预测模型，其性能被严重高估，甚至打不过一个只考虑「药物平均效力」和「细胞系平均敏感度」的简单基线；DrEval 框架揭示了这一真相，并提供了严谨的解决方案。 TFBindFormer 利用双向交叉注意力机制，让蛋白质序列与 DNA 序列直接对话，解决了传统模型忽略转录因子特异性的致命缺陷。 解决新药成药性瓶颈不能单靠改进算法，而需要围绕 50-100 个核心「反靶标」建立高质量、机制明确的开源数据集。 大语言模型在 2D 药物优化上初具成效，但在面对需要 3D 空间几何直觉和多轮构效关系（SAR）逻辑推理的真实药物研发场景时，依然暴露出严重的短板。 UBio-MolFM 结合专属大分子数据集与底层等变算子优化，成功在千原子级复杂生物体系中实现了计算效率与量子力学（QM）精度的统一。 1. 你的 AI 药物响应模型，可能只学会了「平均数」 在药物研发领域，我们经常看到各种论文宣称他们的 AI 模型能以惊人的准确率预测哪种药物对哪种癌细胞有效。但当我们把这些模型拿到实际项目中去用时，结果往往不尽人意。这篇论文就像一盆冷水，浇醒了我们——它系统地告诉我们，为什么之前的很多「进展」可能只是虚幻的泡沫。 作者们发现，这个领域存在六个反复出现的问题，导致模型性能被严重高估： 复现性差：代码和数据不公开，别人无法验证。 数据泄露：数据划分不合理，导致训练集的信息「泄露」到了测试集。 伪重复：一个药物和一千个细胞系的组合，看似有一千个数据点，但实际上药物的特征只出现了一次，有效样本量远比看起来小。 评估偏差：这是最致命的一点，也叫「辛普森悖论」。想象一个药物，它对几乎所有细胞系都有很强的杀伤力。一个模型只要学会「这个药很猛」，然后对所有细胞系都预测「有效」，它的准确率就会很高。但这个模型根本没学到任何关于「选择性」的知识，而选择性恰恰是做药最关心的。 缺少消融研究：不清楚模型性能的提升，究竟是来自新颖的算法，还是仅仅因为用了更好的特征。 预处理和基准不一致：各家自扫门前雪，导致模型之间无法公平比较。 为了解决这些问题，作者开发了一个叫 DrEval 的评估框架。它不是一个新模型，而是一个「裁判」，旨在建立一个公平、透明且贴近实际应用的竞赛规则。 DrEval 如何让模型「说真话」？ 它的核心是两件武器：真实的场景划分和偏差校正评估。 DrEval 强制用四种不同的方式来划分数据，每一种都模拟一个真实的药物研发场景： DrEval 引入了「偏差校正」指标。这个方法很简单但极其有效。在计算 R² 这类性能指标前，它会先从模型的预测值和真实值里，都减去那个「平均效应」（比如某药物的平均效力）。这样一来，模型就必须去预测那个真正有价值的信号——也就是特定药物和特定细胞系之间「超出平均水平」的相互作用。 残酷的真相 当把现有的各种模型（从简单的随机森林到复杂的深度学习模型）放到 DrEval 这个「考场」上时，结果令人沮丧： 新药预测（LDO）彻底失败：没有任何一个模型能显著超过那个只会猜平均值的「天真」基线。它们的 R² 值几乎为零。这意味着，目前的模型根本没有学到真正的化学结构 - 活性关系（SAR）。它们无法从训练数据的化学空间，泛化到一个全新的分子上。 跨组织预测（LTO）同样疲软：校正前的指标看起来还行，因为药物的平均效应还在。一旦进行偏差校正，性能就大幅下降。这说明模型只是记住了「某个组织的细胞普遍对某类药物敏感」这种粗浅的模式，而不是底层的生物学机制。 跨研究的迁移性极差：在一个数据集（如 CTRPv2）上训练的模型，换到另一个数据集（如 GDSC）上，效果一落千丈。这暴露了实验数据间的系统性偏差（batch effects），模型学到的很可能是某个实验室特定的实验流程，而不是普适的生物学规律。 这篇论文的工作，对于计算辅助药物发现领域来说，是一次重要的「纠偏」。它没有提出一个更强的模型，而是提供了一套更诚实的评估方法。它告诉我们，不要再沉迷于刷榜和虚高的指标。DrEval 作为一个开源的 Python 包和 Nextflow 流水线，为所有从业者提供了一个工具，去真正衡量我们的模型到底学到了什么。 对于研发科学家和投资人来说，这意味着在评估一个 AI 制药项目时，必须问一个关键问题：「你的模型在 LDO（新药预测）场景下，经过偏差校正后的性能如何？」如果对方答不上来，那你可能就要多加小心了。 📜Title: Critical evaluation of drug response prediction models with DrEval 🌐Paper: https://doi.org/10.1038/s41467-026-72903-w 💻Code: https://github.com/daisybio/drevalpy 2. 为什么只看 DNA 预测转录因子会失败？ 在生物学里，转录因子（Transcription Factor, TF）寻找 DNA 结合位点的过程，就像拿着一把特定的钥匙去开海量的锁。过去的计算模型有一个明显的盲区。它们把大部分算力用来研究「锁」的形状（DNA 序列）。它们忽略了「钥匙」（蛋白质本身）的长相。 研究者在这项工作中推出了 TFBindFormer 模型。他们改变了传统的单向思维。他们把 DNA 特征和特定转录因子的蛋白质特征结合在一起。这是它发挥作用的核心原理。 研究者首先需要把这把「钥匙」数字化。他们提取了转录因子的氨基酸序列。他们还从 AlphaFold 数据库中获取了预测的三维结构。这些 3D 结构被巧妙地转换为 Foldseek 3Di 结构标记。序列和结构标记随后被打包送入一个名为 ProtST5 的预训练蛋白质语言模型（Protein Language Model）。这套流程把复杂的蛋白质折叠信息压缩成了固定数量的特征向量。 在 DNA 这一端，研究者借鉴了 TBiNet 的架构。他们用卷积神经网络（CNN）来寻找序列基序（Motif）。他们加上注意力机制进行权重调整。他们还使用双向长短期记忆网络（BiLSTM）来理解上下文逻辑。DNA 特征同样被转换为固定长度的标记。 接下来是这篇论文最精彩的部分。研究者构建了一个混合的双向交叉注意力 Transformer。你可以把它想象成一个相亲现场。蛋白质标记和 DNA 标记被放在同一个空间里。蛋白质去「看」DNA。DNA 也反过来「看」蛋白质。这种双向交流在多个堆叠的网络层中反复进行。模型借此学会了特定的氨基酸残基是如何与特定的核苷酸发生物理接触的。在交流的最后一步，模型采用非对称的注意力机制。它把视角拉回到 DNA 身上。它以此来输出最终的结合概率。 在真实的基因组环境中预测结合是一个巨大的挑战。真实的结合位点极其稀少。数据集中阳性样本的比例只有约 1%。这种极端的数据不平衡会让常规的 AUROC 得分显得虚高。这就凸显了 AUPRC（精确率 - 召回率曲线下面积）指标的价值。AUPRC 能更真实地反映模型在真实候选库中捞出真阳性样本的能力。在留出的测试染色体上，TFBindFormer 的 AUPRC 达到了 0.385。这个成绩把 DeepSEA、DanQ 以及最近的 DNABERT-2 等前辈模型远远甩在了身后。 研究者对模型进行了拆解分析。他们发现蛋白质的氨基酸序列特征对预测结果贡献最大。去掉序列信息会导致性能断崖式下跌。3D 结构特征则像是一个精细的调节器。它能提供稳定且持续的额外增益。这印证了生物学中「序列主导，结构微调」的直觉认识。 研究者还对 CTCF 这种经典的转录因子进行了注意力机制的解释性分析。在真实发生结合的样本中，模型中代表「TF 到 DNA」的注意力权重精准地聚焦在富含结合基序的中心区域。在未结合的样本中，注意力分布则呈现弥散状态。这证明模型并没有死记硬背统计规律。它确实学到了具有物理空间意义的结合机制。 📜Title: TFBindFormer: A Cross-Attention Transformer for Transcription Factor–DNA Binding Prediction 🌐Paper: https://www.biorxiv.org/content/10.64898/2026.04.09.717563 💻Code: https://github.com/BioinfoMachineLearning/TFBindFormer 3. 搞不定 ADMET？盯紧这 100 个「反靶标」 药物研发领域有一个公开的秘密。多数项目并不是死在找不到靶点，而是死在药物代谢动力学和毒性（ADMET）上。 统计数据显示，超过 90% 的候选分子无法达到基础的 ADME 标准。大约 20% 的分子在临床前毒理研究中被淘汰。还有近 30% 的临床失败是因为意料之外的 ADMET 问题。 现在，研究者们提出了一个新概念，叫做「避坑指南」（Avoid-ome）。 这并不是指零散的脱靶效应。这是一组数量有限、可以攻克的蛋白质。它们在不同研发项目中反复出现。它们是药物必须避开的「反靶标」（Anti-targets）。 这些反靶标包括主要的代谢酶，比如细胞色素 P450（CYP）、醛氧化酶（AO）、尿苷二磷酸葡萄糖醛酸转移酶（UGT）。它们也包括转运体，比如 ABC 和 SLC 家族。此外，还有血浆蛋白、异源物受体以及经典的安全性靶点，比如 hERG 通道和钠通道（NaV1.5）。 研究者估计，大约 50 到 100 个蛋白质就涵盖了绝大多数的高频 ADMET 风险。 过去，计算化学家喜欢用文献里的数据训练机器学习（ML）模型。但这些数据存在巨大的问题。不同实验室的实验方法不同。数据充满噪声，难以重复。作者认为，解决这个瓶颈的办法不能光靠改进算法。我们需要高一致性、有明确机制的数据。 为此，学术界和工业界联合发起了 OpenADMET 项目。该项目由 ARPA-H 和盖茨基金会资助。他们的目标是针对这 100 个反靶标，生产大规模、完全公开且一致的实验数据。 为了降低成本，研究者设计了一套超高通量的实验方案。他们使用质谱技术和工程细胞报告系统。这套方案将每个化合物的 CYP 反应性分析成本降到了 0.40 美元以下。孔板检测的成本只有 0.05 到 0.30 美元。这样一来，他们每周可以测试数万个化合物。 在化学合成方面，纯化步骤通常是最大的瓶颈。研究者直接对粗反应混合物进行测试，跳过了纯化步骤。 他们利用主动学习（Active Learning）算法来挑选下一步要合成的分子。这种算法专门用来寻找「活性峭壁」（Activity Cliffs）。活性峭壁是指分子结构只有微小改变，活性却发生剧烈变化的现象。 研究者还将高通量功能筛选与高通量结构生物学结合起来。 反靶标通常非常灵活，容易改变形状来结合不同的分子。只看分子表观性质（比如脂水分配系数 logP 或溶解度）是不够的。我们需要看到分子与蛋白质结合的真实三维结构。 目前，研究者已经解析了超过 100 个 PXR 受体配体的晶体结构。他们还将利用冷冻电镜（Cryo-EM）来攻克膜转运体和离子通道。 为了让整个领域受益，他们推出了开源软件框架 ANVIL。这个框架可以规范数据处理，公平地评估不同算法。 他们还将举办盲测挑战赛。这类似于蛋白质结构预测领域的 CASP 比赛。通过公开未发表的测试集，来检验各大算法的真实预测能力。最终，研究者希望让药物研发从后期的「被动避坑」，转向早期的「主动多参数设计」。 📜Title: Mapping the avoid-ome: A systematic open-science approach to predictive ADMET 🌐Paper: https://doi.org/10.1038/s41467-026-73410-8 4. 大模型做药物设计，为何卡在 3D 推理上？ 在药物研发领域，纸上谈兵的化学知识问答无法解决实际问题。一线药物化学家需要的是能够真正上手写 Python 脚本、调用 RDKit、分析蛋白质 - 配体 3D 相互作用并进行多轮方案调整的智能助手。研究者推出的 SMDD-Bench，正是为了将大语言模型（LLM）推入这种复杂的、长流程的真实药物设计战场。 该基准测试包含了 502 个保证可解的任务实例，覆盖 102 个独特的蛋白质靶点。这些任务被严密划分为五个维度：2D 药效团识别（2D Pharmacophore ID）、相互作用位点发现（Interaction Point Discovery）、骨架跃迁（Scaffold Hopping）、先导化合物优化（Lead Optimization）以及片段拼接（Fragment Assembly）。 为了避免以往基准测试中「题目本身无解」的系统性缺陷，研究者采用了一种「见证者感知任务生成」（witness-aware task generation）的方法。在构建骨架跃迁、先导化合物优化和片段拼接这类复杂任务时，研究者在后台保留了一个已知符合所有评价指标的「见证者分子」。这确保了每个任务在数学和化学逻辑上百分之百可解，无需耗费人工去逐一验证。 测试的评估过程实现了完全自动化。工具链集成了计算化学的标配工具：使用 RDKit 进行分子化学结构过滤，使用 PLIP 提取相互作用指纹，使用 OpenBabel 进行格式转换，使用 Boltz2 预测蛋白质 - 配体共折叠及结合概率，最后用 ADMET-AI 预测分子的多重性质。 研究者使用一个极简的 ReAct 框架对 7 个前沿大语言模型进行了基准测试。在严格限制调用 Boltz2（8 次）和 ADMET-AI（15 次）的预算下，表现最好的模型（GPT-5.4）综合胜率也仅有 40.2%，且绝大部分得分来自于偏向 2D 属性微调的先导化合物优化任务。 在涉及 3D 空间几何直觉的任务中，大语言模型的表现极其糟糕。相互作用位点发现任务要求预测结合口袋中的三个保守「热点」坐标，绝大多数模型的得分接近于零。骨架跃迁和片段拼接的成功率同样处于极低水平。这表明，仅仅给大模型提供物理计算工具的接口，并不能自动赋予它们理解 3D 空间口袋和构象的能力。 另一个关键缺陷在于「规划与选择」。研究者在分析模型的思考轨迹时发现，模型在生成候选分子阶段（SMILES 格式），其实已经写出了能通过最终评估的正确结构。但在下一步决定将哪些分子送去进行工具评估或最终提交时，模型却往往漏掉了这些正确选项。这种「能生不能选」的现象在骨架跃迁任务中尤为明显。 在多轮迭代中，大模型展现出极差的构效关系（SAR）归纳能力。它们无法从上一步失败的分子中总结出排除规则，经常在后续步骤中重复提交相似甚至完全相同的错误结构。此外，大模型在代码执行上频频出错，常因为畸形的 RDKit 函数调用或参数错误导致整个工作流中断。 在分子多样性方面，大模型生成的分子虽然相对于公共数据库（如 ChEMBL、PubChem）具有新颖性，但在多次独立运行中，模型往往会收敛到结构高度相似的少数几个解（输出分子间的 Tanimoto 相似度极高）。这与工业界在先导化合物优化阶段需要多个不同骨架候选分子的真实需求背道而驰。 为了方便行业快速部署和评估，研究者提供了包含 100 个典型任务的 SMDD-Bench Lite 简化版，以及专门用于量化生成方案多样性的 SMDD-Bench Diversity 版本。 📜Title: SMDD-Bench: Can LLMs Solve Real-World Small Molecule Drug Design Tasks? 🌐Paper: https://arxiv.org/abs/2605.21740 5. 大模型破局：千原子生物体系的量子级模拟 我们一直有个痛点你要用量子力学（QM）算得准，体系稍微超过一百个原子，计算集群就得跑几个月。你要算大分子，比如一个泡在水里的蛋白，只能妥协用经典力场。经典力场靠固定的弹簧模型来模拟原子。遇到电荷转移、极化效应，或者金属离子配位，计算结果经常没法看。 大家都在等一个能兼顾规模和精度的方法。UBio-MolFM 就是冲着填补这个差距来的。它想让上千原子的生物大分子体系，也能跑出密度泛函理论（DFT）级别的精度。 现在的机器学习力场大多喂的是小分子数据。大分子体系的复杂环境和小分子是两码事。研究团队自己建了一个叫 UBio-Mol26 的数据集。这个数据集包含将近 1700 万个构象，覆盖真实的生物场景：蛋白质、核酸、脂质，以及显式的溶剂分子和各种关键金属离子。 他们造数据的手法很聪明。一方面从底层向上枚举多肽片段。另一方面从 AlphaFold 数据库挖出真实的蛋白局部，加上溶剂和化学封端。为了控制算力成本，他们用多精度的量子化学打标签。用相对便宜的基组算海量数据，拿高精度的基组算少部分核心数据。这种组合拳让大体系的数据标注变为可行。 算力是另一个大坎。等变神经网络（Equivariant Networks）预测精度高，但处理张量乘法极度消耗显存。过去把几千个原子丢进去，显卡几秒钟就内存溢出（OOM）了。 作者对底层架构做了修改。他们设计的 E2Former-V2 网络引入了轴对齐稀疏化技术，把密集的运算变稀疏。团队还手写了底层的硬件算子，让注意力机制在计算时随算随清内存。这省下了存储中间变量的开销。用单张 H100 显卡算一万个原子的体系，每秒能跑 6.1 步。之前的基线模型同等条件下只能跑 1.6 步。 跑几个分子动力学（MD）场景看看实战效果。模型算出来的水分子径向分布函数跟真实的实验数据吻合。环孢菌素 A 在水里和真空里会呈现不同的折叠状态。模型通过捕捉氢键的竞争关系重现了这种构象变化。 让我感兴趣的是它对 RNA 和镁离子（Mg2+）体系的处理。金属离子配位一直是经典力场的重灾区。UBio-MolFM 算出来的 Mg-O 键长和角度分布，比常用的 Amber 力场更符合真实物理状态。 作者也坦承目前的短板。在测试大尺度体系泛化时，模型在处理 DNA 体系的时间能量稳定性上出现了波动。这给下一步扩充 DNA 数据指明了方向。 团队开源了预训练权重、推理代码和部分测试数据。做计算辅助药物研发的人手里终于多了一把高精度工具。我们可以用它重新审视那些因为传统力场太粗糙而看不清的复杂生物过程。 📜Title: UBio-MolFM: A Universal Molecular Foundation Model for Bio-Systems 🌐Paper: https://arxiv.org/abs/2602.17709 💻Code: https://github.com/IQuestLab/UBio-MolFM — 完 —

题目：GFPT1 as a cross-ancestry validated target for degenerative spinal disease: genetic association in a Chinese cohort and functional characterization in zebrafish 原文链接:https://doi.org/10.1038/s42003-026-10320-x期刊：Communications Biology 摘要 退行性脊柱疾病（DSD），包括椎管狭窄症和脊柱关节病，目前缺乏有效的药物治疗手段。为识别可药物治疗的靶点并评估跨祖先适用性，本研究整合多组学分析，采用基于摘要数据的孟德尔随机化（SMR）、共定位分析以及双样本孟德尔随机化，结合欧洲人群全血、外周血和脑脊液的表达数量性状位点/蛋白数量性状位点（eQTL/pQTL）数据集，随后在中国队列中进行全基因组测序（WGS）验证。研究共识别出7个与椎管狭窄症相关的基因/蛋白，以及5个与脊柱关节病相关的基因/蛋白，其中GFPT1、GPX1和SERPINA1为两种疾病共有。双样本孟德尔随机化进一步证实了这些靶点与退行性脊柱疾病的因果关联。全表型孟德尔随机化优先筛选结果显示，GFPT1和GPX1为优选候选靶点，它们无预测的不良反应，且对高血压可能具有潜在益处。在中国队列（67例腰椎管狭窄症患者和100例健康对照）中，全基因组测序识别出4个与腰椎管狭窄症风险相关的GFPT1顺式表达数量性状位点（cis-eQTL）（rs13016371、rs35392088、rs12997521和rs13019789）；所有风险等位基因均与GFPT1表达升高相关，且24名变异携带者的影像学检查均显示存在L4/L5节段椎管狭窄。可药物性分析确定IOX1是唯一靶向GFPT1的临床前阶段化合物，分子对接结果证实其能与GFPT1紧密结合（结合能为-6.39千卡/摩尔）。功能实验表明，IOX1可直接抑制GFPT1的酶活性，并诱导6-磷酸果糖的积累。在斑马鱼模型中，IOX1能显著挽救GFPT1诱导的退行性表型。这些研究结果证实GFPT1是经跨祖先验证的退行性脊柱疾病治疗靶点，并提名IOX1为极具潜力的疾病修饰候选药物。 关键词：退行性脊柱疾病、GFPT1、跨祖先验证、斑马鱼模型、治疗靶点、孟德尔随机化 引言 退行性脊柱病（DSD），如椎管狭窄症和脊柱关节病，是由脊柱结构（包括椎骨、椎间盘及支持组织）的自然退变引发的。该病主要发病人群为中老年人，常表现为慢性颈痛或背痛、活动受限，且生活质量显著下降¹ˏ²。随着全球人口老龄化，退行性脊柱病的患病率和社会负担持续攀升，给医疗系统及患者均带来了巨大挑战。目前，该病的治疗仍高度依赖手术干预来缓解症状。然而，这些手术存在术后感染和脊柱退行性变加速等风险3,4。 新兴证据强调遗传因素是椎间盘退变疾病（DSD）发病机制的关键促成因素。研究已发现众多与椎间盘退变疾病相关的遗传变异和易感基因，尤其是那些影响脊柱完整性、骨质疏松易感性和炎症反应等关键生物学过程的基因。典型例子包括：COL1A1、COL1A2、COL9A、COL9A2、COL9A3、ACAN 和 CILP 与腰椎间盘突出症中椎间盘的组成相关；VDR 以及 (E R) 与骨骼结构相关；MMP3 和 IL1 参与椎间盘内的基质降解。尽管在遗传学方面取得了这些进展，但椎间盘退变疾病的分子治疗靶点仍基本未被明确。因此，更深入地了解与椎间盘退变疾病相关的遗传因素，能够加深我们对其病因的认识，并为预防策略、分子治疗以及靶向药物研发奠定基础。 可成药靶点的识别是药物研发中关键的第一步。尽管多组学研究的进展加速了疾病相关生物标志物和治疗靶点的发现，但蛋白质组学与转录组学数据之间的交叉验证显著提高了这些研究结果的可靠性。这一点在表达数量性状位点（eQTLs）和蛋白质数量性状位点（pQTLs）的表达中尤为明显，这些位点与基因和蛋白质表达水平存在强烈相关性8,9。目前，孟德尔随机化（MR）方法主要利用这些来自欧洲人群的多组学数据集，结合疾病全基因组关联研究（GWAS）汇总统计数据，将因果基因/蛋白质作为候选靶点进行优先排序治疗靶点。然而，该策略仅在欧洲裔人群中验证了靶点的可行性，严重限制了其跨人群的普适性。通过利用来自不同人群的全基因组测序（WGS）数据开展跨种族验证，能够显著提升这些靶点的通用性和可靠性。此外，将全基因组测序与临床实践深度融合，结合个体电子健康记录和定量临床影像数据，不仅可以分析多层疾病调控网络、评估患者的遗传风险，还能大幅增强候选靶点的生物学合理性，以及其作为跨种族治疗靶点的潜力10。 本研究以全血、外周血和脑脊液来源的大规模表达数量性状位点（eQTL）和蛋白数量性状位点（pQTL）数据为暴露因素，结合两种退行性脊柱疾病（DSD）表型（椎管狭窄症和脊椎关节病）的全基因组关联研究（GWAS）汇总统计数据，开展整合性基因位点分析（SMR）、共定位分析和全表型孟德尔随机化（MR）分析，旨在筛选具有良好安全性的治疗靶点。本研究的创新之处在于，利用中国腰椎管狭窄症（LSS）患者的全基因组测序（WGS）数据，验证了优先筛选靶点的跨祖先适用性。随后通过药物预测和分子对接技术评估靶点的成药性，并探索治疗退行性脊柱疾病的潜在药物。进一步通过斑马鱼模型开展药理学验证，以确认候选化合物的治疗潜力。 结果 通过SMR分析和共定位分析识别退行性脊柱疾病的候选可药物基因 整体研究设计的细节和数据来源分别展示于图1和补充数据1。研究人员针对eQTLGen联盟中2235个具备可用索引顺式eQTL信号的全血可药物基因，与两种椎间盘疾病（椎管狭窄和脊椎关节病）表型进行了SMR分析。经FDR校正（FDR_(P<0.05）及HEIDI检验( P_{-}HEIDI >0.05)后，共识别出6个与椎管狭窄相关的基因（图2A及补充数据2），其比值比（ORs）范围为0.74（95%置信区间，0.63-0.86）至1.70（95%置信区间，1.37-2.11）（图2D及补充数据2）。此外，经错误发现率（FDR）校正后，发现4个基因与脊柱病变相关（FDR_(P<0.05），以及异质性在连锁不平衡下的独立性检验（HEIDI test (P_{-} HEIDI >0.05）（图2A及补充数据3），其比值比（OR）范围为0.67（95%置信区间，0.55-0.82）至1.50（95%置信区间，1.25-1.81）（图2E及补充数据3）。在CAGE联盟中，对1593个具有可用索引顺式表达数量性状位点（cis-eQTL）信号的外周血可药物基因开展了与两种发育性脊柱畸形（DSD）表型相关的甲基化敏感性回归（SMR）分析。经FDR校正后，鉴定出3个与椎管狭窄相关的基因（FDR_(P<0.05）以及HEIDI检验（P_{-} HEIDI >0.05）（图2B及补充数据2），其OR范围为0.74（95%置信区间，0.64-0.86）至1.19（95%置信区间，1.13-1.25）（图2D及补充数据2）。对于脊柱病变，经FDR校正（FDR_P<0.05）及HEIDI检验（ P_{-}HEIDI >0.05)_HEIDI>0.05）后鉴定出3个基因（图2B及补充数据3），其OR范围为1.07（95%置信区间，1.04-1.09）至1.11（95%置信区间，1.07-1.16）（图2E及补充数据3）。同时，对NIAGADS联盟中151个具有可用索引顺式蛋白数量性状位点（cis-pQTL）信号的脑脊液可药物蛋白开展了SMR分析。该分析经FDR校正后，鉴定出3个与椎管狭窄相关的脑脊液蛋白（FDR_(FDR P<0.05）以及HEIDI检验（P_{-} HEIDI >0.05）（图2C及补充数据2），其OR范围为0.44（95%置信区间，0.29-0.67）至0.83（95%置信区间，0.76-0.89）（图2D及补充数据2）。对于脊柱病变，经FDR校正（FDR P<0.05）及HEIDI检验（P_{-} HEIDI >0.05）后鉴定出2个脑脊液蛋白（图2C及补充数据3），其OR范围为0.48（95%置信区间，0.33-0.69）至0.86（95%置信区间，0.80-0.92）（图2E及补充数据3）。 接下来，我们采用贝叶斯方法对通过SMR鉴定出的与退行性脊柱疾病（椎管狭窄和脊椎病）相关的潜在因果可药物化基因进行共定位分析。该分析显示，与椎管狭窄相关的7个基因/蛋白质（GFPT1、GPX1、LYG1、DLK1、HLA-C、STK36和SERPINA1）具有较高的共定位支持度（P_{H 4}>0.8)，见图3A和补充数据4），而与脊椎病相关的5个基因/蛋白质（GFPT1、STK25、STK36、GPX1和SERPINA1）也表现出较高的共定位支持度（PH_{4}>0.8)，见图3B和补充数据4）。 值得注意的是，通过SMR和共定位分析在全血和脑脊液中鉴定出的3个基因/蛋白（GFPT1、GPX1和SERPINA1）均与椎管狭窄症和脊椎病相关。GFPT1水平升高（椎管狭窄症的比值比：1.19，95%置信区间：1.13-1.24；脊椎病的比值比：1.11，95%置信区间：1.07-1.16）和GPX1水平升高（椎管狭窄症的比值比：1.70，95%置信区间：1.37-2.11；脊椎病的比值比：1.50，95%置信区间：1.25-1.81）可能会增加患椎管狭窄症和脊椎病的风险，而SERPINA1水平降低（椎管狭窄症的比值比：0.44，95%置信区间：0.29-0.67；脊椎病的比值比：0.48，95%置信区间：0.33-0.69）则可能导致椎管狭窄症和脊椎病的发生（图2D、E及补充数据2、3）。因此，这3个基因/蛋白有望作为退行性脊柱疾病的潜在治疗靶点。 双样本孟德尔随机化验证 为进一步明确3个基因/蛋白与发育性结构缺陷（DSD）之间的因果关系，我们开展了两样本孟德尔随机化（MR）分析。由于谷氨酰胺-果糖-6-磷酸转氨酶1（GFPT1）拥有多个工具变量（IVs），故采用逆方差加权（IVW）法进行MR分析；而谷胱甘肽过氧化物酶1（GPX1）和丝氨酸蛋白酶抑制剂A1（SERPINA1）均仅含一个工具变量，因此采用沃尔比率法进行MR分析。本研究用于分析的所有工具变量的F统计量均大于10（补充数据5）。结果显示，GFPT1（椎管狭窄症的比值比[OR]：1.18，95%置信区间[CI]：1.09-1.27；脊椎病的OR：1.12，95%CI：1.04-1.21）、GPX1（椎管狭窄症的OR：1.70，95%CI：1.39-2.07；脊椎病的OR：1.50，95%CI：1.26-1.79）和SERPINA1（椎管狭窄症的OR：0.44，95%CI：0.31-0.63；脊椎病的OR：0.48，95%CI：0.35-0.65）均与椎管狭窄症和脊椎病的发病风险相关，且效应方向与结构方程模型（SMR）结果一致（补充数据6）。此外，针对使用多个工具变量的MR分析结果进行了敏感性分析：GFPT1与椎管狭窄症的敏感性检验未发现水平多效性（P underline pleiotropy =0.81），异质性检验（MR Egger法）P=0.06（IVW)=0.13）；GFPT1与脊椎病之间未检测到水平多效性（P underline pleiotropy =0.70），尽管MR Egger法检出异质性（P异质性=( MR Egger )=0.03），但后续的IVW法未检出异质性（P异质性=(IVW)=0.05），证明两样本MR分析结果具有可靠性样本孟德尔随机化分析结果稳健（补充数据6）。双样本孟德尔随机化分析进一步证实了3种基因/蛋白（GFPT1、GPX1和SREPINA1）与迟发性干燥综合征存在显著的因果关系，表明这些基因/蛋白有望成为治疗迟发性干燥综合征的药物靶点。 与DSD相关的候选可药物基因的全表型组孟德尔随机化分析 为评估靶向这3个候选可药物基因组是否会引发副作用并评估药物给药的安全性，我们在UKB-SAIGE中对782种非DSD疾病或性状进行了全表型组孟德尔随机化（MR）分析。用于分析的3个可药物基因的工具变量（IVs）与此前用于双样本MR分析的一致。通过全表型组MR分析并结合错误发现率（FDR）校正（FDR_ (P<0.05），我们发现GFPT1和GPX1水平升高会增加高血压风险（GFPT1：比值比[OR]=1.07，95%置信区间[CI]=1.04-1.11；GPX1：OR=1.30，95% CI=1.15-1.47）及原发性高血压风险（GFPT1：OR=1.07，95% CI=1.04-1.10；GPX1：OR=1.30，95% CI=1.15-1.47），且效应方向与DSD的效应方向一致（图4A、B及补充数据7、8）。然而，SERPINA1水平的变化与35种疾病或性状相关，其中20种与DSD的效应相反（图4C及补充数据9）。这一结果表明，靶向GFPT1和GPX1治疗DSD的药物靶点可能无副作用，且对治疗DSD、高血压和原发性高血压有益；而靶向SERPINA1的药物靶点则可能存在副作用。 中国腰椎管狭窄症人群中GFPT1和GPX1的顺式表达数量性状位点突变频率统计 为了探究GFPT1表达量的变化是否会影响中国人群中的腰椎管狭窄症（LSS），我们以eQTLGen联盟提供的6613个GFPT1的顺式表达数量性状位点（cis-eQTLs）和3489个GPX1的顺式表达数量性状位点（cis-eQTLs）作为背景参考进行了分析（补充图1和图2）。我们从67名腰椎管狭窄症（LSS）患者和100名健康对照者的全基因组测序（WGS）数据中提取了GFPT1和GPX1的所有突变位点，并剔除了ClinVar数据库中已知为良性的突变位点。最终在GFPT1中鉴定出179个单核苷酸多态性（SNPs）LSS患者中存在211个单核苷酸多态性（SNP），而健康对照组中为0个；GPX1基因在LSS患者中存在1个SNP，对照组中为0个（补充图1和图2）。将LSS患者、健康对照组的基因位点与eQTLGen联盟的背景参考数据进行交集分析，我们发现GFPT1基因的82个SNP和GPX1基因的0个SNP在这三个数据集中均为共有（补充图1和图2）。对1000基因组东亚人群、健康对照组和LSS患者中这82个GFPT1基因SNP的分析显示，LSS患者中4个顺式表达数量性状位点（cis-eQTL）的突变频率升高（补充数据10）。值得注意的是，这4个位点——rs13016371、rs35392088、rs12997521和rs13019789——均来自血液组织的eQTL数据（eQTLGen联盟），这些位点在分析中均表现出显著的正向效应，表明其风险等位基因与GFPT1基因表达水平升高相关（补充数据11）。在我们的研究队列中，这些位点的突变频率如下：rs13016371为0.358208955（24/67），rs35392088为0.328358209（22/67），rs12997521为0.313432836（21/67），rs13019789为0.313432836（21/67）。这些频率均高于1000基因组东亚人群（所有位点均为0%）和健康对照组（所有位点均为0%）的水平（图5A，补充数据10）。维恩图分析显示，20名患者同时携带这4个突变，1名患者缺失rs35392088，1名患者缺失rs12997521，2名患者仅携带rs13016371（图5B）。所有24名携带至少1个上述突变的患者（患者编号(with ≥1）在影像学检查中均表现为L4/L5节段腰椎管狭窄（图5C）。这些研究结果表明，GFPT1基因表达的改变可能会增加腰椎管狭窄症（LSS）的发病风险，进一步验证了我们的孟德尔随机化（MR）结果，并提示GFPT1基因可作为中国人群中椎间盘退行性疾病（DSD）的潜在治疗靶点。 成药性评估与分子对接 我们查询了药物数据库（DGIdb、ChEMBL 和 Drugbank 在线数据库）以评估 GFPT1 的成药性，发现 IOX1 是目前唯一靶向 GFPT1 的临床前阶段化合物（补充数据12）。为了评估 IOX1 与 GFPT1 之间的相互作用模式和亲和力，我们开展了分子对接分析。通过对疏水相互作用、氢键、π-阳离子相互作用以及盐桥形成的分析可知，作为 GFPT1 抑制剂的 IOX1 与 GFPT1 具有很强的结合亲和力（结合能：-6.39 千卡/摩尔）（图6A）。这种多模态结合特征，再加上良好的能量动力学特性，使IOX1成为治疗DSD的有潜力候选药物，值得进一步研究。 IOX1 直接抑制 GFPT1 的活性 为了明确 IOX1 是否直接抑制 GFPT1 的酶活性（而非通过其组蛋白去甲基化酶抑制活性间接发挥作用），我们开展了体外及细胞内酶功能分析。首先，通过谷氨酸脱氢酶法，我们发现 IOX1 可显著抑制 GFPT1 的酶活性，这一现象在野生型和 GFPT1 过表达的 HEK293T 细胞中均有体现（图 6B、补充数据 13，独立生物学样本编号 n=3）。随后，通过监测 GFPT1 的底物果糖-6-磷酸（F-6-P）的代谢动态变化，我们观察到 IOX1 处理后，野生型和 GFPT1 过表达的 HEK293T 细胞中 F-6-P 均出现显著积累（图 6B、补充数据 13，独立生物学样本编号 n=3）。这表明 IOX1 对细胞内 GFPT1 的催化通量存在直接抑制作用。综上，体外酶活性测定与细胞内代谢通量分析的结果一致，证实 IOX1 可在功能层面直接抑制 GFPT1 的酶活性。 GFPT1过表达会导致斑马鱼出现脊柱特异性缺陷，而IOX1可逆转该缺陷 鉴于四个优先的顺式表达数量性状位点（cis-eQTL）在人类遗传分析中均一致指向GFPT1表达增加为风险方向，我们通过在斑马鱼胚胎中过表达野生型人类GFPT1信使核糖核酸（mRNA，转录本编号NM_002056），在体内构建了基因推断的“高表达”状态。该策略旨在重现孟德尔随机化分析提示的功能获得性条件，而非模拟某一特定编码变异。 在受精后3天进行的蛋白质印迹分析证实，与对照组相比，注射胚胎中GFPT1蛋白水平显著升高，验证了外源mRNA的有效翻译（补充图4-6、补充数据14）。因此，后续的表型变化可归因于真实的GFPT1过表达，而非注射相关的人为误差。 此前有研究报道 GFPT1 缺乏会损害神经肌肉传递，因此我们接下来评估了 GFPT1 过表达是否可能诱发继发性神经肌肉异常，而这些异常或许能解释身体弯曲的改变。在受精后3天（3 dpf），偏振光双折射分析显示，GFPT1 过表达胚胎的体节结构和肌纤维排列均正常。鬼笔环肽染色进一步证实肌节结构和肌动蛋白丝组织得以保留。此外，α-银环蛇毒素（α-BTX）免疫荧光分析表明，神经肌肉接头（NMJ）处的乙酰胆碱受体聚集与分布均正常，未检测到结构缺陷（补充图7，斑马鱼胚胎编号n=8）。这些结果表明，在本实验条件下，GFPT1 过表达不会破坏肌肉完整性或神经肌肉接头的结构。 相比之下，到受精后7天（7 dpf），过表达GFPT1的斑马鱼出现明显的脊柱弯曲，体长也有所缩短（图6C和D，n=8 斑马鱼胚胎）。通过苏木精-伊红（HE）染色进行的组织学分析显示，弯曲部位的脊索空泡发育存在明显缺陷，同时伴有炎性细胞浸润。LysoTracker染色进一步证实脊索内的空泡形成受到损伤（图6C，n=8 斑马鱼胚胎）。与此同时，与椎间盘退变（DSD）相关的标志基因表达显著失调（图6E，补充数据15，n=3 数据15，n=3个独立的生物学样本），成骨和成软骨分化标志物的表达水平相较于野生型对照组显著下调（图6F，补充数据15，n=3 独立生物学样本）。综上，这些研究结果表明，GFPT1水平异常升高会破坏脊柱发育，这一过程可能通过损伤脊索成熟和引发局部炎症反应实现，从而再现了与退行性脊柱疾病相关的关键病理特征。值得注意的是，用5毫克/升的IOX1处理过表达GFPT1的斑马鱼，可显著改善脊柱弯曲情况并恢复体长（图6C和D，n=8 斑马鱼胚胎）。这种表型恢复伴随着脊索结构的改善，以及与DSD、成骨和成软骨相关的基因表达恢复正常（图6E和F，补充数据15，n=3个独立的n=3 独立生物学样本）。这些结果证实，通过药物抑制GFPT1可IOX1 逆转了 GFPT1 过表达诱导的关键结构和分子异常，支持其在 DSD 中的治疗潜力。 讨论 据我们所知，本研究是首个通过整合先天性脊柱侧凸相关表型的全基因组关联研究（GWAS）大规模数据与4463个潜在可药物化基因，开展系统性跨组织、多组学孟德尔随机化（MR）研究以识别与先天性脊柱侧凸相关治疗靶点的研究。通过孟德尔随机化和共定位分析，我们的研究揭示了7个与椎管狭窄相关的候选可药物化基因，以及5个与颈椎病相关的候选可药物化基因/蛋白质。其中，GFPT1、GPX1和SERPINA1成为两种疾病共有的治疗靶点，全表型孟德尔随机化分析证实GFPT1和GPX1具有良好的安全性特征。关键的是，我们在中国人群队列中通过全基因组测序验证了GFPT1表达水平与腰椎管狭窄症（LSS）发病风险的关联。分子对接实验证实IOX1与GFPT1存在稳定结合，进一步揭示了GFPT1的可药物化潜力。后续斑马鱼实验证实IOX1在改善先天性脊柱侧凸表型方面具有治疗效果。因此，GFPT1有望成为治疗先天性脊柱侧凸的跨祖先治疗靶点。 GFPT1 是己糖胺生物合成途径中的主要限速酶。尽管 GFPT1 的失调已被证实与先天性重症肌无力和乙酰胆碱缺乏相关，但此前尚无研究探讨其与 11、12 型发育性脊柱畸形（DSD）的关联。既往研究表明，GFPT1 的表达在破骨细胞分化过程中会上调 13。我们的孟德尔随机化（MR）分析显示，GFPT1 表达降低会增加椎管狭窄和脊柱关节病的发病风险。全基因组测序（WGS）验证进一步证实，在中国人群中，GFPT1 表达变异与腰椎管狭窄症（LSS）的易感性相关。因此，我们推测血液中 GFPT1 水平升高可能会促进破骨细胞增殖，破坏骨重塑稳态，最终导致椎管狭窄和脊柱关节病的发生。本研究首次提出 GFPT1 在 DSD 发病机制中的潜在作用，值得进一步开展机制研究。 尽管GFPT1是发育性脊柱畸形（DSD）的优先治疗靶点，但GPX1和SERPINA1的潜力仍需通过实验验证其成药性和生物学机制来进一步研究。GPX1作为一种含硒谷胱甘肽过氧化物酶，与软骨稳态相关：低硒状态与以软骨畸形为特征的骨关节病相关¹⁴。此外，敲低GPX1会抑制ATDC5细胞的软骨分化，且GPX1突变与骨关节病显著相关¹⁵,¹⁶。然而，目前尚无深入研究探讨GPX1与DSD之间的密切关系。我们的孟德尔随机化（MR）和共定位分析表明，血液中GPX1水平升高可能增加脊柱狭窄和脊柱病的风险。因此，我们假设GPX1过表达可能促进过度软骨形成，进而诱发DSD。SERPINA1编码一种丝氨酸蛋白酶抑制剂，其上调已被证实可缓解椎间盘退变¹⁷。我们的MR研究进一步证实，脑脊液中SERPINA1水平降低会增加脊柱狭窄和脊柱病的风险，后续共定位分析也验证了这一发现。 源自DGIdb数据库的GFPT1抑制剂IOX1在分子对接研究中表现出对GFPT1的强结合亲和力，这表明其对于存在GFPT1异常过表达的疾病具有治疗潜力，例如本研究中发现的DSD风险升高情况。药理学实验进一步证实，IOX1能有效挽救GFPT1过表达斑马鱼的脊柱弯曲缺陷。IOX1是一种广谱2-氧代戊二酸（2OG）加氧酶抑制剂，可抑制多种加氧酶活性¹⁸。该药物已被广泛应用于多种疾病的药物研发领域。现有证据表明IOX1具有显著的抗炎特性，凸显了其在炎症性疾病治疗中的应用前景¹⁹。此外，它在结直肠癌等癌症的治疗中也展现出疗效，但其在DSD治疗中的相关作用尚未见报道²⁰。鉴于炎症在DSD发病机制中的既定作用，我们推测IOX1可能通过双重机制缓解DSD的进展：一是直接抑制GFPT1（已在对接实验和斑马鱼模型中得到验证），二是抑制炎症级联反应。 本研究的优势与创新点如下。首先，这是首次对发育性睡眠障碍（DSD）的药物靶点进行大规模筛选，整合多组织数据进行顺式孟德尔随机化（SMR）和共定位分析，筛选出多个可为DSD治疗提供潜在靶点的基因。其次，通过全表孟德尔随机化（Phenome-wide MR）对这些候选靶点的潜在副作用、有益效应及成药性进行了评估。第三，通过全基因组测序（WGS）在中国人群中进一步验证了GFPT1的临床相关性及跨祖先适用性，证实其与长睡眠者睡眠障碍（LSS）风险相关，进一步确立了其作为DSD治疗靶点的候选资格。最后，开展了体内实验，进一步提升了IOX1作为DSD治疗药物的生物学合理性。 本研究存在一定局限性。首先，研究结果表明GFPT1可能通过涉及破骨细胞、成骨细胞和软骨形成的机制影响脊柱发育，但目前缺乏哺乳动物系统中直接的细胞和机制学证据，例如破骨细胞生成实验、软骨细胞分化模型或髓核细胞实验等。未来研究应优先开展这些功能验证，以明确相关的具体细胞通路。其次，本研究的功能解读主要基于血液或脑脊液来源的QTL数据，而四个筛选出的遗传变异在脊柱相关细胞类型（如软骨、椎间盘或骨组织）中的调控作用尚未得到系统验证。后续需借助疾病相关细胞模型或组织特异性QTL资源开展进一步研究，以确认其局部调控功能。第三，整合不同分析平台的QTL数据可能为研究分析引入异质性。此外，尽管本研究检测了大量基因，但仍可能遗漏了eQTLGen、CAGE和NIAGADS数据集中缺乏合适工具变量的部分重要基因。最后，已识别基因对发育性脊柱疾病风险的预测价值，还需在独立临床队列中开展深入研究。后续研究中，我们计划结合体外哺乳动物细胞模型、类器官系统和共培养实验来弥补这些不足，旨在将这些遗传研究发现转化为具有生物学和临床应用价值的机制。 综上所述，我们在血液和脑脊液中发现了3个与2种退行性脊柱疾病（腰椎管狭窄症和脊椎病）表型相关的潜在药物靶点（GFPT1、GPX1和SERPINA1）。其中，针对GFPT1和GPX1开发退行性脊柱疾病治疗药物未显示潜在副作用。中国人群队列的全基因组测序分析表明，GFPT1与腰椎管狭窄症的发病风险相关，凸显了其跨种族适用性。分子对接实验证实GFPT1具有良好的成药性，提示IOX1可能是治疗GFPT1异常表达所致退行性脊柱疾病的潜在治疗剂。体内药理实验进一步证实了IOX1治疗退行性脊柱疾病的潜力。这些研究结果为退行性脊柱疾病的遗传机制和治疗策略提供了新见解。但需注意，本研究结论尚处于初步阶段，仍需通过临床和实验研究进一步验证。 方法 研究设计 本孟德尔随机化研究依据《加强流行病学观察性研究报告的STROBE-MR》指南开展。 图1展示了本研究设计的示意图。暴露因素所需的eQTL和pQTL数据来源于3个渠道：eQTLGen联盟、CAGE和NIAGADS（补充数据1）。作为结局指标的DSD相关表型数据来自FinnGen R9研究和英国生物银行研究（补充数据1）。本研究使用的公开GWAS、eQTL和pQTL汇总统计数据均来源于已有伦理批准和参与者知情同意的研究，相关信息在原始出版物中已有报道。本项涉及人类参与者的研究已获内蒙古医科大学医学伦理委员会批准（批准号：YKD202301033）。所有参与者在血样采集和全基因组测序分析前均签署了书面知情同意书。本研究未使用任何软件进行数据收集。研究严格遵守所有与人类研究参与者相关的伦理规范。 可药物靶向基因列表 本研究中讨论的可药物化基因源自 Finan C 等人的一篇综述，该综述在 20300 个蛋白质编码基因中识别出了 4479 个可药物化基因。本研究剔除了 16 个假基因，使用了剩余 4463 个具有独特基因符号的基因²⁵。 QTL 数据来源 eQTLGen联盟对37个队列的31684份血液样本开展了大规模荟萃分析，鉴定出16989个基因的顺式表达数量性状位点（cis-eQTLs）²⁰。本研究将其与4463个潜在可药物化基因取交集后，得到2235个可药物化基因。本研究使用的1593个外周血可药物化基因的顺式-eQTLs来自CAGE数据库，该研究通过全基因组关联分析纳入了2765名个体的8080个外周血基因²¹。本研究采用的151个脑脊液可药物化基因的顺式蛋白数量性状位点（cis-pQTLs）源自NIAGADS数据库，该数据库包含对181种脑脊液蛋白（涉及835名个体）进行全基因组关联分析后得到的汇总统计数据²²。上述顺式数量性状位点（cis-QTLs）的窗口大小均为1兆碱基（1Mb），全基因组显著水平的cis-QTLs（P<5 ×10^{-8}）被纳入SMR分析。SMR分析过程中，以1000 Genomes计划的欧洲人群参考数据为基准进行了聚类分析。 双性发育异常两种表型的数据源 芬恩基因R9研究和英国生物银行研究提供了两种退行性脊柱疾病表型（包括椎管狭窄和脊椎病）的全基因组关联分析汇总统计数据。芬恩基因和英国生物银行中患有这两种退行性脊柱疾病表型的所有参与者均为欧洲血统23,24，且基础研究数据同时包含女性和男性参与者。芬恩基因R9研究是一项综合性基因组学研究，对来自芬兰生物银行的50万余份样本进行了分析。在该研究中，R9研究包含18,989例椎管狭窄病例和19,892例脊椎病病例，共有270,964名对照参与者23。我们还从英国生物银行获取了两种退行性脊柱疾病表型的汇总数据，其中包括3,733例椎管狭窄病例和5,077例脊椎病病例。患脊柱炎，共设置391,917名对照24。研究基于广义线性混合模型（GLMM），运用SAIGE软件对英国生物银行数据进行分析。研究人员借助GLMM对英国生物银行中约1400个表型码二元表型进行细致分析，涉及约2800万个变异位点，涵盖英国40万名白种人样本。这一方法有效缓解了全基因组关联研究（GWAS）中因病例与对照样本失衡引发的多重假阳性及复杂人群结构问题24。研究以FinnGen和英国生物银行（UKB）中双氢睾酮脱发症（DSD）两种表型的全基因组关联研究（GWAS）元分析结果，作为SMR分析的结局指标。 全基因组关联研究荟萃分析 在进行元分析之前，先对芬根（FinnGen）和英国生物银行（UKB）中双相情感障碍（DSD）的两种表型（椎管狭窄和脊椎病）开展质量控制（QC），包括剔除缺失数据、无意义数值（P>1 以及β值为无穷大或0的情况）、重复的单核苷酸多态性（SNPs）以及MAF<0.5%相关的SNPs，以获得清洗后的数据26。随后使用METAL工具对清洗后的数据进行进一步的全基因组关联分析（GWAS）元分析。本研究采用基于标准误的GWAS元分析方法，同时对所有数据集进行基因组控制、样本重叠校正和等位基因频率追踪27。使用CMplot软件包绘制曼哈顿图（补充图3），以展示双相情感障碍两种表型的GWAS元分析结果28。 SMR分析 我们使用SMR软件工具（1.3.1版）对全基因组显著水平的顺式数量性状位点（cis-QTLs）以及先天性脊柱侧弯和脊柱关节病两种性发育异常（DSD）表型进行了SMR分析（P<5 ×10^{-8}）。我们进一步进行了错误发现率（FDR）校正以去除假阳性结果（FDR_P>0.05），该校正通过R软件（4.3.1版）中的“p.adjust”函数完成。我们还使用R包ggplot2（3.4.4版）绘制火山图和森林图，以可视化呈现FDR校正结果。 双样本孟德尔随机化分析 我们使用TwoSampleMR软件包（0.5.7版）对可药物基因以及两种椎间盘疾病（椎管狭窄和脊椎病）表型进行了双样本孟德尔随机化（MR）分析，以验证孟德尔随机化结合表达数量性状位点（SMR）的分析结果。为满足MR分析中有效工具变量（IVs）对纳入单核苷酸多态性（SNPs）的前提条件，我们采用PLINK软件（1.9版）和ieugwasr工具（0.1.5版），按照以下标准筛选SNPs：首先选取与可药物基因显著相关的SNPs（P<5 times)、10^{-8} ）；随后进行连锁不平衡（LD）聚类分析以筛选SNPs（r^{2}<0.001)，筛选范围为10000千碱基对）。30. 最后，提取出这些独立显著的SNP作为工具变量，并进一步对其进行量化分析通过F统计量进行分析，其中(F-statistics >10)为工具变量的有效性提供了强有力的证据30。这些工具变量也被用于后续的全表型组孟德尔随机化分析。对于包含多个变异的工具变量，我们采用逆方差加权孟德尔随机化法；对于仅单个工具变量，则采用沃尔德比率法。利用ggplot2绘制的森林图展示了双样本孟德尔随机化分析的结果。 敏感性分析 为了提高研究结果的稳健性，我们开展了敏感性分析。在SMR分析中，我们使用SMR软件工具进行了HEIDI检验。我们选取了带有P<1.57 times和10^{-3}标记的顺式数量性状位点（cis-QTL）进行HEIDI检验29。每次HEIDI检验所需的cis-QTL数量最小值为3，最大值为20 29。若满足P_HEIDI > 0.05条件，则表明不存在异质性2。在两样本孟德尔随机化（MR）分析中，我们进行了水平多效性检验和异质性检验。这些检验分别通过TwoSampleMR包中的“mr_pleiotropy_test”和“mr_heterogeneity”函数完成。我们采用MR Egger法和逆方差加权（IVW）法开展水平多效性检验。若满足(P_{-}pleiotropy >0.05)条件，则说明分析中纳入的单核苷酸多态性（SNPs）未受水平多效性影响。我们使用Cochran Q检验来确定分析中各SNPs之间是否存在异质性。若满足(P_{-}heterogeneity >0.05)条件，则表明不存在异质性。 共定位分析 本研究采用Coloc R包（5.2.3版）及贝叶斯方法进行共定位分析[31]。该贝叶斯方法针对以下假设计算后验概率：（i）H0：特定基因组区域内，可药物基因水平（性状1）及DSD的两种表型（椎管狭窄症和脊椎关节病）均无因果变异；（ii）H1：特定基因组区域内，仅性状1存在一个因果变异；（iii）H2：特定基因组区域内，仅性状2存在一个因果变异；（iv）H3：特定基因组区域内，性状1和性状2分别存在两个不同的因果变异；（v）H4：特定基因组区域内，性状1和性状2存在一个共享因果变异。本研究分别设定了SNP仅与性状1相关的先验概率（p1)对应(1 ×10^{-4}）、SNP仅与性状2相关的先验概率（p2)对应1 ×10^{-4}），以及SNP与两种性状均相关的先验概率（p1)对应(1 ×10^{-5}）。若两个信号（was ≥0.8）之间共享因果变异的后验概率（PH4）≥0.8，则认为该结果为共定位提供了强有力的支持；将共定位提供中等支持的判定标准定义为(0.5