基于多模态证据对性状相关位点的效应基因进行优先排序：解锁基因密码，洞察疾病关联

全基因组关联研究（GWAS）虽能发现大量与性状和疾病相关的遗传位点，但预测介导这些关联的效应基因颇具挑战。研究人员开展了 FLAMES（效应基因精细定位评估模型）框架研究。结果显示，该框架结合多种证据优于单一策略，还能解析相关位点、发现风险基因，为相关研究提供助力。

　　全基因组关联研究（GWAS）会产生大量与性状和疾病相关的遗传位点。预测介导这些位点 - 性状关联的效应基因仍然是一个挑战。在这里，我们介绍 FLAMES（效应基因精细定位评估模型，fine - mapped locus assessment model of effector genes）框架，它可以预测某个位点中最有可能的效应基因。FLAMES 从将单核苷酸多态性（single - nucleotide polymorphisms）与基因联系起来的生物学数据中创建机器学习预测，然后将这些分数与功能网络中 GWAS 信号汇聚的以基因为中心的证据一起进行评估。我们在由专家整理、罕见变异关联和分子性状领域知识得出的基因 - 位点对中对 FLAMES 进行基准测试。我们证明，结合基于单核苷酸多态性和基于汇聚的模式优于使用单一证据的优先排序策略。应用 FLAMES，我们解析了双卵双胞胎 GWAS 中的FSHB位点，并且进一步利用这个框架找到与罕见编码证据汇聚且在生命不同阶段相关的精神分裂症风险基因。