导语
全基因组关联研究做了将近二十年，累积下来的是数万个统计学显著的位点。但真正能用上的极少。原因不神秘：超过九成的风险位点落在非编码区，它们不改变蛋白序列，只改变“某个基因在某种细胞里表达多少”。要判断一个位点有没有成药价值，必须回答三个问题——它作用于哪种细胞、调控哪个基因、通过什么机制影响疾病。过去绝大多数研究只能用全血作答。全血是十几种免疫细胞混在一起的匀浆，一个只在自然杀伤细胞里成立的效应，混进 T 细胞、B 细胞和中性粒细胞之后会被稀释到几乎看不见。位点有了，机制没有，靶点也就无从落地。2026 年 10 月，澳大利亚加文医学研究所领衔的团队在《自然》连发三篇论文，用单细胞分辨率把这件事重做了一遍。
一、缺的那一层不是数据量，是分辨率
要理解这项工作为什么重要，先要区分两类遗传学证据。一类是关联：某个位点与某种疾病在人群里统计相关。另一类是机制：这个位点在哪种细胞里、改变了哪个基因的转录、进而改变了什么功能。药物研发需要的是后者，因为只有机制才能指向可干预的分子。
表达数量性状位点（eQTL）研究就是打通这一步的工具。它把每个人的基因型与该基因的表达量配对，找出“携带某个等位基因的人，这个基因表达更高还是更低”。全血 eQTL 已经做了十几年，样本量从几百做到几千，位点也找到了几十万。但全血的细胞组成因人而异——有人中性粒细胞占比高，有人淋巴细胞占比高——这种组成差异本身就会让表达量上下浮动，把真正的调控效应盖住。
单细胞技术提供了另一种解法：不混，直接按细胞类型分别算。加文医学研究所的 TenK10K 项目目标是从一万名志愿者身上建立免疫细胞的遗传调控图谱，本次发表的是第一阶段。研究团队对近 2000 名澳大利亚人做全基因组测序，并用单细胞技术测量了他们超过 900 万个免疫细胞的基因活性，把数千万个遗传变异追踪到具体起作用的细胞类型，再与 16 种疾病和 44 项血液特征建立联系。
二、第一层：18 万个表达效应，和 893 个此前看不见的基因
三篇论文分别处理基因调控的一个层面，合起来才构成完整图景。
第一篇由 Anna Cuomo 主导，聚焦 21000 个蛋白编码基因，鉴定出超过 18 万个常见与罕见变异对基因表达的影响。其中约四分之一——接近 5000 个基因——在此前规模最大的全血研究中从未被发现与遗传变异有关联。差异的来源正是细胞类型特异性：一个只在浆细胞样树突状细胞里起作用的调控变异，在全血里几乎不贡献信号。
更关键的是与疾病数据的对接。研究者把这份细胞类型特异的调控图谱与 16 种疾病的遗传研究结果比对，找到 893 个与疾病或血液特征相关、但其表达此前从未被证实受遗传变异调控的基因。这些基因大多只在特定细胞亚群中呈现效应，这恰好解释了全血研究为何漏掉它们。全部三篇工作合计指向近 1500 个可能参与疾病发生的基因。
这类数字的意义不在于多，而在于每一行都带着两个额外坐标：哪种细胞、哪个调控环节。对于做靶点发现的人，这相当于把一份只有基因名的清单，换成了一张带地址和门牌号的清单。
三、第二层：被跳过的串联重复
第二篇由 Hope Tanudisastro 主导，处理的是基因组里长期被技术绕开的一块：串联重复序列。这是一类首尾相接、重复排列的短片段，在基因组里占的“地盘”比所有蛋白编码基因加起来还大，调控功能重要，但短读长测序很难准确判定重复次数，因此长期被排除在常规分析之外。
团队鉴定出超过 69000 个与基因表达变化相关的串联重复变异，并发现 200 多个基因中的重复序列能够解释遗传变异与免疫、血液特征之间的部分关联。这项工作的分量在于补盲：以往 eQTL 研究把这些区域当作不可解析的黑区直接跳过，等于承认有一部分遗传效应永远找不到落点。
对产业端的直接含义是，针对短串联重复的检测在方法学上必须单独设计。常规外显子或全基因组短读长流程给出的重复次数是估算值，直接拿来关联表达量会产生系统性偏差。这类位点若真要进入伴随诊断或风险分层，需要长读长测序或专门的分型方法，成本与通量都是新的约束。
四、第三层：染色质开不开，决定了调控能不能发生
第三篇转向染色质可及性，也就是 DNA 在细胞核里是松散开放、还是紧密缠绕。开放区域才有条件被转录因子结合，因此这一层决定了“调控有没有机会发生”，比表达量更接近上游。
研究团队找到超过 24 万个与染色质可及性相关的遗传变异，并把其中超过 28000 个 DNA 区域与其调控的靶基因对应起来。最能说明价值的是一个对比：在解释疾病相关遗传区域时，只用表达量信息，与叠加染色质可及性信息相比，后者能额外解释最多 23% 的区域。也就是说，有近四分之一的疾病关联位点，只有看染色质状态才能说清它在干什么。
三层叠加起来，构成了一个从“DNA 序列”到“染色质状态”再到“转录本丰度”的因果阶梯。任何一层单独看都会有盲区，这是三篇论文同期刊出的原因，也是它们必须合起来读的原因。
五、对一个具体靶点意味着什么
论文给出的示例最能说明方法的价值。研究团队发现一个遗传变异会提高自然杀伤细胞中 OSM 基因的表达，同时增加炎症性肠病的风险。OSM 编码肿瘤抑制素 M（oncostatin M），一种促炎细胞因子。这条线索的价值在于它同时给出了细胞（自然杀伤细胞）、分子（OSM）和方向（表达升高）。
如果把这条链拆开看，每一步都可以验证：在自然杀伤细胞里敲低 OSM 是否降低肠道炎症；OSM 中和抗体是否只在特定基因型患者中有效；血清 OSM 水平能否作为分层标志物。这正是全血研究给不出的东西——它只会告诉你“这个位点与肠病相关”，然后停在那里。
对检测端也有直接提示。既然大量调控效应具有细胞类型特异性，那么用全血批量表达量做生物标志物，本质上是在测量一个加权平均值，权重还随样本的细胞组成漂移。这与组分解析诊断领域早已遇到的问题同构：提取物检测测的是混合比例，临床想知道的是那一个蛋白。可行的折中是同时报告细胞组成与目标基因表达，或直接在分选后的细胞亚群上做定量。
边界同样要说清楚。这份图谱建立在澳大利亚人群样本上，而 eQTL 的效应量与等位基因频率都有人群依赖性，跨族裔外推需要在相应人群中重做。eQTL 本身是统计关联，不等于因果，仍需孟德尔随机化或实验验证。单细胞聚类给出的细胞类型是分析标签，不完全等同于生理状态，稀疏表达也让低丰度基因的检出力偏弱。这些问题不削弱结论，但决定了它能被用在哪些环节。
真正被改变的，是靶点验证的时间顺序。过去是先有生物学假设、再做遗传学佐证；现在可以反过来，从一份带细胞类型标注的变异清单出发，先看哪些基因在哪种细胞里被调控，再决定要不要投入做一个抗体。这一步提前，省下的不是钱，是几年。
参考资料
- Garvan Institute of Medical Research. Three landmark studies reveal the hidden layers between DNA and disease. 2026. https://www.garvan.org.au/news-resources/news/three-landmark-studies-reveal-the-hidden-layers-between-dna-and-disease
- Cuomo A, et al. Single-cell mapping of genetic effects on gene expression across human immune cell types. Nature. 2026. https://pubmed.ncbi.nlm.nih.gov/?term=Cuomo+single-cell+eQTL+immune+Nature
- Tanudisastro H, et al. Tandem repeat variants associated with gene expression in human immune cells. Nature. 2026. https://pubmed.ncbi.nlm.nih.gov/?term=Tanudisastro+tandem+repeat+eQTL
- 新华社. 澳研究团队揭示 16 种疾病相关遗传特征. 2026. https://health.people.com.cn/n1/2026/1104/c14739-40827152.html
本文仅作行业信息交流，不构成诊疗建议。