基因风险评分换个人群就失灵？不跑新GWAS，本地重新加权让预测力提升近两成（Nature Communications）

期刊：Nature Communications（2025年度JCR影响因子 18.1） | 发表日期：2026年10月23日 | 第一作者：Min Seo Kim 等（通讯见原文） | 单位：麻省总布莱根心血管研究所 · Broad研究所（美国波士顿） | DOI：10.1038/s41467-026-77770-z

一句话结论

研究显示，一套后校准框架能把多个已发表的多基因风险评分（PRS）按目标队列的预测表现重新加权整合，无需新的GWAS或复杂上游算法；在麻省总布莱根生物样本库中，冠心病、前列腺癌与乳腺癌的风险预测C指数平均提升19.8%、9.4%与8.3%，高危病例捕获率显著增加。

PRS落地的堵点：换个队列就“水土不服”

多基因风险评分被寄望用于遗传风险的分层预防，但公开评分在跨人群、跨队列迁移时预测力衰减明显——训练人群与使用人群的 ancestry、患病率、检测平台差异都会稀释效力，这是PRS进临床的主要堵点。

麻省总布莱根与Broad研究所团队的解法刻意做得“轻”：把某疾病的多个已发表PRS一起纳入，用机器学习按它们在本地队列中的预测表现重新加权，合成一个本地优化的复合评分。

三个病种的实测：不用新GWAS也见效

据论文报道，框架在三个已有PRS临床试验布局的病种上验证：冠心病（CAD）、乳腺癌（BC）与前列腺癌（PC）。

在MGB Biobank中，本地优化使C指数平均提升：CAD +19.8%、PC +9.4%、BC +8.3%。病例捕获的变化更直观——CAD高危分层识别出27.7%的病例，而表现最好的已发表评分为17.8%；乳腺癌为20.8%对7.1%，前列腺癌为16.4%对8.8%。

务实路线图与它的边界

这套方法的价值在于工程可行性：不需要新的全基因组关联研究，不需要复杂的上游算法创新，健康系统可以用现有资源完成本地化校准，有助于缓解“一刀切”外源评分带来的偏差。

边界照例如实说明：验证限于单一生物样本库与三个病种，其他疾病与更多样化人群中的效果还需外推验证；评分反映的是统计风险而非确定结局，临床使用须结合家族史与其他危险因素。对想做PRS落地的机构来说，这是一份可以直接照着做的蓝图。

信息来源

• 论文期刊：Nature Communications（影响因子参考：18.1（2025年度JCR））
• DOI：10.1038/s41467-026-77770-z
• 发表日期：2026-10-23（在线发表）
• 作者单位：麻省总布莱根（Mass General Brigham）心血管研究所 · Broad研究所心血管疾病计划（美国波士顿）等多机构合作（通讯作者见原文）
• 配图：论文原文 Figure 1/2，版权属原作者及出版社

本文为基于论文公开摘要与原文信息的原创科普整理，动物模型结果与人体疗效已严格区分，未核验字段已如实标注。