从群体到个体，基因研究终于精准到单个人

你或许听过GWAS——全基因组关联研究，这种曾被寄予厚望的技术，在人类身上找到了3000多个和身高相关的基因位点，可这些位点加起来，只能解释三分之一的身高遗传差异。医生拿着一堆和疾病相关的基因变异，还是不知道该给你开什么药；农学家找到几十个抗寒基因，却没法精准培育出抗冻的茶树。我们明明掌握了海量基因数据，却像拿着一堆零件，拼不出完整的机器。直到2026年春天，邬荣领和丘成桐团队在PNAS发表的研究，给这堆零件连上了电线——他们把每个个体的基因，拼成了一张能运转的网络。

从“平均人”到“单个人”的跨越

1918年，Fisher用一篇论文奠定了定量遗传学的基础：他把复杂性状的遗传变异，拆解成单个基因的“平均效应”。这就像统计一个城市的平均工资，能看出整体水平，却没法知道你隔壁邻居到底赚多少钱。后来的GWAS技术，本质上还是在找群体里的“平均基因效应”——它能告诉你“携带某基因的人更容易得糖尿病”，但没法解释为什么同样携带这个基因，有人发病有人没事。

问题出在基因从来不是单打独斗。一个基因的功能，可能被另一个基因增强，也可能被第三个基因抑制，这种“基因互作”才是复杂性状的核心。但传统方法要么只能分析单个基因，要么只能两两配对检验，面对人类基因组里的两万个基因，这种方法就像在大海里捞针，还得一根一根数。

邬荣领团队的FunGraph模型，直接跳过了“平均”这个步骤。他们把每个个体的等位基因当成网络里的节点，把基因间的调控关系当成带方向、有权重的边——就像给每个基因装上传感器，能看到谁在激活谁，谁在抑制谁，力度有多大。

把基因网络拼出来的技术魔法

要拼出单个个体的基因网络，首先得拿到最精准的基因数据——二倍型测序。我们每个人的染色体都是成对的，一条来自父亲一条来自母亲，传统测序只能测出“这两个位置有A和T”，却分不清哪个A来自父亲哪个T来自母亲。而长读长测序技术的成熟，让我们能完整读出每一对染色体的序列，也就是“二倍型”，相当于拿到了基因的“原始设计图”。

有了设计图，FunGraph模型就开始工作了： 它先用LASSO变量选择，从两万个基因里筛选出真正和目标性状相关的关键节点，避免网络过于复杂；再用常微分方程模拟基因间的动态调控关系——就像模拟一个生态系统，哪个基因是捕食者，哪个是猎物，它们的数量如何此消彼长；最后构建出一个多层级的网络，从粗粒度的模块间互作，到细粒度的单个基因调控，一层一层拆解清楚。

在木本植物的实验里，这个模型不仅找到了抗寒的核心基因，还发现这些基因在叶片和茎里的调控网络完全不同——原来植物的抗寒性，是不同器官协同作战的结果，而不是某个单一基因的功劳。

离我们的生活还有多远

这个模型最直接的应用，就是精准育种。过去培育抗寒茶树，只能靠杂交和筛选，运气好的话十年能出一个新品种。现在用FunGraph模型，能直接在茶树苗里找到抗寒网络最完整的个体，或者精准编辑调控网络里的关键节点，把育种时间压缩到几年。

在医学上，它的潜力更大。比如癌症，传统治疗是“一刀切”——所有肺癌患者都用同一种化疗药，但实际上每个患者的癌症基因网络都不一样。用这个模型，能画出每个患者的癌症基因调控网络，找到网络里的“关键开关”，针对性地设计治疗方案，甚至预测哪个患者对哪种药物更敏感。

当然，它也有局限。目前的模型还只能处理转录组数据，没法整合表观遗传、蛋白质组等更复杂的信息；而且构建一个个体的基因网络，需要大量的计算资源，普通人还没法轻易获得。但这些问题，随着测序成本的下降和计算能力的提升，都在慢慢解决。

我们曾经以为，破解了基因序列就能破解生命的秘密，就像以为拿到了字典就能写出好文章。但生命的奥秘，从来不在单个的基因里，而在基因之间的连接里——那些看不见的调控关系，才是生命运转的真正密码。

邬荣领和丘成桐团队的研究，不是给我们找到了更多的基因零件，而是给了我们一张能看懂的电路图。从群体到个体，从单个基因到整个网络，我们终于开始真正理解，每个独一无二的生命，是如何被基因调控的。

读懂基因网络，才能读懂独一无二的你。