利用生成式深度学习预测复杂性状的致因基因集：PNAS重磅新方法解读 一、学术背景与研究动机 复杂性状的困境 基因型与表型关系一直是生物学和遗传学领域最核心的问题之一。尤其在生物体级别的复杂性状（complex traits）研究中，这一问题尤为突出。所谓复杂性状，指的是表型受多基因（或多个基因位点，loci）协同作用调控，如常见的哮喘、炎症性肠病、糖尿病、癌症转移等。这些性状通常受遗传背景、表观遗传、环境因素等多重因素影响，使得从基因型预测表型变得异常困难。 现代遗传学研究主要依赖于全基因组关联研究（GWAS, genome-wide association studies）或转录组关联研究（TWAS, transcriptome-wide association studies）等关联分析...

一、学术背景与研究动因 近年来，基因型-表型（Genotype-Phenotype, G-P）关联分析已成为揭示复杂性状遗传基础的核心手段，尤其在人类面部、四肢、骨骼等多维结构性状的研究中获得了快速发展。传统上，G-P分析依赖简单、预设的人体解剖测量指标，或者采用诸如主成分分析（Principal Component Analysis, PCA）等无监督降维技术，抽取如“主成分（principal components）”“特征面（eigen-shapes）”等数据驱动特征。这些方法虽然流行，但并不一定能够选取真正携带丰富遗传信息、具有遗传生物学相关性的表型轴线。换言之，很多PCA得出的特征主轴，虽然能够涵盖大部分形态变异，却并未必在基因层面具备最大化的解释力，容易遗漏关键的遗传信号。 此外...