编者荐语：

由AG代理基因赞助的CGM沙龙，此次为您带来德克萨斯大学公共卫生学院生物统计学和数据科学系教授熊墨淼博士的分享。

CGM将于北京时间 06 月 02 日 星期四 10:00 AM举办在线沙龙活动。本期活动，我们邀请到熊墨淼教授来讲述"全基因组因果研究"，敬请期待！

熊墨淼教授，复旦大学学士，佐治亚大学博士，南加州大学博士后，现为德克萨斯大学公共卫生学院生物统计学和数据科学系教授，研究领域：人工智能、因果推理、基因组学和生物信息学。

尽管通过全基因组关联研究 (GWAS) 在剖析复杂疾病的遗传结构方面取得了重大进展，但通过关联分析确定的信号可能与疾病没有特定的病理相关性，因此大部分致病的遗传变异仍然是隐藏的，因此使用关联分析作为复杂疾病遗传研究的主要分析手段可能阻碍疾病机制发现的关键问题，这对GWAS识别基因位点潜在疾病的能力提出了质疑。现在是从关联分析转向因果关系推断的时候了，因果关系推断能够发现复杂疾病的潜在因果遗传结构。为了实现这一目标，我们提出了全基因组因果研究 (GWCS) 的概念作为 GWAS 的替代方案，并开发了用于遗传因果分析的加性噪声模型 (ANM)。介绍了检验因果关系中 ANM 的 I 类错误率和能力。我们进行了精神分裂症的 GWCS。模拟和真实数据分析都表明，重叠的关联和因果信号的比例很小。因此，我们预计我们的分析将激发对 GWAS 和 GWCS 的适用性的认真讨论。

Despite significant progress in dissecting the genetic architecture of complex diseases by genome-wide association studies (GWAS), the signals identified by association analysis may not have specific pathological relevance to diseases so that a large fraction of disease-causing genetic variants is still hidden. The use of association analysis as a major analytical platform for genetic studies of complex diseases is a key issue that may hamper discovery of disease mechanisms, calling into the questions  the ability of GWAS to identify loci-underlying diseases.It is time to move beyond association analysis toward techniques, which enables the discovery of the underlying causal genetic structures of complex diseases. To achieve this, we propose the concept of genome-wide causation studies (GWCS) as an alternative to GWAS and develop additive noise models (ANMs) for genetic causation analysis. Type I error rates and power of the ANMs in testing causation are presented. We conduct GWCS of schizophrenia. Both simulation and real data analysis show that the proportion of the overlapped association and causation signals is small. Thus, we anticipate that our analysis will stimulate serious  discussion of the applicability of GWAS and GWCS.  

参考文献：

Jiao R, Chen X, Boerwinkle E, Xiong M. Genome-Wide Causation Studies of Complex Diseases. J Comput Biol. 2022 Apr 22. doi: 10.1089/cmb.2021.0676. Online ahead of print.