PheWAS 全表型关联分析
GWAS 是一个表型对全基因组位点；PheWAS（全表型关联分析）反过来，用一个遗传变异、一个基因或一个多基因评分，同时检验它与成百上千个表型的关联。表型通常来自电子病历或生物样本库，把 ICD 诊断编码归并为 phecode 这类更接近临床疾病的分类，再加上实验室指标和问卷性状。PheWAS 能揭示位点的多效性，为药物靶点提示潜在适应症或不良反应，也能检验 GWAS 新位点的表型谱是否合理。典型数据来自 UK Biobank、FinnGen 或医院生物样本库；只有汇总统计时，也可在公开的多表型 GWAS 资源中查询。PheWAS 属于科研分析，不能用于个人疾病风险判断或临床决策。
什么时候用
- GWAS 找到新位点，想看它还与哪些疾病或指标相关
- 评估药物靶点基因的功能缺失变异关联哪些表型，预判可能的不良反应
- 用 PRS 扫描全表型，研究某个性状的遗传易感性还与哪些疾病相关
- 以遗传工具变量做 MR-PheWAS，筛选暴露可能影响的结局
- 有带病历的生物样本库数据，想系统描述一个基因的表型谱
不适合的情况
- 样本量只有几千、病历信息很少：大多数表型病例数不足，检验效力极低
- 想证明某个变异导致某种疾病：PheWAS 是关联筛查，需要独立验证和因果分析
- 表型来源只有自报问卷且编码不统一：难以构建一致的病例与对照定义
需要准备的数据
- 基因型或遗传评分
- 目标 SNP 的剂量、基因负荷值或 PRS；样本 ID 与表型数据一致，并完成样本质控
- 诊断编码
- 长格式的个体 ID、ICD-9 或 ICD-10 编码与日期；需与 phecode 映射表的编码版本一致
- 连续表型
- 实验室指标、体格测量等，去除极端值并考虑是否做秩逆正态变换
- 协变量
- 年龄、性别、遗传主成分、招募中心或基因型批次；性别特异疾病需要单独的性别限定
分析步骤
- 1
编码映射为 phecode
把 ICD 编码映射到 phecode，可用 R 包 PheWAS 的 createPhenotypes 函数或对应映射表。检查映射率，映射不到的编码比例过高时，多半是编码格式（是否带小数点）或版本不对。
- 2
定义病例与对照
常见规则是某个 phecode 出现两次及以上记为病例，从未出现且不含相关排除 phecode 的记为对照，只出现一次的记为缺失。排除范围避免把相近疾病的患者当作对照，从而稀释效应。
- 3
设定纳入阈值
剔除病例数过少的表型，常见做法是要求至少 20 例病例；性别特异表型只在对应性别中分析。记录被纳入的表型数，它决定多重校正的力度。
- 4
逐表型回归
二分类 phecode 用 logistic 回归，连续表型用线性回归，统一校正年龄、性别和主成分。病例很少时普通 logistic 回归可能不收敛或估计偏倚，可改用 Firth 惩罚回归。检查每个模型的样本量和收敛情况。
- 5
多重校正
按纳入的表型数做 Bonferroni 校正，或用 FDR 控制假发现率。phecode 之间存在层级和相关，Bonferroni 偏保守；报告中应说明采用的方法和实际检验数。
- 6
复核显著结果
对显著关联逐个检查：病例数、效应方向、是否由少数相关 phecode 重复贡献，以及是否被已知的共病或用药解释。必要时加入可能的中介变量做敏感性分析，再到独立队列或公开 GWAS 中查验。
关键参数与决策
病例最少出现次数
要求诊断出现两次以上可减少一次性误编码，提高病例的准确性，但会减少病例数。急性病或只在住院记录中出现的疾病，严格的次数要求会损失大量真实病例，可做敏感性分析比较两种定义。
最少病例数
病例数太少时效应估计不稳且几乎不可能通过多重校正，常见经验做法是要求 20 例以上，大型样本库常设更高阈值。阈值决定纳入表型数，也就影响校正后的显著性门槛。
遗传模型
单个 SNP 通常按加性模型以剂量编码。罕见功能缺失变异可按携带与否编码，或把同一基因内多个变异合并为负荷值。隐性模型只在纯合个体足够多时才有意义。
表型来源范围
只用住院诊断会漏掉门诊和初级保健疾病，合并多来源可提高病例数，但不同来源的编码习惯不同。UK Biobank 常组合住院记录、死亡登记、癌症登记和自报信息，需在方法中说明组合方式。
校正协变量
常规校正年龄、性别和前若干个主成分。校正 BMI、吸烟等变量要谨慎：如果它们位于遗传变异到疾病的通路上，校正会削弱或扭曲真实关联。
常见错误
- 对照组没有排除相关疾病：例如 2 型糖尿病的对照中包含未分类糖尿病患者，效应被稀释，真实关联可能检测不到。
- 把多个高度相关的 phecode 的显著结果当作独立发现：同一类疾病的父子 phecode 常同时显著，实际只是一个信号。
- 用全部表型数做 Bonferroni 但只报告最显著的几个：阈值与实际检验不对应时，读者无法判断假阳性程度。
- 忽略性别特异表型：在全样本中分析前列腺或妊娠相关疾病，会把另一性别全部当作对照，造成严重偏倚。
- 把 PheWAS 显著关联直接写成因果或多效性：关联可能来自 LD 中的相邻变异、共病或中介路径，需要共定位或 MR 进一步区分。
- 基因型和病历来自不同时间点的样本且未核对 ID：样本错配会让所有关联趋于零，难以察觉。
结果怎么看
PheWAS 曼哈顿图
横轴按疾病类别排列 phecode，纵轴为 -log10(P)，三角形朝上或朝下表示效应方向，水平线为校正后阈值。看显著点集中在哪些类别，是否与变异的已知功能一致。点分散在各类别且都只是略过阈值，往往需要更严格的复核。
显著关联表
列出 phecode、疾病描述、病例与对照数、OR 或 BETA、置信区间和 P 值。病例数很少但 OR 极大的关联要特别谨慎，置信区间很宽说明估计不稳。效应方向相反的同类疾病需要结合生物学判断。
效应森林图
把显著表型的效应值和置信区间并列展示，便于比较不同疾病的效应大小。同类疾病效应一致时可信度更高；可加入独立队列的结果并排对比，看是否重复。
病例数与功效分布
展示所有纳入表型的病例数分布，帮助判断阴性结果是真的无关联还是功效不足。多数表型病例数很少时，PheWAS 的阴性结果不能解读为没有多效性。
和相近方法怎么选
PheWAS 与 GWAS
GWAS 固定一个表型扫描百万位点，PheWAS 固定一个遗传因素扫描上千表型。两者多重校正的规模不同，PheWAS 的阈值通常宽松很多。GWAS 用于发现位点，PheWAS 用于描述已知位点或评分的表型谱。
SNP-PheWAS、PRS-PheWAS 与 MR-PheWAS
SNP-PheWAS 回答单个位点的多效性；PRS-PheWAS 回答某个性状的遗传易感性还与哪些表型相关；MR-PheWAS 在 PRS 或工具变量基础上引入因果推断框架，筛选暴露可能影响的结局。研究问题决定使用哪种形式。
个体水平 PheWAS 与汇总统计查询
有个体数据时可以自定义病例对照和协变量，结果可控。没有个体数据时，可以在 FinnGen、UK Biobank 等公开多表型 GWAS 中查询某个 SNP 的关联，速度快，但病例定义和校正方式由原研究决定，不同资源之间不一定可比。
常见问题
phecode 和 ICD 编码有什么区别？
ICD 编码为计费和统计设计，粒度很细，同一疾病可能分散在多个编码中。phecode 把相关 ICD 编码归并为更接近临床疾病概念的类别，并为每个 phecode 定义对照排除范围，减少病例分散和对照污染，更适合关联分析。
PheWAS 的显著性阈值怎么定？
常用做法是 0.05 除以实际纳入的表型数，例如纳入 1000 个表型时阈值为 5e-5。由于 phecode 之间相关，Bonferroni 偏保守，也可以用 FDR。关键是报告时说明实际检验的表型数和校正方法。
在 UK Biobank 做 PheWAS 需要哪些数据？
需要申请基因型或填充数据，以及住院诊断（ICD-10 编码，如字段 41270）、死亡登记、癌症登记等表型数据。常与主成分、亲缘信息一起使用，剔除近亲与非目标祖源样本后再分析。具体字段以申请时的数据说明为准。
PheWAS 和 MR 有什么关系？
PheWAS 只说明关联，MR 用遗传变异作为工具变量推断因果。常见做法是先用 PheWAS 或 MR-PheWAS 在全表型中筛选候选结局，再对显著结局做完整的两样本 MR，并用敏感性分析检验多效性。
没有个体数据能做 PheWAS 吗？
可以做汇总统计层面的查询：在公开的多表型 GWAS 资源中查找某个 SNP 或其替代位点的全部关联结果，或用 ieugwasr 等工具批量提取。这种方式适合描述性分析，但无法自定义病例定义，结果需注明来源。
在 Codar 里怎么做
在 Codar 里提供基因型（或 PRS）、诊断编码表和协变量，说明要分析的变异或评分，会先确认病例对照规则、最少病例数和校正方法，然后完成 ICD 到 phecode 的映射、病例与对照构建、逐表型回归和多重校正，并整理显著关联。交付 PheWAS 曼哈顿图、显著关联表、效应森林图、分析报告和可复现脚本。
我有 UK Biobank 中 PCSK9 一个功能缺失 SNP 的基因型和 ICD-10 住院诊断，想做 PheWAS，校正年龄、性别和前 10 个主成分