2026年发表于Nature Communications的一项研究使用了一个由6,135例病例和6,245例对照组成的队列的全外显子组测序数据，以预测精神分裂症风险。研究人员评估了用于遗传风险预测的端到端基因组解读神经网络模型。研究结果显示，在样本量充足的情况下，非线性神经网络明显优于传统的加性模型。
该研究指出，精神分裂症相关等位基因和变异之间的高阶遗传相互作用应被纳入临床和数量遗传学模型。为研究模型的决策过程，研究人员将可解释人工智能技术与生物学先验知识相结合。该方法不仅再次识别出此前已知的精神分裂症风险基因，还重点提出BASP1可能是一种参与神经元发育、但尚未得到充分研究的精神分裂症基因。
论文部分内容改编自N. Verplaetse公开发表的博士论文。该研究由KU Leuven和Université de Montpellier-CNRS UMR 5535的研究人员开展，并获得FWO、CNRS Chaire de Professeur Junior、Research Council KU Leuven、CELSA、Flemish Government和AI Research Program的支持。作者声明不存在利益冲突。该论文以Creative Commons Attribution-NonCommercial-NoDerivatives 4.0许可协议开放获取发表。
为何重要
研究结果表明，在精神分裂症遗传风险评估中，仅依赖单个变异总和的方法，可能不足以在大型数据集中捕捉生物学相互作用。这一情况凸显了以下问题：临床研究中使用的模型在多大程度上考虑了非线性关系，以及其决策是否具有生物学可解释性。将可解释人工智能与生物学信息结合使用，为避免模型输出仅停留在统计结果层面提供了一种方法学框架。BASP1作为候选基因脱颖而出，表明与精神分裂症相关的基因网络可能得以扩展；不过，这一发现对于风险预测和神经元发育的意义，仍有待后续研究进一步明确。