摘要：在每个班级里，似乎总有那么几个孩子，他们的小脑袋里仿佛装着一个永不停歇的马达。他们可能难以安坐，思绪总在云端跳跃。我们通常将这些行为表现归因于注意缺陷多动障碍（Attention-Deficit/Hyperactivity Disorder, ADHD）。然而
在每个班级里，似乎总有那么几个孩子，他们的小脑袋里仿佛装着一个永不停歇的马达。他们可能难以安坐，思绪总在云端跳跃。我们通常将这些行为表现归因于注意缺陷多动障碍（Attention-Deficit/Hyperactivity Disorder, ADHD）。然而，一个长期以来困扰着临床医生、研究人员乃至家长的问题是：ADHD究竟是一个泾渭分明的“开关”，一种“有”或“无”的疾病状态？还是说，它更像一个连续的“光谱”，从轻微的注意力不集中到严重的临床诊断，构成了一条绵延的海岸线？
这个问题的答案，不仅关乎我们如何理解和定义ADHD，更直接影响着遗传学研究的策略和方向。长期以来，寻找与ADHD相关的遗传标记就像是在一片浩瀚的基因海洋中搜寻特定的灯塔。
9月17日，《Nature Genetics》的研究报道“Genome-wide association meta-analysis of childhood ADHD symptoms and diagnosis identifies new loci and potential effector genes”，为我们提供了一张前所未有的高清航海图。这项研究巧妙地将两种不同的数据源——临床诊断的“是/非”判断与人群中广泛存在的症状评分“高/低”，结合起来，不仅极大地提升了我们识别ADHD相关遗传位点的能力，也为我们深刻理解这种复杂神经发育障碍的遗传本质，提供了坚实的证据。
要解开像ADHD这样复杂行为特征的遗传之谜，研究人员最强大的工具之一就是全基因组关联研究（Genome-Wide Association Study, GWAS）。它的原理可以被比作一次大规模的人口普查。想象一下，我们拥有数万乃至数十万人的基因组图谱，上面标记着数百万个微小的个体差异位点，即单核苷酸多态性（Single Nucleotide Polymorphisms, SNPs）。通过比较ADHD患者群体与健康对照群体，研究人员可以找出哪些SNPs在患者中出现的频率显著更高。这些SNPs就像是地图上的“危险”标记，虽然它们本身不一定是致病元凶，但它们所在或邻近的基因区域，很可能隐藏着影响ADHD风险的关键线索。
在过去，针对ADHD的GWAS研究主要采用“病例-对照”（case-control）设计。这种方法界限分明，如同拍摄一张高对比度的黑白照片：一部分人被临床医生明确诊断为ADHD（病例），另一部分人则没有（对照）。这种方法的优点是定义清晰，能够有效捕捉到导致临床疾病的强烈遗传信号。例如，在2019年和2023年的两次大型ADHD诊断研究中，研究人员分别识别出了12个和27个与ADHD诊断显著相关的遗传基因座。
然而，这张“黑白照片”也可能遗漏了重要的信息。许多未经诊断的普通儿童甚至成人，同样会表现出不同程度的注意力不集中或多动冲动症状。这些症状构成了从“典型”到“临床”的平滑过渡，形成了一幅细节丰富的“灰度图”。如果ADHD的遗传基础本质上是连续的，那么仅仅关注处于最极端（即被确诊）的个体，无疑会浪费大量存在于普通人群中的宝贵遗传信息。这些人群中的症状评分数据，如同一幅幅细腻的素描，捕捉了行为特征的细微差异。
这项新研究的独到之处，就在于它决定将这两幅“画作”：诊断的“黑白照片”与症状的“灰度图”，拼接到一起。研究人员首先发起了一项迄今为止规模最大的、针对儿童ADHD症状的GWAS荟萃分析。他们汇集了来自28个不同队列的数据，涵盖了70,953名儿童和青少年，总共包含了290,134次ADHD症状评估。这些评估数据来源广泛，不仅包括了父母的报告，还有老师的观察和孩子们的自我评估，时间跨度从2岁直至18岁。这是一个前所未有的庞大数据集，旨在描绘出ADHD症状在人群中最完整的遗传画像。
当研究团队整合了这近三十万份症状学评估数据，满怀期待地进行GWAS分析时，一个出人意料的结果出现了。在数百万个被检测的遗传变异中，竟然没有一个达到全基因组范围的统计学显著性阈值（P
这个结果堪称“意外的寂静”。在遗传学研究中，样本量通常为王。拥有如此庞大的数据集，却未能发现任何一个明确的遗传信号，这着实令人费解。这是否意味着基于症状评分的研究路径是错误的？
深入分析揭示了问题的关键。研究人员通过连锁不平衡分数回归（LDSC）分析发现，测试结果的膨胀系数（intercept）为1.01，非常接近1。这表明，结果的“不显著”并非源于样本混杂或技术偏差等混淆因素，而是真实地反映了ADHD症状背后的遗传特性：它是一种高度“多基因”（polygenic）的特征。这意味着，不存在少数几个效应强大的“明星基因”，而是由成千上万个效应微弱的遗传变异共同累积，才最终决定了个体症状的严重程度。
此外，症状数据的“异质性”（heterogeneity）也是一个重要原因。这些数据来自不同的评估量表、不同的评估者（父母和老师在不同场景下观察到的行为可能存在差异）以及不同的年龄段。这种多样性虽然增加了样本量，但也引入了大量的“检测噪音”。就像试图在一场嘈杂的交响乐中分辨出单个小提琴的微弱声音，这些噪音可能会掩盖掉那些本就微弱的真实遗传信号。因此，尽管数据量庞大，但有效信号被稀释了，导致单个遗传位点的效应难以突破统计学的“噪音阈值”。这给我们一个深刻的启示：在遗传学研究中，“数据的质量”与“数据的数量”同等重要。
既然单独分析症状数据（ADHDSYMP）未能找到显著位点，那么将其与诊断数据（ADHDDIAG）结合，又会发生什么呢？这正是该研究的核心突破所在。在进行合并分析之前，研究人员首先计算了ADHD症状与临床诊断之间的遗传相关性（genetic correlation, rg）。这个指标衡量的是，在多大程度上，影响症状严重程度的遗传因素与导致临床诊断的遗传因素是相同的。
结果令人震撼：两者间的遗传相关性估算值高达1.00（标准误为0.06），近乎完美。这一数据为“ADHD光谱理论”提供了迄今最强有力的遗传学证据。它表明，临床诊断出的ADHD并非一种独特的遗传疾病，而仅仅是人群中连续分布的ADHD症状谱系的极端表现。影响普通孩子偶尔走神的遗传因素，与导致被确诊孩子严重功能损害的遗传因素，本质上是同一组。
基于这一发现，研究人员将两大数据库进行了荟萃分析，形成了一个名为“ADHDOVERALL”的超级数据集。这次，协同的力量展现得淋漓尽致，分析结果不再是寂静无声。
研究团队总共识别出了39个达到全基因组显著性的独立遗传基因座。在这39个“灯塔”中，有22个是在之前的诊断研究中已经发现的，而另外17个则是全新的发现。这些新位点的出现，直接得益于症状数据的加入。它们在单独的诊断研究中可能只是“疑似信号”，未能达到显著性阈值，但当症状数据提供的额外统计学力量被整合进来后，这些潜藏的信号便得以“浮出水面”。这巧妙地证明了，将症状的“灰度图”信息融入诊断的“黑白照片”中，能够显著提升我们发现新遗传位点的能力，让遗传图谱的分辨率大大提高。
找到39个相关的基因座仅仅是第一步。一个基因座可能包含数个甚至数十个基因，它好比一个“嫌疑街区”，而研究人员的最终目标是找到那个真正的“肇事者”，即效应基因（effector gene）。
为了实现这一目标，团队采用了一种名为“效应基因精细定位评估模型”（Fine-mapped Locus Assessment Model of Effector genes, FLAMES）的算法。传统的基因定位方法通常依赖于基因在染色体上的物理位置，或者该基因的表达是否受该区域SNP的影响。而FLAMES则更为智能，它整合了多种不同来源的生物学证据，包括基因表达、染色质相互作用、蛋白质功能注释等，通过复杂的模型计算，为每个“嫌疑街区”中的每个基因打出一个“嫌疑分数”。只有那些证据确凿、远比邻近其他基因更可能是“真凶”的基因，才能获得高分。
通过FLAMES的严苛筛选，研究人员在39个基因座中锁定了22个潜在的效应基因。这是一个极具价值的候选名单。在这22个基因中，有10个已在先前的研究中被报道过，而另外12个则是首次被直接与ADHD关联起来。更令人兴奋的是，其中有8个基因（EMCN, STK32C, PCDH17, TCF12, PEAK1, IGF1R, CTNNA2 和 ABCA12）不仅在以往的ADHD研究中未被提及，甚至在整个GWAS数据库中都从未与ADHD挂钩。这些“新面孔”为我们打开了探索ADHD生物学机制的全新窗口，它们可能指向一些此前被我们忽视的生物学通路和过程。
进一步的富集分析揭示了这些基因的共同特征。研究发现，这22个潜在效应基因在与大脑功能相关的基因集中表现出显著的富集，特别是在大脑的额叶皮层（frontal cortex），（这个负责执行功能、注意力和决策的关键脑区），中差异性表达的基因集中尤为突出。此外，它们还与神经发育、突触功能（synapse organization）和化学突触传递的调控（postsynaptic modulation of chemical synaptic transmission）等生物学过程密切相关。这描绘出了一幅清晰的生物学图景：ADHD的遗传风险基因，主要通过影响大脑（尤其是前额叶皮层）在发育过程中的神经连接和信息传递，来发挥其作用。
基因很少只做一件事。一个影响ADHD的基因，也可能同时影响其他生理或心理特征，这种现象被称为“遗传多效性”（genetic pleiotropy）。利用强大的“ADHDOVERALL”数据集，研究人员探索了ADHD与其他49种复杂性状之间的遗传关联，绘制出了一张错综复杂的“遗传蛛网”。
结果揭示了一些深刻的联系：
与外部化行为的紧密交织：ADHD与儿童期攻击性行为（childhood aggressive behavior）的遗传相关性高达rg = 1.13，与反社会行为（antisocial behavior）的相关性也达到了rg = 0.97。这些近乎完美的正相关表明，驱动ADHD风险的遗传因素与驱动这些破坏性行为的遗传因素高度重叠。这为临床上常见的ADHD共病行为问题提供了强有力的遗传学解释。
与认知能力的负向关联：研究发现了ADHD与认知功能之间显著的负向遗传关联。例如，它与受教育年限（educational attainment）的相关性为rg = -0.55，与儿童期智商（childhood IQ）的相关性为rg = -0.43。这并不意味着携带ADHD风险基因的人“不聪明”，而是表明，那些增加ADHD风险的遗传变异，同时也可能对支持学业成就和认知测试表现的神经环路产生不利影响。
与精神健康和生活方式的复杂关系：ADHD与其他精神疾病，如重度抑郁症（major depressive disorder, rg = 0.57）和自闭症谱系障碍（autism spectrum disorder, rg = 0.39）也存在中等强度的正向遗传关联。此外，它还与吸烟行为（rg = 0.46–0.60）和成年后的体重指数（BMI, rg = 0.30）呈正相关。这些发现提示我们，ADHD的遗传影响远远超出了注意力本身，它渗透到个体精神健康、身体健康和生活方式选择的方方面面。
这张“遗传蛛网”不仅加深了我们对ADHD共病现象的理解，也强调了在看待ADHD时，必须采取一种整体的、发展的视角。它不是一个孤立的大脑功能障碍，而是深植于个体遗传背景中，与多种身心健康结果相互关联的复杂特征。
GWAS研究的最终目标之一，是将其发现应用于风险预测。通过整合所有与ADHD相关的、效应微弱的SNPs信息，我们可以为每个人计算一个“多基因风险评分”（Polygenic Score, PGS）。这个分数像一个遗传的“水晶球”，可以总结个体与生俱来的ADHD遗传易感性。
研究人员检验了基于新“ADHDOVERALL”数据集构建的PGS，其预测能力是否优于仅使用诊断数据或症状数据的PGS。他们在三个独立的大型队列中进行了测试，结果显示，整合了两种数据源的“ADHDOVERALL”PGS表现最佳。例如，在荷兰双生子登记库（NTR）队列中，仅基于诊断数据构建的PGS能够解释ADHD症状变异的2.5%，而新的PGS则能解释3.1%。
这0.6个百分点的提升看似微小，但在复杂性状的遗传预测领域，这已是相当显著的进步。它意味着，通过拥抱ADHD的“光谱”本质，我们不仅能发现更多的风险基因，还能构建出更精准的预测工具。虽然目前的PGS还远未达到临床诊断的精度，但它为未来的早期筛查、个性化干预策略的制定，以及理解基因与环境如何相互作用提供了宝贵的工具。这预示着，未来的新生儿遗传筛查或许不仅能识别罕见的单基因病，还能对像ADHD这样的常见复杂神经发育障碍提供初步的风险评估。
这项里程碑式的研究，并未为ADHD的遗传之谜画上句号，恰恰相反，它为我们展开了一幅更宏大、更精细的航海图，指明了未来探索的新航向。
首先，它有力地证明了，将临床诊断与连续的症状测量相结合，是研究复杂行为和精神障碍遗传基础的一种极为强大的策略。这一研究范式，未来可以被广泛应用于抑郁、焦虑等其他同样具有“光谱”特征的疾病研究中，有望解锁更多潜藏的遗传秘密。
其次，通过FLAMES算法识别出的22个潜在效应基因，特别是那8个全新的候选者，为分子生物学家和神经科学家提供了具体的“研究靶点”。未来的工作将聚焦于在细胞和动物模型中验证这些基因的功能，揭示它们如何影响神经元的发育、连接和功能，从而一步步拼凑出ADHD从基因到大脑，再到行为的完整生物学链条。
最后，我们必须清醒地认识到，这张新地图也存在其局限。正如研究人员在文中所指出的，本次分析的绝大多数参与者均为欧洲血统。这意味着，我们的发现是否能完全适用于其他族裔的人群，仍然是一个未知数。为了让遗传学的进步惠及全人类，未来的研究必须更加包容，纳入更多元化的族群样本。这不仅是科学严谨性的要求，更是实现健康公平的道义责任。
总而言之，这项研究不仅仅是为ADHD的基因列表增添了17个新成员，它更深刻地重塑了我们对这种普遍存在的神经发育障碍的认知框架。它告诉我们，ADHD并非一个非黑即白的孤岛，而是一片广阔的、由无数遗传与环境因素共同塑造的症状海洋。而在这片海洋之下，蕴藏着解开人类大脑与行为奥秘的无尽宝藏，等待着我们继续扬帆远航。
参考文献
van der Laan CM, Ip HF, Schipper M, Hottenga JJ, St Pourcain B, Zayats T, Pool R, Krapohl EML, Brikell I, Soler Artigas M, Cabana-Domínguez J, Nolte IM, Bolhuis K, Palviainen T, Zafarmand H, Gordon S, Aliev F, Burt SA, Wang CA, Saunders G, Karhunen V, Adkins DE, Border R, Peterson RE, Prinz JA, Thiering E, Vilor-Tejedor N, Ahluwalia TS, Allegrini A, Rimfeld K, Chen Q, Lu Y, Martin J, Bosch R, Ramos-Quiroga JA, Neumann A, Ensink J, Grasby KL, Morosoli JJ, Tong X, Marrington S, Scott JG, Shabalin AA, Corley R, Evans LM, Sugden K, Alemany S, Sass L, Vinding R, Ehli EA, Hagenbeek FA, Derks EM, Larsson H, Snieder H, Cecil C, Whipp AM, Korhonen T, Vuoksimaa E, Rose RJ, Uitterlinden AG, Haavik J, Harris JR, Helgeland Ø, Johansson S, Knudsen GPS, Njolstad PR, Lu Q, Rodriguez A, Henders AK, Mamun A, Najman JM, Brown S, Hopfer C, Krauter K, Reynolds CA, Smolen A, Stallings M, Wadsworth S, Wall TL, Eaves L, Silberg JL, Miller A, Havdahl A, Llop S, Lopez-Espinosa MJ, Bønnelykke K, Sunyer J, Arseneault L, Standl M, Heinrich J, Boden J, Pearson J, Horwood J, Kennedy M, Poulton R, Maes HH, Hewitt J, Copeland WE, Middeldorp CM, Williams GM, Wray N, Järvelin MR, McGue M, Iacono W, Caspi A, Moffitt TE, Whitehouse AJO, Pennell CE, Klump KL, Jiang C, Dick DM, Reichborn-Kjennerud T, Martin NG, Medland SE, Vrijkotte T, Kaprio J, Tiemeier H, Davey Smith G, Hartman CA, Oldehinkel AJ, Casas M, Ribasés M, Lichtenstein P, Lundström S, Plomin R, Bartels M, Nivard MG, Boomsma DI, Llonga N. Genome-wide association meta-analysis of childhood ADHD symptoms and diagnosis identifies new loci and potential effector genes. Nat Genet. 2025 Sep 17. doi: 10.1038/s41588-025-02295-y. Epub ahead of print. PMID: 40962958.
声明：本文仅用于分享，不代表平台立场，如涉及版权等问题，请尽快联系我们，我们第一时间更正，谢谢！
来源：生物探索一点号1
