正文
研究还指出，复杂疾病的多基因特性使得编辑一组关键变异可能产生远超单基因疗法的效果。例如，在冠心病和糖尿病的案例中，由于某些保护性基因变异在普通人群中非常罕见，通过多基因编辑可以将其同质化，从而显著降低整体患病风险。这种整合效应是传统医疗方法无法企及的。
基因编辑在降低疾病患病率和改善健康指标方面的潜力
（Credit:
Nature
）
常见疾病的变化（左侧）
目标疾病：包括阿尔茨海默症（AD）、抑郁症（MDD）、精神分裂症（SCZ）、2型糖尿病（T2D）和冠心病（CAD）。
编辑效果：通过编辑最多10个基因组关联研究（GWAS）中鉴定的显著基因位点（GWS loci），研究预测这些疾病的终生患病率将显著下
降。例如，编辑10个位点可将阿尔茨海默症的患病率从5%降至不到0.6%；2型糖尿病从10%降至0.2%；冠心病从6%降至0.1%。精神分裂症和抑郁症的患病率也有明显下降，但降幅相对较小，抑郁症的终生患病率从15%降低至9%。
定量生物标志物的变化（右侧）
目标标志物：包括空腹血糖（FG）、低密度脂蛋白胆固醇（LDL cholesterol）、甘油三酯（TG）、收缩压（SBP）和舒张压（DBP）。
编辑效果：预测结果显示，编辑5至10个位点可以显著降低这些标志物的水平。
例如，编辑仅5个位点即可使LDL胆固醇水平降低约5个表型标准差（s.d.），即减少约2 mmol/L。
对于血压等其他标志物，编辑10个位点可减少约1个表型标准差。
多基因编辑的科学基础建立在基因组关联研究（GWAS）和多基因风险评分（Polygenic Scores, PS）的深厚理论之上。这两项技术通过整合海量数据，从遗传学和统计学层面揭示了复杂疾病与基因变异之间的联系。
GWAS是一种通过分析数十万甚至数百万个基因组数据来寻找基因变异与疾病或性状之间关联的方法。复杂疾病通常与多个基因位点相关，这些位点的单独效应可能微弱，但累积起来却对疾病风险有显著影响。研究表明，GWAS技术已成功鉴定出诸如阿尔茨海默症和糖尿病等复杂疾病的关键基因变异。这为研究人员提供了一个基因靶点库，使多基因编辑成为可能。
在GWAS的基础上，多基因风险评分（PS）通过综合个体基因组中的风险变异，计算出整体疾病风险。PS利用已知基因变异的权重，将每个个体的基因风险量化。例如，通过编辑阿尔茨海默症相关的10个高效应基因变异，理论上可以将个体患病风险降低至不足0.6%。类似地，对于糖尿病和冠心病等疾病，编辑多基因位点可大幅减少其发病率，同时优化如血压和胆固醇等疾病风险因子。
研究还深入探讨了基因编辑的潜在效果建模。通过假设基因变异具有可加性效应（即每个变异的效应可以叠加），研究模拟了编辑不同数量基因位点对疾病风险的影响。例如，编辑40个位点可将多种疾病的终生风险降低至0.2%以下。这些建模结果突显了多基因编辑在降低疾病风险和调控复杂性状中的非凡潜力。
可遗传多基因编辑（HPE）的实现并非一蹴而就，该研究提出了一条循序渐进的实施路径，从单基因疾病到多基因复杂性状，逐步积累安全性和有效性数据，为未来全面应用铺平道路。
第一步是以致死性的单基因疾病为起点。研究建议优先选择那些早发且无法通过现有技术治疗的疾病，如Tay-Sachs病。对于这些病症，HPE的风险相对较低，同时预期收益极高。通过对早期患者的长期随访、胚胎活检及全基因组测序，可以建立基因编辑的安全性数据。
在积累初步经验后，可逐步扩展至严重的单基因疾病，如囊性纤维化或地中海贫血。这些疾病虽有一定的筛查和治疗手段，但HPE能够从根本上消除其遗传风险。最终，研究建议将HPE的目标扩展至难以预防的多基因复杂疾病，如阿尔茨海默症或冠心病，通过编辑多个关键基因位点实现个体化的疾病风险管理。
尽管这一路径在理论上可行，但在实践中仍面临技术、法律和政策上的重大障碍。
