生物样本库全基因组测序Meta分析统一框架

随着英国生物样本库（UK Biobank）、All of Us 等大型队列项目相继完成全基因组测序（WGS），科研人员终于能够系统性地审视稀有变异在复杂疾病和性状中的作用。然而，隐私保护与数据共享的限制，使得不同生物样本库之间难以直接交换个体水平数据，联合分析的统计效能由此受到制约。传统的 Meta 分析工具虽然可以整合多个队列的结果，但在处理生物样本库规模的 WGS 数据时，存储开销大、计算效率低，且难以融入功能注释信息，短板十分明显。

MetaSTAARlite 正是为攻克这些瓶颈而设计——它是一款面向生物样本库规模全基因组和全外显子组测序 Meta 分析的一体化工具。该工具可自动生成资源友好的汇总统计量，借助稀疏矩阵实现高效计算，同时支持整合多种功能注释，开展功能增强型的稀有变异关联分析。验证数据来自 UK Biobank 和 All of Us，结果表明，MetaSTAARlite 在计算时间、内存占用和存储需求上均随样本量线性增长，且分析结果与个体水平数据合并分析几乎一致。简而言之，这个工具不仅大幅降低了超大规模基因组 Meta 分析的计算成本，还保持了与联合分析相当的统计效能，为未来跨生物样本库的稀有变异研究提供了高效的技术基础。

近几年，大规模全基因组测序项目有力推动了人类遗传学的发展。相比常见变异，稀有变异通常具有更大的效应值，因此在理解复杂疾病遗传机制和寻找潜在治疗靶点方面，价值尤为突出。但问题在于，单个研究队列中稀有变异的携带者数量十分有限，研究人员不得不联合多个大型队列来获取足够的分析效能。

尽管个体水平数据合并分析在统计效能上是最优选择，但现实中受隐私保护法规、数据访问权限以及跨机构协作成本等因素影响，不同队列之间很难共享原始基因型数据。因此，基于汇总统计量的 Meta 分析成为更现实的技术路径。

此前研究团队开发的 STAARpipeline 已能在单个生物样本库内高效开展稀有变异分析，并借助功能注释提升检测能力，但其依然依赖个体水平数据。随后推出的 MetaSTAAR 实现了稀有变异的 Meta 分析，但随着样本量增长，存储和计算负担迅速攀升。MetaSTAARlite 的诞生，正是为了在保持分析精度的同时，进一步提升可扩展性和资源利用效率。

方法

MetaSTAARlite 的整体流程由三个核心步骤构成。第一步，在每个参与研究中建立广义线性混合模型，校正群体结构和样本亲缘关系，生成变异水平的汇总统计量以及稀疏连锁不平衡矩阵（sparse LD matrix）。第二步，将多个研究队列生成的汇总统计量整合到一起，通过精确重建得分统计量的协方差矩阵，实现与个体水平数据联合分析等价的统计推断。第三步，利用 MetaSTAAR-O 开展功能增强型稀有变异 Meta 分析，同时结合多个定量功能注释作为权重，提高检测能力。

为提升效率，MetaSTAARlite 在整个流程中采用了稀疏矩阵表示，包括稀疏遗传关系矩阵（GRM）和稀疏基因型矩阵，这从根本上显著降低了内存消耗和计算复杂度。此外，平台支持蛋白编码区、非编码调控区以及用户自定义分析单元，并能自动生成可视化结果和后续分析报告。

结果

MetaSTAARlite 构建统一的生物样本库级 Meta 分析框架

研究人员首先展示了 MetaSTAARlite 的整体工作流程。系统从每个研究队列的基因型、表型和协变量数据出发，进行功能注释、祖源主成分分析和稀疏 GRM 构建。随后自动生成变异层面的汇总统计量和稀疏 LD 矩阵，并借助 MetaSTAAR-O 进行功能增强型 Meta 分析。分析完成后，系统还能自动识别驱动关联信号的功能注释和潜在致病变异，并生成结果可视化和条件分析报告。

与传统流程相比，MetaSTAARlite 将数据预处理、统计分析和结果解释整合到一个统一的框架中，显著降低了大规摸遗传学 Meta 分析的技术门槛。

计算效率和扩展性显著提升

研究人员利用 UK Biobank 的外显子组测序数据对 MetaSTAARlite 进行了基准测试，并与 MetaSTAAR 和 Raremetal2 进行了比较。结果相当直观：在30万样本规模下，MetaSTAARlite 的峰值内存消耗相比 MetaSTAAR 降低了332倍，相比 Raremetal2 降低了1386倍；运行时间分别缩短了24倍和2206倍。即便在44.6万个样本、22994个变异的最大测试规模下，MetaSTAARlite 依然能在不到49秒内完成汇总统计量生成，峰值内存不足1 GB。作为对比，Raremetal2 即使分配了768 GB内存，仍然无法完成任务。进一步分析表明，MetaSTAARlite 的运行时间和内存占用都随着样本量近似线性增长，扩展能力相当出色。

显著降低存储需求

为评估存储效率，研究人员将190110名 UK Biobank 参与者随机划分为三个研究队列，开展了全基因组 Meta 分析。结果显示，即使同时整合12种功能注释，编码区分析仅需约2.40 GB存储空间，非编码区分析约需13.32 GB。更重要的是，稀疏 LD 矩阵仅占用了总存储需求的7.7%到17.8%。随着样本量增加，存储需求依然保持线性增长。这样的设计意味着，LD 矩阵不再成为稀有变异 Meta 分析的主要瓶颈，为未来百万样本规模的分析奠定了坚实基础。

Meta 分析结果与联合分析高度一致

研究人员以总胆固醇（TC）为例，对三个随机划分的数据集开展了 Meta 分析，并与基于全部190110名参与者的 STAARpipeline 联合分析结果进行了对比。结果显示，无论是编码区还是非编码区分析，MetaSTAARlite 获得的P值分布都保持了良好的校准。在编码区分析中，共发现了58个全基因组显著关联；在非编码区分析中发现了88个显著关联位点。更关键的是，MetaSTAARlite 与联合分析的结果几乎完全重合，显著位点的log10(P)值相关系数超过了0.999。此外，MetaSTAAR-O 相比传统的 Burden、SKAT 和 ACAT-V 方法，通常能获得更小的P值，还发现了一些其他方法未能检测到的关联信号。

跨生物样本库 Meta 分析验证

研究人员进一步整合了 UK Biobank 和 All of Us 两个大型队列，对总胆固醇、身高、估算肾小球滤过率（eGFR）、血钙以及高 LDL 胆固醇等五个性状进行了分析，总样本量达到692445人。在全基因组范围内，MetaSTAARlite 分别发现了165、536、117、38和94个显著关联基因。整个分析过程中平均仅需95.4 CPU小时，峰值内存始终低于1 GB。对于每个性状，全基因组汇总统计量仅需约1–2 GB存储空间。这些结果充分说明，MetaSTAARlite 能够在多祖源、大规模生物样本库环境中稳定运行，同时保持了优异的统计效能和资源利用效率。

讨论

MetaSTAARlite 的研发，为生物样本库时代的稀有变异 Meta 分析提供了一套完整的解决方案。与传统依赖个体水平数据的联合分析相比，该方法在严格保护参与者隐私的前提下，实现了几乎完全一致的统计结果。这项工具最大的创新在于充分利用稀疏矩阵表示。通过稀疏 GRM、稀疏基因型矩阵以及稀疏 LD 矩阵的统一设计，MetaSTAARlite 大幅降低了内存、存储和计算开销，让百万样本规模的分析变成一件现实的事情。与此同时，功能注释加权机制进一步提高了稀有变异的检测能力，有助于发现潜在的因果变异和调控元件。

值得一提的是，MetaSTAARlite 不仅支持编码区和非编码区分析，还支持用户自定义分析单元以及条件 Meta 分析，并能自动生成 Manhattan 图、QQ 图和结果汇总文件，兼具灵活性和易用性。未来，MetaSTAARlite 有望进一步扩展到生存分析、纵向数据分析、多性状联合分析以及自适应变异集合分析等更复杂的场景。随着全球生物样本库持续扩张，这个工具有望成为跨队列全基因组测序 Meta 分析的重要基础设施，为复杂疾病遗传学研究和精准医学发展提供关键支撑。

参考资料

Kumarasinghe, Y., Williams, J., Yuan, Y. et al. MetaSTAARlite: an all-in-one tool for biobank-scale whole-genome sequencing meta-analysis. Nat Comput Sci (2026).

https://doi.org/10.1038/s43588-026-00995-x