简而言之

  • AlphaGenome 预测,此处考察的十个最显著的人格相关 DNA 变异全部会引起脑细胞 RNA 的变化。
  • BMAL1 为最显著的区域提供了一条与学习、记忆及突触可塑性之间具有实验依据的联系。
  • 其余关联位点提示脑组织和神经细胞中的 RNA 生成或组装发生变化。

人格问卷始于对日常生活的判断:你有多善于社交,完成事情有多可靠,又有多容易焦虑。全基因组关联研究则考察这些回答的差异是否与 DNA 差异相对应。在本文的分析中,我们选取了与人格综合测度关联最显著的十个遗传关联位点,并用 AlphaGenome 对其进行考察。模型预测,全部十个位点都会在脑组织或神经细胞中产生分子效应。

这就是核心结果。统计数据确定了这些变异;序列模型则提供了一条可信的生物学联系。在列表中关联最显著的几个位点,这条联系延伸至一个经实验表明参与学习、记忆和突触可塑性的基因。在其他位点,它表现为特定神经环境中 RNA 生成或组装的预测变化。抽象的人格得分开始获得细胞层面的描述。从描述性格的词语到统计维度的路径,如今延伸到了分子生物学。

从人格测量到 DNA #

起点是一个构建出来的人格一般因子,即 GFP。其背后的问题源于人格特质的共同结构:这些特质的变异有多少可以沿一个共同方向加以描述?我们合并了大五人格特质的遗传关联结果:宜人性、尽责性、外倾性、开放性和神经质。这些结果来自 2026 年的 ReGPC 人格研究。固定的特质权重取自 van der Linden, te Nijenhuis, and Bakker (2010) 的元分析中,根据校正后的大五特质相关性估计出的第一个未经旋转的一般因子载荷。我们对神经质反向计分,使较低的神经质对应较高的综合得分。通俗地说,基础研究将等位基因与人格测量联系起来;我们的计算则将这些关联合并为一个共同的统计方向。这些权重在分子层面的解释之前就已固定。进入前十的变异并非由脑生物学决定。构建方法。

在应用关联强度阈值、将搜索范围限制于古 DNA 参考数据集中所收录的变异,并过滤掉附近相互关联的位点后,分析得到了一份包含 265 个 DNA 变异的候选清单。随后,我们选取了与人格综合测度统计关联最强的十个。这就是本文考察的“前十”。它们的关联 P 值约为 2.6 × 10⁻²⁷ 至 5.8 × 10⁻²¹。按此顺序考察清单十分重要:这使生物学叙述始终以统计排名为依据。关联与等位基因审查。

AlphaGenome 提供了另一类信息。它利用 DNA 序列预测不同组织和细胞环境中的分子测量结果,包括基因表达和 RNA 剪接。因此,比较某一变异的两种等位基因,可以提示细胞产生的 RNA 数量或 RNA 转录本拼接方式的变化。这些是 DNA 差异可能借以影响细胞功能的分子环节。Avsec 及其同事,2026。

将这一过程应用于这十个 GFP 关联位点后,每个位点都得到了一条神经层面的联系。这里的“联系”有明确含义:在神经环境中预测到的 RNA 或剪接效应。因此,每个最显著的关联位点都提供了可在脑中具体研究的对象。

前十个关联位点各自如何与脑相联系? #

完整清单展示了这意味着什么。以下所有条目均来自前十分子观察结果;其中的效应均为模型预测。

排名变异预测的神经联系
1rs7942486浦肯野细胞中 BMAL1 RNA 的小幅变化、额叶皮质中 RASSF10 的变化,以及杏仁核中幅度更大的非编码 RNA 变化。
2rs4757136涉及额叶皮质中 RASSF10、小脑中 RASSF10-DT 和浦肯野细胞中 PTH 的 RNA 变化。
3rs4757144位于 BMAL1 内的变异,预测会导致背外侧前额叶皮质中 BMAL1 剪接变化,以及浦肯野细胞中 RASSF10 RNA 的变化。
4rs9657519运动神经元中 XKR6 的剪接变化,以及神经元干细胞中的非编码 RNA 变化和神经祖细胞中的 MIR598 变化。
5rs13276836背外侧前额叶皮质中 XKR6 的剪接变化、浦肯野细胞中的非编码 RNA 变化,以及小脑中 BLK RNA 的变化。
6rs2409784位于 BLK 内的变异,预测会导致谷氨酸能神经元中 BLK RNA 的变化和运动神经元中的剪接变化。
7rs435581预测浦肯野细胞中 CLDN23 RNA 发生变化,指出了距离最近的蛋白质编码基因之外的一个靶点。
8rs2955587预测已转录的假基因发生变化:前扣带皮质中的 ALG1L13P 和浦肯野细胞中的 FAM86B3P。
9rs11607529神经祖细胞中 BMAL1 RNA 的变化、神经元干细胞中 RASSF10 的变化,以及脑相关数据轨道中另外预测到的 PTH 和非编码 RNA 变化。
10rs1039916在后续模型查询返回的全部四条神经相关数据轨道中,某个特定 MFHAS1 RNA 连接位点均出现增加。

BMAL1 将最显著的关联位点与学习和记忆联系起来 #

BMAL1 为这一论证提供了最有力的生物学支点。第 1 和第 3 位关联位点通过预测的 RNA 或剪接效应与它相联系。该基因有助于维持细胞时钟的运转,包括脑回路中的时钟。它与认知的联系已经过直接检验:在小鼠兴奋性前脑神经元中删除 Bmal1,损害了学习和记忆提取,同时中枢昼夜节律起搏器仍保持完整。这些回路内部的局部计时对记忆至关重要。Price 及其同事,2016。

后来的研究将 BMAL1 直接与突触联系起来。研究人员发现,磷酸化的 BMAL1 有节律地定位于海马突触,并有助于调节参与长时程增强的信号传导;长时程增强是突触传递的持久增强。这在分子时钟的一个组成部分与神经连接发生变化所依赖的机制之间,建立了具体联系。Barone 及其同事,2023。

GFP 变异预测产生的分子变化很小,后续查询中所提示的 BMAL1 连接位点也只发生了轻微变化。这些实验说明了为什么 BMAL1 是一个值得关注的脑部靶点;AlphaGenome 则提示,它可能是从这些特定关联通向神经生物学的一条路径。表中仍可见其他候选靶点,包括为第 1 位关联位点产生最大 CNS RNA 得分的非编码 RNA。

第 2 和第 9 位关联位点位于同一个更广泛的 BMAL1/RASSF10/PTH 邻近区域。它们的神经预测涉及额叶皮质、小脑、神经祖细胞和神经元干细胞。这四个 11 号染色体条目共同使排名前列的位点反复与该区域发生联系。它们是同一邻近区域内的四个关联变异,因此自然应当以该区域及其转录本作为生物学研究单元。

神经 RNA 为其他关联位点提供分子层面的解释 #

8 号染色体上的关联位点将这一叙述从时钟拓展到 RNA 加工。第 4 和第 5 位关联位点均提示 XKR6 转录本组装发生变化,分别见于运动神经元和前额叶皮质。剪接预测涉及 RNA 片段如何拼接。它提供了比单独一个基因名称更具体的分子假设:该等位基因可能改变神经细胞组装出的转录本。这些变异还产生了涉及神经干细胞或祖细胞以及浦肯野细胞中非编码 RNA 的预测。发育中的细胞和成熟神经元都出现在分子层面的后续分析中。

第 6 位关联位点提供了另一个这样的例子。该变异位于 BLK 内,AlphaGenome 同时预测谷氨酸能神经元中的 RNA 变化和运动神经元中的剪接变化。BLK 还具有经实验确立的免疫功能,因此,神经层面的预测为一个在其他部位具有功能的基因增添了一种细胞环境。就本文所探讨的狭义问题而言,有价值的发现是与等位基因改变相关的明确神经元输出。前十分子观察结果。

第 7 和第 8 位关联位点说明,即使这种方法未能提供耳熟能详的神经科学要点,它仍然有用。对于第 7 位,最强的 CNS RNA 靶点是浦肯野细胞中的 CLDN23;距离最近的编码基因是 PPP1R3B。对于第 8 位,最主要的预测涉及前扣带皮质和浦肯野细胞中的假基因转录本。在这两种情况下,模型输出都指出了仅凭最近编码基因的标签会遗漏的转录本和神经环境。它们的下游功能尚未确定,但它们对十个全部得到神经联系这一结果的贡献是具体的:改变相关等位基因会改变模型预测的神经 RNA 输出。

第 10 位关联位点使 RNA 组装的叙述尤其具体。它位于 MFHAS1 内。后续的 AlphaGenome 查询预测,在运动神经元、小脑半球以及两项前额叶皮质检测中,某个特定 MFHAS1 RNA 连接位点均出现增加。在其中一项前额叶检测中,预测信号从约 0.000850 上升至 0.000937:在极小的基线值上增加了约 10%。这些是模型单位,而不是蛋白质丰度的测量值。其有价值之处在于特异性:RNA 边界之间的一个特定连接在返回的四条神经相关轨道中均朝同一方向变化。指定剪接位点连接的预测。

统计信号获得了细胞层面的描述 #

由此呈现的图景比一份著名脑相关基因的清单更为广泛。它包括一种经实验证实与认知有关联的生物钟蛋白、神经元中预测的转录本变化,以及脑区中的非编码 RNA 产物。每一项都为始于人格测量的关联增添了一个分子层面的假设。

这就是该结果的重要性所在。统计构建以人们如何描述自己的行为为起点。随后,可以沿着保留下来的最强关联,追踪到关于神经细胞产生什么以及如何组装这些产物的预测。目前证据最充分的是 BMAL1,但分子层面的后续分析涵盖了前十名中的每一个命中项。

AlphaGenome 为整个列表中的 GFP 信号提供了合理的神经层面解释。它将抽象的排名转化为具体的转录本、细胞类型和分子变化。从人格测量中提取的信号,如今在脑内有了可供探查的具体位置。


方法说明:综合人格关联采用了文献推导出的固定权重和 ReGPC 2026 遗传关联结果。变异限定在 Allen Ancient DNA Resource(AADR)标记集内,以 P < 10⁻⁸ 为阈值进行筛选,并通过连锁不平衡聚类过滤,以减少附近相关变异之间的冗余。由此得到的候选清单包含 265 个变异;本文讨论的十个是其中关联最强的变异。神经相关预测通过归类为中枢神经系统组织或细胞的轨道进行检视;若要证明这些效应异常普遍或强烈,则需要一个匹配的比较集。这些经过聚类的变异并不能确立十种独立机制。底层分析中带符号的效应均以增加 GFP 的等位基因为参照。后续剪接结果是额外的模型查询,而非实验室重复验证。

参考文献 #

  1. GFP construction method,ReGPC 2026 人格研究套件。
  2. Top-ten association and allele audit,以及 all returned observations。
  3. Top-ten molecular observations,2026 年 9 月 9 日,以及 nominated-junction predictions。
  4. van der Linden, Dimitri, Jan te Nijenhuis, and Arnold B. Bakker. “The general factor of personality: A meta-analysis of Big Five intercorrelations and a criterion-related validity study.” Journal of Research in Personality 44(3), 315–327, 2010.
  5. Avsec, Ž., Latysheva, N., Cheng, J., et al. “Advancing regulatory variant effect prediction with AlphaGenome.” Nature 649 (2026): 1206–1218.
  6. Price, K. H., et al. “Modulation of learning and memory by the targeted deletion of the circadian clock gene Bmal1 in forebrain circuits.” Behavioural Brain Research 308 (2016): 222–235.
  7. Barone, I., et al. “Synaptic BMAL1 phosphorylation controls circadian hippocampal plasticity.” Science Advances 9 (2023): eadj1010.
  8. Tretter, Theresa, Ashley E. Ross, Dominic I. Dordai, and Stephen Desiderio. “Mimicry of Pre–B Cell Receptor Signaling by Activation of the Tyrosine Kinase Blk.” Journal of Experimental Medicine 198(12), 1863–1873, 2003. doi:10.1084/jem.20030729。