RESEARCH NOTE · standard
多效性和临床异质性为什么不能混为一谈
两个概念描述不同机制
多效性指同一遗传因素影响多个表型。临床异质性则可能意味着被同一诊断名称归类的人，实际包含不同病理机制或亚群。
两种情况都可能让疾病间出现遗传相关，却需要不同证据区分。
总体相关可能由少数亚群驱动
如果疾病A的一小部分患者实际与疾病B共享机制，整体数据会出现交叉信号。把它解释为所有患者都共享多效性，会扩大结论。
亚群比例、诊断准确性和表型定义会共同影响可观察模式。
BUHMBOX的问题意识
BUHMBOX尝试利用风险等位基因之间的相关结构，区分广泛多效性与隐藏亚群造成的信号。方法依赖效应估计和独立性等假设。
它提供统计线索，不会自动标出每个个体属于哪个亚群。
读结果时保留边界
查看样本来源、疾病定义、关联变异选择和敏感性分析。若队列本身高度异质，单一标签下的平均效应可能掩盖重要差异。
后续应结合临床特征、分子资料和独立样本验证，而不是由一个统计模式直接确定机制。
遗传相关不直接说明同一机制
两个疾病的全基因组效应相关，可能来自广泛多效性、部分共享通路、诊断重叠或隐藏亚群。相关系数描述总体模式，无法单独确定哪一种机制。
研究应结合局部关联、共定位和临床特征。若相关只由少数强区域驱动，解释会不同于全基因组广泛共享。
风险等位基因之间的相关模式提供线索
如果疾病A的风险变异在疾病B患者中彼此相关，可能说明B队列包含一个携带A遗传风险的亚群。BUHMBOX利用这类模式检验隐藏异质性。
样本结构、连锁不平衡和变异选择都可能影响相关模式。结果需要在独立队列复现，并与临床分层共同解释。
亚群发现不等于个体分类
群体层面检测到隐藏亚群，只表示数据更符合混合结构。它不会告诉研究者每位患者属于哪一组，也不能直接用于诊断。
要建立个体分类工具，还需要明确特征、训练与验证数据、性能指标和临床后果，要求远高于一次异质性检验。
疾病标签会随诊断标准更新
同一疾病在不同年代或中心可能采用不同标准。旧队列与新队列合并时，表型变化可能制造异质性，也可能改变隐藏亚群比例。
分析前建立表型对照表，说明核心条件、排除项和无法统一的差异。统计模型不能替代这一步。
真正有用的结论会改变后续研究设计
若证据支持隐藏亚群，下一项研究应加强临床分层和独立验证；若更符合广泛多效性，则应寻找共享通路与组织。
两种解释导向不同样本与实验。把结论写成可检验的后续问题，比停在一个显著P值更有价值。
把不确定性带回临床描述
统计上支持混合亚群时，公开文字应说明这是群体结构假设，不把某类患者直接贴上新标签。诊断名称、治疗反应和遗传模式之间仍需要前瞻研究。
清楚区分观察、模型推论和待验证机制，能避免研究线索过早进入个体决策。