PRS主要用于医学领域，特别是在复杂疾病的遗传学研究中。它通过汇总多个遗传变异（通常是单核苷酸多态性，SNPs）与特定疾病或表型的关系，来评估个体对某一复杂疾病的风险。这些遗传变异通常是通过全基因组关联研究（GWAS）发现的，每个变异对疾病风险的影响较小，但累积起来可以提供对个体疾病风险的预测 PRS的构建需要考虑多个因素，包括GWAS发现阶段的样本量、选择纳入计算的SNPs以及如何施加权重等。它还可以通过不同的方法来计算，例如p值clumping + thresholding法或beta缩减法 PRS的一个挑战是其在不同族裔间的泛用性，因为不同族裔之间可能存在不同的遗传结构和连锁不平衡模式，影响PRS的预测准确性
GWAS分析：
GWAS是一种用于识别与复杂性状（如疾病、性状等）相关的遗传变异的方法。通过对大规模人群进行基因组扫描，GWAS可以发现单核苷酸多态性（SNP）与某一性状的关联。这些关联通常体现在统计学上的显著性水平。
PRS（多基因风险评分）和GWAS的关系：
可以看到，PRS用的是GWAS分析后的结果，挑选显著性位点，进行质控，然后根据候选群（target）的数据进行预测。
最朴素的理解PRS：
GWAS分析结果中，有每个SNP的beta值、P值，根据P值筛选SNP的beta值，将另外一个群体的SNP变为0-1-2编码，将beta值乘以SNP分性值，求和就是PRS了。下面用数据介绍一下。
基础群体：
比如：GWAS分析中，显著的SNP效应值(effect或者beta值）：
SNP1: 0.3
SNP2: 0.2
SNP3: -0.1
目标群体：
对于target data（目标群体），检测了3个个体，3个SNP的分型分别为（已经编码为0-1-2了）：
ID1 0 0 1
ID2 1 0 2
ID3 2 2 1
预测PRS得分：effect*SNP，然后求和
那么个体1的多基因评分为：0*0.3 + 0*0.2 + 1*-0.1 = -0.1
个体2的多基因评分为：0.3 + 0 + -0.1 = 0.2
个体3的多基因评分为：0.6 + 0.4 + -0.1 = 0.9
用数学公式表示：
beta是效应值 G是0-1-2的编码 m是m个SNP
实际项目的PRS计算
实际中的项目，考虑的因素比较多，比如：
数据质控 群体结构 LD值（clumping） beta矫正值 通过P值筛选最优组合
相关软件实现PRS分析
plink biqsnpr，一个R包 PRSice，应用最广泛，通过C+T的策略 LDpred，通过贝叶斯收缩的模型 PRS-CS JAMPred Lassosum
之前写过PRS的操作流程，可以作为参考：
如何使用plink进行二分类性状的GWAS分析并计算PRS得分
想要迅速掌握PRS的计算，下面有实操演练：
