全基因组关联研究（GWAS）已被广泛应用于识别与复杂疾病和相关性状关联的变异，但要鉴定出是哪些基因对这些关联信号负责仍旧是一项挑战。鉴于大多数关联变异在非编码区被发现并且可能参与基因调控机制，转录组关联研究（TWAS）被提出，利用现有的遗传变异和基因表达数据以发现潜在的靶基因。TWAS的结果受连锁不平衡的影响较小并且可以提供更多可解释性结果，使研究者更好地理解潜在的因果机制。TWAS是通过整合全基因组关联研究和基因表达数据来识别推定的致病基因的有力工具。现有的TWAS方法大多建立于基因表达模型和全基因组关联模型的线性基本假设之上，关注基因和性状之间的线性关联，然而，在遗传图谱、细胞和分子异质性、环境、人口学等因素的驱动下，基因表达的广泛异质性显然是存在的。既往的一些TWAS方法忽略了生物系统中存在的复杂非线性关系，该如何破解这一限制呢？

2023年6月21日，来自清华大学统计学研究中心的助理教授王天颖来到欧洲杯竞猜平台临床研究中心，为线上线下的参会者做了一场主题为“A unified quantile framework reveals nonlinear heterogeneous transcriptome-wide associations”的学术报告。王教授专注于测量误差分析、分位数回归、高维数据分析，以及统计方法在遗传学和环境科学的应用，她和团队提出一种新的分位数转录组学框架，恰好能解决这个问题。

在该分位数框架下，非线性和异质基因-性状关联可以被识别，有助于发现动态eQTL并揭示它们与复杂性状和疾病的联系。通过对各种精神和神经退行性疾病的模拟和验证，王教授证明了该模型在识别基因-性状关联方面显著优于传统技术，可以被应用于多种研究，并且具有分量回归优势，可以对关联模式有更直接的解释。

该方法已被应用于UK Biobank的100种表型。