我检出一个有致病风险的基因突变，就一定会得病吗？

我检出一个有致病风险的基因突变，就一定会得病吗？——贝叶斯定理在基因检测结果解释中的应用

目前随着基因检测的普及，许多体检套餐中都会包含致病基因检测服务，而致病基因的结果解读也是基因检测结果分析中的重要一环。检出致病基因突变，真的代表这个客户患有这个疾病吗？理解致病基因突变的意义，对减少恐慌、正确理解基因检测结果非常重要。

假设某个基因突变在人群中的频率为1%，即有1%的人群带有该致病突变；已知检出该突变且患病的概率为99%，检出该突变但未患病的概率为1%，未检出该突变但患病的概率为5%，未检出该突变且不带菌的概率为95%。在这个预设前提下，请大家思考一下，假设某人检出了该突变阳性，那么该人患病的概率是多少？

假设没有统计学知识的时候，我们可能会觉得，由于不携带突变时患病的概率为5%，那么检出突变患病的概率就是1-5%。事实上，这个思路是错误的，解决这个问题需要运用到统计学中非常重要的一个定理贝叶斯定理。

  贝叶斯定理

  贝叶斯定理由英国数学家贝叶斯 ( Thomas Bayes 1702-1761 ) 发展，用来描述两个条件概率之间的关系，比如 P(A|B) 和 P(B|A)。按照乘法法则，可以立刻导出：P(A∩B) = P(A)*P(B|A)=P(B)*P(A|B)，结合全概率公式可用于计算各种条件下的条件概率。贝叶斯定理的核心观点在于，对于事件A和事件B，在B发生时A发生的概率和A发生时B发生的概率是不一样的，二者有着确定的关系；用通俗易懂的观点来说，就是通过已有的条件，对原先有的信息（称之为先验概率）进行修正，得到符合已有信息情况的概率（称之为后验概率），即“从结果推原因”。 让我们再回到原来的问题，根据贝叶斯定理，我们可以很快的计算出，当一个人检出阳性的时候，他患病的概率为16.7%，尚不足2成，因而完全不用恐慌。从非统计的思维上去思考也很简单，由于人群中该突变发生的概率很低，绝大部分人都是不发生该致病突变的，而在这一大部分人中，由于检验方法的误差，也会检出许多阳性。而这些“假阳性”的个数，是远远大于”真阳性”个数的，从而导致了看上去很高的致病率实际很低。 

  以上例子虽然很简单，但是蕴含着临床基因检测中非常重要的一些观点：

重要观点

1.对于人群频率发生很低的疾病，检测的精确度非常重要，一点点精确度的误差都会带来大量的假阳样本，如新冠检测试剂，假如精确度不够高，会浪费大量的人力物力进行隔离，治疗，最后发现却是检测的假阳性，会带来大量的浪费

2.检测阳性的患者需要使用多种方法学进行验证，方能确保结果的准确性，单一方法的准确性受限于方法学本身，必然会引入误差。