家庭内和家庭间遗传效应对学业的影响

家庭内和家庭间遗传效应对学业成就的影响因国家和年龄而异

Alexandra Starr 1,2,3,4✉, Mirko Ruks 5,6, Alexandros Giannelis 7, Emily Willoughby 7, Oskar Pettersson 8, Charlotte K. L. Pahnke9, Carlo Maj10,11, Anastasia Andreas12, Rafael Ahlskog8, Louise Arseneault 13, Helen L. Fisher 13,14, Andreas J. Forstner 9,15, Christian Kandler 6,16, Matt McGue 7, Markus M. Nöthen 9, Sven Oskarsson8, Frank M. Spinath12, 1 Scott Vrieze 7, Jasmin Wertz 17 and Sophie von Stumm

在群体层面，多基因评分（PGS，Polygenic score）对学业成就的预测效应显著。然而，受基因-环境相关、选型婚配和群体分层的影响，群体层面的多基因评分预测存在环境混杂因素。这种混杂使得多基因评分对学业成就预测的解读与应用变得复杂。本研究纳入英国、美国、瑞典、德国四国共计8115名7-19岁异卵双生子，系统分析了多基因评分预测效应的变异性。结果显示，在不同年龄和国家中，多基因评分对学业成就的群体层面预测效应β值介于0.16至0.37之间。通过区分家庭内与家庭间效应估计值发现，群体层面多基因评分预测效应中，10%-65%源于环境混杂，其中29%-100%可由家庭社会经济地位解释。家庭内与群体层面多基因评分预测效应的变异性，在各国学制（分层制vs综合制）和儿童年龄维度上均无系统性规律。因此，目前关于环境混杂对学业成就影响来源的解读仍具有推测性。

Molecular Psychiatry《分子精神病学》（2026）31:2029-2037；https://doi.org/10.1038/s41380-025-03342-0

引言

受遗传与环境因素共同作用，儿童在学业上的表现优劣会在家庭内部聚集[1-4]。越来越多的研究表明，多基因评分（PGS, 也被称为全基因组评分、多基因指数（PGI），或在医学风险研究中称为多基因风险评分/ 遗传风险评分。）作为基于DNA 的儿童学业潜能遗传倾向指标，在群体样本中可解释学业成就约15% 的变异[5-8]。然而，群体层面的多基因评分对学业成就的预测，可能受到家庭层面未测量环境因素的混杂影响[7,9]。这种混杂效应在无亲缘关系个体的研究中无法分离，严重制约了多基因评分在教育研究中的解读与应用。

群体层面的多基因评分预测通常基于无亲缘关系个体样本（即每个家庭仅纳入1 名个体），并包含不同的变异组分[6-8]。家庭间遗传效应产生的变异对家庭中所有同胞均一致，因其估计基于家庭层面而非个体层面。与之相对，家庭内遗传效应变异则反映了同一家庭中两名及以上生物学同胞间的表型遗传效应差异，这些同胞平均共享50% 的分离基因。借助异卵双生子数据，在控制嵌套数据结构（如纳入家庭随机效应）后可获得群体层面估计值（图1；公式1），并可进一步分解为家庭间与家庭内遗传效应（图1；公式2）[9-13]。家庭间估计值反映同胞平均多基因评分（即双生子对的多基因评分均值）对表型的效应，该效应与家庭共享环境相混杂。相反，家庭内遗传效应反映同一家庭中生物学同胞间表型的遗传效应差异。因此，家庭内估计值体现了剔除家庭共享环境后的净遗传效应（即家庭内同胞多基因评分差异对表型差异的预测程度）。若群体层面与家庭间多基因评分预测效应高于家庭内遗传效应，这种差异即提示遗传效应与环境影响相互交织所产生的混杂[9-16]。

图1 家庭数据中群体层面、家庭内与家庭间遗传效应的估计

Ph：目标表型；i：同胞对中的个体；j：同胞对；β：回归估计值；PGS：多基因评分；family ID：同胞对唯一标识；(1∣family ID)：控制家庭个体嵌套结构的随机截距；PGSj：同胞对多基因评分均值；ENV：指定环境指标；ε：残差项。

遗传效应对学业成就的环境混杂，首先源于儿童基因与环境存在关联—— 父母既将基因传递给子女，也会构建与自身基因型匹配的养育环境（即被动型基因- 环境相关；rGE，passive gene-environment correlation）[17,18]。其次，人口统计学因素（包括居住区域、婚配选择，即群体分层与选型婚配）进一步加剧了遗传与环境效应的关联。因此，与基因- 环境相关、选型婚配、群体分层相关的家庭层面遗传影响，导致了群体层面与家庭间多基因评分预测的环境混杂[19-21]。受环境混杂的多基因评分预测，会扭曲旨在探究儿童学业成就差异成因的研究。例如，群体层面多基因评分预测会偏倚因果推断模型（如孟德尔随机化）的解读，以及个体遗传倾向对环境经历反应（即基因- 环境交互作用）的分析[11,22,23]。若从看似直接、实则受环境混杂的多基因评分预测中推断因果遗传效应，很可能会误判基因- 环境互作的驱动机制。这会导致研究与应用中，教育干预的有效靶点、实施场景与时间节点被误判或遗漏。

为识别由基因- 环境相关引发的家庭层面混杂因素的驱动因子，可将环境指标作为协变量纳入模型（图1；公式3）[9,24]。家庭社会经济地位（SES，socioeconomic status ）是潜在协变量之一。所有“环境” 因素（包括社会经济地位）均部分反映可遗传性状[25,26]。然而，纳入测量协变量有助于明确遗传效应环境混杂的来源。协变量对混杂效应的解释程度，可通过对比家庭内与家庭间多基因评分估计值判断。不采用家庭内与群体层面估计值的对比，是因为群体层面、家庭内效应与协变量效应无法在同一模型中估计。某一性状的群体层面多基因评分预测值，是家庭内与家庭间估计值的加权和（详见Selzam等人的研究[9]）。群体层面估计值可能高于或低于家庭间估计值，具体取决于表型总变异中家庭层面与个体层面的占比，即家庭内双生子的表型相关程度。若双生子表型高度相关，群体层面估计值会更高；若双生子表型基本无相关，群体层面估计值则趋近于家庭内估计值。

平均而言，多基因评分对教育相关表型（如学业成绩、受教育年限、认知能力测验分数）的群体层面预测效应高于家庭内效应[7,9-11,13]。这种差异表明，遗传效应对教育的环境混杂具有实质意义，该混杂源于同一家庭中儿童共享的环境因素（如基因- 环境相关、家庭社会经济地位）与群体层面动态因素（如群体分层、选型婚配）。

已有研究报道，在英国青少年样本中，多基因评分对学业成就的家庭内预测效应仅为群体层面的一半（群体层面β=0.42，家庭内β=0.21 [9,13]）。同样，荷兰成年人群体中，多基因评分对受教育程度的家庭内预测效应也低于群体层面（β=0.09 vs β=0.20）。但在同一项研究中，多基因评分对12 岁荷兰儿童学业成就的群体层面与家庭内预测效应无显著差异[10]。荟萃分析研究证实，遗传效应对教育结局的环境混杂效应量变异范围极大，从无混杂（家庭内效应与群体层面效应相等）到占群体层面多基因评分预测效应的70% 不等，具体取决于表型测量指标、队列与参与者年龄[10,11,16]。家庭内与群体层面遗传效应的显著变异性，进一步增加了多基因评分在教育研究中解读与应用的难度。明确多基因评分对学业成就的预测效应何时、如何、在何种情境因素下发生变异，是深化教育公平认知的前提。例如，若发现遗传效应的环境混杂仅存在于部分学制（分层制vs 综合制）或特定发育阶段，将为教育公平改善工作提供依据。

本研究的核心目标是，系统分析英国、美国、瑞典、德国四国7-19 岁儿童家庭数据中，学业成就的群体层面、家庭内与家庭间遗传效应的变异性。本研究检验了三项核心假设：

第一，假设（H1a）与既往研究一致[27]，多基因评分与家庭社会经济地位可在群体层面显著预测各国儿童学业成就。受基因- 环境互作影响，认知性状（包括学业成就）的遗传影响随年龄增长而增强[5,28-30]，因此假设（H1b）群体层面多基因评分预测效应量随儿童年龄增长而增大[5,27]。各国中学学制存在差异：英国、美国、瑞典为综合制，德国为分层制—— 学生依据小学学业成绩被分配至不同中学层级[31]。综合制与分层制中学教育可能与家庭背景对教育的传递效应相交，因为分层制学制比综合制学制更利于高社会经济地位家庭的儿童[32-37]。因此假设（H1c）多基因评分与社会经济地位对学业成就的预测效应，在分层制学制国家更强、综合制学制国家更弱（即德国效应更强，英、美、瑞典更弱）[36]。

第二，假设（H2a）与既往发现一致[9-11]，多基因评分对学业成就的家庭内效应低于群体层面，提示遗传效应存在环境混杂。同时假设（H2b）这种环境混杂效应在分层制学制中比综合制学制更显著[36]。预期这种国家间差异在中学阶段显现，因四国小学教育均为综合制[31]。

第三，假设（H3a）与既往研究一致[9]，纳入家庭社会经济地位作为协变量可部分解释多基因评分对学业成就预测的环境混杂。假设（H3b）社会经济地位的作用在分层制（德国）比综合制（英、美、瑞典）学制中更强[38,39]。尽管预期结果与各国学制匹配，但无法排除其他因素导致的样本间差异，例如不同福利国家制度。英国、美国的自由主义福利制度下收入不平等程度高、资源再分配力度弱，可能影响教育机会；而瑞典的社会民主主义福利制度则能更大程度弥补家庭背景的不平等[40]。其他变异来源还包括抽样、测量与方法学的差异。

方法

数据

本研究使用同性异卵（DZ）双生子数据，数据分别来自英国、美国、瑞典、德国的五项基于群体的纵向双生子家庭研究：双生子早期发展研究（TEDS）、环境风险纵向双生子研究（ERisk）、明尼苏达双生子家庭研究（MTFS）、瑞典双生子登记库（STR）、双生子生活研究（TwinLife）。所有队列在数据收集前均获得伦理审批，且已获取参与者知情同意。图2 汇总了所有队列的评估年龄与对应样本量。伦理审批与数据获取的更多信息见下文。数据库、测量指标与统计分析的详细内容见补充材料S1。

测量指标

学业成就：

所有样本均在小学至中学阶段（7-19 岁）重复测量学业成就。数据形式包括：英国的教师与自评成绩、美国的平均绩点（GPA）、瑞典的教育登记数据、德国的成绩单成绩。

受教育程度多基因评分：

所有样本均收集双生子基因型数据，采用受教育程度（EA）全基因组关联研究汇总统计量（EA3 [6]或EA4（剔除23&me样本[7]））构建受教育年限多基因评分。两类多基因评分的GWAS发现样本高度重叠，预测效应高度相似[7]。多基因评分经前10个主成分校正以消除遗传血统偏倚，并进行Z标准化（均值= 0，标准差= 1）。计算双生子对的多基因评分家庭均值，作为家庭间多基因评分指标；个体与该均值的差值，作为家庭内多基因评分指标（即“双生子1/2多基因评分-均值多基因评分”的相对差值）。

社会经济地位：

所有样本均收集父母受教育水平、职业地位与家庭收入数据，整合为家庭层面社会经济地位综合指标（双生子二人指标相同）。

双生子年龄与性别：

所有样本均记录每次学业成就评估时双生子的（十进制的）年龄，出生时登记的年龄与性别作为分析协变量。

统计分析

本研究分析方案已预先注册：https://osf.io/jzp7c/?view_only=10fd9c9885844b519339de63c5a485fe。

借助同胞（尤其是共同成长的异卵双生子）遗传数据开展家庭内多基因评分预测分析，有助于获得无偏的多基因评分遗传效应[12,41,42]。生物学同胞拥有共同父母，在所有家庭共享遗传与环境因素上相匹配，因此可消除选型婚配与群体分层带来的偏倚。

首先，在群体层面分别用受教育程度多基因评分[6,7] 与社会经济地位预测学业成就。其次，利用同胞设计对比群体层面与家庭内预测估计值，检验是否存在环境混杂。第三，将社会经济地位作为家庭层面协变量，检验其对多基因评分学业成就预测环境混杂（即家庭内与家庭间估计值差异）的解释程度。因数据共享限制，各国家、各评估年龄的分析独立进行，因此样本与年龄间估计值差异的正式显著性检验受限。本研究采用三项统计指标：第一，对比估计值的95% 置信区间（CI）；若置信区间无重叠，估计值间差异在p≈0.01 水平上具有统计学意义[43]。第二，独立样本（国家间对比）估计值的差异检验，采用标准化β 系数差值除以差值标准误[44,45]。第三，相关样本（群体层面与家庭内估计值对比）采用费舍尔Z 变换[46,47]。为校正多重比较，显著性水平设为α=0.01，p 值低于该阈值视为具有统计学意义。所有分析采用R 软件（4.4.0 版本）[48]、lme4 包[49] 完成。统计分析的详细内容见补充材料S1，与预注册的偏差、数据与分析代码获取信息分别见补充材料S2、S3。描述性统计与相关系数见附表S1-S8，所有附表说明见补充材料S4。

图2 样本、分析样本量与评估年龄概览

UK：双生子早期发展研究（TEDS）+ 环境风险纵向双生子研究（E-Risk）；US：明尼苏达双生子家庭研究（MTFS）；Sweden：瑞典双生子登记库（STR）；Germany：双生子生活研究（TwinLife）；N：样本量（多层分析中纳入完整数据的个体数）。蓝色：综合制学制；红色：分层制学制。TEDS 与E-Risk 数据合并得到英国7、10、12 岁综合样本；16 岁数据仅来自TEDS。TEDS 与E-Risk 学业成就由教师评价；MTFS 由父母报告儿童平均绩点（GPA）；TwinLife 采用年度成绩单成绩；STR 儿童GPA 来自瑞典统计局教育登记库。

结果

多基因评分与家庭社会经济地位对儿童学业成就的预测是否因年龄和国家而异？

与假设H1a 及既往研究一致，校正评估时间点内年龄差异与性别后，多基因评分与社会经济地位在群体层面显著预测儿童学业成就。但预测强度在国家与年龄间差异显著（图3；附表S9-S12）。英国与瑞典各年龄段中，社会经济地位对学业成就的预测效应均强于多基因评分（社会经济地位：β=0.29-0.47；多基因评分：β=0.21-0.37）；美国12 岁、15 岁呈现相同模式，18 岁则相反。德国各年龄段中，多基因评分的预测效应整体强于社会经济地位（多基因评分：β=0.16-0.26；社会经济地位：β=0.11-0.18）。但因95% 置信区间宽且重叠，这些国家内部多基因评分与社会经济地位的预测差异未达显著水平。

图3 多基因评分与社会经济地位对学业成就的预测

PGS：受教育程度多基因评分；SES：社会经济地位。样本量随国家与年龄变化（见图2）。估计值为多层模型标准化β 值（家庭ID 为随机效应）。误差线为95% 置信区间。所有模型均纳入双生子年龄与性别作为协变量。

仅英国呈现假设H1b 方向的显著年龄趋势：多基因评分对学业成就的预测效应随儿童年龄增长而增强（7岁β=0.24，16岁β=0.37）。美国呈现相似但不显著的年龄趋势（12岁β=0.16，18岁β=0.31）；瑞典、德国样本未出现多基因评分预测的年龄趋势。英、美、瑞典15-16岁时社会经济地位对学业成就的预测效应最强（β=0.37-0.47），该年龄段恰逢英国义务教育综合制结束、美/瑞典升入高中的节点。与其他三国相比，德国社会经济地位对学业成就的预测效应整体更弱，13岁时甚至不显著（β=0.11-0.18）。因此，与假设H1c预期相反，多基因评分与社会经济地位对儿童学业成就的预测效应，并未在分层制学制（德国）比综合制学制（英、美、瑞典）国家更强。事实上，德国的多基因评分与社会经济地位预测效应部分显著低于其他三国（见附表S14）。

遗传效应的环境混杂程度是否因年龄和国家而异？

本研究将多基因评分预测效应分解为家庭间（2 水平）与家庭内（1 水平）变异。结果显示，多基因评分的家庭内预测效应低于群体层面估计值，与假设H2a 一致（图4），提示存在环境混杂。但衰减程度在国家间差异显著：经费舍尔Z 差异检验，瑞典与英国样本（10 岁除外）的衰减显著，美国与德国样本则不显著。英国与瑞典的多基因评分家庭内估计值较群体层面衰减26%-47%，表明两国遗传效应的环境混杂显著影响儿童学业成就。美国的衰减幅度（17%-65%）未达显著水平。德国的衰减效应在所有国家中最弱（10%-31%）且不显著。该结果否定了假设H2b—— 即德国分层制学制的遗传效应环境混杂强于英、美、瑞典综合制学制的预期。

图4 群体层面与家庭内多基因评分对学业成就的预测

PGS：受教育程度多基因评分。样本量随国家与年龄变化（见图2）。估计值为多层模型标准化β 值（家庭ID 为随机效应）。误差线为95% 置信区间。所有模型均纳入双生子年龄与性别作为协变量。

与预期相反，环境混杂程度未随年龄呈现系统性变化。英国中学教育结束的16 岁时，群体层面与家庭内效应差异最大；但其他三国样本未呈现相似趋势，其差异在低龄段更强或完全不显著（完整模型结果与费舍尔Z 差异检验见附表S9-S12）。为检验美国、德国结果不显著是否源于样本量小、统计效力低，本研究从英国样本中随机抽取350 个家庭开展敏感性分析（样本量与美、德匹配，未预注册）。经费舍尔Z 差异检验，该小型英国样本中家庭内与群体/ 家庭间估计值的差异不显著。但点估计值的整体模式与英国总样本基本一致（完整模型结果见补充材料S5、附表S13）。提示样本间遗传效应环境混杂的显著性差异，可能源于样本量与统计效力问题。

社会经济地位是否能解释遗传效应对学业成就的环境混杂？

本研究将家庭社会经济地位作为协变量，检验其对环境混杂效应的解释力（完整模型结果见附表S9-S12）。结果证实假设3a：加入社会经济地位后，英、瑞典样本中家庭内与家庭间多基因评分对学业成就预测的差异显著缩小。图5展示了英国与瑞典样本中，纳入社会经济地位前（深红色）、后（橙色）的家庭间估计值，以及家庭内估计值（浅蓝色，与图4一致，因社会经济地位无1水平变异）。注：此处对比家庭内与家庭间估计值，而非群体层面估计值[9]。纳入社会经济地位后，家庭间估计值大幅降低并趋近于家庭内估计值。该效应在英国7岁、10岁时最强：校正社会经济地位可分别解释家庭内与家庭间多基因评分预测差异的94%、100%，即遗传效应对学业成就的环境混杂几乎完全归因于家庭社会经济地位差异。英国12岁、16岁时，社会经济地位仍可解释约64%的环境混杂。瑞典的家庭社会经济地位对环境混杂的解释比例更低（16岁约45%，19岁约29%）。

图5 英国与瑞典有无社会经济地位协变量时，家庭内与家庭间多基因评分对学业成就的预测

PGS：受教育程度多基因评分；SES：社会经济地位。样本量随国家与年龄变化（见图2）。估计值为多层模型标准化β 值（家庭ID 为随机效应）。误差线为95% 置信区间。所有模型均纳入双生子年龄与性别作为协变量。

因美国、德国样本的家庭间与家庭内多基因评分对学业成就预测的差异不显著，不存在可被社会经济地位解释的环境混杂。该结果与假设H3b 预期相悖—— 即家庭社会经济地位对德国分层制学制的家庭间多基因评分预测效应，强于英、美、瑞典综合制学制。

讨论

本研究首次结合跨国与发育视角，分析基于受教育程度全基因组关联研究的多基因评分对学业成就的预测变异性[6,7]。本研究采用家庭内同胞设计，解析英、美、瑞典、德国四国7-19 岁人群学业成就的群体层面、家庭内与家庭间遗传效应。研究发现三处显著变异性：第一，多基因评分对学业成就的群体层面预测在各国、各年龄段均为正向显著，但效应量存在差异；家庭社会经济地位对学业成就的预测效应在国家与年龄间变异程度相似，但其变异模式与多基因评分不一致。第二，遗传效应对学业成就的环境混杂程度存在差异，占群体层面多基因评分预测效应的10%-65%。第三，家庭社会经济地位对该环境混杂的解释比例在国家与年龄间为29%-100%。上述三项变异结果无法归因于年龄趋势等系统性规律，也未证实关于环境因素（尤其是国家中学学制：分层制vs 综合制）影响多基因评分预测的假设。本研究结合既往研究对结果展开讨论。

学业成就的家庭内与群体层面遗传效应变异性

本研究结果证实，多基因评分的家庭内预测效应平均低于群体层面估计值，与近期研究一致[10,11]。但本研究结果与既往“遗传效应在认知、教育表型、评估年龄、样本来源国间保持一致” 的结论相悖[9,11,16]。研究结果的差异部分源于教育表型的不同：本研究聚焦学业成就，既往研究关注受教育程度[11,16]。学业成就指个体在教育场景中的表现（如考试成绩、教师评价），受教育程度指个体获得的教育水平（如毕业证书、大学学位）。二者表型与遗传层面相关[8]，但病因学不同[50,51]，受家庭层面环境混杂的影响也可能不同。即便如此，遗传影响中小学学业成就的机制，与成年期受教育程度的相关机制也可能存在差异。

各国中学学制下遗传效应环境混杂无系统性规律

国家层面的分层制与综合制中学学制，无法解释本研究观察到的遗传效应对学业成就环境混杂的变异性。瑞典与英国（均为综合制）呈现显著的家庭内多基因评分预测衰减，美国（综合制）与德国（分层制）则未出现。其他国家层面差异（如社会经济不平等程度[40,52,53]）或许能解释遗传效应对学业成就环境混杂的变异性。英、美为自由主义福利国家，财富、福利供给与教育机会差距大；瑞典为社会民主主义福利国家、德国为保守主义福利国家，收入不平等程度更低、代际流动性更强[54-57]。因此，社会经济资源获取与教育结局的关联，可能与遗传效应对学业成就环境混杂的产生相关。但需注意，此类归因与本研究结果不完全契合，目前属于事后推测。此外，本研究未考察的其他国家层面学校环境差异（如教师资质水平、班级规模[58,59]，也与家庭背景不平等相关[60]），可能是环境混杂变异性的驱动因素。未来研究需纳入更详细的学校环境信息，并扩大样本国家范围以获得充足统计效力，进而阐明相关机制。

与德国研究结果相似，既往荷兰样本研究也报道12 岁儿童遗传效应对学业成就的环境混杂可忽略不计[10]。荷兰与德国均为分层制中学学制，但荷兰的分层选拔始于12 岁后，德国则始于10 岁。因此，需更多数据检验荷兰儿童进入分层制中学后，遗传效应的环境混杂是否出现，或如本研究德国结果所示，整个中学阶段均无环境混杂。

遗传效应环境混杂无系统性发育年龄趋势

本研究中，遗传效应对学业成就的环境混杂在儿童各年龄段表现不一致。既往研究提示，多基因评分对认知与教育结局的群体层面预测随儿童年龄增长而增强[5]。因此，环境混杂可能随基因- 环境互作放大（群体层面）遗传预测效应而增强[29,30]。但反向假设也成立：儿童学业成就差异在学龄早期可能更易受环境混杂影响，此阶段环境对表型变异的贡献更强[3,11]。本研究结果未支持任一假设，遗传效应对学业成就的环境混杂未呈现系统性年龄趋势。因此，本研究无法确定中小学阶段中，能最大化降低家庭背景不平等、提升儿童学业成就干预效果的发育窗口期。未来需开展更多研究，检验本研究样本外的其他队列是否也存在此类无系统性发育规律的现象。

社会经济地位对遗传效应环境混杂的解释程度存在差异

本研究在英国（10 岁除外）与瑞典观察到显著的环境混杂，两国中家庭社会经济地位可解释超过四分之一至全部的环境混杂效应，表明群体层面多基因评分对学业成就的遗传效应预测，同时包含儿童养育环境的影响。父母的受教育水平、职业与收入可粗略反映儿童家庭学习环境质量与教育机会获取情况[61]。社会经济地位对遗传效应对学业成就环境混杂的解释程度，与各国学制（分层制vs 综合制）关联不大。但家庭内多基因评分预测衰减的国家，恰好是家庭社会经济地位对学业成就预测效应更强的国家。群体层面多基因评分预测效应量的变异性，可能源于遗传与环境因素的互作与交互—— 例如父母为子女提供支持学业成就的养育环境的能力（互作），随社会经济资源获取情况而变化（交互）[61]。

英国的家庭社会经济地位对遗传效应环境混杂的解释比例高于瑞典。原因之一是英国的教育不平等程度高于瑞典[40,55]；原因之二是社会经济地位与选型婚配、群体分层等群体现象的关联，在英国更强，这可能混杂多基因评分对学业成就的群体层面预测[12,20]。既往研究表明，英国高社会经济地位、高教育遗传倾向的家庭，多居住在学校质量高的富裕地区[62-64]。这种环境与遗传优势的匹配，部分源于选型婚配，该婚配模式导致教育潜能相关等位基因的地域聚集[19,21,65]。因此，英国样本中校正家庭社会经济地位，能比瑞典等国更大程度地剔除多基因评分对学业成就预测的环境混杂。此外，瑞典的社会经济地位对群体层面与家庭内估计值差异的解释比例更低，也可能与家族效应有关。近期研究在瑞典、挪威发现了超越核心家庭的复杂群体与家族效应（如祖父母或其他家庭成员基因型的影响[66,67]）。家族效应可能包含跨代的环境社会经济分层，且与父母基因型相关。若家族效应存在，扩大家庭层面的行为与社会环境会结合家族整体遗传倾向影响儿童学业成就[67]。本研究仅基于父母受教育水平、职业、收入测量社会经济地位，可能无法充分反映跨代、扩大家庭的环境过程复杂性。目前尚无对比各国选型婚配、群体分层、家族效应的研究，因此仅能推测其对本研究结果的影响。

局限性与未来研究

尽管本研究具备诸多优势（如纳入四国双生子遗传数据、重复测量学业成就、采用前沿建模方法），但仍存在局限性。

第一，各样本量与检验效应的统计效力差异显著（德国：267-371 人；英国：1727-2961 人；美国：336-376 人；瑞典：4140 人）。敏感性分析结果表明，德国与美国样本可能因效力不足导致估计值未达显著，但结果模式仍可能反映真实效应。需更大样本量才能明确验证该结论，而目前尚无此类数据。

第二，本研究难以解释观察到的多基因评分预测变异性。样本特异性差异（如家庭社会经济地位与学业成就的测量方式、遗传数据处理与多基因评分计算方法）、更广泛的国家层面教育机会相关因素，均可能混杂研究结果。

第三，所有纵向研究均存在失访问题，可能导致高受教育水平家庭过度代表，限制研究结果对样本来源国总体人群的普适性[68]。例如，非随机失访导致的变异限制，可能向下偏倚社会经济地位预测效应，这也解释了德国13 岁、15 岁社会经济地位对学业成就的弱预测效应。瑞典数据来源于全国登记库，不存在失访偏倚。研究普适性的另一问题是，所有样本均来自欧洲遗传血统为主的西方、受过教育、工业化、富裕、民主（WEIRD）国家。未来研究需在更多样化的人群与遗传血统背景中，探究遗传效应对学业成就环境混杂的变异性。

最后，社会经济地位等看似“环境” 的因素，不应被视为纯粹的环境协变量，因其本身部分可遗传[25,26]。因此，校正家庭社会经济地位的估计值可能存在过度校正问题，尽管在遗传信息研究中，分离多基因评分预测与家庭层面潜在混杂因素的影响仍是当前研究热点[9,24,41]。

结论

多基因评分对学业成就的群体层面预测，既包含真实遗传效应，也包含环境混杂。遗传预测的环境混杂表明，儿童学业成就与其遗传倾向的关联，同时反映了家庭层面的社会环境影响，部分源于基因- 环境相关。本研究证实，学业成就的群体层面、家庭内与家庭间遗传效应量，在四国（英、美、瑞典、德国）与儿童年龄段（7-19 岁）间差异显著。本研究无法将遗传效应环境混杂的变异性，归因于国家层面学制因素或儿童年龄。推测其他系统性因素可解释该变异性，并促进教育中家庭背景不平等的传递。未来研究可基于本研究结果，利用多样化背景的大样本遗传信息家庭数据，识别此类因素。相关分析或能揭示儿童学习环境中近端、可塑的方面，为提升儿童学业成就的干预工作提供适宜靶点。

伦理审批

所有研究均遵循伦理规范开展，并获得相关机构审查委员会或伦理委员会的审批。双生子早期发展研究（TEDS）获伦敦国王学院伦理委员会审批（审批号：PNM/09/10-104）。环境风险纵向双生子研究（E-Risk）获南伦敦与莫兹利医院联合伦理委员会及精神病学研究所研究伦理委员会审批（NRES 1997/122）；父母签署知情同意书，双生子签署同意书。明尼苏达双生子家庭研究（MTFS）获明尼苏达大学机构审查委员会审批，成年参与者签署知情同意书（含未成年子女同意），儿童签署同意书。瑞典双生子登记库（STR）研究获瑞典伦理审查委员会审批（审批号2017/083）及瑞典双生子登记库指导委员会审批。双生子生活研究（TwinLife）获德国心理学会伦理委员会审批（审批号RR 11.2009），分子遗传分析额外获波恩大学医学院伦理委员会审批（审批号113/18）；面对面访谈中获取知情同意书（含未成年人父母同意）。

数据可用性

因隐私与伦理要求，本研究所用数据集未公开开放，但可向各数据所有者申请用于研究目的。TEDS 数据可申请获取（https://www.teds.ac.uk/researchers/teds-data-access-policy），测量与样本特征详细信息见TEDS 数据字典（https://www.teds.ac.uk/datadictionary/home.htm）。E-Risk 数据可申请获取（https://www.eriskstudy.com/data-access/）。外部研究者可通过合作申请获取MTFS 数据[69]。瑞典样本使用瑞典统计局提供的个体登记数据，结合瑞典双生子登记库数据，由瑞典双生子登记库指导委员会管理。数据获取需获瑞典伦理审查委员会与瑞典双生子登记库指导委员会审批，STR 数据可申请获取（https://ki.se/en/research/swedish-twin-registry-for-researchers）。本研究使用TwinLife 7.1.0 版数据（https://doi.org/10.4232/1.14186），数据可申请获取（https://search.gesis.org/research_data/ZA6701），测量与样本特征信息见TwinLife 数据文档网站（https://www.twin-life.de/documentation/downloads）。

代码可用性

本研究分析未使用自定义代码。数据分析采用R 软件（4.4.0 版本）[48] 与RStudio 软件（2024.04.1 版本）[70]。分析代码可通过以下链接获取：https://osf.io/jzp7c/?view_only=10fd9c9885844b519339de63c5a485fe。

1. REFERENCES
   1. de Zeeuw EL, de Geus EJC, Boomsma DI. Meta-analysis of twin studies highlights the importance of genetic variation in primary school educational achievement. Trends Neurosci Educ. 2015;4:69–76.
   2. Eifler EF, Starr A, Riemann R The genetic and environmental effects on school grades in late childhood and adolescence. Meyre D, editor. PLOS ONE. 2019;14:e0225946.
   3. Rimfeld K, Malanchini M, Krapohl E, Hannigan LJ, Dale PS, Plomin R. The stability of educational achievement across school years is largely explained by genetic factors. Npj Sci Learn. 2018;3:16.
   4. Shakeshaft NG, Trzaskowski M, McMillan A, Rimfeld K, Krapohl E, Haworth CMA, et al. Strong genetic influence on a UK nationwide test of educational achievement at the end of compulsory education at age 16. Ansari D, editor. PLoS ONE. 2013;8:e80341.
   5. Allegrini AG, Selzam S, Rimfeld K, von Stumm S, Pingault JB, Plomin R. Genomic prediction of cognitive traits in childhood and adolescence. Mol Psychiatry. 2019;24:819–27.
   6. Lee JJ, Wedow R, Okbay A, Kong E, Maghzian O, Zacher M, et al. Gene discovery and polygenic prediction from a genome-wide association study of educational attainment in 1.1 million individuals. Nat Genet. 2018;50:1112–21.
   7. Okbay A, Wu Y, Wang N, Jayashankar H, Bennett M, Nehzati SM, et al. Polygenic prediction of educational attainment within and between families from genome-wide association analyses in 3 million individuals. Nat Genet. 2022;54:437–49.
   8. Wilding K, Wright M, von Stumm S. Using DNA to predict education: a metaanalytic review. Educ Psychol Rev. 2024;36:102.
   9. Selzam S, Ritchie SJ, Pingault JB, Reynolds CA, O’Reilly PF, Plomin R. Comparing within- and between-family polygenic score prediction. Am J Hum Genet. 2019;105:351–63.
   10. Demange PA, Hottenga JJ, Abdellaoui A, Eilertsen EM, Malanchini M, Domingue BW, et al. Estimating effects of parents’ cognitive and non-cognitive skills on offspring education using polygenic scores. Nat Commun. 2022;13:4801.
   11. Howe LJ, Nivard MG, Morris TT, Hansen AF, Rasheed H, Cho Y, et al. Within-sibship genome-wide association analyses decrease bias in estimates of direct genetic effects. Nat Genet. 2022;54:581–92.
   12. Veller C, Coop GM. Interpreting population- and family-based genome-wide association studies in the presence of confounding. Moorjani P, editor. PLoS Biol 2024;22:e3002511.
   13. Malanchini M, Allegrini AG, Nivard MG, Biroli P, Rimfeld K, Cheesman R, et al. Genetic associations between non-cognitive skills and academic achievement over development. Nat Hum Behav [Internet]. 2024 [cited 2024 Aug 27]; Available from: https://www.nature.com/articles/s41562-024-01967-9.
   14. Bates TC, Maher BS, Medland SE, McAloney K, Wright MJ, Hansell NK, et al. The nature of nurture: Using a virtual-parent design to test parenting effects on children’s educational attainment in genotyped families. Twin Res Hum Genet. 2018;21:73–83.
   15. Kong A, Thorleifsson G, Frigge ML, Vilhjalmsson BJ, Young AI, Thorgeirsson TE, et al. The nature of nurture: Effects of parental genotypes. Science. 2018;359:424–8.
   16. Wang B, Baldwin JR, Schoeler T, Cheesman R, Barkhuizen W, Dudbridge F, et al. Robust genetic nurture effects on education: a systematic review and meta-analysis based on 38,654 families across 8 cohorts. Am J Hum Genet. 2021;108:1780–91.
   17. Plomin R, DeFries JC, Loehlin JC. Genotype-environment interation and correlation in the analysis of human behavior. Psychol Bull. 1977;84:309–22.
   18. Wertz J, Moffitt TE, Arseneault L, Barnes JC, Boivin M, Corcoran DL, et al. Genetic associations with parental investment from conception to wealth inheritance in six cohorts. Nat Hum Behav. 2023;7:1388–401.
   19. Abdellaoui A, Hugh-Jones D, Yengo L, Kemper KE, Nivard MG, Veul L, et al. Genetic correlates of social stratification in Great Britain. Nat Hum Behav. 2019;3:1332–42.
   20. Morris TT, Davies NM, Hemani G, Smith GD. Population phenomena inflate genetic associations of complex social traits. Sci Adv. 2020;6:eaay0328.
   21. Yengo L, Robinson MR, Keller MC, Kemper KE, Yang Y, Trzaskowski M, et al. Imprint of assortative mating on the human genome. Nat Hum Behav. 2018;2:948–54.
   22. Brumpton B, Sanderson E, Heilbron K, Hartwig FP, Harrison S, Vie GÅ, et al. Avoiding dynastic, assortative mating, and population stratification biases in Mendelian randomization through within-family analyses. Nat Commun. 2020;11:3519.
   23. Pingault J, Allegrini AG, Odigie T, Frach L, Baldwin JR, Rijsdijk F, et al. Research review: how to interpret associations between polygenic scores, environmental risks, and phenotypes. J Child Psychol Psychiatry. 2022;63:1125–39.
   24. Zhou Q, Gidziela A, Allegrini AG, Cheesman R, Wertz J, Maxwell J, et al. Gene-environment correlation: the role of family environment in academic development. Mol Psychiatry [Internet]. 2024 [cited 2024 Oct 24]; Available from: https://www.nature.com/articles/s41380-024-02716-0.
   25. Kendler KS, Baker JH. Genetic influences on measures of the environment: a systematic review. Psychol Med. 2007;37:615.
   26. van Hootegem A, Rogne AF, Lyngstad TH. Heritability of class and status: implications for sociological theory and research. Res Soc Stratif Mobil. 2024;92:100940.
   27. von Stumm S, Smith-Woolley E, Ayorech Z, McMillan A, Rimfeld K, Dale PS, et al. Predicting educational achievement from genomic measures and socioeconomic status. Dev Sci. 2020;23:e12925.
   28. Haworth CMA, Wright MJ, Luciano M, Martin NG, De Geus EJC, Van Beijsterveldt CEM, et al. The heritability of general cognitive ability increases linearly from childhood to young adulthood. Mol Psychiatry. 2010;15:1112–20.
   29. Ruks M, Starr A, Dierker P. Investigating the heritability of school grades from age 10 to 16 using biometric growth curve models [Internet]. PsyArXiv; 2023 [cited 2023 Oct 18]. Available from: https://osf.io/vecy9.
   30. Tucker-Drob EM, Briley DA, Harden KP. Genetic and environmental influences on cognition across development and context. Curr Dir Psychol Sci. 2013;22:349–55.
   31. Wößmann L. The importance of school systems: evidence from international differences in student achievement. J Econ Perspect. 2016;30:3–32.
   32. Borghans BL, Diris R, Smits W, De Vries J. Should we sort it out later? The effect of tracking age on long-run outcomes. Econ Educ Rev. 2020;75:101973.
   33. Burger K. Intergenerational transmission of education in Europe: Do more comprehensive education systems reduce social gradients in student achievement?
   Res Soc Stratif Mobil. 2016;44:54–67.
   34. Engzell P, Raabe IJ. Within-school achievement sorting in comprehensive and tracked systems. Sociol Educ. 2023;96:324–43.
   35. Freeman RB, Viarengo M. School and family effects on educational outcomes across countries. Econ Policy. 2014;29:395–446.
   36. Terrin É, Triventi M. The effect of school tracking on student achievement and inequality: A meta-analysis. Rev Educ Res. 2023;93:236–74.
   37. van de Werfhorst HG. Early tracking and social inequality in educational attainment: Educational reforms in 21 European countries. Am J Educ. 2019;126:65–99.
   38. Dumont H, Klinge D, Maaz K. The many (subtle) ways parents game the system: mixed-method evidence on the transition into secondary-school tracks in Germany. Sociol Educ. 2019;92:199–228.
   39. Stull JC. Family socioeconomic status, parent expectations, and a child’s achievement. Res Educ. 2013;90:53–67.
   40. Esping-Andersen G. Welfare regimes and social stratification. J Eur Soc Policy. 2015;25:124–34.
   41. Young AI. genome-wide association studies have problems due to confounding: are family-based designs the answer? PLoS Biol. 2024;22:e3002568.
   42. Young AI, Benonisdottir S, Przeworski M, Kong A. Deconstructing the sources of genotype-phenotype associations in humans. Science. 2019;365:1396–400.
   43. Cumming G, Finch S. inference by eye: confidence intervals and how to read pictures of data. Am Psychol. 2005;60:170–80.
   44. Gelman A, Stern H. The difference between “significant” and “not significant” is not itself statistically significant. Am Stat. 2006;60:328–31.
   45. Paternoster R, Brame R, Mazerolle P, Piquero A. Using the correct statistical test for the equality of regression coefficients. Criminology. 1998;36:859–66.
   46. Fisher RA. On the ’probable error’ of a coefficient of correlation deduced from a small sample. Metron. 1921;1:1–32.
   47. Eid M, Gollwitzer M, Schmitt M. Statistik und Forschungsmethoden. 2nd ed. Weinheim: Beltz; 2011. 1024 p.
2. 48. R Core Team. R: A Language and Environment for Statistical Computing [Internet]. R Foundation for Statistical Computing; 2024. Available from: https://www.R-project.org/.
3. 49. Bates D, Mächler M, Bolker B, Walker S. Fitting linear mixed-effects models usinglme4. J Stat Softw [Internet]. 2015 [cited 2023 Oct 23];67. Available from: http://www.jstatsoft.org/v67/i01/.
4. 50. Polderman TJC, Benyamin B, de Leeuw CA, Sullivan PF, van Bochoven A, Visscher PM, et al. Meta-analysis of the heritability of human traits based on fifty years of twin studies. Nat Genet. 2015;47:702–9.
5. 51. Silventoinen K, Jelenkovic A, Sund R, Latvala A, Honda C, Inui F, et al. Genetic and environmental variation in educational attainment: an individual-based analysis of 28 twin cohorts. Sci Rep. 2020;10:12681.
6. 52. Esping-Andersen G. The three political economies of the welfare state. Int J Sociol. 1990;20:92–123.
7. 53. Osberg L. Long run trends in income inequality in the United States, UK, Sweden, Germany and Canada: A birth cohort view. East Econ J. 2003;29:121–41.
8. 54. Gregg P, Jonsson JO, Macmillan L, Mood C. The role of education for intergenerational income mobility: A comparison of the United States, Great Britain, and Sweden. Soc Forces. 2017;96:121–52.
9. 55. Heisig JP, Elbers B, Solga H. Cross-national differences in social background effects on educational attainment and achievement: absolute vs. relative inequalities and the role of education systems. Comp J Comp Int Educ. 2020;50:165–84.
10. 56. Johnson W, Deary IJ, Silventoinen K, Tynelius P, Rasmussen F. Family background buys an education in Minnesota but not in Sweden. Psychol Sci. 2010;21:1266–73.
11. 57. Ross NA, Dorling D, Dunn JR, Henriksson G, Glover J, Lynch J, et al. Metropolitan income inequality and working-age mortality: a cross-sectional analysis using comparable data from five countries. J Urban Health Bull N Y Acad Med. 2005;82:101–10.
12. 58. Ehrenberg RG, Brewer DJ, Gamoran A, Willms JD. Class size and student achievement. Psychol Sci Public Interest. 2001;2:1–30.
13. 59. López-Martín E, Gutiérrez-de-Rozas B, González-Benito AM, Expósito-Casas E. Why do teachers matter? A meta-analytic review of how teacher characteristics and competencies affect students’ academic achievement. Int J Educ Res. 2023;120:102199.
14. 60. Buckingham J, Wheldall K, Beaman-Wheldall R. Why poor children are more likely to become poor readers: The school years. Aust J Educ. 2013 Nov;57:190–213.
15. 61. Tan CY, Lyu M, Peng B. Academic benefits from parental involvement are stratified by parental socioeconomic status: A meta-analysis. Parenting. 2020;20:241–87.
16. 62. Coldron J, Cripps C, Shipton L. Why are english secondary schools socially segregated? J Educ Policy. 2010;25:19–35.
17. 63. Cullinane C, Hillary J, Andrade J, McNamara S. SELECTIVE COMPREHENSIVES 2017 Admissions to high-attaining non-selective schools for disadvantaged pupils [Internet]. The Sutton Trust; 2017. Available from: https://www.suttontrust.com/ wp-content/uploads/2019/12/Selective-Comprehensives-2017.pdf.
18. 64. Hamnett C, Ramsden M, Butler T. Social background, ethnicity, school composition and educational attainment in East London. Urban Stud. 2007;44:1255–80.
19. 65. Moerenhout K, van den Berg D, de Wit M, Peyrot W, Abdellaoui A. Migration, assortative mating, and educational attainment. In London, UK; 2024.
20. 66. Hällsten M, Kolk M. The shadow of peasant past: Seven generations of inequality persistence in Northern Sweden. Am J Sociol. 2023;128:1716–60.
21. 67. Nivard MG, Belsky DW, Harden KP, Baier T, Andreassen OA, Ystrøm E, et al. More than nature and nurture, indirect genetic effects on children’s academic achievement are consequences of dynastic social processes. Nat Hum Behav [Internet]. 2024 Jan 15 [cited 2024 Apr 18]; Available from: https:// www.nature.com/articles/s41562-023-01796-2.
22. 68. Singh C. A comparative analysis of attrition in household panel studies. (Research Papers on Comparative Analysis of Longitudinal Data; No. 10) [Internet]. CEPS/INSTEAD; 1995. Available from: https://liser.elsevierpure.com/files/11791910/ Working%20Paper%20n%C2%B010.
23. 69. Iacono WG, McGue M. Minnesota twin family study. Twin Res. 2002;5:482–7.
24. 70. Posit team. RStudio: Integrated Development Environment for R. [Internet]. Boston, MA: Posit software, PBC; 2024. Available from:http://www.posit.co/.

致谢

感谢参与家庭及双生子早期发展研究（TEDS）、明尼苏达双生子家庭研究、瑞典双生子登记库（STR）、双生子生活研究（TwinLife）的所有贡献者。感谢环境风险纵向双生子研究（E-Risk）的父母、双生子与教师的参与。感谢E-Risk 研究创始人泰里・莫菲特教授、阿夫沙洛姆・卡斯皮教授及E-Risk 团队的付出、努力与见解。本文观点仅代表作者，不代表英国经济与社会研究理事会或伦敦国王学院。

作者贡献

概念设计：A.S.、S.v.S.；方法学：A.S.、M.R.；形式分析：A.S.、M.R.、A.G.、O.P.、C.K.L.P.；资源：R.A.、L.A.、H.L.F.、A.J.F.、C.K.、M.M.、M.M.N.、S.O.、F.M.S.、S.V.、J.W.、S.v.S.；数据整理：A.S.、M.R.、A.G.、E.W.、O.P.、C.K.L.P.、C.M.、A.A.；初稿撰写：A.S.、S.v.S.；修改与校对：所有作者；可视化：A.S.；监督：R.A.、L.A.、H.L.F.、A.J.F.、C.K.、M.M.、M.M.N.、S.O.、F.M.S.、S.V.、J.W.、S.v.S.；基金获取：R.A.、L.A.、H.L.F.、A.J.F.、C.K.、M.M.、M.M.N.、S.O.、F.M.S.、S.V.、J.W.、S.v.S.。所有作者均审批最终稿件。

基金资助

TEDS 研究获英国医学研究理事会资助（MR/V012878/1 及此前的MR/M021475/1），并获美国国立卫生研究院额外资助（AG046938）。E-Risk 研究获英国医学研究理事会基金资助[G1002190；MR/X010791/1]，另获美国国立儿童健康与人类发展研究所（HD077482）与雅各布斯基金会资助。明尼苏达双生子家庭研究获美国国立卫生研究院基金部分资助（R01 DA 04275、R01HG01103、R01 DA 05408、R01 DA 04428）。瑞典双生子登记库（STR）由卡罗林斯卡学院管理，并获瑞典研究理事会额外资助（2017-00641），另获拉格纳・瑟德贝里基金会（E9/11）与瑞典研究理事会（421-2013-1061）资助。TwinLife 研究获德国研究基金会（DFG）资助（项目号：220286500、428902522）。S.v.S. 在撰写本文期间获雅各布斯基金会（2022-2027）与巴黎高等研究院（2023-2024）奖学金资助。H.L.F. 获英国伦敦国王学院英国经济与社会研究理事会社会与心理健康中心资助[ES/S012567/1]。C.P. 职位由德国研究基金会资助（资助号428902552）。O.P.、R.A.、S.O. 获瑞典研究理事会资助（2019-00244；2023-01343）。

利益冲突

作者声明无利益冲突。

补充信息

本文在线版本包含补充材料，链接为：https://doi.org/10.1038/s41380-025-03342-0。

通信与材料申请请致函亚历山德拉・斯塔尔。