检测方法
根据两个基因间的关系讨论，得到不同的遗传模型。
遗传模型
【理解】
模型 | 基因位置 | 基因间关系 | 概念 |
加性模型 | | 独立效应 | 两个基因独立对表型起作用。α=0，β3=0 |
上位模型 | 不同基因座 | 相互作用 | 不同基因座上的两个基因的相互作用对表型偏差。α=0，β3≠0 |
显性模型 | 同基因座 | 相互作用 | 同基因座上的两个基因的相互作用对表型偏差。α≠0，β3≠0 |
竞争抑制 | | 抑制作用 | 一个基因突变消除另一个基因突变。α＜0，β3=0 |
遗传方差：遗传方差又称表型方差（phenotypic variance），通常结合基因型方差（genotype variance）和环境方差（environmental variance）。
遗传方差主要包括三方面：加性遗传方差（Additive genetic variance）、显性遗传方差（Dominance genetic variance）和上位遗传方差（Epistatic genetic variance）
如下图所示：
假设有三个基因座（locus 1, locus 2, locus 3）导致糖尿病，三个基因座有各自对应的等位基因A,B,C,D,a,b,c,d。
加性遗传方差（Additive genetic variance）：指的是等位基因A对于糖尿病这个表型的独立效应，而产生的表型偏差。
显性遗传方差（Dominance genetic variance）：指的是基因座2上B和C相互作用而导致糖尿病表型的差异。
上位遗传方差（Epistatic genetic variance）：指的是不同基因座上的基因（比如A和B, A和C, A和D, B和D, B和C, C和D等）相互作用导致糖尿病的表型差异。
基因间的相互作用又称上位性（duEpistasis）或基因间互作（zhiInter-genic interaction）。
参考：
如何理解交互作用？
假设在某种疾病中，有A和B两种因素与疾病正相关。可以推测，同时暴露在A和B因素下的人患病的风险，会高于仅暴露于A或B因素下的人。
但遇到一个问题是，有时候前者的风险比后者高太多了。这该如何解释？
思考1：A和B是独立作用的。同时暴露在A和B因素下的人患病的风险，会约等于仅暴露于A或B因素下的风险之和。即AB = A+ B
生物学上的解释为假设A作用于某条通路，B独立地作用于另一条通路，那么同时暴露于两个因素时，其风险在数学上可以解释为A+B或A×B。
思考2：A和B不是独立作用的。同时暴露在A和B因素下的人患病的风险，会远高于仅暴露于A或B因素下的风险之和。即AB >> A+ B
生物学上的解释为可能有一条通路，是A和B同时参与的。所以当同时暴露于两个因素时，除了他们各管各的，还打开了其他的通路。
这就是交互作用。最常见的研究就是某个基因异常与某个环境因素的交互作用，还有基因-基因交互作用的研究。当我们有了假设，就可以从统计上做个交互分析来检验。
上边的A+B和A×B，指代统计学上的两种交互模型，一个是相加尺度交互模型，一个相乘尺度交互模形。分析危险因素时最常用的logistic回归，本质上是相乘模型。
Eur J Epidemiol. 2005;20(7):575-9.
如图，纵坐标表示风险，U表是未暴露，第二和第三根柱子分别是单独暴露于基因突变和吸烟时的风险，第四根柱子就是同时暴露于两因素时，风险竟然比叠加要高这么多。
如果想要通过logistic回归找到有统计学意义的危险因素，再检测它们在相加尺度上的交互作用，就需要经过一些变换。
需要计算的统计量
要知道两因素在相加尺度上是否发生了交互作用，就需要知道三个值：
交互作用相对超额危险度（Relative Excess Risk of Interaction，RERI）
归因比（Attributable Proportion，AP）
协同指数（Synergy Index，S）
如果没有发生交互作用，那么RERI和AP等于0，S等于1。更准确地说，是RERI和AP的置信区间包含0，S的置信区间包含1。反之则可认为发生了交互作用。
