多基因评分疾病风险表的技术壁垒并不在单点测序环节，而在大规模基因型—表型数据的积累、统计建模能力与机器学习解读能力。基因测序正持续产生海量医疗数据，处理和存储这些数据的成本正在迅速下降，将机器学习应用于这些数据的成本也在迅速下降；与此同时，NGS 与三代测序技术飞速发展，通过大规模 DNA 测序积累足够数据、再借助大数据分析与 AI 解读基因与外在表现的相关性，正逐步成为现实。因此，测序数据质量与算法解读能力共同构成这一方向的核心护城河。
技术路线：从测序到评分
从实现路径看，多基因评分（polygenic risk scores，PRSs）依赖大规模人群的基因型与表型数据关联分析。其逻辑链条是：测序工具迭代产生数据 → 数据与生活方式、健康记录等表型信息挂钩 → 通过大数据分析与 AI 解读基因和外在表现的相关性 → 形成可用于个体风险评估的评分。
ESPS（基于多基因评分的胚胎选择）是 PRSs 的一个应用方向：在辅助生殖过程中，通过评分方式对胚胎进行多基因相关性状的筛选，选择最可能符合需求（如患某种疾病风险最低、高智力水平概率最高等）的胚胎，移植入母体进行生育。目前这一技术除用于科学研究外，主要潜力在于实现多基因遗传病的一级预防。
竞争壁垒在哪里
第一是数据规模与数据生态。 评分的可靠性取决于基因型与表型数据的广度与深度。以英国为例，其启动的“我们的未来健康”项目将对 500 万成年人进行 DNA 测序，并与生活方式数据和健康记录挂钩；另有新生儿基因组项目收集 10 万名婴儿的 DNA，旨在发现儿童期疾病。这类量级的数据积累并非单点技术可以复制。
第二是数据获取的制度门槛。 在基础科学研究上全球科学家相互合作，但涉及基因数据，各个国家必然选择封闭。《人类遗传资源管理条例》和《生物安全法》提出基因组等人类遗传资源属于国家安全重要组成部分，基因测序行业意义进一步提高。这意味着数据资源的可得性本身受制度约束。
第三是算法与解读能力。 从相关性识别到风险评分，需要统计模型与机器学习的持续迭代，这部分能力与数据积累互为条件。
常见问题
多基因评分疾病风险表的技术核心是测序仪吗？
不是。测序仪是数据生产的入口，但评分表的价值更多取决于后端的数据积累与算法解读。国内测序仪市场中，已获批设备包括华大智造自研产品，以及与 Illumina 等外资合作研发、类贴牌报证的测序仪；Illumina 直接注册的测序仪主要有 NextSeq™ 550Dx 与 MiSeq TMDx。设备只是链条起点。
ESPS 目前的主要用途是什么？
ESPS 目前除用于科学研究外，主要潜力在于实现多基因遗传病的一级预防，即在辅助生殖环节对胚胎进行多基因相关性状的筛选。需要说明的是，该技术是否有效、是否安全、是否应该用于优生，目前都还没有定论。
这一方向的壁垒会被快速突破吗？
数据积累、制度约束与算法能力三者叠加，决定了壁垒具有累积性。测序成本下降与机器学习应用成本下降确实在降低技术门槛，但大规模基因型—表型数据的获取与解读能力，仍需要长期投入。