上位效應（Epistasis）的定義在遺傳學和統計學中有重要差異。Bateson（1909）的經典遺傳學定義指一個基因座遮蔽另一個基因座的表現型效果（compositional epistasis）。Fisher（1918）的統計學定義則是指多基因座對表現型的效果偏離加成性預期（statistical epistasis / non-additivity）。這兩種定義描述的不完全是同一現象，在複雜性狀的遺傳分析中需要仔細區分。
生化途徑與上位效應的機制邏輯
Beadle & Tatum 的「一個基因一個酶」概念建立了基因互作的代謝框架。在線性代謝途徑中：
A → (酶1, 基因 A) → B → (酶2, 基因 C) → C（最終產物）
如果基因 A 的同合隱性（aa）導致酶1 失能，不管基因 C 的基因型如何，最終產物 C 都不會生成。在這個框架中，上位性的方向反映基因在代謝途徑中的位置——上游基因對下游基因呈上位。
然而，在分支途徑或訊號網路中，上位效應變得更複雜。GTP 酶信號通路中的上位效應分析（epistasis analysis）是鑑定基因在通路中先後順序的經典遺傳學工具：如果基因 A 的功能獲得（gain-of-function）突變表型被基因 B 的功能喪失（loss-of-function）突變所抑制，則 B 作用在 A 的下游。
統計上位效應與 GWAS
Fisher 的統計框架中，表現型方差可分解為：
V_total = V_A + V_D + V_I + V_E
其中 V_A 是加成性遺傳方差，V_D 是顯性方差，V_I 是上位方差（包括 A×A、A×D、D×D 交互作用），V_E 是環境方差。
GWAS 主要捕捉的是加成性效應（V_A），因為標準的線性回歸模型假設基因座效應是加成的。上位效應在 GWAS 中難以偵測，原因包括：
- 多重比較負擔：測試 n 個 SNP 的兩兩交互作用需要 n(n-1)/2 次測試，以 100 萬 SNP 計需要 ~5×10¹¹ 次測試
- 統計效力不足：交互作用效應通常比主效應小，需要更大樣本量
- 編碼問題：統計上位效應的大小取決於等位基因頻率和效應的編碼方式
Zuk et al.（2012）提出上位效應可能是「遺失的遺傳率」（missing heritability）的部分解釋——GWAS 可解釋的表現型方差遠小於雙生研究估計的遺傳率，上位效應的方差會「膨脹」在窄義遺傳率估計中但不被 GWAS 的加成模型捕捉。
合成致死與合成適應度（Synthetic Lethality & Synthetic Fitness）
上位效應在酵母系統遺傳學中被大規模量化。Costanzo et al.（2010, 2016）的合成遺傳互作圖譜（Synthetic Genetic Array, SGA）系統性測試了酵母中 ~23 million 個基因對的雙突變表型。定義遺傳互作分數 ε = f_ab - f_a × f_b（f 為適應度），ε < 0 為負向互作（包括合成致死），ε > 0 為正向互作（抑制或緩衝）。約 3% 的基因對顯示顯著互作，且互作模式反映功能模組——同一蛋白質複合體或通路的基因傾向顯示負向互作。
合成致死在癌症治療中有直接應用：BRCA1/2 突變（同源重組修復缺陷）的腫瘤對 PARP 抑制劑敏感——單獨的 PARP 抑制或 BRCA 缺失都可存活，但兩者同時存在則致死（Farmer et al., 2005; Bryant et al., 2005）。
系統生物學中的上位效應
在基因調控網路（GRN）和蛋白質交互作用網路中，上位效應反映網路的拓撲結構。Beerenwinkel et al.（2007）建立了用上位效應推斷通路結構的計算框架。在適應度地景（fitness landscape）理論中，上位效應決定了地景的「粗糙度」——高上位效應使適應度地景多峰，限制演化的可預測路徑（Weinreich et al., 2006 的 β-lactamase 抗性研究顯示 5 個突變的 120 種排列中只有 18 條是適應度單調遞增的路徑）。這對預測抗生素抗藥性演化和蛋白質工程設計都有深遠影響。