孟德尔随机化Mendelianrandomization-MR.pdfVIP

孟孟德德尔尔随随机机化化Mendelianrandomization,MR 孟德尔随机化分析 Mendelian randomization,MR使⽤遗传变异作为⼯具变量，推断暴露因素与结局之间 因果关系，能有效克服混杂合反向因果问题所导致 偏倚。 1986年，Katan提出MR思想：由于配⼦形成时，遵循“亲代等位基因随机分配给⼦代” 孟德尔遗传规律，如果基因型决定表型，基因型通过表型⽽与疾病发⽣关联，因此可以使 ⽤基因型作为⼯具变量来推断表型与疾病之间 关联。 ① ⼯具变量Z与混杂因素U⽆关联；② ⼯具变量Z与暴露因素X有关联；③ ⼯具变量Z与结局变量Y⽆关联，Z只能通过变量X与Y发⽣关联。 ① 变量X与Y之间 关联⼀定会受到潜在混杂因素U 影响，但⼯具变量Z与变量X 以及Z与变量Y之间⽆潜在混杂因素影响；② 变量X与结局Y之间 关联⽆法直接观察获得，因为 ⽆法直接测量变量X ，但是Z是可测量 ，并且Z与X直接 关联是已知 或者可测量 ，并独⽴于其他因素⽽存在。 （/zhl b htm） 孟德尔随机化是在⾮实验数据中使⽤遗传变异来估计暴露和结局之间 因果关系，也称为“孟德尔解混杂”，它旨在给出因果关系 估计，不会因混杂因素⽽产⽣偏差。孟德尔随 机化 想法是找到与暴露有关 遗传变异 （或多个变异），但与影响结果 ⼈和其他风险因素⽆关，并且与结果不直接相关。遗传变异与结果之间 任何关联都必须通过与暴露 之间 关联来进⾏，因此暗⽰了暴露对结果 因果关系，这样 遗传变异将满⾜⼯具变量 （IV） 假设 孟德尔随机中，遗传变异被作为⼯具变量评估暴露对结局 因果效应，遗传变异满⾜⼯具变量 基本条件总结为： 1）遗传变异与暴露有关。 2）遗传变异与暴露-结果关联 任何混杂因素均不相关 3）改遗传变异不会影响结果，除⾮可能通过化瘀暴露 关联来实现。 尽管孟德尔随机化分析通常涉及单个遗传变异，但可以将多个变异⽤作单独 IV或组合为单个IV。 暴露：指假定 因果风险因素，有时称为中间表型，它可以是⽣物标志物(Biomarker)、⼈体测量指标(Physical measurement)或任何其他影响结果 风险因素(Risk factor)。通 常，结局是疾病，但不局限于疾病。 ⾮实验数据涵盖了所有观察性研究，包括横断⾯和纵向，队列研究和病例对照研究。 流⾏病学研究 基本⽬标是估计暴露对结局 影响 通常由于混杂因素，暴露与结果之间 观察联系有所不同，它们之间 相关性不能作为解释因果关系 可靠证据。 MR设计策略：随着统计学⽅法 深⼊不断更新，⼀阶段MR到单⼀样本MR,两样本MR,两阶段MR,双向MR以及基因-环境交互作⽤MR和⽹络额MR。 两样本MR在全球⼤量GWAS合作组 公共数据中⼴泛使⽤。两样本MR 设计策略是建⽴在G-X和G-Y 关联研究⼈群来⾃相同⼈群 两个独⽴样本 （如GWAS与暴露，GWAS 与结局 关联数据），要求两样本具有相似 年龄、性别和种族分布特征，因为样本量较⼤，该⽅法可以获得更⼤ 把握度。 代码：# install package if (!requireNamespace(MendelianRandomization)) install.packages(MendelianRandomization) library(MendelianRandomization) IVWObject - mr_ ivw (MRInputObject, model = default, robust = FALSE, penalized = FALSE, correl = FALSE, weights = simple, psi = 0, distribution = normal, alpha = 0.05) IVWObject - mr_ ivw (mr_ input(b = ldlc, b se = ldlcse, by = chdlodds, byse = chdloddsse)) IVWObject 参考： https://www .j /p/354f9f0b9eed /zhl b htm 解释变量e planatory variable也称为可控制变量，即⾃变量。 随机误差项 random error term 也称为随机误差，