文章目录

1.前言1.1 成立条件1.2 三大要素1.3 统计原理

2.demo2.1 加载R包2.2 主要MR分析2.3 MR补充分析、多态性、验证

2.4 结果可视化

1.前言

孟德尔随机化(<code>Mendelian randomization，MR)是一种利用基因变异作为工具变量来评估暴露与结果之间因果关系的统计方法。

它基于这样的原理：基因变异是在出生前就随机分配给个体的，类似于在随机对照试验中随机分配治疗，因此可以帮助区分因果关系和简单相关性。孟德尔随机化通常用于观察性数据，以确定一个特定的生物标志物、行为或其他暴露是否真正地影响了健康结果，而不是仅仅与之相关。通过这种方法，研究者可以减少混杂因素的影响，避免了传统观察性研究中常见的一些偏差。

1.1 成立条件

孟德尔随机化方法的关键在于三个基本假设的成立：

相关性假设（Relevance assumption）：所选的遗传变异与暴露因素必须有明确的关联。这意味着这些遗传变异能够作为影响暴露水平的可靠指标。独立性假设（Independence assumption）：遗传变异与任何影响结果的混杂因素必须独立。基于孟德尔遗传定律，遗传变异在受精时随机分配给后代，这个随机分配过程保证了其与后天环境因素的独立性。排他性假设（Exclusion restriction assumption）：遗传变异对结果的影响只能通过其对暴露的影响来体现，不应存在其他路径。这意味着遗传变异与结果之间的关联完全是通过暴露因素介导的。

孟德尔随机化的实施通常需要大量的基因组数据，包括与暴露因素和结果变量相关的遗传变异信息。通过统计分析这些数据，研究者可以估计出暴露与结果之间的因果关系大小。

这种方法在流行病学和遗传流行病学领域尤其有用，特别是在探索疾病的潜在风险因素时。不过，孟德尔随机化研究的解释需要谨慎，因为违反上述任一假设都可能导致估计的偏误。此外，该方法还受限于可用的遗传变异信息和样本大小。

1.2 三大要素

在孟德尔随机化研究中，主要涉及三个关键组成部分：暴露因素、结果，以及作为连接两者的桥梁的遗传变异。

暴露因素：这指的是可能对某个健康结果产生影响的任何因素，如生活方式、环境因素、生物标志物等。在孟德尔随机化中，研究人员试图评估这种暴露是否对结果具有因果效应。例如，暴露因素可以是饮酒量、体育锻炼、血压或血脂水平等。

结果：这是研究的终点，通常是健康相关的结果，如疾病发生、健康状况指标、生理测量值等。在孟德尔随机化研究中，结果是研究者试图了解其是否受到暴露因素的影响。例如，结果可以是心血管疾病、糖尿病、肥胖或寿命等。

遗传变异：在孟德尔随机化框架中，遗传变异是连接暴露因素和结果的关键。这些遗传变异（通常是单核苷酸多态性，SNPs）根据遗传原理，在人群中随机分布，与暴露因素具有相关性但又不受后天环境因素的影响。遗传变异作为工具变量，其作用是帮助研究者推断暴露因素与结果之间的因果关系，而不是仅仅描述它们之间的关联。这些遗传变异必须满足特定条件，即与暴露因素强相关、与混杂因素无关，且仅通过影响暴露因素来影响结果。

1.3 统计原理

孟德尔随机化分析中通常使用的是工具变量(IV)估计的数学框架。这个框架可以帮助我们理解如何通过遗传变异（作为工具变量）来估计一个暴露因素对结果的因果效应。下面是一个简化的版本，描述了这一过程中涉及的主要步骤和公式。

看起来你对LaTeX格式的数学公式表示很感兴趣！那么，按照你提供的官方格式，孟德尔随机化中的关键公式也可以这样优雅地展示：

第一阶段回归：

给定遗传变异 (Z) 对暴露因素 (X) 的影响可以表示为：

X

=

α

+

β

Z

X

Z

+

ϵ

X = \alpha + \beta_{ZX}Z + \epsilon

X=α+βZX​Z+ϵ

其中，(X) 代表暴露因素，(Z) 是遗传变异（工具变量），(\alpha) 是截距，(\beta_{ZX}) 表示遗传变异对暴露因素的影响程度，(\epsilon) 是误差项。

第二阶段回归：

调整后的暴露因素 (X) 对结果 (Y) 的影响可以通过下面的方程来估计：

Y

=

γ

+

β

X

Y

X

^

+

ν

Y = \gamma + \beta_{XY}\hat{X} + \nu

Y=γ+βXY​X^+ν

这里，(Y) 表示结果变量，(\hat{X}) 是从第一阶段回归中得到的基于遗传变异的暴露因素预测值，(\gamma) 是截距，(\beta_{XY}) 是调整后的暴露因素对结果影响的因果效应系数，(\nu) 是误差项。

工具变量估计的因果效应：

暴露因素 (X) 对结果 (Y) 的因果效应可以通过下面的比率来估计：

β

^

X

Y

=

Cov

(

Z

,

Y

)

Cov

(

Z

,

X

)

\hat{\beta}_{XY} = \frac{\text{Cov}(Z, Y)}{\text{Cov}(Z, X)}

β^​XY​=Cov(Z,X)Cov(Z,Y)​

其中，(\hat{\beta}_{XY}) 是通过遗传工具变异估计的暴露因素对结果影响的因果效应系数，(\text{Cov}(Z, Y)) 和 (\text{Cov}(Z, X)) 分别表示遗传变异与结果变量以及遗传变异与暴露因素之间的协方差。

另外可以看一下前一篇的文献分享：

两步法的双样本孟德尔随机化怎么做？2暴露因素+4风险因素+3结果

2.demo

这里复现的是教育年限对EC的影响

2.1 加载R包

library(devtools)

library(tidyr)

# devtools::install_github("MRCIEU/MRInstruments")

library(MRInstruments)

library(MendelianRandomization)

library(TwoSampleMR)

#install.packages("simex")

library(simex)

#install_github("rondolab/MR-PRESSO")

library(MRPRESSO)

2.2 主要MR分析

mydata <- read.table("01mydata_edu_cancer.txt", header=T, sep="\t", check.names = F, stringsAsFactors = F)code>

heterogeneity <- mr_heterogeneity(mydata)

heterogeneity

# id.exposure id.outcome outcome exposure method Q Q_df Q_pval

# 1 ieu-a-1001 lAx3ZW outcome || id:ieu-a-1001 MR Egger 347.7875 362 0.6951200

# 2 ieu-a-1001 lAx3ZW outcome || id:ieu-a-1001 Inverse variance weighted 347.8263 363 0.7075905

### 二选一

# 2.1 如果I2<25%或Q_P>0.05，使用固定效应的逆方差加权法（IVW）

mr_results <- mr(mydata, method_list=c('mr_ivw_fe'))

mr_results

generate_odds_ratios(mr_results)

# 2.2 如果I2>25%且Q_P<0.05，使用随机效应的逆方差加权法（IVW）

mr_results <- mr(mydata, method_list=c('mr_ivw_mre'))

mr_results

generate_odds_ratios(mr_results)

2.3 MR补充分析、多态性、验证