孟德尔随机化原理及常见

❝

❞

内容大纲
  • 孟德尔随机化原理及假设
  • 孟德尔随机化常见方法
  • R语言及MR-Base实操
背景何为孟德尔随机化

孟德尔随机化（Mendelian randomisation, MR）是一种利用与暴露因素强相关的遗传变异作为工具变量（Instrumental variables, IVs）推断暴露因素与结局之间因果关联的方法。相比于传统的观察性流行病学研究，孟德尔随机化基于亲代等位基因随机分配给子代的孟德尔遗传定律，可以看成是一种天然的随机对照试验（Randomised Controlled Trial, RCT），不易受到混杂因素的干扰，并具有较高的证据等级。孟德尔随机化研究需要遵循3个核心假设，分别是1）关联性假设（Relevance assumption），即工具变量与暴露因素强相关；2）独立性假设（Independence assumption），即工具变量与混杂因素不相关；3）排他性假设（Exclusion restriction），即工具变量只能通过暴露因素影响结局。

孟德尔随机化研究图文摘要 孟德尔随机化原理及常见方法(1)

图1：MR与RCT的对比

孟德尔随机化研究图文摘要 孟德尔随机化原理及常见方法(2)

图2：MR的证据等级

孟德尔随机化研究图文摘要 孟德尔随机化原理及常见方法(3)

图3：MR的核心假设

孟德尔随机化分析基本流程

孟德尔随机化分析的关键在于寻找合适的遗传变异作为工具变量。通过全基因组关联研究（Genome-wide association study, GWAS）获取工具变量对于暴露和结局的效应，两部分数据集整合协调（harmonise）后，即可进行分析，常见分析方法主要有比值法（Wald ratio）, 逆方差加权法（Inverse variance weighted, IVW），MR Egger回归, 基于中位数的回归模型（Median-based），基于众数的回归模型（Mode-based）, 极大似然法（Maximum likelihood）等。

孟德尔随机化研究图文摘要 孟德尔随机化原理及常见方法(4)

图4：MR分析流程

孟德尔随机化分析官方书籍与教程

MENDELIAN RANDOMIZATION Methods for Using Genetic Variants in Causal Estimation

https://mrcieu.github.io/TwoSampleMR/articles/index.html

孟德尔随机化研究图文摘要 孟德尔随机化原理及常见方法(5)

参考文献

Davies NM, Holmes MV, Davey Smith G. Reading Mendelian randomisation studies: a guide, glossary, and checklist for clinicians. BMJ. 2018;362:k601. Published 2018 Jul 12. doi:10.1136/bmj.k601

Hemani G, Zheng J, Elsworth B, et al. The MR-Base platform supports systematic causal inference across the human phenome. Elife. 2018;7:e34408. Published 2018 May 30. doi:10.7554/eLife.34408

Howell AE, Zheng J, Haycock PC, et al. Use of Mendelian Randomization for Identifying Risk Factors for Brain Tumors. Front Genet. 2018;9:525. Published 2018 Nov 12. doi:10.3389/fgene.2018.00525

,