收藏

科学家孟德尔于1854年夏天开始用豌豆株系进行一系列杂交试验，并提出遗传学的两个基本定律——分离定律和自由组合定律，统称为孟德尔遗传规律。不过，孟德尔定律只适用于单基因的遗传性状，并且无法解释复杂的多基因遗传疾病。此外，孟德尔定律也无法解释环境因素对基因表达的影响，以及基因与环境的相互作用。为了解决这个问题，著名统计学家Fisher提出了孟德尔随机化(Mendelian randomization，MR)的概念。MR是一种基于遗传变异的因果推断方法，其基本原理是利用自然界中的随机分配的基因型对表型的影响来推断生物学因素对疾病的影响。最近孟德尔随机化在科研领域爆火，下面就让小编来给大家全面解读孟德尔随机化研究。

一、什么是孟德尔随机化研究？

MR是工具变量（instrumental variable，IV）分析的一种类型，它使用遗传变异作为IV来检测和量化因果关系。由于MR能克服潜在混杂和反向因果关系的影响，近年来MR在观察性研究中的应用越来越广泛。具体的来讲，MR是一种统计方法，利用基因型工具变量，基于“工具变量与暴露因素强关联”、“工具变量与混杂因素无关联”及“工具变量仅通过暴露与结局关联”的三大假设，来推断暴露因素与结局的关系。因MR可规避剩余混杂因素对关联结果准确性的影响，使得关联结果论证强度比观察性研究甚至随机对照试验还可靠。

二、为什么要用孟德尔随机化研究？

近几十年来，发表的孟德尔随机化研究的数量迅速增加（图1），早期的MR 研究通常在小样本人群中进行，且仅使用了少量的遗传变异，这使得 MR 研究的效力较低。然而，随着生物学界发现了大量与特定性状紧密相关的遗传变异，加上许多大样本全基因组关联研究（genome-wide association study，GWAS）公开发布了数十万个暴露和疾病与遗传变异关系的汇总数据，这一领域发生了一场革命。这些汇总数据使得研究者能估计大样本数据中的遗传关联，从而促进了MR研究发展。近年来，该领域在方法学上也迅速更新（比如双向MR），新方法克服了传统MR方法的一些特定限制，但其同样存在局限性。所以只有正确了解MR背后的原理、局限性及不同方法的适用条件才能针对不同的研究问题和特定的数据正确应用MR。

三、孟德尔随机化研究的优势和局限性

孟德尔随机化基于3个假设：(1)遗传变异与危险因素有关；(2)遗传变异与混杂因素无关；(3)遗传变异仅通过危险因素影响结果。第二和第三个假设统称为独立多效性。多效性是指一种遗传变异通过独立于危险因素的途径影响预后。第一个假设可以通过检查遗传变异与风险因素的关联强度来直接评估。然而，第二和第三个假设不能得到直接证明，需要科研人员进行判断和各种敏感性分析1。

MR的核心是运用遗传学数据作为桥梁，来探索某一暴露和某一结局之间的因果关联。与RCT将参与者随机分配到试验组或对照组类似，MR研究基于影响危险因素的一个或多个等位基因，对参与基因进行"随机化"，以确定这些遗传变异的携带者与非携带者相比，是否具有不同的疾病发生风险。传统的观察性研究设计通过问卷调查、生化指标检测或影像学获得暴露，而遗传变异在出生时就存在，并在整个生命周期保持稳定。因此，MR得到的关联不受因果倒置的影响，也不受混杂因素的影响（图2）。除此之外，MR的优点还包括：与RCTs甚至传统观察性研究相比，MR研究对于具有基础编程技能的人来说，相对容易做。此外，全基因组关联研究的数据是公开的，这些数据提供了数百万遗传工具对数千种人类性状的影响。

如果遗传变异是多效性的，孟德尔随机化研究可能是有误差的。例如，如果增加高密度脂蛋白水平的基因变异也通过一个独立的途径(例如，通过减少炎症)影响冠心病的风险，那么真正的因果效应会由于其他独立途径的存在而被干扰，就像高密度脂蛋白对冠心病的因果效应被干扰一样。另一个限制是统计能力。孟德尔随机化研究中统计能力的决定因素包括所使用的遗传变量的频率、变量对风险因素的影响大小以及研究样本大小。因为任何给定的遗传变异通常只能解释风险因素中的一小部分。所以多个变异通常被组合到多基因风险得分中，以增加统计能力。另外，在一些情况下，MR（IV）的假设及其生物学合理性可能不成立。孟德尔第二定律并非对所有遗传变异适用，因为并不是决定所有性状的基因都是独立（随机）分离的。这一现象被叫做连锁不平衡（linkage disequilibrium，LD）。另外，基因作为 IV无法避免弱工具、人群分层及发育代偿等问题造成的偏倚。了解这些问题带来的局限性和潜在偏倚来源对于合理进行MR研究至关重要2。

四、孟德尔随机化研究怎么做？

要想顺利的做出MR，我们首先要熟悉关于MR的一些术语。

更多的相关术语可以通过下面这个网站查询。

https://mr-dictionary.mrcieu.ac.uk/

2021 年在 JAMA 上发表了完整版的STROBE-MR（strengthening the reporting of observational studies in epidemiology using Mendelian randomization）报告规范,STROBE-MR报告规范由标题与摘要、前言、方法、结果、讨论和其他信息6个部分组成，共20个条目（表二）3

为了让大家更好的理解MR的分析流程，下面我们结合一篇具体的文献给大家讲解一下。这篇文献的作者利用MR分析证明较高的睾酮可能会降低男性和女性患阿尔茨海默氏症的风险、SHBG与阿尔茨海默病无关，但无法排除IGF-1降低女性风险的可能性4。

第一步：找工具变量。主要有以下几个方法：从GWAS中获取、从已经发表的MR文章中获取、R program提取等方法；挑出来研究和暴露相关的基因SNPs。数据一般会包括6列信息：SNP列,beta值【SNP对表型（暴露或者结局）的效应量】；se值【beta值的标准误（standarderror）】；pval，eaf列，效应等位基因（effect allele）和对照基因（other allele）。确定工具SNPs从相关SNPs再中筛选出符合MR假设的工具SNPs。具体来说，这些工具SNPs需要满足三个假设，比如这篇文章中SNPs需要与睾酮、SHBG和IGF1（暴露因素）相关，与阿尔茨海默症（结果变量）不相关，且不与任何潜在混杂因素相关（图4）。

第二步：进行MR分析，用反向方差加权（IVW）方法进行分析，如本篇文章中，评估酮、SHBG和IGF1与在不同性别中的因果关系。反向方差加权是将两个或多个随机变量聚合以最小化总和方差的方法，总和中每个随机变量的权重与其方差成反比，方差通常用于组合独立研究的结果。使用Wald比率方法计算每个SNP的暴露-结果效应值（图5）。

第三步：进行敏感性分析进行敏感性分析，敏感性分析用来评估结果是否稳健，结论是否靠谱，是否有潜在的误差的（比如基因多效性：指一个基因影响多种表型；数据异质性，图6）。

第四步：解释结果。最后，我们需要解释MR分析的结果。比如在本文中，如果睾酮对阿尔兹海默症的因果效应被证实，就可以认为睾酮是阿尔兹海默症的潜在因素之一。如果结果不支持因果关系，就需要进一步探讨其他可能的解释，如混杂因素、因果路径中断等。

全文总结

基因遗传学的快速发展，促使孟德尔随机化研究在医学研究和实践中的兴起与发展。孟德尔随机化的分析不算难，但是过程比较繁琐，需要掌握一定的编程能力。本文结合实例、解读STROBE-MR，以帮助生信人的小伙伴们更好地理解、传播和应用孟德尔随机化研究，从而提高MR研究质量，为人类卫生健康带来益处。

参考文献

1. Emdin CA, Khera AV, Kathiresan S. Mendelian Randomization. JAMA. 2017;318(19):1925-6.

2. Arsenault BJ. From the garden to the clinic: how Mendelian randomization is shaping up atherosclerotic cardiovascular disease prevention strategies. Eur Heart J. 2022;43(42):4447-9.

3. Skrivankova VW, Richmond RC, Woolf BAR, Yarmolinsky J, Davies NM, Swanson SA, et al. Strengthening the Reporting of Observational Studies in Epidemiology Using Mendelian Randomization: The STROBE-MR Statement. JAMA. 2021;326(16):1614-21.

4. Yeung CHC, Au Yeung SL, Kwok MK, Zhao JV, Schooling CM. The influence of growth and sex hormones on risk of alzheimer's disease: a mendelian randomization study. Eur J Epidemiol. 2023;38(7):745-55.

孟德尔随机化相关热点思路咨询

其他热点文章推荐