Mendelian randomization 和 GWAS

提问

孟德尔随机化与gwas区别

孟德尔随机化与全基因组关联分析

孟德尔随机化（Mendelian Randomization, MR）和全基因组关联分析（Genome-wide association study, GWAS）是两种在遗传流行病学研究中常用的方法，它们在目的、数据来源、分析流程、假设条件、结果解释以及应用场景等方面存在一些区别：

定义与目的

• GWAS：是一种用于识别与复杂性状（如疾病、性状等）相关的遗传变异的方法。通过对大规模人群进行基因组扫描，GWAS可以发现单核苷酸多态性（SNP）与某一性状的关联。
• 孟德尔随机化：是一种利用遗传变异作为工具变量来研究因果关系的方法。它的基本思想是利用随机分配的基因型来消除混杂因素的影响，从而评估某一暴露（如生活方式、饮食习惯等）与结果（如疾病）的因果关系。

数据来源

• GWAS：需要大量的样本数据，通常包括病例组和对照组，通过基因分型技术获取个体的基因型数据，并收集相关的表型信息。
• 孟德尔随机化：主要依赖于GWAS的结果数据，即已经识别出的与暴露和结果相关的SNP及其关联统计量（如效应大小、P值等）。

分析流程

• GWAS：首先对原始数据进行质量控制，包括去除缺失率高的 SNP 和样本、排除偏离哈迪-温伯格平衡的 SNP 等；然后进行关联分析，计算每个 SNP 与表型之间的关联 P 值，并绘制曼哈顿图和 QQ 图等进行可视化。
• 孟德尔随机化：首先从 GWAS 数据中挑选工具变量，即与暴露因素强相关的 SNP；然后进行两样本孟德尔随机化分析，利用工具变量估计暴露与结果之间的因果效应，常用的估计方法有逆方差加权法、MR Egger 回归法等。

假设条件

• GWAS：主要假设是基因型与表型之间存在关联，且这种关联在统计学上是显著的。
• 孟德尔随机化：需要满足三大假设，即关联性假设（SNP 与暴露因素之间是强相关的）、独立性假设（SNP 与混杂因素之间是独立的）和排他性假设（SNP 只能通过暴露因素对结局产生作用）。

结果解释

• GWAS：结果表明某个 SNP 与某个性状存在关联，但这种关联并不一定是因果关系，可能受到混杂因素和反向因果关系的影响。
• 孟德尔随机化：结果可以推断暴露因素与结果之间是否存在因果关系，以及因果效应的大小和方向，为后续的干预研究和政策制定提供依据。

应用场景

• GWAS：适用于探索性研究，用于发现与复杂性状相关的遗传变异，为后续的功能研究和机制探讨提供线索。
• 孟德尔随机化：适用于在观察性研究中评估因果关系，特别是在无法进行随机对照试验的情况下，如评估生活方式、环境暴露等因素对疾病的影响。

提问

能形象地介绍孟德尔随机化并举例么

孟德尔随机化（Mendelian Randomization, MR）是一种利用遗传变异作为工具变量的方法，用于评估暴露因素（如生活方式、环境因素等）与结果（如疾病）之间的因果关系。它的核心思想是利用基因的随机分配特性来减少混杂因素的影响，从而更可靠地推断因果关系。下面通过一个形象的比喻和具体例子来解释。

形象比喻：基因是“天生的随机试验”

想象你正在进行一项研究，想弄清楚“喝咖啡是否会导致高血压”。在传统的观察性研究中，你可能会发现喝咖啡多的人更容易得高血压，但这并不一定是因果关系。也许喝咖啡多的人同时有其他习惯（比如吸烟、熬夜），这些习惯才是高血压的真正原因。

孟德尔随机化就像一个“天生的随机试验”。基因在受精卵形成时是随机分配的，这种随机性类似于随机对照试验（RCT）中的随机分组。如果某个基因与喝咖啡的行为相关（比如这个基因让人更喜欢咖啡的味道），那么这个基因就像一个“标签”，可以帮助我们研究喝咖啡与高血压之间的因果关系，而不受其他混杂因素的干扰。

具体例子：饮酒与心血管疾病

假设你想研究“饮酒是否会导致心血管疾病”。传统的观察性研究可能会发现饮酒多的人更容易得心血管疾病，但这可能是由于饮酒者的生活方式（如吸烟、不运动）或其他因素的影响。

孟德尔随机化的步骤：

1. 找到工具变量：假设科学家发现了一个基因（比如某个单核苷酸多态性，SNP），这个基因与饮酒行为相关。携带这个基因的人更倾向于饮酒，而这个基因本身与心血管疾病无关（除了通过饮酒间接影响）。
2. 关联分析：
   • 首先，研究这个基因与饮酒行为的关联（工具变量与暴露因素的关联）。
   • 然后，研究这个基因与心血管疾病的关联（工具变量与结果的关联）。
3. 因果推断：如果基因与饮酒行为强相关，而基因与心血管疾病也有显著关联，那么可以推断饮酒与心血管疾病之间可能存在因果关系。

假设条件：

• 关联性：基因必须与饮酒行为强相关。
• 独立性：基因不能与混杂因素（如吸烟、饮食习惯）相关。
• 排他性：基因只能通过饮酒行为影响心血管疾病，而不能通过其他途径（如直接影响胆固醇水平）。

总结：

孟德尔随机化就像一个“天然的实验设计”，通过利用基因的随机分配特性，帮助我们更准确地评估因果关系，避免传统观察性研究中混杂因素的干扰。它特别适用于那些无法进行随机对照试验的情况（如研究生活方式或环境暴露对健康的影响）。

提问

在你的例子中，开始说 基因本身与心血管疾病无关，但关联分析时又需要发现基因与心血管疾病的关联，怎么区分和理解？

在孟德尔随机化中，基因与结果（如心血管疾病）的关联是间接的，而不是直接的。这种关联是通过暴露因素（如饮酒行为）实现的。为了更好地理解这一点，我们需要明确孟德尔随机化的三大假设，并结合因果推断的逻辑来解释。

1. 基因与结果的关联是间接的

• 假设条件：在孟德尔随机化中，工具变量（基因）必须满足以下条件：
  1. 关联性：基因必须与暴露因素（如饮酒行为）强相关。
  2. 独立性：基因不能与混杂因素（如吸烟、饮食习惯）相关。
  3. 排他性：基因只能通过暴露因素（饮酒行为）影响结果（心血管疾病），而不能通过其他途径（如直接影响胆固醇水平）。
• 关键点：基因本身并不直接作用于结果（心血管疾病），而是通过暴露因素（饮酒行为）间接影响结果。因此，基因与结果的关联是间接的，而不是直接的。

2. 如何理解基因与结果的关联

假设我们发现基因 ( G ) 与饮酒行为强相关（关联性假设成立），并且基因 ( G ) 与心血管疾病也有显著关联。这种关联的出现是因为： - 基因 ( G ) → 饮酒行为 → 心血管疾病

如果基因 ( G ) 与心血管疾病的关联是通过饮酒行为实现的，那么我们可以推断饮酒行为与心血管疾病之间存在因果关系。

3. 为什么需要基因与结果的关联

• 因果推断的逻辑：如果基因 ( G ) 与饮酒行为强相关，并且基因 ( G ) 与心血管疾病也有显著关联，那么这种关联只能通过饮酒行为来解释。因为基因 ( G ) 不能直接作用于心血管疾病（排他性假设成立），所以基因与结果的关联必须是通过饮酒行为实现的。

• 结论：基因与结果的关联是因果推断的关键证据。如果基因与结果没有关联，那么即使基因与暴露因素强相关，也无法证明暴露因素对有结果因果作用。

4. 总结：基因与结果的关联是间接的

• 基因本身与结果无关：基因不能直接作用于结果（如心血管疾病），这是排他性假设的核心。
• 基因与结果的关联是间接的：基因通过暴露因素（如饮酒行为）间接影响结果，因此基因与结果的关联是因果推断的。

具体例子：饮酒与心血管疾病

• 假设：
  • 基因 ( G ) 与饮酒行为强相关（关联性假设成立）。
  • 基因 ( G ) 与心血管疾病有显著关联（基因与结果的关联）。
  • 基因 ( G ) 不能通过其他途径（如直接影响胆固醇水平）作用于心血管疾病（排他性假设成立）。
• 结论：如果基因 ( G ) 与饮酒行为强相关，并且基因 ( G ) 与心血管疾病也有显著关联，那么可以推断饮酒行为与心血管疾病之间存在因果关系。

形象比喻：桥梁

• 想象基因 ( G ) 是一座桥梁的起点，饮酒行为是桥梁本身，心血管疾病是桥梁的终点。基因 ( G ) 不能直接到达终点（心血管疾病），但它可以通过桥梁（饮酒行为）间接影响终点。如果桥梁（饮酒行为）被破坏（例如，通过干预减少饮酒），那么基因 ( G ) 与终点（心血管疾病）的关联也会消失。

通过这种方式，孟德尔随机化利用基因的随机分配特性，帮助我们更可靠地评估因果关系，而不受传统观察性研究中混杂因素的干扰。

提问

如何在实际分析中满足排他性：基因只能通过暴露因素（饮酒行为）影响结果（心血管疾病），而不能通过其他途径（如直接影响胆固醇水平）。

在孟德尔随机化中，确保基因（工具变量）只能通过暴露因素（如饮酒行为）影响结果（如心血管疾病），而不能通过其他途径（如直接影响胆固醇水平），是满足排他性假设的关键。以下是实现这一目标的具体方法和注意事项：

1. 选择合适的工具变量

• 避免多效性：选择的基因变异应仅与暴露因素（如饮酒行为）相关，而不与其他可能影响结果的途径相关。例如，ALDH2基因变异（影响酒精代谢）是一个常用的工具变量，因为它主要通过改变饮酒行为间接影响心血管疾病，而没有其他已知的途径直接影响心血管健康。
• 文献回顾：通过查阅已有的生物学研究和遗传学文献，确保所选基因变异的生物学机制仅通过暴露因素起作用。

2. 验证排他性假设

• 分层分析：在某些亚组中验证基因与结果的关联是否仅通过暴露因素实现。例如，在饮酒行为较低的人群（如女性）中，如果基因与结果的关联消失，则说明排他性假设成立。
• 负向控制分析：在与暴露因素无关的亚组中进行分析。例如，研究饮酒对心血管疾病的影响时，可以分析基因与结果的关联在不饮酒人群中是否显著。如果不显著，则支持排他性假设。

3. 敏感性分析

• 多效性检测：使用统计方法（如PCMR分析）检测工具变量是否存在水平多效性（即基因通过其他途径影响结果）。如果检测到多效性，可以排除这些变异或调整分析方法。
• 异质性检验：通过分析工具变量对结果的异质性，判断是否存在其他潜在路径。

4. 结合生物学机制

• 生物学验证：利用已知的生物学机制验证基因变异是否仅通过暴露因素影响结果。例如，ALDH2基因变异通过影响酒精代谢改变饮酒行为，而不会直接影响胆固醇水平或其他心血管疾病风险因素。

5. 使用多基因评分

• 增强工具变量的关联性：通过合并多个基因变异（多基因评分），可以增强工具变量与暴露因素的关联性，从而提高分析的统计功效，并减少多效性的影响。

总结

在实际分析中，满足排他性假设需要综合考虑工具变量的选择、验证方法和生物学机制。通过避免多效性、验证基因与结果的关联是否仅通过暴露因素实现，以及结合敏感性分析，可以提高孟德尔随机化分析的可靠性，从而更准确地推断因果关系。