孟德尔随机化系列1

孟德尔随机化（Mendelian Randomization, MR）是近几年流行起来的用来进行因果推断的有效方法，它以遗传变异为工具变量来推导结局和暴露的因果关系，能有效避免传统流行病学研究的混杂偏倚。如图所示，它的研究建立在三个假说之上：1）工具变量和暴露因素强相关；2）工具变量和混杂因素不相关；3）工具变量与结局不直接相关，它对结局的作用只能通过暴露来体现。

随着大量全基因组关联分析结果被发布和共享，现在的孟德尔随机化（主要是双样本孟德尔随机化）研究的文章数目也是逐年攀升，下面我将以‘TwoSampleMR’这个R包为例简单介绍孟德尔随机化的实施步骤。

1. 安装相关R包

install.packages('devtools')
library('devtools')
install_github("MRCIEU/TwoSampleMR")

2. 获取MR base的表型ID，将结果保存为pheno_info.csv这个文件

ao <-available_outcomes(access_token=NULL)
write.csv(ao,'pheno_info.csv',row.names=F）

‍

3. 查看pheno_info.csv文件，获取与暴露相关的工具变量的信息以及结局信息。这里选择暴露为obesity class 2 （ID = 91），结局为 type 2 diabetes (ID = 1090)

exp_dat <- extract_instruments(outcomes=91,access_token=NULL)
obesity_exp_dat <- clump_data(exp_dat)
t2d_out_dat <- extract_outcome_data(snps=obesity_exp_dat$SNP, outcomes=1090, access_token=NULL)
dat <- harmonise_data(exposure_dat =obesity_exp_dat, outcome_dat= t2d_out_dat)

4. 计算MR

res <- mr(dat)

下图是MR的计算结果

从上面的结果看，obesity class 2 与二型糖尿病之间并无因果关联

以上就是孟德尔随机化研究的第一部分，后续将为大家带来更深入和详细的探讨。如有问题，欢迎留言！

参考文献

Emdin CA, Khera AV, Kathiresan S. MendelianRandomization. Jama 2017;318(19):1925-26.
SmithGD, Ebrahim S. 'Mendelian randomization': can genetic epidemiology contributeto understanding environmental determinants of disease? Int J Epidemiol 2003;32(1):1-22.
Haycock PC, Burgess S, Nounu A, et al. Association Between Telomere Length and Risk of Cancer and Non-Neoplastic Diseases: A Mendelian Randomization Study. JAMA oncology