關(guān)聯(lián)無處不在，隨著時間的增加，樹的身高和兒童身高呈現(xiàn)正相關(guān)，樹的身高會影響兒童的身高？非也！

????真實世界研究中，為了發(fā)現(xiàn)可靠的關(guān)聯(lián)，混雜的控制已成為一門必修課，如今控制混雜的主流方法有：隨機分組、配對、分層、雙重差分、傾向性匹配得分、多因素回歸、本底事件率比矯正法、工具變量等。

????在這些方法中為何孟德爾隨機化能掀起波瀾？

????本課題組重磅系列，帶你走進(jìn)不一樣的孟德爾世界！豌豆的世界！

硬菜正式奉上，歡迎各位老爺品嘗?。?！

病因的概念：那些能使人們發(fā)病概率升高的因素，即為病因。流行病學(xué)的病因一般稱為危險因素，使疾病發(fā)生概率升高的因素——M. Lilienfeld

流行病學(xué)病因研究方法

?在流行病學(xué)研究中，觀察性研究得出的結(jié)論并不是因果關(guān)系，我們通常認(rèn)為因果關(guān)系是一種概率性關(guān)系?！柏惾~斯網(wǎng)絡(luò)之父”Judea Pearl寫了一本書《為什么：關(guān)于因果關(guān)系的新科學(xué)》。在本書中，pearl主要闡述了因果關(guān)系之梯，分為了三個層級，從低到高分別是“關(guān)聯(lián)”、“干預(yù)”、“反事實”。

• 第一層級的關(guān)系是Association-關(guān)聯(lián)，主要通過Seeing-貫徹來發(fā)現(xiàn)事物之間的關(guān)聯(lián)，比如A發(fā)生時，B也會發(fā)生。

• 第二層級是Intervention-干預(yù)，這一部分主要通過Doing—行動來確認(rèn)事物之間的關(guān)聯(lián)。比如通過改變A，去看B是否發(fā)生。

• 第三層及是Counterfactual-反事實，通過Imaging-想象來確認(rèn)事物之間的因果關(guān)聯(lián)，其實就是由果及因，比如想想B的改變是否可以通過改變A來實現(xiàn)。

? 此外，還有一些流行病學(xué)教科書上我們所熟知的模型來幫助我們更好的理解因果關(guān)系，例如三角模型和病因鏈模型。

———————————————————

?Why?is an instrument variable (IV)?

“Correlation does not imply causation”.

? ?在吸煙與肺癌的觀察性研究中，我們往往會考慮吸煙和肺癌之間可能存在的混雜因素，例如：年齡、性別、居住地、工作環(huán)境、社會經(jīng)濟(jì)地位等等。但是我們永遠(yuǎn)無法窮舉所有的混雜，而通過使用工具變量，研究者可以通過利用一個與自變量相關(guān)但與混淆變量不相關(guān)的變量，來解決混淆變量的問題。這使得研究者可以得到一種類似于隨機實驗的效果，從而實現(xiàn)對因果效應(yīng)的無偏估計。

具體而言，使用工具變量的步驟如下：

1. 選擇一個與內(nèi)生變量相關(guān)但與誤差項不相關(guān)的變量作為工具變量。

2. 使用工具變量估計內(nèi)生變量對工具變量的影響。

3. 使用得到的內(nèi)生變量估計值作為獨立變量，再次進(jìn)行OLS回歸分析。

4. 通過比較使用工具變量的估計結(jié)果和普通OLS回歸的結(jié)果，判斷內(nèi)生性對估計結(jié)果的影響。

此圖需要三個核心假設(shè)：

（1）Relevance:工具變量Z與暴露X必須相關(guān)聯(lián)

（2）Effffective random assignment:?工具變量Z與混雜因素C無關(guān)

（3）Exclusion restriction:?工具變量Z不能對結(jié)果Y有任何直接影響。

IV在經(jīng)濟(jì)學(xué)方面、公共衛(wèi)生、社會學(xué)和人類遺傳學(xué)應(yīng)用廣泛，目前在人類遺傳學(xué)領(lǐng)域的應(yīng)用最為火熱，以下是三個應(yīng)用IV的經(jīng)典案例：

IV in Economics: Effffect of military service on earnings[1]

???????征兵彩票可以看作是一種服兵役的“自然實驗”

IV in Public Health: Effffectiveness of vaccine[2]

????????同樣的想法也可以應(yīng)用于不符合規(guī)定的RCT。

IV in Public Health: Effffectiveness of vaccine[3]

這是“孟德爾隨機化”的一個特殊情況，其中遺傳變異被用作IV，通常X是一個流行病學(xué)危險因素。即這些因素可能在疾病發(fā)生的過程中是處于更靠近因變量（或疾?。┌l(fā)生的“下游”位置

[1]Angrist, J. (1990). Lifetime earnings and the Vietnam era draft lottery: evidence from social security?administrative records.?American Economic Review, 80(3), 313–336.

[2]Hirano, K. et al. (2000). Assessing the effffect of an inflfluenza vaccine in an encouragement design.?Biostatistics, 1(1), 69–88.

[3]Gamazon, E. et al. (2015). A gene-based association method for mapping traits using reference?transcriptome data.?Nature Genetics, 47(9).

———————————————————

遺傳學(xué)中MR研究的步驟

工具變量篩選

·?? 讀取工具變量

·?? 去除連鎖不平衡

·?? 剔除混雜

暴露與結(jié)局相匹配

·?? 獲取IV在結(jié)局中的信息

·?? 合并效應(yīng)量

·?? MR分析

?

MR分析和敏感性分析

·?? 敏感性分析

·?? MR可視化

?

遺傳工具變量的三個核心假設(shè)：

1. 關(guān)聯(lián)性假設(shè)：遺傳變異與暴露因素之間存在較強的關(guān)聯(lián)性假設(shè)。

2. 獨立性假設(shè)：遺傳變異與影響“暴露和結(jié)局”的混雜因素獨立。

3. 排他性假設(shè)：遺傳變異只能通過暴露對結(jié)局發(fā)生作用，而不能通過其他途徑

尋找合適的工具變量

GWAS是在全基因組層面上，開展多中心、大樣本、反復(fù)驗證的基因與疾病的關(guān)聯(lián)研究，是通過對大規(guī)模的群體DNA樣本進(jìn)行全基因組高密度遺傳標(biāo)記 （如 SNP 或 CNV 等）分型，從而尋找與復(fù)雜疾病相關(guān)的遺傳因素的研究方法，全面揭示疾病發(fā)生、發(fā)展與治療相關(guān)的遺傳基因。具體步驟如下：

?

GWAS→P<5E-8→連鎖不平衡(LD)→獨立性→排他性

?

?? 連鎖不平衡是指不同基因座（loci）的等位基因（allele）之間非隨機（nonrandom）的關(guān)聯(lián)。簡單地說，只要兩個基因不是完全獨立地遺傳，就會表現(xiàn)出某種程度的連鎖。

獨立性：去除與暴露和結(jié)局有關(guān)的SNP，通過Phenoscanner ：phenoscanner. medschl.cam.ac.uk/?網(wǎng)站查找每個SNP的二級表型，去除與暴露和結(jié)局有關(guān)的混雜因素的SNP。

?? 排他性：遺傳變異只能通過暴露對結(jié)局發(fā)生作用，而不能通過其他途徑。?多效性的存在也可能會違反這一假設(shè)，因此我們在后面的分析過程中，還需要對多效性進(jìn)行評估。

———————————————————

總結(jié)，孟德爾隨機化以基因型作為工具變量的優(yōu)勢是:

·????? 遺傳相關(guān)中，因果關(guān)系的方向是確定的，遺傳多樣性導(dǎo)致了不同的表型，反之則不成立。

·????? ?一般情況下我們所測量的環(huán)境暴露因素都或多或少與行為，社會，心理等因素相關(guān)，造成偏倚。但遺傳變異則不受這些混淆因素影響。相對來說，遺傳變異與其效應(yīng)的測量誤差較小。

·????? 目前GWAS的數(shù)據(jù)相對容易獲取。MR研究的R代碼已經(jīng)體系化，各種MR開發(fā)小工具層出不窮，一旦確定了選題，出結(jié)果快。

————————————————————

MR研究相關(guān)結(jié)果展示，下期我們將推出MR研究的一系列代碼，敬請期待。

MR敏感性分析

多效性檢驗

簡單可視化

關(guān)注微信公眾號，獲取更多相關(guān)內(nèi)容！

文字編輯：想不出吸睛好名字

審閱：老陳