MR与RCT的对比 ①工具变量z与混杂因素u无关联(独立性); ②工具变量z与暴露因素x有关联(关联性); ①找工具变量,从其他研究中挑选特定基因作为工具变量,从基因库中挑选需要的和暴露相关的基因变量SNPs。 ②估计工具变量对结局的作用,工具变量对结局的作用也是从所有的研究中估计出来的整体效应,这样可以拒绝单个研究的偏倚。 ③合并多个SNP的效应量,效应量是得到暴露和结局因果效应的前提。 ②加权中位数估计(Weighted median,WM):WM为所有的个体SNP效应值按照权重排序后得到的分布函数的中位数。当至少50%的信息来自于有效的工具变量时,WM可得到稳健的估计值。 ③MR-Egger法:MR-Egger不强制回归直线通过原点,允许纳入的工具变量存在定向的基因多效性。当回归截距不为零且P for intercept <0.05时表明基因多效性的存在。 ①遗传相关中,因果关系的方向是确定的,遗传多样性导致了不同的表型,反之则不成立。 ②一般情况下我们所测量的环境暴露因素都或多或少与行为,社会,心理等因素相关,造成偏倚。但遗传变异则不受这些混淆因素影响。 ③相对来说,遗传变异与其效应的测量误差较小。 ②多效性问题(pleiotropy):当工具变量存在多效性问题,其因果推断的结论解释需谨慎,需要采用不同的方法进行分析,以期得到稳健的结果。 ③Beavis效应:基于GWAS结果的MR可能会出现“胜利者的诅咒(the winner’s curse)”偏倚。在两独立样本的MR中使因果关联被低估。 ④发展补偿(canalization):对于某些不良暴露,个体在长期发育过程中可能会形成补偿机制,降低不良遗传因素的影响,可能会引起效应值的高估。
这时就要借助其他方法,而孟德尔随机化就是其中之一!
分析方法:2SLS的分析方法在Stata软件中可以使用“ivregress”(StataCorp)、在R软件中使用“ivpack”(R Foundation)来实现。
本网站所有内容来源注明为“梅斯医学”或“MedSci原创”的文字、图片和音视频资料,版权均属于梅斯医学所有。非经授权,任何媒体、网站或个人不得转载,授权转载时须注明来源为“梅斯医学”。其它来源的文章系转载文章,或“梅斯号”自媒体发布的文章,仅系出于传递更多信息之目的,本站仅负责审核内容合规,其内容不代表本站立场,本站不负责内容的准确性和版权。如果存在侵权、或不希望被转载的媒体或个人可与我们联系,我们将立即进行删除处理。
在此留言
#孟德尔随机化#
34