论文部分内容阅读
目的:本研究基于两样本孟德尔随机化设计,详细介绍三种多遗传变异孟德尔随机化法—IVW法、MR-Egger法、WME法的基本原理,并探索孟德尔随机化假设的不同程度违背对各方法进行因果效应估计的表现的影响。方法:模拟设置样本量n为2000,遗传变异个数为25,次等位基因频率都为0.3,无效工具变量的比例分别取0.1,0.2和0.3,因果效应值β分别取0.0和0.1,共模拟4种不同程度违背孟德尔随机化假设的情形。利用R软件模拟数据并进行分析,从因果效应估计的偏倚(与真实因果效应的绝对偏差的平均值)和在0.05假阳性水准下进行因果效应估计的I类错误率或发现因果效应的效能两个方面对各方法进行定量和定性评价。实例研究利用从GLGC和CARDIoGRAM中筛选出的185个SNPs进行低密度脂蛋白胆固醇、高密度脂蛋白胆固醇和甘油三酯与冠心病之间因果关联的评估。结果:在满足比传统孟德尔随机化假设较弱的InSIDE假设的情况下,MR-Egger回归法总能把因果效应估计的I类错误率控制得很低,还可以较准确地检测出是否存在基因多效性效应并且能对由基因多效性效应导致的因果效应估计的偏倚加以校正,当违背了InSIDE假设时,因果效应估计的I类错误率以及得到的因果效应估计值的偏倚都大大增加。WME法进行因果效应估计时的标准误相较另两种方法最小。该方法在InSIDE假设满足时,因果效应估计的偏倚、I类错误率和发现因果效应的能力均在另两种方法之间,而IVW法发现因果效应的效能总是高于WME法和MR-Egger回归法,当违背了InSIDE假设时,只要无效工具变量的比例不是太大,WME法的表现总能优于IVW法和MR-Egger回归法。结论:在满足比传统孟德尔随机化假设较弱InSIDE假设的情况下,应首选MR-Egger回归法。当违背了InSIDE假设时,只要无效工具变量的比例不是太大,可选择WME法;若无效工具变量的比例很大,应选择MR-Egger回归法。由此可发现,假设条件的检验(无论是传统孟德尔随机化假设还是InSIDE假设)对于统计方法的选择至关重要。本文的所有方法在因果效应估计的一致性及检验效能方面都各有自己的优势和局限性,因此无法推荐出一个适用于所有孟德尔随机化分析的权威方法。本研究更建议后续的孟德尔随机化研究能考虑将各种方法结合起来应用。