TwoSampleMR

孟德尔随机化系列之一：基础概念 Mendelian randomization I – GWAS实验室 – GWASLab

1.1目的是明确因果关系

在关联分析中我们时常面对的一个问题便是 我们很难确定一个变量是否是真正的因果变量，而非有其他未观测的因素同时影响这个变量与结果，造成这个变量与结果相关联。在循证医学中，或是制定干预策略时，明确因果性是十分必要的。

这个问题实际上与内生性 endogeneity 相关，包括： 反向因果关系 reverse causation, 忽略的混淆变量造成的偏倚 omitted variable bias due to confounding, 测量误差measurement error, 以及双向因果关系bidirectional causality等等问题。（这里的内生性在统计学上是指在回归分析中，解释变量（x）与误差项相关。）

1.2. RCT是金标准，但缺点明显
一般来说，明确因果关系的金标准时随机对照试验 RCT randomized control trial (RCT)， 即对受试者随机分为对照组和实验组，以研究某个因素的影响。但现实中，要完成随机对照试验的难度非常高，需要大量的人力物力，有时因为伦理问题，对某个因素的研究几乎是不可能的。这时我们就要借助其他方法，而孟德尔随机化就是其中之一

image.png

Two Sample MR Functions and Interface to MR Base Database • TwoSampleMR (mrcieu.github.io)

• Introduction • TwoSampleMR (mrcieu.github.io)

• Exposure data • TwoSampleMR (mrcieu.github.io)

• Harmonise data • TwoSampleMR (mrcieu.github.io)

• Perform MR • TwoSampleMR (mrcieu.github.io)

• Major changes to the IEU GWAS resources for 2020 • TwoSampleMR (mrcieu.github.io)

image.png

library(TwoSampleMR)
bmi_exp <- extract_instruments(
  outcomes='ieu-a-835',
  clump=TRUE, r2=0.01,
  kb=5000,access_token = NULL
)
dim(bmi_exp)
# [1] 80 15
t2d_out <- extract_outcome_data(
  snps=bmi_exp$SNP,
  outcomes='ieu-a-26',
  proxies = FALSE,
  maf_threshold = 0.01,
  access_token = NULL
)
dim(t2d_out)

mydata <- harmonise_data(
  exposure_dat=bmi_exp,
  outcome_dat=t2d_out,
  action= 2
)
res <- mr(mydata)
res
## 第一部分 异质性检验
het <- mr_heterogeneity(mydata)
het
mr(mydata,method_list=c('mr_ivw_mre')) 
## 第二部分 多效性检验
pleio <- mr_pleiotropy_test(mydata)
pleio
## 第三部分 逐个剔除检验
single <- mr_leaveoneout(mydata)

绘制敏感性分析图

mr_leaveoneout_plot(single)

image.png

绘制散点图

mr_scatter_plot(res,mydata)

image.png

绘制森林图

res_single <- mr_singlesnp(mydata)
mr_forest_plot(res_single)

image.png

绘制漏斗图

mr_forest_plot(res_single)

image.png

TwoSampleMR包实战教程之读取暴露文件 (qq.com)

https://zhuanlan.zhihu.com/p/343215331
孟德尔随机化系列之一：基础概念 Mendelian randomization I – GWAS实验室 – GWASLab