关于#r语言#的问题：孟德尔随机化

Question

如果我从GWAS或者文献中获得相关暴露变量的SNP，然后在调研获取相关结局变量的数据时，在这个过程中是否需要获取调研样本的基因型呢。如果不需要，怎么操作的呢

Answer 1

让【宝码香车】来帮您解答，本回答参考DeepSeek编写，并整理提供。

如果答案能帮助您，请采纳，非常感谢！
.
每日一句正能量，让它带给您好心情：生活中的每一个小进步，都值得被庆祝。
.

您好！这是一个非常好的问题，也是孟德尔随机化初学者经常会困惑的一个关键点。

核心答案：不需要获取您自己调研样本的基因型。

您只需要从您调研的样本中获取结局变量的数据（例如，是否患病、血压值、BMI等），而完全不需要对他们的DNA进行基因分型。

下面我将详细解释为什么不需要，以及具体如何操作。

为什么不需要结局样本的基因型？

孟德尔随机化的核心逻辑是两样本孟德尔随机化。它的精髓在于，暴露和结局的信息可以来自两个不同的、没有重叠的群体。

1. 暴露数据来源：您已经从公开的GWAS数据库或文献中，获得了与您的暴露变量（比如“吸烟”）显著相关的SNP列表，以及它们的效应值（beta）、标准差（se）和P值等信息。这些信息是基于一个大型群体A得出的。
2. 结局数据来源：您现在调研的群体是另一个群体B。您关心的是“吸烟”是否会导致群体B中的“肺癌”风险增加。
3. 连接桥梁：连接这两个群体的唯一桥梁就是那组筛选出来的SNP。我们利用在群体A中发现的SNP-暴露关系，去预测这些SNP在群体B中对结局的影响。

因为SNP是随机分配的，它在群体A和群体B中的基因型分布从理论上讲是相似的。因此，我们不需要在群体B中重新测量这些SNP与暴露的关系，我们直接“借用”群体A中已经确立的强关联结果即可。

具体操作步骤（“如何操作”）

您需要做的是获取您调研样本的结局数据，并与从GWAS中获得的SNP工具进行关联分析。具体流程如下：

第一步：准备暴露工具SNP

从GWAS摘要数据中提取您筛选好的SNP工具列表。这个列表通常至少包含以下几列：

• SNP：SNP的rsID
• effect_allele：效应等位基因
• other_allele：其他等位基因
• beta：该SNP对暴露的效应值
• se：标准误
• eaf：效应等位基因频率
• pval：P值

第二步：准备结局数据

从您的调研样本中，整理出结局变量的数据。您需要的数据格式是一个包含以下两列的数据框：

• SNP：与暴露工具列表对应的rsID。
• beta_outcome：该SNP在您的调研样本中与结局变量的关联效应值。
• se_outcome：该效应值的标准误。
• effect_allele_outcome：效应等位基因（必须与暴露数据中的定义对齐）。
• other_allele_outcome：其他等位基因。

关键问题：如何得到 beta_outcome 和 se_outcome？
这需要通过一个回归分析来得到。您需要在您的调研样本中，对每一个筛选出的SNP，运行一个以该SNP为自变量、以结局变量为因变量的回归模型。

例如，对于二分类结局（如是否患肺癌），您可以使用逻辑回归：

# 假设您的数据框 df 中包含 genotype (0,1,2), outcome (0,1), age, sex 等列
model <- glm(outcome ~ genotype + age + sex, data = df, family = "binomial")
summary_model <- summary(model)
# 然后提取 genotype 的 beta, se, p-value 等

对于连续型结局（如血压值），可以使用线性回归。

您需要为每一个SNP都运行一次这样的回归，然后将所有结果汇总成第二步要求的数据框。

第三步：协调暴露与结局数据

在进行分析之前，必须确保暴露数据和结局数据中的效应等位基因指向的是同一个方向。您需要使用R包（如 TwoSampleMR）来协调数据。

library(TwoSampleMR)


# 读取暴露数据
exposure_dat <- read_exposure_data(...)
# 读取您准备好的结局数据
outcome_dat <- read_outcome_data(...)


# 协调数据，确保等位基因一致
dat <- harmonise_data(exposure_dat, outcome_dat)

第四步：进行孟德尔随机化分析

使用协调后的数据进行MR分析。

# 执行MR分析
res <- mr(dat)
# 查看结果
print(res)

总结

• 不需要对您调研的样本进行基因分型。
• 需要的是从您的样本中，计算出预先选定的那组SNP工具与您关心的结局变量的关联统计量（beta, se）。
• 然后，利用这些统计量与从GWAS中获得的SNP-暴露统计量进行结合，通过R包（如 TwoSampleMR）完成孟德尔随机化分析。

这种方法极大地降低了研究的成本和复杂度，使得利用现有临床队列或调查数据开展孟德尔随机化研究成为可能。