Validity and Interpretation of Two-Sample Mendelian Randomization with Binary Traits

Este estudio demuestra que la aleatorización mendeliana de dos muestras con rasgos binarios es estadísticamente válida bajo un modelo de umbral de liability, ya que los coeficientes de GWAS en la escala observada son aproximadamente proporcionales a los de la escala de liability, lo que permite interpretar los efectos causales estimados como relaciones entre las liabilities subyacentes sin necesidad de modificar los métodos existentes.

Lo esencial

¡Claro que sí! Imagina que este artículo es como un manual de instrucciones para traducir un idioma confuso (los datos médicos binarios) a un idioma claro y fluido (la realidad subyacente), sin necesidad de cambiar las herramientas que ya usas.

Aquí tienes la explicación de la investigación de Wu y Wang, contada como una historia:

🧩 El Problema: El "Sí/No" que esconde una montaña

Imagina que quieres estudiar si comer mucha pizza (exposición) causa dolor de cabeza (resultado).

En el mundo real, la gente no solo "come pizza" o "no come pizza". Hay gente que come una rebanada, otra que come tres, y otra que vive de pizza. Pero, en los estudios médicos grandes, a menudo simplificamos todo a un sí o no:

• ¿Tienes obesidad? (Sí/No).
• ¿Tienes hipertensión? (Sí/No).

El problema es que los científicos usan una herramienta llamada Mendelian Randomization (MR) para ver si una cosa causa la otra. Esta herramienta funciona genial con cosas continuas (como "cuántos kilos pesas" o "cuántos mmHg de presión tienes"), pero se pone nerviosa con cosas de "Sí/No".

La analogía del embudo:
Imagina que la "obesidad" es como un embudo. Debajo del embudo hay una montaña de grasa corporal real (continua). Si cruzas una línea imaginaria en la montaña, el embudo te grita "¡SÍ, tienes obesidad!". Pero dos personas que el embudo clasifica como "SÍ" pueden estar en partes muy diferentes de la montaña. Una está justo en la línea y la otra en la cima.

Los métodos tradicionales de MR trataban a todos los "SÍ" como si fueran idénticos, lo cual es como decir que "caminar un paso" tiene el mismo efecto que "escalar la montaña", solo porque ambos te hicieron cruzar la línea del embudo. Esto hacía que los resultados fueran difíciles de interpretar.

💡 La Solución: La "Caja de los Secretos" (La Escala de Responsabilidad)

Los autores dicen: "¡Esperen! No necesitamos cambiar nuestras herramientas. Solo necesitamos entender qué están midiendo realmente".

Proponen mirar a través de una "Caja de los Secretos" (llamada Escala de Responsabilidad o Liability Scale en inglés).

• La realidad: Debajo de ese "Sí/No" hay una variable continua invisible (la "responsabilidad" o riesgo genético).
• El truco: Aunque solo vemos el "Sí/No", los genes en realidad están empujando suavemente esa variable invisible.

La analogía del termostato:
Imagina que el "Sí/No" es un termostato que solo se enciende si la temperatura pasa de 25°C.

• Si subes la temperatura de 24°C a 24.5°C, el termostato sigue en "OFF".
• Si la subes a 25.1°C, salta a "ON".
• Los autores descubrieron que, aunque el termostato solo muestra "ON" u "OFF", la fuerza con la que los genes mueven la temperatura (la variable continua) es proporcional a lo que vemos en el termostato.

🛠️ ¿Qué descubrieron? (La Magia de la Proporcionalidad)

El hallazgo principal es una regla de oro:

Los datos de "Sí/No" son simplemente una versión "encogida" o "estirada" de los datos reales, pero mantienen la misma forma.

1. No necesitas nuevas herramientas: Puedes usar los métodos estándar de MR (los que ya usan todos los científicos) con datos de "Sí/No". ¡Funcionan!
2. Solo necesitas un "traductor": El resultado que obtienes no es el efecto directo sobre el "Sí/No", sino sobre la montaña invisible (la responsabilidad).
3. La fórmula mágica: Para saber qué significa ese resultado, solo necesitas saber cuán común es la enfermedad (la prevalencia).
   • Si la enfermedad es muy rara (como un 1%), el "Sí/No" es muy ruidoso y necesitas ajustar más.
   • Si es común (como un 50%), el ajuste es menor.

Es como si te dieran una foto pixelada de un paisaje. La foto pixelada (el dato binario) no es perfecta, pero si sabes cuánto fue "pixelada" (la prevalencia), puedes reconstruir mentalmente el paisaje real con mucha precisión.

🧪 ¿Lo probaron? (Simulaciones y el Reino de los Datos)

Los autores hicieron dos cosas para demostrar que no es solo teoría:

1. Simulaciones de computadora: Crearon mundos virtuales donde sabían la verdad exacta. Cuando aplicaron sus métodos a datos "Sí/No" y luego usaron su "traductor" (ajuste por prevalencia), ¡los resultados coincidieron perfectamente con la verdad oculta!
2. Datos reales (UK Biobank): Analizaron datos de medio millón de personas reales. Compararon el efecto de la obesidad en la presión arterial usando:
   • Datos continuos (peso exacto).
   • Datos binarios (¿Obeso? Sí/No).
   • Resultado: Sin ajustar, los resultados parecían diferentes. Pero después de aplicar su traductor, ¡los resultados fueron casi idénticos!

🎯 Conclusión: ¿Por qué importa esto?

Antes, muchos científicos pensaban: "No puedo usar datos de Sí/No en mis estudios de causalidad porque es demasiado complicado o arriesgado".

Este artículo les dice: "¡Tranquilos! Pueden seguir usando sus métodos favoritos. Solo tienen que recordar que lo que están midiendo es el efecto sobre el 'riesgo subyacente', no sobre la etiqueta final."

En resumen:

• El problema: Los datos de "Sí/No" parecen perder información.
• La solución: Esa información no se perdió, solo está "empaquetada" de forma diferente.
• La acción: Usa los métodos actuales, pero ajusta el resultado final según qué tan común sea la enfermedad.
• El resultado: Ahora podemos entender mejor cómo las causas genéticas afectan enfermedades comunes sin tener que complicarnos la vida con matemáticas nuevas.

Es como descubrir que no necesitas un nuevo mapa para navegar por la ciudad, solo necesitas saber que tu brújula está un poco desviada y corregir el ángulo. ¡Y listo!

Resumen técnico

Aquí presento un resumen técnico detallado del artículo "Validity and Interpretation of Two-Sample Mendelian Randomization with Binary Traits" (Validez e Interpretación de la Aleatorización Mendeliana de Dos Muestras con Rasgos Binarios), basado en el documento proporcionado.

1. Planteamiento del Problema

La Aleatorización Mendeliana (MR) de dos muestras es una herramienta fundamental en epidemiología genética para inferir relaciones causales. Sin embargo, su aplicación a rasgos binarios (exposiciones o resultados dicotómicos, como la presencia de una enfermedad) ha sido objeto de debate y escepticismo por varias razones:

• Suposiciones de Linealidad: Los modelos estándar de MR asumen relaciones lineales entre las asociaciones genéticas y los rasgos. Esto es difícil de justificar para rasgos binarios, donde un cambio de 0 a 1 no representa un cambio incremental uniforme en el riesgo subyacente para todos los individuos.
• Interpretación Ambigua: Las estadísticas de resumen de los estudios de asociación del genoma completo (GWAS) para rasgos binarios suelen derivarse de regresiones logísticas (odds ratios) o lineales. No está claro si estas estimaciones en la "escala observada" corresponden a un parámetro causal significativo o si violan las restricciones de exclusión en la escala binaria.
• Falta de Justificación Formal: Aunque se ha sugerido interpretar los resultados en una "escala de liability" (susceptibilidad latente), no existía una derivación estadística formal que demostrara si los métodos estándar de MR de dos muestras son válidos bajo este marco o qué parámetro causal identifican exactamente.

2. Metodología y Marco Teórico

Los autores desarrollan un marco de umbral de liability (liability-threshold framework) para formalizar la relación entre los datos observados y los procesos subyacentes.

• Modelo de Liability Latente: Se asume que los rasgos binarios observados ($X$ y $Y$) son el resultado de la dicotomización de variables continuas latentes no observadas ($X^*$ y $Y^*$), que representan el riesgo subyacente.
  • $X = 1$ si $X^* > t_X$ (umbral).
  • $Y = 1$ si $Y^* > t_Y$.
• Definición de Causalidad: El efecto causal $\beta$ se define entre las liabilities latentes ($X^* \to Y^*$), no entre las variables binarias observadas. Las suposiciones de MR (independencia de confusores, restricción de exclusión) se aplican a estas liabilities.
• Derivación de Relaciones de Escala:
  • Los autores derivan relaciones explícitas entre los coeficientes de GWAS obtenidos de regresiones logísticas o lineales en rasgos binarios y las asociaciones genéticas marginales en la escala de liability.
  • Aproximación de Efectos Pequeños: Bajo la suposición de que los efectos genéticos individuales son pequeños (típico en rasgos complejos), demuestran que los coeficientes de GWAS en la escala observada son aproximadamente proporcionales a las asociaciones en la escala de liability.
  • Factores de Escala ($s_X, s_Y$): La proporcionalidad depende de la prevalencia del rasgo ($p$), el modelo de regresión (logístico vs. lineal) y el diseño de muestreo (cohorte vs. caso-control).
    • Para regresión logística en muestreo de cohorte: $s_X \approx \frac{\phi(t_X)}{p_X(1-p_X)}$.
    • Para regresión lineal: el factor incluye términos adicionales relacionados con la varianza de la muestra.
• Implicación para MR: Al sustituir estas relaciones en el modelo de MR, se demuestra que los estimadores estándar de MR aplicados a datos binarios estiman una versión escalada del efecto causal en la escala de liability:
  $$\hat{\beta}_{MR} \approx \beta_{liability} \times \frac{s_Y}{s_X}$$
  Donde $\frac{s_Y}{s_X}$ es un factor de escala computable basado en la prevalencia.

3. Contribuciones Clave

1. Justificación Estadística Formal: Proporcionan la primera derivación rigurosa que valida el uso de métodos estándar de MR de dos muestras (como IVW o GRAPPLE) con rasgos binarios sin necesidad de modificar los algoritmos.
2. Clarificación del Parámetro Causal: Establecen que estos métodos estiman un efecto causal escalado entre liabilities latentes, no un efecto en la escala binaria observada.
3. Factores de Corrección Computables: Derivan fórmulas explícitas para los factores de escala que dependen de la prevalencia y el diseño del estudio, permitiendo a los investigadores "re-escalar" sus resultados para obtener efectos comparables en la escala de liability.
4. Generalización: El marco se extiende más allá de los rasgos binarios simples a rasgos categóricos ordenados y se mantiene válido bajo ajustes por covariables y en diseños complejos (multivariable, intra-familiar).

4. Resultados

• Simulaciones:
  • Se generaron datos simulados con diferentes prevalencias (desde 0.1% hasta 50%).
  • Los coeficientes de GWAS de rasgos binarios mostraron una proporcionalidad casi perfecta con los efectos en la escala de liability, especialmente con regresión logística y prevalencias moderadas.
  • Tras aplicar la corrección de escala, las estimaciones de MR con rasgos binarios coincidieron con las estimaciones obtenidas de rasgos continuos (el "benchmark"), incluso en presencia de pleiotropía horizontal moderada.
• Análisis Empírico (UK Biobank):
  • Se analizó la relación causal entre el Índice de Masa Corporal (IMC) y la Presión Arterial Sistólica (PAS), definiendo versiones binarias (Obesidad e Hipertensión).
  • Las estimaciones en la escala observada mostraron discrepancias aparentes según la definición del rasgo.
  • Tras la re-escalado, las estimaciones de los cuatro escenarios (continuo-continuo, binario-continuo, etc.) convergieron en intervalos de confianza casi idénticos, demostrando que las diferencias iniciales eran artefactos de la transformación de escala y no violaciones de las suposiciones de MR.

5. Significado e Impacto

Este trabajo tiene implicaciones profundas para la práctica epidemiológica:

• Validación de la Práctica Actual: Confirma que la comunidad científica puede continuar utilizando métodos de resumen estándar para rasgos binarios sin temor a que los resultados sean inválidos, siempre que se interpreten correctamente.
• Interpretación Coherente: Resuelve la incertidumbre sobre qué significa un "efecto causal" en MR con enfermedades binarias. El efecto se entiende como un cambio en la susceptibilidad latente, lo cual es biológicamente más plausible que un cambio abrupto en el estado de enfermedad.
• Simplicidad Metodológica: Elimina la necesidad de desarrollar métodos MR complejos específicos para datos binarios o de requerir datos a nivel individual para la mayoría de las aplicaciones, ya que la corrección se puede realizar con estadísticas de resumen y prevalencias conocidas.
• Robustez: La aproximación es robusta para efectos genéticos pequeños, que son la norma en los estudios GWAS modernos, aunque los autores advierten que la precisión puede disminuir en rasgos extremadamente raros o con efectos genéticos muy grandes.

En conclusión, el artículo establece que los rasgos binarios no son obstáculos para la MR, sino simplemente discretizaciones de procesos continuos subyacentes, y que la corrección por prevalencia permite recuperar efectos causales coherentes y comparables.