Heritable confounding in Mendelian randomization studies

Questo studio dimostra che gli studi di randomizzazione mendeliana che utilizzano varianti genetiche con piccoli effetti sono suscettibili a confondimento ereditario che distorce le stime causali in una direzione coerente tra i diversi metodi, ma mostra che tale distorsione può essere mitigata mediante filtraggio pre-stima o MR multivariata quando i potenziali fattori di confondimento sono identificati.

L'essenziale

Il quadro generale: Cercare la "vera" causa

Immagina di essere un detective che cerca di risolvere un mistero: L'alta infiammazione (misurata da una proteina chiamata Proteina C-Reattiva, o PCR) causa davvero il Diabete di Tipo 2?

Nel mondo reale, è difficile distinguere causa da effetto perché tutto è mescolato. Forse le persone che mangiano molti cibi spazzatura hanno sia alta infiammazione che diabete. Se guardi solo i dati, sembra che l'infiammazione causi il diabete, ma in realtà il colpevole è il cibo spazzatura. Questo si chiama confondimento.

Per risolvere questo problema, gli scienziati usano un metodo chiamato Randomizzazione Mendeliana (MR). Pensa alla MR come all'uso di biglietti della lotteria genetica come strumento del detective.

• Nasci con certi "biglietti" genetici (varianti) che naturalmente fanno sì che i tuoi livelli di PCR siano più alti o più bassi.
• Poiché questi biglietti vengono assegnati al concepimento (come una lotteria), non sono influenzati dalla tua dieta, dallo stile di vita o dal cibo spazzatura.
• Se le persone con "biglietti per PCR alta" sviluppano il diabete più spesso, puoi essere più sicuro che la PCR causi il diabete, e non il cibo spazzatura.

Il nuovo problema: Il "cugino nascosto"

Questo documento sostiene che, sebbene il metodo dei biglietti della lotteria genetica sia ottimo, presenta un nuovo e subdolo difetto che peggiora con l'avanzare della scienza.

Il difetto: Confondimento ereditario
Immagina che il tuo biglietto genetico non controlli direttamente i tuoi livelli di PCR. Invece, immagina che il biglietto controlli il tuo peso (adiposità).

1. Essere più pesanti fa salire la tua PCR.
2. Essere più pesanti rende anche più probabile che tu sviluppi il diabete.
3. Quindi, il tuo biglietto genetico sta in realtà tirando due fili contemporaneamente: ti rende pesante, il che alza la PCR e causa il diabete.

In questo scenario, il biglietto genetico non è un test puro della PCR. È un test dell'essere "pesanti". Se usi questo biglietto per dimostrare che la PCR causa il diabete, stai in realtà dimostrando solo che "essere pesanti causa il diabete", ma credi di aver dimostrato che è la PCR. Il documento chiama questo confondimento ereditario.

Perché questo sta peggiorando? (Il problema della "profonda immersione")

Il documento spiega che, man mano che gli scienziati raccolgono set di dati sempre più grandi (come guardare milioni di persone invece di migliaia), iniziano a trovare biglietti genetici più deboli.

• I biglietti forti: I biglietti genetici ovvi e potenti che controllano direttamente la PCR sono facili da trovare. Questi sono solitamente "puliti" e non causano molti problemi.
• I biglietti deboli: Mentre scaviamo più a fondo, troviamo segnali genetici minuscoli e deboli. Questi sono spesso "distali": sono lontani nella catena biologica. Potrebbero controllare una piccola proteina che controlla un'altra proteina, che poi controlla il tuo peso, che poi controlla la PCR.

L'analogia:
Pensa a una macchina di Rube Goldberg.

• I biglietti forti sono la palla che colpisce il primo domino. È una linea diretta verso il risultato.
• I biglietti deboli (trovati negli studi enormi) sono la palla che colpisce una piuma, che colpisce un ventilatore, che spinge una vela, che muove una barca, che colpisce il domino.
• Più ci sono passaggi nella catena, più è probabile che ci sia una "strada laterale" (un confondente) che rovina il risultato.

Il documento mostra che più biglietti genetici troviamo, più è probabile che scegliamo quelli "deboli e disordinati" che sono in realtà collegati a confondenti nascosti (come il peso). Questo rende i risultati più distorti, non meno.

La trappola della "falsa sicurezza"

Il documento avverte che quando gli scienziati usano metodi informatici standard per analizzare questi biglietti disordinati, i risultati spesso appaiono molto coerenti e sicuri.

• È come avere un gruppo di testimoni che raccontano tutti la stessa storia, ma in realtà stanno tutti ripetendo la stessa bugia perché sono tutti influenzati dallo stesso fattore nascosto (il gene "pesante").
• Il documento mostra che i metodi standard spesso non riescono a rilevare questo, portando i ricercatori a credere di aver trovato una relazione di causa ed effetto quando non esiste.

La soluzione: Come correggere il lavoro del detective

Gli autori suggeriscono due modi semplici per risolvere questo problema, usando l'esempio di PCR e Diabete:

1. L'approccio "Multivariabile" (Controllare gli effetti collaterali):
   Invece di chiedere solo: "Questo biglietto influenza la PCR?", chiedi: "Questo biglietto influenza anche il peso?".

   • Se un biglietto influenza il peso, e il peso influenza il diabete, possiamo usare uno strumento statistico per "sottrarre" l'effetto del peso. Questo isola l'effetto puro della PCR.
   • Risultato nel documento: Quando hanno fatto questo per la PCR, il legame con il diabete è scomparso. Si è scoperto che la PCR non era la causa; il peso era il vero colpevole.

2. Il "Filtro Steiger" (Il controllo di qualità):
   Questo è un filtro che scarta qualsiasi biglietto genetico che spiega più variazione nel confondente (peso) di quanto ne spieghi nell'esposizione (PCR).

   • Se un biglietto è migliore nel prevedere il peso rispetto alla PCR, è un "biglietto cattivo" per questo specifico test. Scartalo.
   • Risultato nel documento: Rimuovendo questi biglietti cattivi, anche il legame tra PCR e diabete è svanito.

La conclusione

Il documento conclude che la Randomizzazione Mendeliana non è immune ai bias. Anzi, man mano che troviamo sempre più piccoli segnali genetici, potremmo accidentalmente raccogliere più segnali "confusi".

• La lezione: Solo perché uno studio usa la genetica non significa che sia perfetto. I ricercatori devono verificare se i loro "biglietti" genetici sono in realtà collegati ad altre cose (come peso, dieta o altre malattie) che potrebbero essere la vera causa.
• Il risultato specifico: Nel caso della Proteina C-Reattiva e del Diabete di Tipo 2, il legame apparente era probabilmente un'illusione causata dall'adiposità (grasso corporeo). Una volta che i ricercatori hanno corretto per questo "confondimento ereditario", l'evidenza che la PCR causi il diabete è scomparsa.

In sintesi: Non fidarti della lotteria genetica solo perché è casuale. Devi assicurarti che il biglietto che hai scelto non sia in realtà un biglietto per qualcos'altro completamente diverso.

Sommario tecnico

1. Enunciazione del Problema

La Randomizzazione Mendeliana (MR) è un metodo epidemiologico ampiamente utilizzato che sfrutta varianti genetiche come variabili strumentali (IV) per inferire effetti causali di esposizioni su esiti. Si basa sull'assunzione di equivalenza gene-ambiente, specificamente che gli strumenti genetici influenzino l'esito esclusivamente attraverso l'esposizione di interesse (nessuna pleiotropia orizzontale).

Il documento affronta una violazione critica, spesso trascurata, di tale assunzione: la confondimento ereditabile. Ciò si verifica quando gli strumenti genetici sono associati a un confonditore ereditabile che influenza sia l'esposizione che l'esito. Gli autori sostengono che, man mano che le dimensioni del campione degli Studi di Associazione Genome-Wide (GWAS) aumentano, i ricercatori identificano varianti con effetti più piccoli. Queste varianti a effetto minore sono spesso più distali nel percorso biologico (mediate attraverso tratti a monte) e sono quindi più soggette ad essere associate a confonditori, portando a una pleiotropia correlata. Questo bias può essere più grave del bias riscontrato nella regressione lineare tradizionale e può trarre in inganno i ricercatori anche quando molteplici metodi MR producono risultati coerenti.

2. Metodologia

Gli autori hanno adottato un approccio multifacciale combinando derivazione teorica, simulazioni di rete e uno studio di caso applicato:

• Analisi Teorica del Bias:

  • Hanno derivato espressioni matematiche confrontando il bias nelle stime MR (utilizzando un singolo strumento) rispetto alle stime di regressione lineare in presenza di un singolo confonditore ereditabile non osservato.
  • Hanno dimostrato che il bias MR dipende dal rapporto tra l'effetto pleiotropico (strumento $\to$ esito tramite confonditore) e l'effetto dello strumento sull'esposizione.

• Simulazioni di Rete:

  • Utilizzando il pacchetto R/dagitty, hanno simulato Grafi Aciclici Diretti (DAG) casuali che rappresentano reti genotipo-fenotipo con numeri variabili di tratti (N=75-150) e densità di archi.
  • Hanno modellato la scoperta di strumenti genetici come funzione della dimensione del campione GWAS (simulata variando le soglie di valore p).
  • Ipotesi: Le varianti con percorsi più lunghi verso l'esposizione (più distali) hanno effetti più piccoli e sono più propense ad agire tramite confonditori.

• Simulazione del Bias degli Stimatori MR:

  • Hanno simulato dati in cui un'esposizione e un esito sono confonditi da un tratto ereditabile, senza alcun vero effetto causale tra di loro.
  • Hanno testato i metodi MR univariabili standard (Inverse Variance Weighted [IVW], MR-Egger, Weighted Median, Weighted Mode) contro due strategie di mitigazione proposte:
    1. MR Multivariabile (MVMR): Includendo il confonditore come esposizione aggiuntiva.
    2. Filtraggio di Steiger: Rimuovendo gli SNP che spiegano più varianza nel confonditore rispetto all'esposizione.
  • Hanno inoltre testato metodi avanzati progettati per la pleiotropia correlata: CAUSE e MR-cML.

• Studio di Caso Applicato (CRP $\to$ Diabete di Tipo 2):

  • Esposizione: Proteina C-Reattiva (CRP).
  • Esito: Diabete di Tipo 2 (T2D).
  • Processo:
    1. Identificati 728 varianti leader per la CRP da un grande GWAS.
    2. Eseguito uno Studio di Associazione Pan-Fenotipica (PheWAS) utilizzando il Catalogo GWAS per identificare tratti associati a questi strumenti CRP.
    3. Filtrati i tratti che associavano anche al T2D, identificando 235 potenziali confonditori ereditabili.
    4. Applicato il filtraggio di Steiger e MVMR per aggiustare i principali confonditori (specificamente tratti legati all'adiposità e biomarcatori proteici).
    5. Confrontati i risultati con CAUSE e MR-cML.

3. Contributi Chiave

• Identificazione di un Meccanismo di Bias Specifico: Il documento chiarisce che il "confondimento ereditabile" è una fonte distinta di bias in cui gli strumenti genetici sono collegati a confonditori a monte, generando pleiotropia correlata.
• Paradosso della Dimensione del Campione: Evidenzia una scoperta controintuitiva: dimensioni del campione GWAS più grandi aumentano il rischio di bias da confondimento ereditabile. Man mano che le dimensioni del campione crescono, vengono scoperte e incluse come strumenti varianti più deboli (che sono spesso più distali e pleiotropiche), violando più frequentemente le assunzioni IV rispetto alle varianti forti e prossimali.
• Entità del Bias: I risultati teorici e di simulazione mostrano che le stime MR distorte dal confondimento ereditabile possono essere più distorte delle corrispondenti stime di regressione lineare osservazionali, portando potenzialmente a una falsa fiducia nelle affermazioni causali.
• Limiti dei Metodi Robusti Attuali: Lo studio dimostra che i metodi standard "robusti alla pleiotropia" (MR-Egger, Weighted Median) e i metodi bayesiani avanzati (CAUSE, MR-cML) falliscono nel correggere il bias quando la maggior parte degli strumenti è associata a un specifico confonditore ereditabile (pleiotropia correlata).
• Soluzioni Proposte: Gli autori sostengono l'uso sistematico del filtraggio di Steiger e del MR Multivariabile (MVMR) utilizzando confonditori noti o sospetti come controlli di robustezza primari.

4. Risultati Chiave

• Risultati delle Simulazioni:

  • In scenari in cui un'alta proporzione di SNP agisce tramite un confonditore, tutti i metodi MR univariabili (IVW, MR-Egger, ecc.) hanno prodotto stime distorte coerenti con l'associazione osservazionale confondita.
  • MVMR e filtraggio di Steiger hanno recuperato con successo l'effetto causale nullo (il valore vero nella simulazione) quando il confonditore era noto e misurabile.
  • Metodi come CAUSE e MR-cML non sono riusciti a correggere il bias in presenza di forte pleiotropia correlata, producendo stime simili ai risultati IVW distorti.

• Risultati dello Studio di Caso (CRP $\to$ T2D):

  • L'MR univariabile iniziale suggeriva un effetto causale della CRP sul T2D.
  • Il PheWAS ha identificato tratti legati all'adiposità e biomarcatori proteici (collegati al locus APOE, rs429358) come principali confonditori.
  • Il filtraggio di Steiger (rimuovendo varianti associate più fortemente all'adiposità) e il MVMR (aggiustando per l'adiposità) hanno portato entrambi a una substantiale attenuazione della stima dell'effetto, rendendo il legame causale tra CRP e T2D non significativo (compatibile con un effetto nullo).
  • Ciò suggerisce che l'associazione originale era guidata dal confondimento ereditabile (probabilmente il grasso corporeo che influenza sia la CRP che il T2D) piuttosto che da un effetto causale diretto dell'infiammazione.

5. Significato e Implicazioni

• Rivalutazione della Letteratura MR: I risultati suggeriscono che molti studi MR esistenti, in particolare quelli che utilizzano dati di grandi biobanche e strumenti più deboli, potrebbero aver sovrastimato gli effetti causali a causa di un confondimento ereditabile non contabilizzato.
• Cambiamento Metodologico: Il documento sostiene che la MR non è immune al bias da confondimento e richiede strategie di aggiustamento attive simili (ma distinte) alla regressione lineare.
• Equivalenza Gene-Ambiente (GEE): Gli autori mettono in discussione la plausibilità della GEE per molti tratti complessi, notando che se le varianti genetiche influenzano un'esposizione tramite fenotipi a monte (es. adiposità che influenza la CRP), la manipolazione genetica non imita un intervento specifico sull'esposizione da sola.
• Raccomandazioni Pratiche:
  • I ricercatori dovrebbero esaminare sistematicamente gli strumenti per le associazioni con confonditori noti (tramite PheWAS).
  • Il filtraggio di Steiger e il MVMR dovrebbero essere controlli di robustezza standard.
  • La coerenza tra diversi metodi MR non garantisce la validità se tutti i metodi condividono lo stesso bias sottostante derivante da un confonditore dominante.
  • I risultati dovrebbero essere interpretati all'interno di un quadro di "triangolazione delle prove", riconoscendo che la MR è suscettibile a bias specifici che differiscono dagli studi osservazionali.

In conclusione, questo documento fornisce un rigoroso avvertimento che lo "standard aureo" della MR è vulnerabile al confondimento ereditabile, in particolare nell'era dei massicci dataset GWAS, e offre strumenti pratici e accessibili per mitigare questa minaccia.