Heritable confounding in Mendelian randomization studies

Este artigo demonstra que estudos de randomização mendeliana que utilizam variantes genéticas com pequenos tamanhos de efeito são suscetíveis a confusão hereditária que viésa estimativas causais em uma direção consistente entre os métodos, mas mostra que esse viés pode ser mitigado por meio de filtragem pré-estimação ou MR multivariada quando potenciais fatores de confusão são identificados.

O essencial

A Visão Geral: Tentando Encontrar a Causa "Real"

Imagine que você é um detetive tentando resolver um mistério: A inflamação elevada (medida por uma proteína chamada Proteína C-Reativa, ou PCR) realmente causa Diabetes Tipo 2?

No mundo real, é difícil distinguir causa de efeito porque tudo está misturado. Talvez pessoas que comem muita comida lixo tenham tanto inflamação elevada quanto diabetes. Se você apenas olhar os dados, parecerá que a inflamação causa diabetes, mas, na verdade, a comida lixo é a culpada. Isso é chamado de confundimento.

Para resolver isso, os cientistas usam um método chamado Randomização Mendeliana (RM). Pense na RM como usar bilhetes de loteria genética como ferramenta de um detetive.

• Você nasce com certos "bilhetes" genéticos (variantes) que naturalmente tornam seus níveis de PCR mais altos ou mais baixos.
• Como esses bilhetes são atribuídos na concepção (como uma loteria), eles não são influenciados pela sua dieta, estilo de vida ou comida lixo.
• Se pessoas com "bilhetes de PCR alta" desenvolverem diabetes com mais frequência, você pode ter mais confiança de que a PCR causa o diabetes, e não a comida lixo.

O Novo Problema: O "Primo Escondido"

Este artigo argumenta que, embora o método dos bilhetes de loteria genética seja ótimo, ele tem uma nova falha sorrateira que está piorando à medida que a ciência avança.

A Falha: Confundimento Hereditário
Imagine que seu bilhete genético não controla apenas seus níveis de PCR diretamente. Em vez disso, imagine que o bilhete controla seu peso (adiposidade).

1. Ser mais pesado faz sua PCR subir.
2. Ser mais pesado também torna você mais propenso a desenvolver diabetes.
3. Portanto, seu bilhete genético está, na verdade, puxando duas cordas ao mesmo tempo: ele o torna pesado, o que eleva a PCR e causa diabetes.

Neste cenário, o bilhete genético não é um teste puro da PCR. É um teste de "ser pesado". Se você usar este bilhete para provar que a PCR causa diabetes, você está, na verdade, apenas provando que "ser pesado causa diabetes", mas você acha que provou que é a PCR. O artigo chama isso de confundimento hereditário.

Por que isso está ficando pior? (O Problema do "Mergulho Profundo")

O artigo explica que, à medida que os cientistas obtêm conjuntos de dados cada vez maiores (como olhar para milhões de pessoas em vez de milhares), eles começam a encontrar bilhetes genéticos mais fracos.

• Os Bilhetes Fortes: Os bilhetes genéticos óbvios e poderosos que controlam diretamente a PCR são fáceis de encontrar. Estes geralmente são "limpos" e não causam muitos problemas.
• Os Bilhetes Fracos: À medida que cavamos mais fundo, encontramos sinais genéticos minúsculos e fracos. Estes são frequentemente "distais" — estão longe na cadeia biológica. Eles podem controlar uma pequena proteína que controla outra proteína, que então controla seu peso, que então controla a PCR.

A Analogia:
Pense em uma máquina de Rube Goldberg.

• Bilhetes fortes são a bola batendo no primeiro dominó. É uma linha direta para o resultado.
• Bilhetes fracos (encontrados em estudos enormes) são a bola batendo em uma pena, que bate em um ventilador, que sopra uma vela, que move um barco, que bate no dominó.
• Quanto mais etapas na cadeia, mais provável que haja um "caminho lateral" (um confundidor) que estrague o resultado.

O artigo mostra que quanto mais bilhetes genéticos encontramos, mais provável é que peguemos os "fracos e bagunçados" que estão, na verdade, ligados a confundidores ocultos (como o peso). Isso faz com que os resultados pareçam mais enviesados, e não menos.

A Armadilha da "Falsa Confiança"

O artigo alerta que, quando os cientistas usam métodos computacionais padrão para analisar esses bilhetes bagunçados, os resultados frequentemente parecem muito consistentes e confiantes.

• É como ter um grupo de testemunhas que contam todas a mesma história, mas na verdade estão todas repetindo a mesma mentira porque são todas influenciadas pelo mesmo fator oculto (o gene "pesado").
• O artigo mostra que os métodos padrão frequentemente falham em detectar isso, levando os pesquisadores a acreditar que encontraram uma relação de causa e efeito quando não encontraram.

A Solução: Como Consertar o Trabalho de Detetive

Os autores sugerem duas maneiras simples de corrigir isso, usando o exemplo de PCR e Diabetes:

1. A Abordagem "Multivariável" (Verificando os Efeitos Colaterais):
   Em vez de apenas perguntar: "Este bilhete afeta a PCR?", pergunte: "Este bilhete também afeta o peso?"

   • Se um bilhete afeta o peso, e o peso afeta o diabetes, podemos usar uma ferramenta estatística para "subtrair" o efeito do peso. Isso isola o efeito puro da PCR.
   • Resultado no artigo: Quando eles fizeram isso para a PCR, o vínculo com o diabetes desapareceu. Descobriu-se que a PCR não era a causa; o peso era o verdadeiro culpado.

2. O "Filtro Steiger" (A Verificação de Controle de Qualidade):
   Este é um filtro que descarta qualquer bilhete genético que explique mais variação no confundidor (peso) do que na exposição (PCR).

   • Se um bilhete é melhor em prever o peso do que em prever a PCR, é um "bilhete ruim" para este teste específico. Jogue-o fora.
   • Resultado no artigo: Remover esses bilhetes ruins também fez o vínculo entre PCR e diabetes desaparecer.

A Conclusão

O artigo conclui que a Randomização Mendeliana não é imune a vieses. Na verdade, à medida que encontramos mais e mais pequenos sinais genéticos, podemos estar acidentalmente pegando mais sinais "confundidos".

• A Lição: Apenas porque um estudo usa genética não significa que é perfeito. Os pesquisadores precisam verificar se seus "bilhetes" genéticos estão realmente ligados a outras coisas (como peso, dieta ou outras doenças) que poderiam ser a causa real.
• A Descoberta Específica: No caso da Proteína C-Reativa e do Diabetes Tipo 2, o vínculo aparente era provavelmente uma ilusão causada pela adiposidade (gordura corporal). Uma vez que os pesquisadores ajustaram para este "confundimento hereditário", a evidência de que a PCR causa diabetes desapareceu.

Em resumo: Não confie na loteria genética apenas porque é aleatória. Você precisa ter certeza de que o bilhete que você escolheu não é, na verdade, um bilhete para algo completamente diferente.

Resumo técnico

1. Declaração do Problema

A Randomização Mendeliana (RM) é um método epidemiológico amplamente utilizado que utiliza variantes genéticas como variáveis instrumentais (VI) para inferir efeitos causais de exposições sobre desfechos. Ela depende da premissa de equivalência gene-ambiente, especificamente que os instrumentos genéticos influenciam o desfecho apenas através da exposição de interesse (sem pleiotropia horizontal).

O artigo aborda uma violação crítica, frequentemente negligenciada, dessa premissa: confundimento hereditário. Isso ocorre quando os instrumentos genéticos estão associados a um confundidor hereditário que afeta tanto a exposição quanto o desfecho. Os autores argumentam que, à medida que os tamanhos de amostra dos Estudos de Associação do Genoma Completo (GWAS) aumentam, os pesquisadores identificam variantes com tamanhos de efeito menores. Essas variantes de efeito menor são frequentemente mais distais na via biológica (mediadas por traços a montante) e, portanto, mais propensas a estarem associadas a confundidores, levando à pleiotropia correlacionada. Esse viés pode ser mais severo do que o viés encontrado na regressão linear tradicional e pode induzir os pesquisadores a erro, mesmo quando múltiplos métodos de RM produzem resultados consistentes.

2. Metodologia

Os autores empregaram uma abordagem multifacetada combinando derivação teórica, simulações de rede e um estudo de caso aplicado:

• Análise Teórica de Viés:

  • Eles derivaram expressões matemáticas comparando o viés nas estimativas de RM (usando um único instrumento) versus as estimativas de regressão linear na presença de um único confundidor hereditário não observado.
  • Eles demonstraram que o viés da RM depende da razão entre o efeito pleiotrópico (instrumento $\to$ desfecho via confundidor) e o efeito do instrumento sobre a exposição.

• Simulações de Rede:

  • Usando o pacote R/dagitty, eles simularam Grafos Acíclicos Direcionados (DAGs) aleatórios representando redes genótipo-fenótipo com números variados de traços (N=75 a 150) e densidades de arestas.
  • Eles modelaram a descoberta de instrumentos genéticos como uma função do tamanho da amostra do GWAS (simulado variando os limiares de valor-p).
  • Hipótese: Variantes com caminhos mais longos até a exposição (mais distais) têm tamanhos de efeito menores e são mais propensas a atuar via confundidores.

• Simulação de Viés de Estimadores de RM:

  • Eles simularam dados onde uma exposição e um desfecho são confundidos por um traço hereditário, sem nenhum efeito causal verdadeiro entre eles.
  • Eles testaram métodos padrão de RM univariada (Ponderado pela Variância Inversa [IVW], MR-Egger, Mediana Ponderada, Modo Ponderado) contra duas estratégias de mitigação propostas:
    1. RM Multivariada (MVMR): Incluindo o confundidor como uma exposição adicional.
    2. Filtragem de Steiger: Removendo SNPs que explicam mais variância no confundidor do que na exposição.
  • Eles também testaram métodos avançados projetados para pleiotropia correlacionada: CAUSE e MR-cML.

• Estudo de Caso Aplicado (PCR $\to$ Diabetes Tipo 2):

  • Exposição: Proteína C-Reativa (PCR).
  • Desfecho: Diabetes Tipo 2 (DT2).
  • Processo:
    1. Identificaram 728 variantes principais para PCR de um grande GWAS.
    2. Realizaram um Estudo de Associação do Fenoma (PheWAS) usando o Catálogo GWAS para identificar traços associados a esses instrumentos de PCR.
    3. Filtraram traços que também estavam associados à DT2, identificando 235 potenciais confundidores hereditários.
    4. Aplicaram filtragem de Steiger e MVMR para ajustar pelos principais confundidores (especificamente traços relacionados à adiposidade e biomarcadores proteicos).
    5. Compararam os resultados com CAUSE e MR-cML.

3. Principais Contribuições

• Identificação de um Mecanismo Específico de Viés: O artigo esclarece que o "confundimento hereditário" é uma fonte distinta de viés onde os instrumentos genéticos estão ligados a confundidores a montante, gerando pleiotropia correlacionada.
• Paradoxo do Tamanho da Amostra: Destaca uma descoberta contra-intuitiva: tamanhos de amostra maiores de GWAS aumentam o risco de viés de confundimento hereditário. À medida que os tamanhos de amostra crescem, variantes mais fracas (que são frequentemente mais distais e pleiotrópicas) são descobertas e incluídas como instrumentos, violando as premissas das VI com mais frequência do que variantes fortes e proximais.
• Magnitude do Viés: Resultados teóricos e de simulação mostram que as estimativas de RM viesadas por confundimento hereditário podem ser mais viesadas do que as estimativas correspondentes de regressão linear observacional, levando potencialmente a uma falsa confiança em alegações causais.
• Limitações dos Métodos Robustos Atuais: O estudo demonstra que métodos padrão "robustos à pleiotropia" (MR-Egger, Mediana Ponderada) e métodos bayesianos avançados (CAUSE, MR-cML) falham em corrigir o viés quando a maioria dos instrumentos está associada a um confundidor hereditário específico (pleiotropia correlacionada).
• Soluções Propostas: Os autores defendem o uso sistemático de filtragem de Steiger e RM Multivariada (MVMR) usando confundidores conhecidos ou suspeitos como verificações de robustez primárias.

4. Principais Resultados

• Achados de Simulação:

  • Em cenários onde uma alta proporção de SNPs atua via um confundidor, todos os métodos de RM univariada (IVW, MR-Egger, etc.) produziram estimativas viesadas consistentes com a associação observacional confundida.
  • MVMR e filtragem de Steiger recuperaram com sucesso o efeito causal nulo (o valor verdadeiro na simulação) quando o confundidor era conhecido e mensurável.
  • Métodos como CAUSE e MR-cML falharam em corrigir o viés na presença de forte pleiotropia correlacionada, produzindo estimativas semelhantes aos resultados viesados do IVW.

• Achados do Estudo de Caso (PCR $\to$ DT2):

  • A RM univariada inicial sugeriu um efeito causal da PCR sobre a DT2.
  • O PheWAS identificou traços relacionados à adiposidade e biomarcadores proteicos (ligados ao locus APOE, rs429358) como principais confundidores.
  • A filtragem de Steiger (removendo variantes associadas mais fortemente à adiposidade) e a MVMR (ajustando para adiposidade) levaram ambas a uma atenuação substancial da estimativa de efeito, tornando a ligação causal entre PCR e DT2 não significativa (compatível com um efeito nulo).
  • Isso sugere que a associação original foi impulsionada por confundimento hereditário (provavelmente gordura corporal influenciando tanto a PCR quanto a DT2) em vez de um efeito causal direto da inflamação.

5. Significado e Implicações

• Reavaliação da Literatura de RM: Os achados sugerem que muitos estudos de RM existentes, particularmente aqueles usando dados de biobancos grandes e instrumentos mais fracos, podem ter superestimado efeitos causais devido ao confundimento hereditário não contabilizado.
• Mudança Metodológica: O artigo argumenta que a RM não é imune ao viés de confundimento e requer estratégias de ajuste ativas semelhantes (mas distintas) à regressão linear.
• Equivalência Gene-Ambiente (EGA): Os autores desafiam a plausibilidade da EGA para muitos traços complexos, observando que, se variantes genéticas influenciam uma exposição via fenótipos a montante (por exemplo, adiposidade afetando a PCR), a manipulação genética não mimetiza uma intervenção específica apenas sobre a exposição.
• Recomendações Práticas:
  • Os pesquisadores devem examinar sistematicamente os instrumentos quanto a associações com confundidores conhecidos (via PheWAS).
  • A filtragem de Steiger e a MVMR devem ser verificações de robustez padrão.
  • A consistência entre diferentes métodos de RM não garante validade se todos os métodos compartilharem o mesmo viés subjacente de um confundidor dominante.
  • Os resultados devem ser interpretados dentro de um quadro de "triangulação de evidências", reconhecendo que a RM é suscetível a vieses específicos que diferem dos estudos observacionais.

Em conclusão, este artigo fornece um aviso rigoroso de que o "padrão-ouro" da RM é vulnerável ao confundimento hereditário, particularmente na era de conjuntos de dados massivos de GWAS, e oferece ferramentas práticas e acessíveis para mitigar essa ameaça.