Heritable confounding in Mendelian randomization studies

本文表明，利用具有小效应量的遗传变异进行的孟德尔随机化研究易受可遗传混杂的影响，导致不同方法下的因果估计值朝一致方向产生偏差，但同时也表明，在识别出潜在混杂因素的情况下，可通过预估计筛选或多变量孟德尔随机化来减轻这种偏差。

要点

以下是用通俗语言和日常类比对该论文的解读。

大局观：试图寻找“真正”的成因

想象你是一名侦探，正在破解一个谜团：高炎症（通过一种名为 C 反应蛋白，即 CRP 的蛋白质来测量）是否真的导致了 2 型糖尿病？

在现实世界中，很难区分因果，因为一切往往混杂在一起。也许那些吃很多垃圾食品的人，既炎症水平高，又患有糖尿病。如果你只看数据，炎症似乎导致了糖尿病，但实际上，罪魁祸首是垃圾食品。这被称为混杂。

为了解决这个问题，科学家使用一种称为孟德尔随机化（MR）的方法。把 MR 想象成侦探使用基因彩票作为工具。

• 你出生时就带有某些基因“彩票”（变异），这些彩票天生会使你的 CRP 水平升高或降低。
• 因为这些彩票是在受孕时分配的（就像抽奖一样），它们不受你的饮食、生活方式或垃圾食品的影响。
• 如果持有“高 CRP 彩票”的人更容易患糖尿病，你就可以更有信心地认为 CRP导致了糖尿病，而不是垃圾食品。

新问题：“隐藏的表亲”

这篇论文指出，虽然基因彩票法很棒，但它存在一个新的、隐蔽的缺陷，而且随着科学的进步，这个问题正变得越来越严重。

缺陷：可遗传的混杂
想象一下，你的基因彩票并不直接控制你的 CRP 水平。相反，想象这张彩票控制的是你的体重（脂肪量）。

1. 体重较重会使你的 CRP 升高。
2. 体重较重也会让你更容易患糖尿病。
3. 因此，你的基因彩票实际上同时拉扯了两根线：它让你变胖，从而既升高了 CRP，又导致了糖尿病。

在这种情况下，这张基因彩票不是对 CRP 的纯粹测试。它是对“变胖”的测试。如果你用这张彩票来证明 CRP 导致糖尿病，你实际上只是在证明“变胖导致糖尿病”，但你却误以为你证明了是 CRP 的原因。论文将这种现象称为可遗传的混杂。

为什么这个问题越来越严重？（“深潜”问题）

论文解释说，随着科学家获取越来越大的数据集（比如观察数百万人而不是数千人），他们开始发现更弱的基因彩票。

• 强彩票：那些显而易见的、强大的基因彩票，直接控制 CRP，很容易找到。这些通常是“干净”的，不会引起太多麻烦。
• 弱彩票：随着我们挖掘得更深，我们会发现微小的、微弱的基因信号。这些信号通常是“远端”的——它们在生物链条中相距甚远。它们可能控制一种微小的蛋白质，该蛋白质控制另一种蛋白质，然后再控制你的体重，进而再控制 CRP。

类比：
想象一个鲁布·戈德堡机械装置（一种通过一系列连锁反应完成简单任务的复杂装置）。

• 强彩票就像球击中第一个多米诺骨牌。这是通往结果的直接路径。
• 弱彩票（在大型研究中发现的）就像球击中一根羽毛，羽毛击中风扇，风扇吹动帆，帆推动船，船再击中多米诺骨牌。
• 链条中的步骤越多，出现“旁路”（即混杂因素）搞乱结果的可能性就越大。

论文表明，我们找到的基因彩票越多，我们就越有可能选中那些“微弱且混乱”的彩票，而这些彩票实际上与隐藏的混杂因素（如体重）相关联。这使得结果看起来更有偏差，而不是更少。

“虚假信心”陷阱

论文警告说，当科学家使用标准的计算机方法来分析这些混乱的彩票时，结果往往看起来非常一致且令人信服。

• 这就像有一群证人，他们都讲述同一个故事，但实际上他们都在重复同一个谎言，因为他们都受到同一个隐藏因素（“肥胖”基因）的影响。
• 论文表明，标准方法往往无法发现这一点，导致研究人员误以为他们发现了因果关系，而实际上并没有。

解决方案：如何修正侦探工作

作者提出了两种简单的方法来修正这个问题，使用CRP 和糖尿病的例子：

1. “多变量”方法（检查副作用）：
   不要只问“这张彩票是否影响 CRP？”，而要问“这张彩票是否也会影响体重？”

   • 如果一张彩票影响体重，而体重又影响糖尿病，我们可以使用统计工具来“减去”体重的影响。这样可以隔离出纯粹的 CRP 效应。
   • 论文中的结果： 当他们对 CRP 进行这种操作时，与糖尿病的联系消失了。事实证明 CRP 并非原因，体重才是真正的罪魁祸首。

2. “斯蒂格勒过滤器”（质量控制检查）：
   这是一个过滤器，它会剔除任何在解释混杂因素（体重）的变异方面比解释暴露因素（CRP）更多的基因彩票。

   • 如果一张彩票在预测体重方面比预测 CRP 更准确，那么对于这项特定测试来说，它就是一张“坏彩票”。把它扔掉。
   • 论文中的结果： 剔除这些坏彩票后，CRP 与糖尿病之间的联系也消失了。

核心结论

论文得出结论，孟德尔随机化并非免疫于偏差。事实上，随着我们发现越来越多微小的基因信号，我们可能会无意中捕捉到更多“被混杂”的信号。

• 教训： 仅仅因为一项研究使用了遗传学，并不意味着它是完美的。研究人员需要检查他们的基因“彩票”是否实际上与其他事物（如体重、饮食或其他疾病）相关联，而这些事物可能是真正的原因。
• 具体发现： 在 C 反应蛋白和 2 型糖尿病的案例中，表面上的联系很可能是由**脂肪量（体脂）**引起的错觉。一旦研究人员针对这种“可遗传的混杂”进行了调整，CRP 导致糖尿病的证据就不复存在了。

简而言之： 不要仅仅因为基因彩票是随机的就盲目信任它。你必须确保你抽到的那张彩票，实际上不是另一回事的彩票。

技术摘要

以下是 Sanderson 等人所著论文《孟德尔随机化研究中的可遗传混杂》的详细技术总结。

1. 问题陈述

孟德尔随机化（MR）是一种广泛使用的流行病学方法，它利用遗传变异作为工具变量（IVs）来推断暴露对结局的因果效应。该方法依赖于基因 - 环境等价性的假设，具体而言，即遗传工具仅通过目标暴露影响结局（不存在水平多效性）。

本文 addressed 了这一假设中一个关键但常被忽视的违背情况：可遗传混杂。这种情况发生在遗传工具与一个同时影响暴露和结局的可遗传混杂因素相关联时。作者指出，随着全基因组关联研究（GWAS）样本量的增加，研究人员识别出的效应量更小的变异。这些较小效应的变异通常在生物通路中更为远端（通过上游性状介导），因此更容易与混杂因素相关联，从而导致相关性多效性。这种偏差可能比传统线性回归中的偏差更为严重，即使多种 MR 方法得出一致结果，仍可能误导研究人员。

2. 方法论

作者采用了一种结合理论推导、网络模拟和应用案例研究的多面方法：

• 理论偏差分析：

  • 他们推导了数学表达式，比较了在存在单个未观测可遗传混杂因素的情况下，使用单个工具的 MR 估计值与线性回归估计值之间的偏差。
  • 他们证明，MR 偏差取决于多效性效应（工具 $\to$ 通过混杂因素 $\to$ 结局）与工具对暴露效应之比。

• 网络模拟：

  • 使用 R/dagitty 包，他们模拟了随机的有向无环图（DAGs），代表具有不同性状数量（N=75 至 150）和边缘密度的基因型 - 表型网络。
  • 他们将遗传工具的发现建模为 GWAS 样本量的函数（通过改变 p 值阈值进行模拟）。
  • 假设： 距离暴露路径更长的变异（更远端）具有更小的效应量，并且更有可能通过混杂因素起作用。

• MR 估计量的偏差模拟：

  • 他们模拟了数据，其中暴露和结局被一个可遗传性状所混杂，且两者之间不存在真实的因果效应。
  • 他们测试了标准的单变量 MR 方法（逆方差加权 [IVW]、MR-Egger、加权中位数、加权众数）与两种提出的缓解策略：
    1. 多变量 MR (MVMR)： 将混杂因素作为额外的暴露纳入。
    2. Steiger 过滤： 剔除那些解释混杂因素方差多于暴露方差的 SNP。
  • 他们还测试了专为相关性多效性设计的先进方法：CAUSE 和 MR-cML。

• 应用案例研究（CRP $\to$ 2 型糖尿病）：

  • 暴露： C 反应蛋白（CRP）。
  • 结局： 2 型糖尿病（T2D）。
  • 过程：
    1. 从大型 GWAS 中识别出 728 个 CRP 的领先变异。
    2. 利用 GWAS 目录进行表型组全关联研究（PheWAS），以识别与这些 CRP 工具相关的性状。
    3. 筛选出也与 T2D 相关的性状，识别出 235 个潜在的可遗传混杂因素。
    4. 应用 Steiger 过滤和 MVMR 来调整主要混杂因素（特别是与肥胖相关的性状和蛋白质生物标志物）。
    5. 将结果与 CAUSE 和 MR-cML 进行比较。

3. 主要贡献

• 特定偏差机制的识别： 本文阐明了“可遗传混杂”是一种独特的偏差来源，其中遗传工具与上游混杂因素相关联，从而产生相关性多效性。
• 样本量悖论： 文章强调了一个违反直觉的发现：更大的 GWAS 样本量增加了可遗传混杂偏差的风险。 随着样本量的增长，更弱的变异（通常更远端且具有多效性）被发现并被纳入作为工具，这比强且近端的变异更频繁地违反 IV 假设。
• 偏差幅度： 理论和模拟结果表明，受可遗传混杂偏差影响的 MR 估计值可能比相应的观察性线性回归估计值偏差更大，从而导致对因果主张产生虚假的信心。
• 当前稳健方法的局限性： 该研究表明，标准的“多效性稳健”方法（MR-Egger、加权中位数）和先进的贝叶斯方法（CAUSE、MR-cML）在大多数工具与特定可遗传混杂因素相关联（相关性多效性）时，无法校正偏差。
• 提出的解决方案： 作者主张系统性地使用Steiger 过滤和多变量 MR (MVMR)，将已知或疑似的混杂因素作为主要的稳健性检验。

4. 关键结果

• 模拟发现：

  • 在高比例 SNP 通过混杂因素起作用的情景中，所有单变量 MR 方法（IVW、MR-Egger 等）产生的估计值均存在偏差，且与受混杂影响的观察性关联一致。
  • 当混杂因素已知且可测量时，MVMR 和 Steiger 过滤成功恢复了零因果效应（模拟中的真实值）。
  • CAUSE 和 MR-cML 等方法在存在强相关性多效性时未能校正偏差，得出的估计值与有偏差的 IVW 结果相似。

• 案例研究（CRP $\to$ T2D）发现：

  • 初始单变量 MR 提示 CRP 对 T2D 存在因果效应。
  • PheWAS 识别出肥胖相关性状和蛋白质生物标志物（与 APOE 基因座 rs429358 相关）为主要混杂因素。
  • Steiger 过滤（剔除与肥胖关联更强的变异）和MVMR（调整肥胖）均导致效应估计值大幅减弱，使得 CRP 与 T2D 之间的因果联系变得不显著（与零效应相容）。
  • 这表明原始关联是由可遗传混杂（可能是体脂同时影响 CRP 和 T2D）驱动的，而非炎症的直接因果效应。

5. 意义与启示

• MR 文献的重新评估： 研究结果表明，许多现有的 MR 研究，特别是那些使用大型生物库数据和较弱工具的研究，可能由于未考虑可遗传混杂而高估了因果效应。
• 方法论转变： 本文认为 MR 并非免疫于混杂偏差，需要采取类似于（但不同于）线性回归的主动调整策略。
• 基因 - 环境等价性 (GEE)： 作者挑战了许多复杂性状中 GEE 的合理性，指出如果遗传变异通过上游表型（例如肥胖影响 CRP）影响暴露，那么这种遗传操纵并不能模拟仅针对暴露的特定干预。
• 实践建议：
  • 研究人员应通过 PheWAS 系统性地筛查工具与已知混杂因素的关联。
  • Steiger 过滤和MVMR应作为标准的稳健性检验。
  • 如果所有方法都受到主导混杂因素引起的相同潜在偏差的影响，不同 MR 方法之间的一致性并不能保证有效性。
  • 结果应在“证据三角化”框架内进行解释，承认 MR 易受与观察性研究不同的特定偏差影响。

总之，本文提供了一个严谨的警告，即 MR 这一“金标准”在大规模 GWAS 数据集时代容易受到可遗传混杂的影响，并提供了解决这一威胁的实用、易用的工具。