利用多效性聚类解决孟德尔随机化研究中高比例相关水平多效性问题

《Nature Communications》：Leveraging pleiotropic clustering to address high proportion correlated horizontal pleiotropy in Mendelian randomization studies

研究人员开展孟德尔随机化（MR）研究，提出 PCMR 框架，有效检测相关水平多效性，避免假阳性。

　　在探索复杂性状与疾病因果关系的科学征程中，孟德尔随机化（Mendelian randomization，MR）无疑是一项强大的 “秘密武器”。它借助基因变异作为工具变量，能巧妙地推断暴露因素与疾病结局之间的因果关系，极大地降低了非遗传混杂因素的干扰，让研究结果更加可靠。然而，这个 “秘密武器” 却存在一个棘手的问题：某些基因变异会通过共享因素同时影响暴露因素和疾病结局，这种现象被称为相关水平多效性（correlated horizontal pleiotropy），它就像一颗隐藏在暗处的 “定时炸弹”，随时可能引发假阳性的因果结论，严重影响研究的准确性。

为了解决这一难题，中山大学中山医学院的研究人员挺身而出，开展了一项极具意义的研究。他们提出了一种名为孟德尔随机化多效性聚类（Pleiotropic Clustering framework for Mendelian randomization，PCMR）的创新框架，旨在有效检测相关水平多效性，并在存在相关水平多效性变异的性状对中进行全面的因果推断。该研究成果发表在《Nature Communications》上，为孟德尔随机化研究领域带来了新的曙光。

在研究方法上，研究人员主要运用了以下关键技术：首先，利用全基因组关联研究（Genome-Wide Association Study，GWAS）的汇总统计数据，筛选出与暴露因素紧密相关的独立变异作为工具变量（IVs）。接着，基于高斯混合模型，将所有工具变量纳入统一框架，通过整合相关水平多效性效应和垂直（因果）效应，构建了 PCMR 模型。为了评估相关水平多效性的存在，研究人员采用了自助法（bootstrapping）进行 PCMR 的多效性检验。此外，他们还通过似然比检验（Likelihood Ratio Test，LRT）进行 PCMR 的因果评估，以判断是否存在支持非零因果效应的主导工具变量类别。

研究结果主要体现在以下几个方面：

1. PCMR 框架概述：PCMR 基于高斯混合模型，根据不同的水平和垂直多效性（HVP）效应对工具变量进行聚类。研究人员提出统一公式βY,i?=(γ+ηi)βX,i?+θi，将相关水平多效性效应ηi和垂直（因果）效应γ整合为一个综合效应?i=γ+ηi（相关 HVP 效应），并假设相关 HVP 效应服从不同的正态分布。通过期望最大化（EM）算法估计模型参数，在实际分析中，通常考虑最多两组不同的相关 HVP 效应。此外，PCMR 还提供了有效的异质性检验（PCMR 的多效性检验），通过自助法测试估计效应之间的统计差异，在分析常见疾病时，约 15%（7/48）的性状对显示出显著的相关水平多效性。
2. PCMR 对工具变量的有效分类：在存在相关水平多效性的情况下，PCMR 能将工具变量有效分类。当真实因果效应为 0.1 且 40% 的变异表现出相关水平多效性时，PCMR 估计的较小相关 HVP 效应的中位数为 0.087，即使相关水平多效性变异的比例高达 50%，PCMR 仍能准确分类。相比之下，其他六种替代方法在高比例相关水平多效性变异下产生了偏差的估计。在不存在相关水平多效性时，PCMR 将工具变量分为两个相似类别，且两个估计的相关 HVP 效应都接近真实因果效应。
3. PCMR 多效性检验的有效性：通过广泛的模拟，PCMR 的多效性检验在检测相关水平多效性方面表现出色。在没有水平多效性的场景中，PCMR 的多效性检验平均假阳性率为 4.67%，与 MR-PRESSO 相当；而在存在相关水平多效性的情况下，PCMR 能特异性地检测相关水平多效性，而 MR-PRESSO 无法区分相关和不相关的水平多效性，导致其假阳性率较高。
4. PCMR 因果评估增强因果推断：PCMR 的因果评估在控制相关水平多效性下的第一类错误率方面表现优异。当存在高比例（如 40%）的相关水平多效性变异时，PCMR 的因果评估能有效控制假阳性率，而 IVW、加权中位数和 MRAID 等方法则产生较高的假阳性率。在与其他方法比较统计功效时，PCMR 在相关水平多效性和因果效应方向相反的场景中具有更高的统计功效。
5. PCMR 在真实数据集的性能评估：在对常见疾病的真实数据集进行分析时，PCMR 发现约 15%（7/48）的性状对存在显著的相关水平多效性，而 MR-PRESSO 检测到大多数性状对存在水平多效性。PCMR 的因果评估避免了在存在相关水平多效性时的假阳性结果，并识别出因果关系，即使存在相反的相关水平多效性效应。此外，PCMR 分类的工具变量类别有助于整合生物学信息，通过富集分析排除相关水平多效性变异，增强因果推断。
6. PCMR 助力精神疾病因果推断：应用 PCMR 探索三种常见精神疾病（精神分裂症、重度抑郁症和双相情感障碍 I 型）之间的关系时，PCMR 的多效性检验成功识别出三对具有显著相关水平多效性的疾病对。通过因果评估和生物学过程富集分析，PCMR 发现这些疾病对之间的因果关系不显著，并通过排除相关水平多效性变异进一步验证了这一结论。

研究结论和讨论部分指出，PCMR 通过创新的方法，有效解决了孟德尔随机化研究中相关水平多效性带来的挑战。它将相关多效性和因果效应整合为统一的相关 HVP 效应，避免了传统方法在区分两者时的困难。PCMR 的无假设分类方法为多效性检验开辟了新途径，能够准确识别相关水平多效性，避免假阳性结果。在实际应用中，虽然 PCMR 存在一些局限性，如确定相关水平多效性的类型数量存在困难，在无相关水平多效性时可能产生保守结果，但总体而言，PCMR 为孟德尔随机化研究提供了一种强大的工具，在检测和解决相关水平多效性问题方面具有重要意义，有助于更准确地揭示复杂性状和疾病之间的因果关系，为疾病的预防和治疗提供科学依据。