编辑推荐：
肌无力（MG）、多发性硬化症（MS）等神经免疫疾病发病率上升，其与可改变风险因素关系不明。研究人员利用 UK Biobank 数据和孟德尔随机化（MR）分析开展研究，发现吸烟、看电视等与疾病风险相关，BMI 介导看电视与 MG 的关系，为疾病防控提供依据。
在医学研究的广阔领域中，神经免疫疾病如同隐藏在暗处的 “神秘杀手”，悄然威胁着人们的健康。肌无力（MG）、多发性硬化症（MS）和视神经脊髓炎谱系障碍（NMOSD）等神经免疫疾病，近年来发病率呈上升趋势。这些疾病源于自身免疫耐受机制的崩溃，免疫系统如同失控的 “军队”，错误地攻击神经系统的自身抗原。然而，目前对于这些疾病的发病原因，科学界尚未完全明晰。虽然大规模全基因组关联研究（GWAS）已找到一些与疾病相关的遗传位点，但遗传因素仅能解释部分疾病风险，还有大量的致病 “谜题” 等待解开。尤其是可改变风险因素（如吸烟、维生素 D 缺乏等行为或环境暴露因素）与神经免疫疾病之间的关系，存在诸多争议。不同研究结果相互矛盾，使得临床医生在制定预防策略时面临困境。为了打破这一僵局，深入探究疾病的奥秘，中国研究人员开展了一项极具意义的研究。
研究人员巧妙地运用多种研究方法，从不同角度对可改变风险因素与神经免疫疾病的关系展开全面探索。他们借助英国生物银行（UK Biobank）近 50 万个体的数据，进行传统的观察性分析；同时，基于 GWAS 数据开展两样本孟德尔随机化（MR）分析，利用遗传变异作为工具变量，减少混杂因素的干扰，增强因果推断的可靠性；此外，还进行了中介分析，以揭示显著关联背后的潜在机制。
在研究结果方面，观察性分析收获颇丰。在 UK Biobank 的庞大队列中，研究人员发现了一系列与疾病风险紧密相关的因素。在行为因素上，每日吸烟数量与 MG、MS 风险均呈正相关，曾经吸烟的人患 MS 的几率更高；酒精摄入频率增加了 MG 和 MS 的风险，不过某些饮酒习惯（如饮酒频率、饮酒者状态等）对 MS 有保护作用；失眠增加了两种疾病的风险，而睡眠时长与 MS 风险正相关，晨型或夜型人格则与 MS 风险降低有关；适度和剧烈的身体活动可降低 MS 风险，但与 MG 发病无关，看电视增加 MG 和 MS 风险，开车则对 MS 有保护作用。在饮食和教育因素方面，维生素 D 水平与 MG、MS 风险降低相关，而完成全日制教育的年龄与 MS 风险增加有关。在肥胖相关因素上，BMI、腰围、臀围和体脂百分比与 MG 风险增加有关，出生体重则与 MG 风险降低有关，但未发现与 MS 相关的此类风险因素。
MR 分析进一步揭示了一些重要关联。在行为因素方面，基因预测的每日香烟消费量增加与综合 MG 风险升高有关，开始规律吸烟的年龄越大，MS 风险越低，终身吸烟指数与 MS 严重程度呈正相关，吸烟还与 NMOSD-IgG + 亚型风险降低有关；基因预测的每周饮酒量与 MS 严重程度正相关，但与晚发型 MG、综合 NMOSD 及其亚型风险呈负相关；基因决定的睡眠时间与 MG 风险降低有关；适度至剧烈的身体活动（MVPA）与 MS 患病可能性降低有关。在饮食和教育因素方面，基因预测的循环 25 - 羟基维生素 D 水平与 MS 易感性呈负相关，基因预测的教育程度与 MG、MS 及其严重程度、综合 NMOSD 及其 IgG - 亚型风险均呈负相关。在肥胖因素方面，基因预测的 BMI 和儿童 BMI 与 MS 易感性增加有关，BMI 还与 MS 严重程度、晚发型 MG 和 IgG - NMOSD 风险正相关，BMI 调整后的腰围与 MG 及其晚发型亚型风险呈正相关，内脏脂肪与 MS 和晚发型 MG 风险呈正相关。
综合观察性和 MR 分析，研究发现了一些一致性结果。较高的 BMI、每日吸烟数量和看电视都与 MG 风险增加有关，而适度和剧烈的身体活动、较高的维生素 D 水平与 MS 风险降低有关。同时，研究还发现 BMI 在看电视与 MG 的关系中起中介作用，观察性中介分析显示其介导了 26.2% 的效应，MR 中介分析显示介导了 9.9% 的效应，此外教育程度、每日吸烟数量和 C 反应蛋白水平也在一定程度上介导了这种关系。
在研究结论和讨论部分，该研究具有重要意义。它首次综合观察性和 MR 分析，系统地确定了与神经免疫疾病相关的可改变因素，为疾病的预防和干预提供了关键线索。例如，吸烟、运动、久坐行为、腰围和维生素 D 水平与特定神经免疫疾病存在因果关系，这提示人们可以通过改变生活方式来降低患病风险。然而，研究也存在一些局限性，如研究疾病种类有限、样本主要为欧洲血统人群、无法完全排除混杂因素影响等。尽管如此，这项研究依然为后续研究指明了方向，未来研究可在更大规模、更多样化的人群中开展，进一步探索疾病的发病机制和防控策略。总的来说，该研究为神经免疫疾病的研究和防治开辟了新的道路，有望推动医学领域在这一复杂疾病研究上取得新的突破，为患者带来新的希望。
研究主要采用了以下关键技术方法：一是利用英国生物银行（UK Biobank）的个体水平数据集进行观察性分析，该数据集包含大量参与者的生活方式、环境和病史等信息；二是基于大规模 GWAS 数据开展两样本孟德尔随机化（MR）分析，选取与可改变风险因素相关的遗传变异作为工具变量；三是运用多种统计分析方法，如多因素逻辑回归、中介分析等，探究风险因素与疾病之间的关系。
