大家好，我是邓飞。
今天继续学习孟德尔随机化的概念。上一次博客（孟德尔随机化的术语理解）介绍了变量工具、暴露因素、结局变量和混杂因素，对应的统计术语就是GWAS显著性位点SNP变量、x变量、y变量、协变量。
工具变量SNP，有三大假设，只有满足，才能进行孟德尔随机化分析，或者分析结果才有保证，分别是：
1，关联性假设
2，独立性假设
3，排他性假设
孟德尔随机化分析流程图：
1，满足关联性假设。从数据库中下载暴露因素x的GWAS分析结果，找到显著性SNP位点，这个位点就是工具变量，它是暴露因素x的显著性位点，SNP和暴露因素是有关联的。这个就是关联性假设，这个假设确保了选择的工具变量能够解释暴露的变异。如果 SNP 与暴露之间的关联不显著，分析将没有足够的统计功效去估计暴露对结果的因果影响。检验的方法是选择p值较小且效应值较大的SNP位点。
2，独立性假设。工具变量与混杂因素X变量之间必须是独立的。换句话说，工具变量仅仅影响结果是通过其对暴露的影响，而不通过任何其他途径。这个假设确保了没有其他因素影响工具变量和结果之间的关系。如果工具变量受到混杂因素的影响，可能导致偏倚的因果推断。如何检验呢？通常需要观察研究设计，例如在随机对照试验或前瞻性队列研究中，通过控制可能的混杂因素来检验独立性假设。此外，进行灵敏度分析有助于评估独立性假设的有效性。
3，排他性假设。工具变量对结果的影响必须完全通过暴露来实现，而不通过其他路径。如果工具变量通过非暴露途径（例如直接影响结果）影响结果，那么因果推断可能是错误的。只有当工具变量能够在暴露和结果之间充当中介时，这个假设才能成立。如何检验呢？通常很难直接检验排他性假设，但研究者需要通过已有的文献、已知的生物学机制和敏感性分析等方法，推测是否存在其他潜在的路径影响结果。
如何收集孟德尔随机化分析数据？
数据集1：从现有的全基因组关联研究（GWAS）或其他遗传研究中获取与暴露相关的单核苷酸多态性（SNP）作为工具变量。通常是GWAS的summary结果，包括SNP、染色体、物理位置、p值、se值、effect值等信息。
数据集2：结局变量Y的GWAS summary结果，包括SNP、染色体、物理位置、p值、se值、effect值等信息。
如何对孟德尔随机化数据进行处理？
筛选工具变量：通常选择p值小于某个阈值（如5e-08）的SNP作为工具变量，以确保其与暴露因素之间的强相关性。去除连锁不平衡（LD）的SNP，以确保工具变量之间的独立性。
合并数据：将工具变量的GWAS结果与结局变量的GWAS结果合并，以便进行后续分析。
孟德尔随机化分析有哪些方法？
常用的 MR 方法包括：
逆方差加权（IVW）
MR-Egger 回归
加权中位数法
MR-PRESSO
分析流程确定了，基本步骤也清晰了，下面就是下载数据，进行实际分析了，欢迎继续关注。
想要更好的学习和交流，快来加入飞哥的知识星球，这是一个生物统计+数量遗传学+GWAS+GS的社区，在这里你可以向飞哥提问、帮你制定学习计划、跟着飞哥一起做实战项目，冲冲冲。点击这里加入吧：飞哥的学习圈子
