大家好，我是邓飞。
前几天一直学习孟德尔随机化的理论知识，写了几篇博客，迷迷糊糊感觉入门了，今天跑代码试了试，看着结果和图表，感觉理解更深入了。果然，看书百遍，不如一练，今天分享一下实操代码。
前几天的博客：
示例数据使用官网的数据，进行了一点补充，对结果进行了可视化。（https://mrcieu.github.io/TwoSampleMR/articles/introduction.html）
整个步骤：
步骤1：提取暴露数据的GWAS
> ## 1, 安装TwoSampleMR，如果已安装，可以忽略>> # library(remotes)> # install_github("MRCIEU/TwoSampleMR")>> ## 2， 载入TwoSampleMR包> library(TwoSampleMR)>> ## 3，从数据库中提取暴露的GWAS summary数据> exposure_dat = extract_instruments("ieu-a-2")> dim(exposure_dat)[1] 79 15
共有79行15列的暴露数据结果。
步骤2：提取结局数据的GWAS
> ## 4，从数据库中提取结局变量的的GWAS summary数据，SNP用暴露数据的结果> # Get effects of instruments on outcome> outcome_dat = extract_outcome_data(snps=exposure_dat$SNP, outcomes = "ieu-a-7")Extracting data for 79 SNP(s) from 1 GWAS(s)> dim(outcome_dat)[1] 79 16
共79行15列的结局数据，注意，这里直接使用暴露数据质控后的SNP，提取结局数据得到的结果，所以位点数是一样的。
步骤3：合并暴露数据和结局数据
> ## 5，将暴露数据和结局数据合并> # Harmonise the exposure and outcome data> dat = harmonise_data(exposure_dat, outcome_dat)Harmonising Body mass index || id:ieu-a-2 (ieu-a-2) and Coronary heart disease || id:ieu-a-7 (ieu-a-7)> dim(dat)[1] 79 36
合并的数据，共79行，36列，这些数据可以用于孟德尔随机化的分析。
步骤4：孟德尔随机化分析及结果可视化
> ## 6，进行孟德尔随机化分析> res = mr(dat)Analysing 'ieu-a-2' on 'ieu-a-7'> ## 7，异质化分析> mr_heterogeneity(dat)id.exposure id.outcome outcome exposure method Q1 ieu-a-2 ieu-a-7 Coronary heart disease || id:ieu-a-7 Body mass index || id:ieu-a-2 MR Egger 143.30462 ieu-a-2 ieu-a-7 Coronary heart disease || id:ieu-a-7 Body mass index || id:ieu-a-2 Inverse variance weighted 143.6508Q_df Q_pval1 77 6.841585e-062 78 8.728420e-06> ## 8，水平多效性分析> mr_pleiotropy_test(dat)id.exposure id.outcome outcome exposure egger_intercept se pval1 ieu-a-2 ieu-a-7 Coronary heart disease || id:ieu-a-7 Body mass index || id:ieu-a-2 -0.001719304 0.003985962 0.6674266> ## 9，留一法分析> res_loo = mr_leaveoneout(dat)> mr_leaveoneout_plot(res_loo)$`ieu-a-2.ieu-a-7`attr(,"split_type")[1] "data.frame"attr(,"split_labels")id.exposure id.outcome1 ieu-a-2 ieu-a-7> ## 10，散点图>> p1 = mr_scatter_plot(res, dat)> p1$`ieu-a-2.ieu-a-7`attr(,"split_type")[1] "data.frame"attr(,"split_labels")id.exposure id.outcome1 ieu-a-2 ieu-a-7>> ## 11，森林图> res_single = mr_singlesnp(dat)> mr_forest_plot(res_single)$`ieu-a-2.ieu-a-7`attr(,"split_type")[1] "data.frame"attr(,"split_labels")id.exposure id.outcome1 ieu-a-2 ieu-a-7Warning messages:1: Removed 1 row containing missing values or values outside the scale range (`geom_errorbarh()`).2: Removed 1 row containing missing values or values outside the scale range (`geom_point()`).>> ## 12，漏斗图> mr_funnel_plot(res_single)$`ieu-a-2.ieu-a-7`attr(,"split_type")[1] "data.frame"attr(,"split_labels")id.exposure id.outcome1 ieu-a-2 ieu-a-7
下图是留一法的森林图：
下图是孟德尔随机化的森林图：
下图是孟德尔随机化的散点图：
下图是孟德尔随机化的漏斗图：
还有哪些需要研究的？
如何读取自己的GWAS summary结果，并将格式整理为TwoSampleMR的格式？
如何对暴露数据GWAS结果进行质控，包括LD质控，F值质控，R2质控等？
怎么对已发表的文章进行结果图标的复现？
这些都是细枝末节，等我后续一一完成博客的文章，欢迎继续关注。
上面分析完整的代码汇总：
## 1, 安装TwoSampleMR，如果已安装，可以忽略# library(remotes)# install_github("MRCIEU/TwoSampleMR")## 2， 载入TwoSampleMR包library(TwoSampleMR)## 3，从数据库中提取暴露的GWAS summary数据exposure_dat = extract_instruments("ieu-a-2")dim(exposure_dat)## 4，从数据库中提取结局变量的的GWAS summary数据，SNP用暴露数据的结果# Get effects of instruments on outcomeoutcome_dat = extract_outcome_data(snps=exposure_dat$SNP, outcomes = "ieu-a-7")dim(outcome_dat)## 5，将暴露数据和结局数据合并# Harmonise the exposure and outcome datadat = harmonise_data(exposure_dat, outcome_dat)dim(dat)## 6，进行孟德尔随机化分析res = mr(dat)## 7，异质化分析mr_heterogeneity(dat)## 8，水平多效性分析mr_pleiotropy_test(dat)## 9，留一法分析res_loo = mr_leaveoneout(dat)mr_leaveoneout_plot(res_loo)## 10，散点图p1 = mr_scatter_plot(res, dat)p1## 11，森林图res_single = mr_singlesnp(dat)mr_forest_plot(res_single)## 12，漏斗图mr_funnel_plot(res_single)
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
