TwoSampleMR包实战教程之敏感性分析

当我们计算出MR的结果后，接下来就要进行敏感性分析，这里我们主要从如下三方面进行检验：

（1）异质性检验（Heterogeneity test）：主要是检验各个IV之间的差异，如果不同IV之间的差异大，那么这些IV的异质性就大。

（2）多效性检验 （Pleiotropy test）：主要检验多个IV是否存在水平多效性，常用MR Egger法的截距项表示，如果该截距项与0差异很大，说明存在水平多效性。除此以外，MR-PRESSO包也是常用的检验水平多效性的R包。

（3）逐个剔除检验 （Leave-one-out sensitivity test）：主要是逐个剔除IV后计算剩下IV的MR结果，如果剔除某个IV后其它IV估计出来的MR结果和总结果差异很大，说明MR结果对该IV是敏感的。

首先，我们一起回顾一下往期代码：

library(TwoSampleMR)
bmi_exp <- extract_instruments(
 outcomes='ieu-a-835',
 clump=TRUE, r2=0.01,
 kb=5000,access_token = NULL
  )
dim(bmi_exp)
# [1] 80 15
t2d_out <- extract_outcome_data(
 snps=bmi_exp$SNP,
 outcomes='ieu-a-26',
 proxies = FALSE,
 maf_threshold = 0.01,
 access_token = NULL
)
dim(t2d_out)
# [1] 80 16
 
mydata <- harmonise_data(
       exposure_dat=bmi_exp,
       outcome_dat=t2d_out,
       action= 2
       )
res <- mr(mydata)
res

第一部分 异质性检验

代码如下：

het <- mr_heterogeneity(mydata)
het

从上述结果来看，这些IV之间存在很强的异质性（Q_pval远小于0.05），这时候我们需要剔除某些outcome的P值非常小的SNP，或者直接使用随机效应模型来估计MR效应量，代码如下：

mr(mydata,method_list=c('mr_ivw_mre')) #使用随机效应模型

从随机效应模型的结果不难看出，BMI和二型糖尿病确实存在因果关系（pval < 0.05），并且BMI升高后二型糖尿病发病风险也相应增高（b > 0）。

第二部分 多效性检验

代码如下：

pleio <- mr_pleiotropy_test(mydata)
pleio

从上述结果看，MR-Egger的egger_intercept和0没有统计学差异（pval > 0.05），因此我们可以认为没有水平多效性的存在。

第三部分 逐个剔除检验

代码如下：

single <- mr_leaveoneout(mydata)
mr_leaveoneout_plot(single)

从上图来看，无论去除哪个SNP都不会对结果产生根本影响（所有的线条均在0的右侧），那就是说这个MR结果实际是稳健的。

总结一下，我们利用孟德尔随机化研究发现BMI的升高可以增加二型糖尿病的发病风险，这个结果没有统计学上的水平多效性并且结果比较稳健，针对存在的异质性问题，我们使用随机效应模型来估计效应量。