不做实验少代码，SCI发文新蓝海，孟德尔随机化了解一下

首先我们牢记上面的模式图，需要明确的是：我们进行孟德尔随机化时，最想得到的就是暴露因素X和结局变量Y的关系，也就是准确估算的b。

传统观察性研究直接计算b，需要考虑多个U的影响，导致最终只能推导出相关性，而MR则借助天然良好的基因变量作为工具变量Z，则将上面问题简单化。

再次强调：我们最终想要得到的，是准确的b。

按上图已知ZY关系为ab，ZX关系为a，按照数学逻辑图例，b可由ab/a而获得。也就是说：我们只需要得知Z-Y的关系系数ab和Z-X的关系系数a，就能间接获得b。

而ZY指代工具变量中基因Z与结局Y的关系，相关数据前人已经帮我们研究好了，就藏在GWAS的summary data里；ZX表示基因Z与暴露因素X的关系，同样可以在GWAS的summary data里直接找到。

换而言之，通过MR，我们完全可以绕过最繁琐、最容易参杂混杂因素的步骤来估算出想要知道的b，也就是暴露和结局的因果关系，瞬间事半功倍。

上面的思路是不是非常清晰，很好理解！

这，同时也是MR的核心逻辑。

或者有小伙伴会问：MR听起来好简单，利用公共数据库就能分析得出结果，统计工作量听起来也不大，那它发的文章，能到什么级别？

MR所用数据集工作量，相对其他临床研究算是轻量级选手，但用MR写出来的文章却一点也不轻量级，发一区、冲高分的，大有人在。不信，请看下面已发表的文章，可见MR发文高可顶刊，低可保底，证所谓丰俭由人，全凭实力。