热度不减！北大六院学者用双样本孟德尔随机化发了10.7分一区SCI！

公众号新闻

2024-05-18 06:05

无实验条件、无人脉资源、无资金预算，“三无”主治医生想快速发高分SCI文章，还有机会吗？

当然有！

随着Meta越来越不被接受，生信又要加湿实验，更多的医生开始转向另一个简单高分发文法：孟德尔随机化！

作为近几年风靡各大平台的“当红炸子鸡”发文法，孟德尔随机化无需收集病例，无需做实验，而且创新性还强，研究思路易复现，可以用它研究超90%的疾病，深受各大期刊喜爱。

这对于临床&科研都要两手紧抓的医生来说，无疑是一颗救命良药。

简单好发高分~

但良药苦口。孟德尔随机化分析虽然简单好发文，如果想快速入门并学会高分套路，你必须要苦学！

有做审稿人的小伙伴找我们吐槽：

现在做MR的太多了，有些连原理都搞不清楚就做，文章内容简直漏洞百出。

我劝大家：一定要认清现实并放弃幻想，靠自己现在学MR：

❌学习速度太慢，公共数据就那些，一不小心选题就容易被抢！

❌学习速度跟不上发文的嵌套难度，想快人一步发高分SCI，难！

❌学习“三天打鱼两天晒网”，没人督促，积极性太低！学不会就想放弃！

别着急，解螺旋早已第一时间为大家梳理了孟德尔随机化的前世今生，还准备好了一节【孟德尔随机化伴学营】，Epione老师系统教学，班主任贴心伴学。现在已经有6000+学员通过这节课，2天就入门了MR研究！

心动不如行动，感兴趣的同学，赶紧一起来看看。

2024 评职晋升

还差一篇SCI？

👈点击左图

别忘记添加班主任哦~

立即报名

孟德尔随机化的定义及优势

想了解一项新事物，必须要从其定义开始。

孟德尔随机化(Mendelian Randomisation, MR)，也被称为随机化控制实验，是生物学和医学研究中的一种重要实验设计方法。

它是一种用来评估因果关系的实验方法，旨在确定某个暴露（如药物、治疗方法、肥料等）对于实验对象（如动物、人、植物等）的影响。

这种实验设计的核心特点是将实验对象随机分配到不同的处理组，以确保各组之间的差异在开始是随机的，从而降低了因混杂变量引起的误差。

这样，当实验结束后观察到不同处理组的结果差异时，可以更有把握地将这些差异归因于所施加的处理，而不是其他可能的干扰因素。

那么，孟德尔随机化在生信分析领域有什么优势呢？我们为什么要用孟德尔随机化来分析生信问题呢？

消除混杂变量

在生信研究中，存在许多可能影响结果的混杂变量，如环境因素、样本来源、实验批次等。通过随机分组，可以在不同处理组之间均匀分布这些混杂变量，从而减少其对结果的影响，更准确地评估待研究变量的效应。

因果关系推断

生信研究常常涉及基因表达、蛋白质互作等复杂的生物过程。使用孟德尔随机化可以更自信地推断某个生物分子对特定生物过程的因果关系，因为随机分组可以降低其他未知因素的影响，更准确地揭示变量之间的因果关系。

实验重复性和验证

在生信领域，实验数据的重复性和验证都是至关重要的。采用孟德尔随机化可以确保实验在不同时间、不同实验条件下都能获得可靠的结果，从而增强了实验的可重复性和可验证性。

降低偏见风险

在生信分析中，我们可能会因为预先存在的假设、期望或知识，影响数据的采集和分析。孟德尔随机化可以减少主观偏见的影响，使结果更客观，可信。

有效控制实验设计

生信研究中通常涉及大量的变量和样本，而不同变量之间可能相互影响。使用孟德尔随机化可以帮助有效控制实验设计，确保实验组和对照组之间的变量分布基本相似，从而更精确地探究研究问题。

孟德尔随机化分析方法主要类型

了解了MR研究的定义和优势，我们最重要的是掌握MR分析方法。

通过下面这张图，我们可以看到MR研究的主要类型、基本MR分析⽅法、新的MR分析⽅法、敏感性分析以及确定MR因果关系⽅向的⽅法等。

每⼀种⽅法均有不同的特点和应⽤范围。

点击可查看大图👇

MR方法主要类型

两样本孟德尔随机化

⽤于研究⼀种暴露是否对某种健康结果（疾病）产⽣影响。
利⽤两个独⽴的样本集合，⼀个⽤于⼯具变量与暴露之间的关系估计，另⼀个⽤于⼯具变量与结果变量之间的关系推断。
两样本孟德尔随机化的优势在于更准确地评估⼯具变量与结果变量之间的因果效应，能够避免样本重叠和混淆因素等问题。

单样本孟德尔随机化

⽤于研究⼀种暴露是否对某种健康结果（疾病）产⽣影响。
单样本MR通常使⽤总结数据（例如GWAS结果）作为输⼊，可以更⾼效地进⾏因果估计。
由于使⽤相同样本进⾏测量和分析，单样本MR通常可以更⾼效地进⾏因果估计，并且能够控制样本之间的共线性。

多变量孟德尔随机化

⽤于研究多种暴露是否对某种健康结果（疾病）产⽣影响。
多变量MR⽅法通常使⽤回归模型进⾏分析，其中⽬标因果关系是被解释变量，⼯具变量和其他预测变量是解释变量。通过回归分析，我们可以估计每个预测变量对⽬标因果关系的影响效应，并评估其统计显著性。

单变量孟德尔随机化

⽤于研究⼀种暴露是否对某种健康结果（疾病）产⽣影响。
单变量MR通常使⽤统计模型（例如仪器变量回归）来估计暴露因⼦与结果变量之间的因果效应。它也可以使⽤加权⽅法来解决遗传变异的层次结构和异质性问题。

双向孟德尔随机化

也被称为two-way MR。
既分析基因对健康结果（疾病）的影响，同时分析疾病对基因的影响。
通过⽐较这两个⽅向得到的健康结果（疾病），可以更准确地评估基因与疾病之间的因果关系，并降低混淆因素的影响（确保反向因果不存在）。
通过双向孟德尔随机化确认因果关系是否是单向的，如果是单向的，那么这个因果关系成⽴。

基本MR分析方法

逆⽅差加权(IVW)

分析多个SNP时对于多个位点效应进⾏Meta汇总的⽅法。
逆⽅差加权⽅法的核⼼思想是最⼤限度地利⽤可用数据的信息，并给予效应大小较小但可靠的研究更高的权重，从⽽提高总体效应大小的准确性和可靠性。
当不存在异质性和⽔平多效性时，逆⽅差加权⽅法被认为是主要的评估⽅法。

MR-Egger regression

⽤于检验因果偏倚（causal bias）的回归分析⽅法。
主要⽬的是⽤于检验线性回归中是否存在因果偏倚，即IV假设的是否成⽴。
优点是它可以处理IV偏差，不需要假设遗传变异只影响表现型，⽽且相对于其他MR⽅法，其效率更⾼，可控制潜在的混杂因素。但是，它也有⼀些局限性，例如需要较⼤的样本容量、同时具备多少因果⽅向的检验等。

基于汇总数据的广义MR法(GSMR)

使⽤总结性遗传数据进⾏因果推断的⽅法。
利⽤了基因组关联研究（GWAS）的总结统计数据，⽽不是个体级别的遗传数据。

当然随着更多医学人卷入孟德尔随机化这片发文蓝海，传统的MR分析方法将逐渐不能满足审稿人，IVW random effects method-IVW随机效应模型法、IVW fixed effect method-IVW固定效应模型法、Maximum likelihood ratio method-最⼤似然⽐法、IVW Radial method-IVW径向法、Weighted Median WM method-加权中位数法等一些新的MR分析法出现。

想用MR简单套路发SCI的同学，需要抓紧了！

孟德尔随机化入门教程

听了那么多，是不是已经准备马上大干一场？别急！解螺旋已经为大家准备了一节【孟德尔随机化入门】伴学营！

1元即可入营学习Epione老师的视频课，他将从研究原理，到分析方向，再到发文的低阶&高阶套路，2天带你理清！

看完课程大纲，你就明白这节课绝对是细节化梳理！👇