孟德尔随机化入门：用公开GWAS数据完整跑一遍

孟德尔随机化（MR）的原理并不难讲，难的是动手：数据去哪里下、工具变量怎么筛、回文 SNP 怎么处理、结果异质性很大要不要慌。PaperOK科研助手在官网公开了一个生信模式下的真实运行案例，用 GIANT 和 FinnGen 的公开汇总统计，把 BMI 与 2 型糖尿病的两样本 MR 从头到尾跑了一遍。对刚接触这个方法的研究生来说，这份记录可以当作一张流程地图来看。

第一步往往卡在下载

任务很简单：筛选IVs，进行IVW、MR-Egger及加权中位数的分析，做异质性、多效性检验，绘制散点图与森林图。科研助手依次检测数据源的连通性，遇到无法连接的S3地址使用其他下载地址，遇到网速缓慢的情况则采用多线程分段下载，并依索引仅获取所需的位点而非完整文件。

最终选择的数据是：暴露为GIANT 2015的BMI汇总统计（欧洲人群，排除UKBiobank），结局为FinnGen R12的2型糖尿病（82,878例病例，403,489名对照），连锁不平衡参考使用千人基因组EUR。选择无UK Biobank的暴露数据是为了尽可能减少两个样本之间的重叠。

从 1,860 个 SNP 到 67 个工具变量

筛选工具变量是 MR 里最容易出细节错误的一步。案例里的做法依次是：取 p<5×10⁻⁸ 的 1,860 个 SNP，按 r²<0.001 去连锁，剩下 68 个；结局数据里缺失的位点用代理 SNP 补上；逐个对齐效应等位基因，回文 SNP 按等位基因频率判断方向，无法判断的 FTO 位点予以剔除。最终保留 67 个工具变量，F 统计量最小为 29，弱工具变量的问题不大。

三种估计方法的工作分配，新手也应该知道：IVW相当于以精度为权重对每个SNP的估计值进行组合，具有最高的效率，但前提是所有工具变量都是有效的；加权中位数只需要超过一半的权重来自有效的工具变量，更能忍受少数“坏”SNP；MR-Egger允许存在定向多效性，但置信区间更大。三个数据对比起来，方向对、量级对，比只看一个数更有用。案例中MR-Egger的区间跨越了1，是“更保守、也更宽”的体现。

异质性 96%，结论还站得住吗

I² 达到 96%，第一次跑 MR 的人看到这个数字多半会紧张。报告没有回避，而是把几项敏感性分析都做了：MR-PRESSO 剔除 11 个离群 SNP，Steiger 方向过滤，留一法逐个剔除，OR 都落在 1.9–2.2 之间；剔除离群 SNP 后，三种方法高度一致，IVW OR 为 2.08（1.87–2.30）。散点图上偏离最远的点是 TCF7L2 位点，这本身也是一个值得在讨论部分写一句的现象。

异质性较强说明每个工具变量给出的结果不整齐，但是Egger截距靠近0，且各种稳健方法的结果方向、大小相近，可以认为至少结果对方法选择是不敏感的。报告局限部分也写明了两份数据可能存在少量的芬兰队列重叠。这样的局限性由作者在论文中坦诚指出，比掩盖它更具说服力。

读这个案例时可以留意的几点

这些步骤都是科研助手里真实运行的的代码，脚本与结果表都保存在项目文件夹中，更换一组暴露/结局可以按照相同的方法重新运行。每一步做了什么命令、遇到什么报错、如何绕过，都可以在“工作过程”中展开查看。遇到看不懂的操作步骤也可以直接询问它为什么这么做。

也需提醒：本案例为公开汇总数据，用于演示分析流程。MR的因果性解释依赖于工具变量的几个基本假设，其是否成立、结果如何描述需结合专业背景判断，本文不作临床建议。