基于分层孟德尔随机化算法框架识别效应修饰因子：探索因果关系新视角助力个性化医疗

为解决分层孟德尔随机化（MR）技术在识别效应修饰因子应用受限的问题，研究人员开展了利用改进的双排序 MR（DRMR）和残差分层 MR 识别因果关系效应修饰因子的研究。研究发现该算法能有效处理非线性关系等，还识别出两个效应修饰因子，对个性化风险评估有重要意义。

　　孟德尔随机化（Mendelian randomization，MR）是一种利用遗传数据揭示变量间因果关系的技术。随着大规模生物样本库数据的日益丰富，人们越来越热衷于借助 MR 技术深入探究这些关系的细微之处。像双排序 MR（doubly-ranked MR，DRMR）和残差分层 MR 等分层 MR 技术，已被开发用于识别因果关系中的非线性特征。这些方法会在调整暴露分层内计算因果估计值，以减轻对撞偏倚的影响。然而，它们在使用暴露以外的分层变量来识别效应修饰因子方面的应用却很有限。可靠地识别效应修饰因子，对于确定受风险和保护因素不同影响的患者亚组至关重要。在本研究中，研究人员提出了一种分层 MR 算法，通过改进的 DRMR 和残差分层 MR 形式，能够识别因果关系的效应修饰因子。经模拟发现，该算法在处理非线性关系和各类对撞偏倚方面表现稳健，且适用于二元和连续结果。将分层 MR 算法应用于 1715 个暴露 - 分层变量 - 结果组合后，在英国生物样本库中识别出两个具有 Bonferroni 显著性的因果关系效应修饰因子。体重指数（body mass index，BMI）对 2 型糖尿病（type 2 diabetes mellitus）的因果效应会随年龄增长而减弱，而低密度脂蛋白胆固醇（low density lipoprotein cholesterol，LDL cholesterol）对冠状动脉疾病（coronary artery disease）的影响会随着血清尿酸升高而加剧。总体而言，该研究引入了一种检测因果关系效应修饰因子的工具，并展示了两个对心血管代谢疾病个性化风险评估具有临床意义的案例。