自适应样本结构与多效性效应解析的高效孟德尔随机化分析方法

来自未知机构的研究人员针对孟德尔随机化(MR)分析中样本结构不确定性和多效性效应的问题，开发了MAPLE方法。该方法通过自适应处理相关SNPs和样本结构，采用最大似然框架推断因果效应并获得校准p值，在模拟和真实数据分析中展现出优越的统计效能和错误控制能力。

　　

这项研究提出了一种创新的孟德尔随机化(Mendelian randomization, MR)分析方法MAPLE，旨在解决当前MR技术面临的三大挑战。传统MR分析依赖单核苷酸多态性(SNPs)作为工具变量(IVs)，但往往难以同时处理样本结构异质性和SNPs可能存在的多效性效应(pleiotropic effects)。MAPLE方法创造性地采用自适应策略，通过整合相关SNPs信息，构建最大似然框架(maximum-likelihood framework)来精确估计因果效应，并确保p值的准确校准。

研究团队通过精心设计的模拟实验证实，与现有八种MR方法相比，MAPLE展现出更优的I型错误控制能力，在降低假阳性率的同时提高了统计功效。在英国生物银行(UK Biobank)的脂质性状分析中，MAPLE表现出色：在阳性对照实验中准确估计了脂质性状对自身的因果效应；在阴性对照实验中，将脂质性状与发色/肤色的假阳性关联平均降低了12.5%；在涉及412个性状对的因子筛选中，成功识别出体育锻炼、饮酒和吸烟对脂质谱的因果影响。这项研究为复杂性状的因果推断提供了更可靠的分析工具。