《Statistics in Medicine》：Multivariable Mendelian Randomization With Weak Instruments: A Comparison of Bayesian and Frequentist Methods
编辑推荐：
弱工具变量是孟德尔随机化（Mendelian randomization, MR）研究中有效因果推断的一个已知限制。在单暴露设定中，弱工具变量偏倚可以通过依据p值和/或F统计量（F-statistic）阈值选择与暴露强相关的遗传工具来减轻。然而，在多暴露设定中
弱工具变量是孟德尔随机化（Mendelian randomization, MR）研究中有效因果推断的一个已知限制。在单暴露设定中，弱工具变量偏倚可以通过依据p值和/或F统计量（F-statistic）阈值选择与暴露强相关的遗传工具来减轻。然而，在多暴露设定中，遗传工具可能与某一暴露强相关，但在分析中所有其他暴露存在的条件下与该暴露弱相关。因此，在多变量孟德尔随机化（multivariable Mendelian randomization, MVMR）中更难保证条件性强工具。弱工具变量偏倚可以通过建模方法减轻；但与单暴露情形相比，多变量情形中用于此目的的方法较少。本文中，研究人员考虑一种在MVMR中使用贝叶斯框架减轻弱工具变量偏倚的方法：MVMR-Pony。研究人员将该方法与现有频率学派方法进行比较。研究人员通过模拟研究显示，在因相关遗传效应、测量误差和中介导致弱工具变量偏倚的设定中，MVMR-Pony方法在偏倚、覆盖、I类错误率（Type I error rate）和功效方面优于频率学派方法。
孟德尔随机化（Mendelian randomization, MR）利用遗传变异作为工具变量（instrumental variable, IV）推断暴露对结局的因果效应，其有效性依赖三个核心假设：遗传变异与暴露相关；不通过混杂途径与结局相关；除通过暴露外不影响结局。多变量孟德尔随机化（multivariable Mendelian randomization, MVMR）扩展至同时考虑多个暴露，可用于风险因素选择、中介分析和疾病进展研究。然而，弱工具变量偏倚（weak instrument bias）是有效因果推断的已知限制。有限样本下，工具与暴露-结局混杂因素之间可能存在样本相关；当工具与暴露的相关性较低时，估计会有偏。单暴露两样本MR中弱工具变量偏倚通常朝向零；但在MVMR中，偏倚方向任意。更关键的是，一个遗传工具可能非条件地与某暴露强相关，但在控制其他暴露后条件性弱相关。条件F统计量（conditional F-statistic）比普通F统计量更能反映MVMR中的工具强度。条件性弱工具可由相关遗传效应、暴露测量误差和中介导致。现有频率学派方法如MVMR-IVW不纳入遗传变异-暴露关联估计的不确定性；GRAPPLE、MVMR-MLE、MVMR-GMM、srivw等通过建模关联不确定性或正则化来减轻偏倚，但在多变量弱工具变量下方法仍有限。贝叶斯方法在MR中应用较少，MVMR-Horse通过马蹄收缩先验处理多效性并纳入标准误处理弱工具。研究人员提出MVMR-Pony，即去除MVMR-Horse中无效工具扩展的版本，聚焦多个有效遗传工具，比较其与频率学派方法在条件性弱工具MVMR中的表现。
研究人员开展模拟研究和应用示例。模拟设定三种条件性弱工具场景：相关遗传效应、测量误差和中介；比较MVMR-IVW、MVMR-GMM、GRAPPLE、srivw和MVMR-Pony，并将协方差矩阵设为对角或使用全矩阵。评价指标包括平均估计、平均偏倚、覆盖、拒绝率（功效和I类错误率）。结果表明，MVMR-Pony在偏倚、覆盖、I类错误率和功效方面总体优于频率学派方法；在未提供全协方差矩阵时仍表现良好。结论是MVMR-Pony可为条件性弱工具下的MVMR提供有效且灵活的因果效应估计和推断，尤其适用于现有频率学派方法不可靠的低条件工具强度场景。
关键技术方法（≤250字）：研究人员采用两样本汇总统计的模拟框架，构建相关遗传效应、测量误差和中介三类条件性弱工具场景，并设置补充设定、减少工具数及三暴露情形。比较方法包括MVMR-IVW、MVMR-GMM、GRAPPLE、srivw和贝叶斯MVMR-Pony；对需协方差矩阵的方法分别使用对角矩阵和由样本性状相关估计的全矩阵；以平均估计、偏倚、覆盖、I类错误率和功效评价。应用示例使用Dobrijevic et al.的67个独立遗传变异，eGFR关联来自Wuttke et al.的欧洲 ancestry GWAS，UACR来自Teumer et al.的以欧洲 ancestry为主GWAS，阿尔茨海默病结局来自Lambert et al.的欧洲 ancestry GWAS。MVMR-Pony通过JAGS和R中rjags实现，取后验均值与95%可信区间，以R-hat评估收敛。
研究结果：
3.1 主要模拟场景：在相关遗传效应场景，随遗传效应相关性增加，条件F统计量下降而非条件F统计量保持稳定；GRAPPLE和srivw在中高相关时偏倚较大，MVMR-Pony偏倚与其他方法相似，但保持名义覆盖和I类错误率；MVMR-IVW和MVMR-GMM功效较低且I类错误率较高。使用全协方差矩阵后GRAPPLE和srivw偏倚降低，与MVMR-Pony相近，但平均偏倚仍较高；MVMR-Pony在未提供该矩阵时仍表现良好。在测量误差场景，条件和非条件F统计量随测量误差增加而下降，非条件F统计量仅在最高误差水平低于常用阈值；无或低测量误差时MVMR-GMM偏倚最低，随误差增加MVMR-Pony偏倚保持较低而其他方法增加；MVMR-Pony功效高于GRAPPLE和srivw，I类错误率更接近名义水平，且对性状协方差矩阵误设不敏感。在中介场景，非条件F统计量随中介比例增加而下降；结果模式类似，GRAPPLE和srivw在条件较弱时明显偏倚，使用全协方差矩阵后改善；MVMR-IVW、MVMR-GMM和MVMR-Pony平均偏倚相似，但MVMR-Pony覆盖更接近名义水平；MVMR-Pony功效一般高于GRAPPLE和srivw，但MVMR-IVW和MVMR-GMM在该场景功效最高。
3.2 补充模拟：补充设定包括遗传效应符号相反、负相关、二者兼有、增强因果暴露遗传关联或减弱空暴露遗传关联等。总体上，MVMR-Pony平均偏倚与其他方法相当或更低，覆盖和I类错误率在所有设定中处于或接近名义水平，其他方法并非如此。仅在极高负遗传相关且未使用全协方差矩阵时，MVMR-Pony覆盖和I类错误率明显偏离名义水平。GRAPPLE和srivw在许多情况下与MVMR-Pony相似，但在极低条件工具强度且未估计全协方差矩阵时表现不佳；MVMR-Pony在未使用这些矩阵时通常各指标更好。减少工具数后比较结果不变，所有方法功效均下降；三暴露模拟也显示相似比较结果。
4 应用示例：研究人员使用Dobrijevic et al.的67个独立遗传变异，分析遗传预测的eGFR和UACR与阿尔茨海默病风险的关联。该工具集对eGFR和UACR的平均非条件F统计量分别为75.0和10.3，条件F统计量分别为8.6和8.5，提示MVMR中可能存在弱工具变量偏倚。单变量和多变量IVW均提示两种暴露对阿尔茨海默病风险无因果效应；弱工具变量稳健方法支持该发现。MVMR-GMM和GRAPPLE估计与MVMR-IVW接近，MVMR-Pony对eGFR估计略向零衰减，对UACR略远离零；使用多效性稳健方法时模式相似。贝叶斯方法MVMR-Pony和MVMR-Horse的R-hat值在所有情况下接近1，运行时间分别为约3秒和不到2分钟。
5 讨论与结论翻译：讨论指出，MVMR-Pony在弱工具变量下提供准确估计和推断，模拟中在偏倚、覆盖、I类错误率和功效等指标上优于现有频率学派方法，且保持可比功效。GRAPPLE在极弱条件工具强度下难以收敛，srivw虽使用正则化也有类似困难；MVMR-Pony收敛到真实后验。全协方差矩阵可改善GRAPPLE和srivw，但实际中不易获得，需准确样本性状相关。MVMR-Pony通常覆盖、功效和I类错误率不劣于或优于其他方法，说明贝叶斯框架更好量化不确定性。本文未考虑遗传多效性导致的无效工具；频率学派方法可扩展处理平衡多效性，MVMR-Horse可处理方向性和相关多效性。在条件F统计量接近10时，频率学派方法预计改善并可能与MVMR-Pony相当；但低条件工具强度应用日益常见。研究结论翻译：总之，研究人员表明，所提出的用于多变量孟德尔随机化的MVMR-Pony方法为因果效应估计提供了一种有效且灵活的方法，并可在存在条件性弱工具变量的情况下提供有效推断。鉴于多暴露应用日益增多，它是孟德尔随机化的重要工具。对于在条件性工具强度非常低的环境下工作的实践者而言尤其重要，因为现有频率学派方法无法提供可靠推断。
