基于两样本汇总统计数据的孟德尔随机化有效推断

《Statistics in Medicine》：Valid Inference for Two Sample Summary Statistics Mendelian Randomization

　　

专业术语翻译 孟德尔随机化（Mendelian randomization, MR）研究日益依赖全基因组关联研究（genome-wide association studies, GWASs）的汇总统计数据。然而，当前的汇总数据方法将边际GWAS效应估计视为各工具单核苷酸多态性（single-nucleotide polymorphisms, SNPs）间相互独立，这一假设仅在SNPs无效应时成立。在不施加此独立性假设的前提下，研究人员推导出了两阶段最小二乘法（two-stage least squares, TSLS）、两样本TSLS（two-sample TSLS, TSTSLS）以及广义矩方法（generalized method-of-moments, GMM）估计量及其方差估计量的表达式，这些表达式仅需利用GWAS汇总统计数据，并假设工具SNPs处于连锁平衡状态。研究表明，广泛使用的逆方差加权（inverse-variance weighted, IVW）估计量通常不等价于TSLS或TSTSLS，这与MR文献中的常见说法相悖。研究进一步证明，传统的IVW标准误通常不一致，并为此提供了一致替代方案。大量模拟验证了理论结果，并揭示基于汇总统计数据的Wald置信区间可能过于宽松。将所提方法应用于公开的体重指数与收缩压GWAS汇总统计数据，展示了其实际意义。

论文解读文章

研究背景与问题提出

孟德尔随机化（Mendelian randomization, MR）作为一种工具变量（instrumental variable, IV）方法，利用单核苷酸多态性（single-nucleotide polymorphisms, SNPs）作为工具变量，在因果推断领域得到广泛应用。随着全基因组关联研究（genome-wide association studies, GWASs）数量的快速增长，基于GWAS汇总统计数据的MR分析已成为主流范式。然而，当前主流的汇总数据方法普遍假设各SNP的边际效应估计相互独立，这一假设仅在SNPs本身无效应时才严格成立，而实际中并不满足。此外，逆方差加权（inverse-variance weighted, IVW）方法被长期声称与两阶段最小二乘法（two-stage least squares, TSLS）渐近等价，但该说法缺乏严格的理论支撑。现有方法还存在两个关键谬误：一是“无测量误差”（NO Measurement Error, NOME）假设忽略了汇总统计量中部分不确定性；二是未能区分各工具SNP对应的边际残差方差与联合回归中的残差方差。这些问题导致IVW的标准误估计通常不一致，进而影响统计推断的可靠性。因此，有必要在不依赖SNP效应独立性假设的条件下，重新推导适用于两样本汇总统计数据的有效推断方法。

研究方法概述

研究人员首先在工具SNPs处于连锁平衡（linkage equilibrium）的假设下，从个体水平数据的两阶段最小二乘框架出发，推导出仅需GWAS汇总统计数据即可表达的TSLS、两样本TSLS（two-sample TSLS, TSTSLS）和广义矩方法（generalized method-of-moments, GMM）估计量及其渐近方差公式。具体而言，通过引入正交性假设（Assumption 4）使得边际回归系数等于联合回归系数，并利用Wang和Wang提出的相对大小计算方法，将关键参数转化为汇总统计量的函数。在两样本设定中，研究人员进一步假设结构不变性（Assumption 5）和样本独立性（Assumption 6），从而推导出TSTSLS和最优GMM估计量的显式表达式。同时，针对IVW方法，研究人员给出了其一致方差估计量，并与传统朴素方差估计量进行了对比分析。

研究结果

2.1 单样本设定

在单样本设定下，研究人员通过模拟生成包含10个工具SNPs的数据集，样本量为10,000，重复1,000次。结果显示，TSLS估计量和IVW估计量均接近真实因果效应值，表明两者均具有一致性。然而，IVW的平均标准误随效应增大而显著增加（例如当β=0.8时达0.0230），而TSLS的标准误稳定在0.0111左右，且IVW的朴素标准误远大于其经验标准差（0.0113），证实了朴素方差估计的不一致性。

2.2 两样本设定

在两样本设定下，研究人员分别从两个独立样本中估计SNP-暴露和SNP-结局关联，样本量均为10,000。结果表明，所有估计量（IVW、TSTSLS和最优GMM）的点估计均接近真实值。值得注意的是，IVW的朴素标准误与一致标准误之间存在显著差异，且随着效应增大差异愈加明显（如β=0.8时，朴素SE=0.0230，一致SE=0.0252）。覆盖概率方面，基于朴素SE的95%置信区间覆盖率在β=0.8时降至87.5%，而基于一致SE的覆盖率则维持在91.0%-94.6%之间，更接近名义水平。此外，TSTSLS和最优GMM的标准误几乎相同，且均优于IVW的一致标准误。

2.3 IVW估计量

研究人员从理论上证明了IVW估计量与TSTSLS估计量不等价，仅在某些极端条件（如所有SNP效应相等）下才可能一致。进一步推导出IVW的一致方差估计量，指出其与朴素方差估计量的关键区别在于使用条件方差而非无条件方差。模拟数据显示，当效应较小时，朴素方差可能高估真实方差导致保守推断；而当效应较大时，朴素方差可能低估真实方差导致反保守推断和假阳性率膨胀。这一现象在数值模拟中得到明确验证。

讨论与结论

本研究系统揭示了当前基于GWAS汇总统计数据的MR方法中存在的重要理论缺陷。研究发现，IVW估计量与TSLS/TSTSLS并非渐近等价，这一长期存在的错误说法缺乏理论依据。更重要的是，IVW的朴素标准误估计通常不一致，尤其是在因果效应非零的情况下，可能导致错误的统计推断。研究人员提供的修正方差估计量能够有效解决这一问题，并通过模拟和实际数据分析（体重指数对收缩压的因果效应）验证了其有效性。研究还指出，类似的方差计算问题同样存在于其他汇总数据MR方法（如dIVW和“精确权重”IVW）中，提示整个领域需要重新审视现有推断方法的可靠性。最终，研究人员呼吁在MR分析中采用基于正确方差估计的TSTSLS或最优GMM方法，以获得更可靠的因果推断结果。