双向孟德尔随机化分析揭示了类风湿关节炎与急性鼻窦炎之间的因果关系

《Medical Care》：Bidirectional Mendelian randomization analysis reveals the causal relationship between rheumatoid arthritis and acute sinusitis

　　

本研究采用双向孟德尔随机化（双样本孟德尔随机化）分析，探讨了类风湿关节炎（RA）与急性鼻窦炎（AS）之间的因果关系。我们利用公开的全基因组关联研究数据集识别与RA和AS相关的单核苷酸多态性，随后采用逆方差加权法、MR-Egger回归和加权中位数法等统计方法评估两种疾病之间的因果效应。本研究通过双样本孟德尔随机化分析提供了证据，提示RA可能是AS的独立危险因素。这突显了免疫调节在两者遗传重叠中的作用，为未来免疫疾病机制的研究以及潜在的临床预防和治疗策略提供了新的视角。

1. 引言

类风湿关节炎（RA）是一种常见的慢性自身免疫性疾病，以免疫系统介导的关节炎症、破坏和功能丧失为特征。全球RA患病率约为0.5%至2%，女性发病率较高，通常发病于30至50岁之间。[1] RA的发病机制复杂，涉及遗传易感性、环境因素和免疫失调。值得注意的是，HLA-DRB1的变异，特别是HLA-DRB1*04，与RA的发生密切相关。[2] RA通常在免疫系统错误地将自身组织识别为外来物时启动，激活免疫反应并产生抗瓜氨酸化蛋白抗体等自身抗体，导致滑膜持续性炎症，最终导致关节破坏。[1] 目前，RA治疗侧重于免疫抑制和抗炎疗法。然而，治疗反应差异和药物副作用等挑战依然存在，亟需更精准的治疗策略。

急性鼻窦炎（AS）是一种常见的上呼吸道感染，通常由病毒或细菌感染引起，导致鼻黏膜炎症。AS的流行病学研究表明其发病率较高，特别是在上呼吸道感染患者中。例如，约28.1%的住院流感患者会发展为AS。[3] AS的症状包括鼻塞、面部压痛和头痛，严重时可导致鼻窦功能障碍。AS的发病机制涉及呼吸道上皮细胞对病原体的免疫反应，病毒感染（如流感和冠状病毒）会引起黏膜肿胀和分泌增加，从而破坏局部免疫屏障，为细菌感染提供机会。[4] 尽管AS通常病程较短，但由于其反复发作和抗生素使用频繁，已成为重要的公共卫生问题。[5]

然而，RA与AS之间的因果关联尚不明确。流行病学研究表明，AS（特别是由病毒引起的上呼吸道感染）可能触发过度免疫反应，从而增加RA的风险。[6] 但是，许多观察性研究由于无法排除反向因果关系而受到局限，使得RA导致AS还是两者仅为巧合尚不清楚。[7]

为更准确地评估RA与AS之间的因果关系，本研究采用双向孟德尔随机化（双样本孟德尔随机化[TSMR]）分析，利用全基因组关联研究（GWAS）数据集进行因果推断。孟德尔随机化以遗传变异作为工具变量（IVs），可最大程度减少混杂因素和反向因果关系的影响，从而提供更可靠的因果结论。[2] 本研究旨在填补现有研究的空白，系统探索RA与AS之间的遗传重叠，揭示其潜在的因果关系，为临床预防和靶向治疗策略提供科学依据。

2. 方法与材料

2.1. 伦理/同意声明

本研究基于已发表的文献和公开数据库，因此无需伦理批准和知情同意。

2.2. 数据来源

本研究使用的GWAS数据集来源于IEU OpenGWAS项目（https://gwas.mrcieu.ac.uk）。RA汇总统计数据：编号GCST90044540（https://gwas.mrcieu.ac.uk/datasets/gcst/90044540），1961例病例和454,387名欧洲裔对照组。AS汇总统计数据：编号GCST90044039（https://gwas.mrcieu.ac.uk/datasets/gcst/90044039），161例病例和456,187名欧洲裔对照组。两个数据集均于2025年3月22日下载，可免费用于学术研究。[8]

选择这些数据集是因为它们在RA和AS研究中具有广泛的代表性。使用欧洲裔样本有助于减少人群间的遗传差异，确保结果的普适性和可靠性。此外，IEU OpenGWAS项目和GCST数据集提供了大规模、高质量的遗传数据，这对于进行精确的孟德尔随机化分析至关重要。RA和AS是常见的免疫相关疾病，在欧洲人群中有广泛的研究基础，使这些数据集在因果分析中具有很高的代表性和可靠性。

为确保所选单核苷酸多态性（SNPs）与暴露因素（RA和AS）显著相关，以P值阈值<5.0×10??为标准选择SNPs作为工具变量。此外，为避免连锁不平衡（LD）偏倚，所有与暴露因素显著相关的SNPs须通过LD检验，r2<0.001，遗传距离不超过10,000 kb。[9]

使用上述数据集进行了双向孟德尔随机化（TSMR）分析，探讨RA与AS之间的因果关系。所有分析均使用R软件（版本4.4.2）及相关包（TwoSampleMR和孟德尔随机化多效性残差和离群值[M-R-PRESSO]）完成，以确保结果的准确性和可靠性。

2.3. 工具变量选择

本研究选择SNPs作为孟德尔随机化（MR）分析的工具变量，探索RA与AS之间的因果关系。从GWAS数据集中选择与RA和AS显著相关的SNPs，基于两项标准：P值<5.0×10??[9]和无LD偏倚，所有SNPs通过LD检验（r2<0.001，遗传距离≤10,000 kb）。[10]

为确保工具变量强度充足并避免弱工具变量偏倚，我们使用F统计量进行验证。[11] F统计量>10表示工具变量强度充足，可避免偏倚并提高因果推断的可靠性。[12]

经过筛选和验证，最终确定18个SNPs作为进一步因果分析的工具变量，使我们能够排除环境和混杂因素的影响，更准确地推断RA与AS之间的因果关系。

2.4. 研究设计

本研究旨在利用双向孟德尔随机化（TSMR）分析探索RA与AS之间的因果关系。为此，我们从公开的GWAS数据集中选择与RA和AS显著相关的SNPs作为工具变量。所有18个工具变量及其F统计量的详细信息见补充表S1（补充数字内容1）。

研究设计包括以下步骤：

工具变量选择：我们从IEU OpenGWAS项目获取与RA和AS相关的SNP数据。选择P值<5.0×10??的SNPs，确保它们与其他变异的连锁不平衡r2<0.001，遗传距离不超过10,000 kb。[9] 为避免弱工具变量偏倚，我们计算每个SNP的F统计量，确保其>10以保证足够的工具变量强度。[10]

因果推断方法：采用双向MR分析，首先进行正向分析，检验RA是否为AS的因果因素。以逆方差加权（IVW）方法进行主要分析，采用MR-Egger回归、加权中位数及其他方法进行敏感性分析，以验证结果的稳健性。[11] 经过连锁不平衡剔除后，两组工具变量间无SNP重叠。为排除反向因果关系，进行了反向MR分析，探索AS是否影响RA。

数据分析与统计方法：所有分析均使用R软件（版本4.4.2）完成，主要利用TwoSampleMR和MR-PRESSO包进行数据处理和因果推断。[13] 对每次分析进行异质性和水平多效性检验，以确保结果的可靠性。

所有统计分析均在R版本4.4.2中使用TwoSampleMR包（v0.5.6）和MR-PRESSO（v1.9）完成。完整的注释R脚本和README文件可根据合理请求提供。所有18个工具变量及其F统计量的详细信息见补充表S1（补充数字内容1）。

2.5. 统计分析

本研究采用双向孟德尔随机化（TSMR）分析探讨RA与AS之间的因果关系。为确保工具变量的有效性和强度，我们应用了严格的SNP选择标准。具体而言，选择P值阈值<5.0×10??的SNPs，以确保所选SNPs与暴露因素（RA）显著相关。此外，为避免连锁不平衡相关问题，设定r2阈值<0.001，遗传距离不超过10,000 kb。这些标准确保所选SNPs相互独立且不受连锁不平衡影响。尽管本研究未应用Steiger过滤，但所选SNPs经过仔细评估，确保它们对暴露因素的解释方差大于对结局因素的解释方差，从而最大程度降低反向因果关系的风险。所有统计分析均使用R软件（版本4.4.2）完成，主要利用TwoSampleMR和MR-PRESSO包进行数据处理和分析。[11] 统计分析过程概述如下：

工具变量选择与验证：以SNPs作为工具变量。从IEU OpenGWAS项目提供的GWAS数据集中选择与RA和AS显著相关的SNPs。[9] 选择标准包括P值<5.0×10??，并确保所选SNPs与其他变异的连锁不平衡r2<0.001，遗传距离不超过10,000 kb。计算F统计量以验证工具变量的有效性并排除弱工具变量偏倚。F统计量>10表示工具变量强度充足。[10]

因果推断方法：采用逆方差加权（IVW）方法进行主要分析，检验RA是否为AS的因果因素。[13] 使用MR-Egger和加权中位数方法进行敏感性分析，以验证结果的稳健性并排除潜在的水平多效性。这些方法确保了因果推断的可靠性。

反向因果分析：为排除反向因果关系，进行了反向MR分析，评估AS是否影响RA。应用与正向分析相同的统计方法，并对每项结果进行异质性检验。

异质性和水平多效性检验：使用Cochran's Q检验和I2统计量评估各次分析的异质性，确保不同SNPs之间的变异在可接受范围内。采用MR-Egger的截距检验评估水平多效性，确保所选工具变量不受其他潜在效应影响。[11]

3. 结果

3.1. RA对AS的因果效应

3.1.1. SNPs

以RA为暴露因素，AS为结局因素。筛选出18个F统计量>10的SNPs作为工具变量（表1）。

表1 与类风湿关节炎相关的工具变量。

此表列出了在评估类风湿关节炎对急性鼻窦炎因果效应的前向孟德尔随机化分析中，作为工具变量的18个单核苷酸多态性（SNPs）。SNPs选自GCST90044540数据集（IEU OpenGWAS，欧洲裔），基于全基因组显著性（P<5×10??）、独立性（r2<0.001，10,000 kb窗口）和F统计量>10的标准进行筛选。所有SNPs的F统计量范围为20.9至575.5，表明工具变量强度稳健，弱工具变量偏倚极小。

3.1.2. RA与AS风险之间因果关系的MR分析

MR结果表明，RA作为暴露因素与AS作为结局变量之间存在显著的因果关系。在双向MR分析中，采用IVW方法，P值<0.05，提示暴露因素与结局之间存在因果关联。具体而言，IVW结果显示比值比（OR）>1（OR=1.275，95% CI: 1.074–1.512，P=0.005），表明RA作为暴露因素可能是AS的危险因素，即随着RA的发生，发生AS的风险可能相应增加。因此，选用IVW方法作为主要分析工具来估计RA与AS之间的因果关系。其他统计方法的结果如下：

MR-Egger方法：OR=1.235，95% CI: 0.900–1.695，P=0.209。
加权中位数方法：OR=1.217，95% CI: 0.980–1.511，P=0.076。
简单模型方法：OR=1.348，95% CI: 0.965–1.882，P=0.098。
加权模型方法：OR=1.232，95% CI: 1.003–1.513，P=0.063。

上述结果支持了RA可能是AS独立危险因素的假设，并进一步验证了因果推断的稳健性（表2及图1A和1B）。

表2 类风湿关节炎与急性鼻窦炎风险之间因果关系的孟德尔随机化分析。

此表汇总了采用5种MR方法（MR-Egger、加权中位数、逆方差加权[IVW]、简单模型和加权模型）评估类风湿关节炎（暴露）与急性鼻窦炎（结局）之间因果关系的效应估计值。IVW方法显示出显著的正向关联（OR=1.275，95% CI: 1.074–1.512，P=0.005），支持RA作为AS的潜在危险因素。

其他方法的结果方向一致，但未达到统计学显著性。

图 1. 类风湿关节炎（RA）对急性鼻窦炎（AS）因果效应的孟德尔随机化分析。（A）显示 SNP 特异性因果估计值的森林图；（B）显示不同 MR 分析方法中 SNP 水平关联的散点图；（C）逐一剔除敏感性分析；（D）用于多效性和发表偏倚评估的漏斗图。RA 显著增加了急性鼻窦炎的风险（OR = 1.275, 95% CI 1.074–1.512）。逐一剔除和漏斗图评估证实了结果的稳健性以及不存在明显的发表偏倚。

RA 和 AS 的森林图展示了 RA 对 AS 的影响，使用了 IVW 和 MR-Egger 方法。每个点代表一个 SNP，横轴显示效应量，纵轴代表 SNP。框表示每个 SNP 的效应量，线条表示 95% 置信区间（CIs）。IVW 和 MR-Egger 方法的效应估计值一致，表明 RA 可能是 AS 的独立危险因素，尽管某些 SNP 的 CI 较宽（图 1A）。

RA 和 AS 的散点图比较了不同 MR 方法（IVW、MR-Egger、简单模型、加权中位数和加权模型）下 RA 和 AS 的效应估计值。每个点代表一个 SNP 的效应量，横轴显示对 RA 的影响，纵轴显示对 AS 的影响。各方法间相似的结果表明 RA 和 AS 之间存在稳健且一致的因果关系（图 1B）。

RA 和 AS 的逐一剔除敏感性分析用于评估排除每个 SNP 对整体效应估计的影响。每个点代表排除特定 SNP 后的效应估计值，横轴显示效应量，纵轴代表每个 SNP 的逐一剔除分析结果。分析显示，即使排除个别 SNP，RA 和 AS 之间的因果关系仍保持稳定，进一步证实了结果的稳健性（图 1C）。

3.1.3. 异质性检验和水平多效性检验（暴露：RA；结果：AS）
使用 MR-Egger 和 IVW 方法进行了异质性检验。结果显示 P 值>.05，表明数据中没有显著异质性。此外，MR-Egger 的截距值作为指标，用于测试水平多效性（遗传变异通过多条途径影响结果）是否会影响两样本孟德尔随机化（TSMR）分析结果。截距接近 0（Egger 截距= 0.015, P = .821）（表 2），表明所选 IV 不表现出水平多效性，因此不太可能影响 TSMR 分析的结果。

3.1.3.1. MR-PRESSO 验证
为进一步评估潜在的多效性偏倚，我们将 MR-PRESSO（版本 1.9）应用于 18 个 RA→AS 工具。全局检验得出 P = .14，表明没有整体多效性的证据。离群值检验未发现显著离群 SNP（所有校正后 P>.05）。MR-PRESSO 校正后，因果估计值与主要 IVW 结果保持一致（OR = 1.28, 95% CI 1.07–1.52）。详细信息见补充表 S2，补充数字内容 2。

当使用 RA 作为暴露因素和 AS 作为结果因素时，使用 MR-Egger 和 IVW 方法进行的异质性检验得出的 P 值>.05，确认不存在显著异质性。此外，水平多效性检验显示 P 值>.05，表明所选 IV 不受暴露之外因素的影响，因此不会干扰结果的发生（表 3）。

表 3 异质性和水平多效性检验（暴露：类风湿关节炎；结果：急性鼻窦炎）。

| 暴露 | 结果 | 异质性检验 (MR-Egger) | 异质性检验 (IVW) | 多效性检验 (MR-Egger) |
| :--- | :--- | :--- | :--- | :--- |
| | | Q | Q_df | P | Q | Q_df | P | Intercept | P |
| 类风湿关节炎 | 急性鼻窦炎 | 12.361 | 6 | 0.719 | 12.411 | 7 | 0.775 | 0.015 | .821 |
| 急性鼻窦炎 | 类风湿关节炎 | 3.836 | 6 | 0.99 | 6.797 | 7 | 0.451 | -0.07 | .136 |

本表展示了正向（RA → AS）和反向（AS → RA）孟德尔随机化的异质性（Cochran's Q 检验）和水平多效性（MR-Egger 截距检验）分析结果。两个方向均未检测到显著异质性（所有 P > .05）。MR-Egger 截距接近零且 P 值不显著，表明定向多效性极小，支持因果推断的有效性。

3.2. 反向两样本孟德尔随机化分析

3.2.1. SNPs
在反向两样本孟德尔随机化分析中，AS 被视为暴露因素，RA 作为结果变量。选择了 8 个 SNP 并鉴定为 IV，F 统计量>10（表 4）。选择 F 统计量>10 的 SNP 可确保 IV 具有足够强的效应，减少弱工具可能引入的偏倚和误差，从而提高因果效应估计的准确性和可靠性。

表 4 与急性鼻窦炎相关的工具变量。

| SNP | Chr. | exposure | R2 | F |
| :--- | :--- | :--- | :--- | :--- |
| rs1380615 | 2 | 414.616 | 34835203388e-05 | 20.923 |
| 179887957 | 9 | 8 | 35 | 3388e-05 | 23.052 |
| rs1000406 | 14 | 5.117 | 79860553376e-05 | 23.052 |
| 0517448231 | | | | |
| rs590353 | 15 | 55.158 | 51161507538e-05 | 21.430 |
| 2333366089 | | | | |
| rs935022 | 16 | 5.870 | 15185863583e-05 | 26.495 |
| 1355837192 | | | | |
| rs2181919 | 6 | 4.878 | 42944871736e-05 | 22.263 |
| 6037662462 | | | | |
| rs731608 | 6 | 474.692 | 77659416508e-05 | 20.849 |
| 8116488079 | | | | |
| rs11776588 | 8 | 5.200 | 88784053865e-05 | 23.521 |
| 666496663 | | | | |
| rs148388 | 10 | 0205.703 | 73060251361e-05 | 25.756 |
| 8357480911 | | | | |

本表列出了用于评估急性鼻窦炎对类风湿关节炎因果效应的反向孟德尔随机化分析中选择的 8 个 SNP 作为工具变量。SNP 选自 GCST90044039 数据集（IEU OpenGWAS，欧洲血统），基于全基因组显著性（P < 5 × 10?6）、独立性（r2 < 0.001, 10,000 kb 窗口）和 F 统计量>10。所有显示的 SNP 的 F 统计量范围为 20.8 至 26.5，表明工具强度足够。

在以 AS 为暴露因素和 RA 为结果变量的 MR 分析中，IVW 方法得出的 P 值>.05。尽管使用了多种方法，反向分析不支持 AS 对 RA 具有因果效应。具体而言，IVW 结果显示 AS 与患 RA 风险之间不存在显著的因果关系（OR = 0.991, 95% CI: 0.955–1.029, P = .642）。其他方法的结果如下。
MR-Egger: OR = 1.061, 95% CI: 0.973–1.156, P = .228.
加权中位数：OR = 0.982, 95% CI: 0.933–1.034, P = .492.
简单模型：OR = 0.979, 95% CI: 0.899–1.067, P = .647.
加权模型：OR = 0.981, 95% CI: 0.908–1.059, P = .635（见表 5 和图 2A–2B）。

表 5 急性鼻窦炎与类风湿关节炎风险之间因果关系的孟德尔随机化分析。

| 方法 | SNPs | Beta | SE | OR (95%CI) | P |
| :--- | :--- | :--- | :--- | :--- | :--- |
| MR-Egger | 8 | 0.059 | 0.044 | 1.061 (0.973–1.156) | .228 |
| 加权中位数 | 8 | -0.018 | 0.026 | 0.982 (0.933–1.034) | .492 |
| 逆方差加权 | 8 | -0.009 | 0.019 | 0.991 (0.955–1.029) | .642 |
| 简单模型 | 8 | -0.021 | 0.044 | 0.979 (0.899–1.067) | .647 |
| 加权模型 | 8 | -0.020 | 0.039 | 0.981 (0.908–1.059) | .635 |

本表总结了用于评估急性鼻窦炎（暴露）和类风湿关节炎（结果）之间因果关系的 5 种 MR 方法的效应估计值。逆方差加权（IVW）方法显示没有显著关联（OR = 0.991, 95% CI: 0.955–1.029, P = .642），所有其他方法均得出一致且不显著的结果。这些发现不支持急性鼻窦炎对类风湿关节炎的发生具有因果效应。

图 2. 森林图、散点图、逐一剔除敏感性分析和漏斗图结果（暴露因素：急性鼻窦炎，结果因素：孟德尔随机化分析中的类风湿关节炎）：森林图：本图显示了使用逆方差加权（IVW）和 MR-Egger 方法评估急性鼻窦炎（AS）对类风湿关节炎（RA）的效应估计值。每个点代表单核苷酸多态性（SNP）的效应量，x 轴表示效应量，y 轴表示 95% 置信区间。结果表明，在所有 SNP 效应估计中，P 值均大于.05，这表明急性鼻窦炎对类风湿关节炎的影响不显著，不支持急性鼻窦炎作为类风湿关节炎的独立危险因素（A）。散点图：本图展示了不同 MR 方法（IVW、MR-Egger、简单模型、加权中位数和加权模型）的效应估计值。每个点代表一个 SNP 的效应量，x 轴表示 SNP 对急性鼻窦炎的影响，y 轴表示 SNP 对类风湿关节炎的影响。所有方法得出的效应量相似，且均未达到统计学显著性，进一步证实了急性鼻窦炎和类风湿关节炎之间缺乏显著的因果关系（B）。逐一剔除敏感性分析：本图显示了逐一剔除敏感性分析的结果。结果表明，去除单个 SNP 不会显著改变 RA 和 AS 之间的因果关系，进一步支持了急性鼻窦炎对类风湿关节炎没有独立影响的结论（C）。漏斗图：本图显示了用于评估潜在发表偏倚的漏斗图。数据点的对称分布表明没有显著偏倚，进一步增强了因果推断结果的可靠性（D）。

这些结果表明，AS 似乎对 RA 的风险没有显著的因果效应。

3.2.1.1. RA 与 AS 的森林图
本图说明了使用 IVW 和 MR-Egger 方法评估 AS 对 RA 的效应估计值。每个点代表一个 SNP 的效应量，横轴显示效应量，纵轴表示 95% CI。结果表明，对于所有 SNP 效应估计，P 值均>.05，表明 AS 并不显著影响 RA，因此不支持 AS 是 RA 独立危险因素的假设（图 2A）。

3.2.1.2. RA 与 AS 的散点图
本散点图展示了不同 MR 方法（IVW、MR-Egger、简单模型、加权中位数和加权模型）下的效应估计值。每个点代表一个 SNP 的效应量，横轴显示对 AS 的影响，纵轴显示对 RA 的影响。所有方法得出的效应值相似且未达到统计学显著性，进一步证实了 AS 和 RA 之间缺乏显著的因果关系（图 2B）。

3.2.1.3. RA 与 AS 的逐一剔除敏感性分析
本图展示了逐一剔除敏感性分析，显示在排除单个 SNP 后，RA 和 AS 之间的因果关系保持不变。这进一步支持了 AS 对 RA 没有独立因果效应的结论（图 2C）。

3.2.1.4. RA 和 AS 的漏斗图
本漏斗图评估了潜在的发表偏倚。数据点的对称分布表明没有显著偏倚，进一步增强了因果推断结果的可靠性（图 2D）。

3.3. 交集基因分析
在本研究中，我们进行了 MR 分析以鉴定与 RA 和 AS 相关的基因，并进一步使用韦恩图分析（图 3）来鉴定两种疾病之间的交集基因。为了阐明 RA 和 AS 之间的遗传重叠，我们对每种疾病的高风险（OR > 1）和低风险（OR < 1）基因进行了交集分析。

图 3. RA 和 AS 之间重叠基因的韦恩图。（A）低风险基因重叠（OR < 1）；（B）高风险基因重叠（OR > 1）。AS = 急性鼻窦炎，OR = 比值比，RA = 类风湿关节炎。

首先，我们获得了 RA 和 AS 的选择结果并提取了高风险和低风险基因。使用韦恩图可视化工具绘制了 RA 和 AS 之间高风险（图 3B）和低风险基因（图 3A）的交集。具体而言，通过计算交集，我们获得了两种疾病在高风险和低风险基因水平的重叠基因列表。在高风险基因水平，ETV7、STAB1 和 ANKH 是交集基因。在低风险基因水平，TYK2、CPSF3 和 UQCC2 是交集基因。通过韦恩图分析，我们生成了 RA 和 AS 之间的最终交集基因列表。选定的交集基因如下：
高风险基因：ETV7、STAB1、ANKH、PBX2、HSPA1L、POU5F1。
低风险基因：TYK2、CPSF3、UQCC2、ZNF83、FAN1、HLA-C、PPIL3、MIR3150BHG。
这些基因的详细信息可在 interGenes.Type.txt 和 interGenes.List.txt 文件（附件）中找到。这些交集基因为 RA 和 AS 之间的遗传重叠提供了重要线索，并可能为深入研究这两种疾病的共享病理机制奠定基础。

3.4. RA 和 AS 相关基因的森林图
为进一步探讨 RA 和 AS 之间的遗传关系，我们创建了对应的森林图，以显示 MR 分析中交集基因的效应估计值（OR）及其 95% CIs。
RA 的森林图展示了几个与 RA 相关的基因的效应估计值。对于高风险基因（OR > 1），ETV7、STAB1 和 ANKH 的 OR 值>1，表明这些基因可能与 RA 风险增加有关。相比之下，对于低风险基因（OR < 1），ETV7、CPSF3 和 UQCC2 的 OR 值<1，表明这些基因可能与 RA 风险降低有关。森林图中的每根条形代表不同 MR 方法（包括 IVW、加权中位数和 MR-Egger）下每个基因的效应估计值，横轴上的 95% CI 显示了每个基因效应的精确度。更小的 P 值表明基因效应更显著和可靠（图 4A）。

图 4. 与类风湿关节炎和急性鼻窦炎相关的基因森林图：本图显示了通过孟德尔随机化（MR）分析获得的类风湿关节炎（RA）（A）和急性鼻窦炎（AS）（B）交集基因的效应估计值（OR）及其 95% 置信区间。

每个条形图代表一个基因的效应，条形的长度表示置信区间的范围。左侧代表低风险基因，其OR值小于1；右侧代表高风险基因，其OR值大于1。该图列出了与RA和AS相关的关键基因，包括ETV7、STAB1、ANKH、TYK2、CPSF3等，并显示了使用不同统计方法（如逆方差加权（IVW）、加权中位数、MR-Egger等）计算得到的效应值（OR）及其95%置信区间。对于每个基因，P值小于0.05表明该基因与两种疾病之间的遗传关联具有统计学意义。AS的森林图还显示了AS中交叉基因的效果估计。与RA的森林图类似，高风险基因（ETV7、STAB1和ANKH）和低风险基因（TYK2、CPSF3和UQCC2）表现出一致的效果，进一步验证了它们与RA和AS的遗传关联。这些图表使我们能够观察不同分析方法中基因效应的一致性和差异，进一步确认了它们在两种疾病中的潜在遗传联系（图4B）。在AS相关基因列表中鉴定出若干基因（见附件文件interGenes.List.txt），包括ETV7、STAB1、ANKH、PBX2和HSPA1L，这些基因与免疫反应、炎症及其他生物通路密切相关。某些基因如HLA-C、POU5F1和CPSF3可能参与免疫系统调节，并在AS的发展中发挥作用。图中显示的P值反映了这些基因与AS相关的统计学意义。一些基因的P值<0.05，表明它们可能在AS的发生中具有重要的生物学意义。这些数据进一步支持了关于这些基因如何通过调节免疫反应和炎症来影响AS发生和发展的研究。总之，森林图与基因数据的结合揭示，若干免疫相关基因可能在AS的发病机制中发挥重要作用。这些基因可能成为进一步研究AS遗传机制及个性化治疗策略的潜在靶点。

3.5 RA和急性鼻窦炎交叉基因的GO富集分析、KEGG通路分析及蛋白-蛋白相互作用网络

3.5.1 交叉基因GO富集分析条形图

该条形图展示了交叉基因在不同Gene Ontology（GO）类别（生物学过程、细胞组分和分子功能）中的显著富集情况。每个条形代表一个GO条目，条形高度表示该条目中富集的基因数量，颜色代表显著性水平（P值）。该图有助于识别与RA和AS相关的重要生物学过程和功能，如适应性免疫反应的阳性调节和细胞外基质调节（图5A）。

打开多媒体模式

图5

打开多媒体模式

交叉基因GO富集分析条形图：该条形图通过GO富集分析展示了交叉基因在不同GO类别（生物学过程、细胞组分和分子功能）中的富集情况。每个条形的高度表示每个GO条目中富集的基因数量，颜色表示显著性水平，颜色越深表示富集程度越高且P值越小。该图显示，与类风湿关节炎（RA）和急性鼻窦炎（AS）相关的基因在免疫反应和细胞外基质调节等多个生物学过程中显著富集（A）。交叉基因GO富集气泡图：该气泡图展示了交叉基因在不同GO条目中的富集情况。每个气泡的大小表示每个GO条目中富集的基因数量，颜色强度反映GO条目的显著性（P值）。该图帮助我们直观了解交叉基因在生物学过程、细胞组分和分子功能类别中的相对分布和显著性（B）。交叉基因GO环形图：GO环形图对交叉基因在不同GO类别中的富集情况进行了更直观的展示。每个环代表一个GO类别，环的大小和颜色分别表示富集基因的比例和数量。颜色强度反映P值。该图进一步揭示了与RA和AS相关的基因在生物学过程、分子功能等其他领域的分布（C）。交叉基因KEGG富集分析条形图：该条形图展示了交叉基因在KEGG通路中的富集情况。每个条形代表一个显著富集的KEGG通路，条形高度表示该通路中富集的基因数量。条形颜色反映P值的显著性，颜色越深表示富集程度越高且P值越小。该图揭示了与RA和AS相关的基因在免疫反应、抗原加工与呈递、病毒感染等多个重要生物学通路中的显著富集（D）。交叉基因KEGG富集气泡图：该气泡图展示了每个KEGG通路中基因比率（GeneRatio）与P值之间的关系。每个气泡的大小表示该通路中富集的基因数量，颜色强度反映富集的显著性，颜色越深表示P值越小。该图使我们能够直观观察哪些KEGG通路在RA和AS中显著富集，为进一步研究提供重要线索（E）。基于交叉基因的蛋白-蛋白相互作用网络：该图展示了基于18个交叉基因（ETV7、STAB1、TYK2、CPSF3、UQCC2、ANKH等）的蛋白-蛋白相互作用（PPI）网络。每个圆圈代表一个基因或蛋白，圆圈大小与其在网络中的连接度相关，较大的圆圈表示在网络中的中心性更强。圆圈之间的连线代表基因间的相互作用，连线粗细反映相互作用的强度，粗线代表已知的直接相互作用，细线代表预测的潜在相互作用。不同颜色的圆圈代表不同的基因功能类型；例如，绿色圆圈代表免疫反应相关基因，黄色圆圈代表与细胞增殖和分化相关的基因。该网络基于GeneMANIA数据库（GeneMANIA, 2021版本）生成，并纳入了基因共表达、功能预测和遗传变异分析的结果，揭示了这些基因在免疫反应和细胞调节等生物学过程中的潜在作用（F）。

3.5.2 交叉基因GO气泡图

气泡图通过显示每个GO条目的基因比率（GeneRatio）和P值，进一步揭示了与RA和AS相关的基因在生物功能中的分布情况。气泡大小对应基因数量，颜色强度表示富集显著性，从而直观呈现每个GO条目的相对重要性和富集程度（图5B）。

3.5.3 交叉基因GO环形图

GO环形图为每个GO条目提供了详细的视觉呈现，结合了基因比率、基因数量和P值。该图使我们能够更好地理解交叉基因在不同GO类别（如生物学过程、细胞组分和分子功能）中的分布情况，突出了若干重要生物学过程，如免疫反应、细胞增殖和抗原加工（图5C）。

3.5.4 京都基因与基因组百科全书（交叉基因KEGG通路富集分析条形图）

该交叉基因条形图中，每个条形代表一个显著富集的KEGG通路，条形高度表示该通路中富集的基因数量，颜色表示P值的显著性。该图有助于识别与RA和AS相关的关键生物学过程及疾病，如抗原加工与呈递、毒性降解和HIV感染（图5D）。

3.5.5 交叉基因KEGG通路气泡图

气泡图进一步展示了每个KEGG通路中基因比率（GeneRatio）与P值之间的关系。气泡大小对应富集基因数量，颜色强度表示富集显著性，颜色越深表示P值越小、富集越显著。该图使我们能够直观了解哪些KEGG通路在两种疾病中发挥重要作用，以及基因在这些通路中的分布情况（图5E）。

3.5.6 交叉基因的蛋白-蛋白相互作用网络

基于GeneMANIA工具为18个交叉基因构建了网络，包括ETV7、STAB1、TYK2、CPSF3、UQCC2和ANKH。网络分析揭示了这些基因之间多种直接和预测的相互作用。ETV7、STAB1、TYK2和HLA-C等基因被鉴定为中心节点，表明它们在免疫反应和细胞调节中的关键作用。网络中的相互作用基于共表达分析、功能预测和遗传变异数据。细线代表预测的相互作用，粗线代表已知的直接蛋白-蛋白相互作用。功能注释分析显示，这些基因与"从头蛋白折叠"、"干细胞群体维持"和"免疫反应"等生物学过程相关。此外，排名靠前的基因如SLU7、MRC1和FOXD3在免疫调节和细胞增殖中发挥重要作用。数据分析表明，这些基因的协同作用为RA等免疫疾病的研究提供了新的见解（图5F）。

4. 讨论

本研究采用TSMR分析探索RA与AS之间的遗传关系，特别关注RA是否为AS的因果因素。通过分析公开的GWAS数据集，我们鉴定了若干与RA和AS均相关的SNPs，为理解两种疾病之间的遗传重叠提供了重要见解。

我们的结果表明，RA可能是AS的独立危险因素，IVW分析支持了这一因果关系。具体而言，IVW分析显示OR值为1.275（95%CI：1.074–1.512，P=0.005），表明RA的发生增加了AS的发病风险。MR-Egger和加权中位数等其他MR方法也进一步支持了这一关系，尽管这些方法中P值未达统计学显著水平。这些发现与既往流行病学研究一致，后者提示RA中的免疫失调可能使个体更易患上呼吸道细菌感染，如鼻窦炎[14]。

相比之下，反向MR分析（探索AS是否导致RA发展）未显示显著结果。IVW分析显示OR值为0.991（95%CI：0.955–1.029，P=0.642），提示AS对RA的发展无显著因果效应。这些发现与我们的假设一致，即RA可能是AS的因果因素。

GO和KEGG通路分析进一步证实了交叉基因在免疫反应和细胞增殖通路中的重要性。ETV7、TYK2和ANKH等基因在免疫调节和炎症中发挥关键作用，可能通过免疫系统参与RA和AS的发病机制[11]。

尽管我们的部分发现与文献相符，但与某些既往研究存在差异。首先，某些基因在RA和AS中的效应量不同，特别是某些低风险基因（如TYK2、CPSF3和UQCC2），其在不同MR方法中的效应量不一致。例如，本研究中TYK2对RA的低风险效应在与AS的关系中未得到明确确认。既往研究提示TYK2可能在其他免疫系统中疾病中发挥重要作用；然而，在本研究中，这些基因对AS的影响微乎其微。这种差异可能归因于人群、疾病谱和环境因素的差异[10]。

此外，某些基因如HLA-C和POU5F1在AS中显示出低风险效应的正值，这与已知的免疫调节作用认知不同。一些研究提示HLA-C与免疫反应和抗原呈递密切相关[15]。我们推测这种差异可能与人群遗传差异、样本选择及AS的免疫机制有关，因为这些基因在不同人群中的效应可能不同。

这些不一致的原因可能涉及若干因素。首先，研究样本的差异可能是影响效应量估计不一致的主要因素。本研究使用的GWAS数据主要来自欧洲人群，而一些现有研究来自不同人群或地区。

群体间的遗传多样性可能导致同一基因在不同群体中表达水平存在差异[11]。因此，未来研究应扩大样本量并纳入多个人群的数据，以验证这些基因在不同群体中的作用。其次，尽管我们在分析中排除了具有显著多效性的基因，但免疫系统的复杂性可能导致某些基因同时调节多条免疫通路，从而影响其对不同疾病的作用。免疫系统的多效性是值得进一步研究的领域，未来研究可更深入探讨这些基因在RA和AS中的多重作用及其对疾病的共同影响。RA的流行病学数据显示，RA是一种常见的自身免疫性疾病，主要影响30至50岁人群，且女性患病率更高[15]。其发病机制涉及遗传易感性、免疫系统异常激活以及环境因素。本研究进一步验证了免疫相关基因在RA与AS遗传重叠中的重要性，证实了免疫反应在两种疾病发病机制中的关键作用。AS是一种常见的上呼吸道感染性疾病，通常由病毒或细菌感染引起[16]（AS在临床实践中）。然而，由于免疫系统功能紊乱，RA患者可能更容易受到导致AS的病原体感染[17]。表观遗传修饰和遗传因素已被证明共同影响自身免疫性疾病的发展，尤其是在RA中[18]。我们的研究进一步强调了RA与AS之间免疫基因的相互作用，并为这些疾病的免疫学机制提供了新的见解。5. 结论本研究采用孟德尔随机化（MR）分析探讨RA与AS之间的因果关系，并结合Venn图分析、GO分析和KEGG通路分析，揭示了两种疾病之间多个免疫相关基因的遗传重叠。我们的发现表明，RA可能是AS的独立危险因素，免疫系统基因在两种疾病的发病机制中发挥关键作用。通过IVW和MR-Egger分析，我们确认了ETV7、STAB1和ANKH等基因在RA与AS之间的共同作用，这些基因参与免疫反应和细胞周期过程。GO和KEGG分析进一步验证了这些基因在免疫调节和抗原呈递中的重要性，从而支持RA与AS之间潜在的遗传重叠。5.1. 临床意义鉴于观察到RA对AS的因果效应（OR 1.28），临床医生应对RA患者进行鼻窦症状的主动筛查，尤其是疾病活动期或控制不佳的患者。靶向共有的IL-17介导通路可能为关节和上呼吸道炎症带来双重益处。未来需要在不同祖源群体中开展前瞻性队列研究以验证这些发现。尽管本研究在许多方面与现有文献一致，但我们观察到与以往研究的一些差异，这可能与样本人群差异、免疫机制变异以及其他遗传因素的多效性有关。因此，未来研究应采用更大样本量、跨不同人群并考虑基因-环境相互作用来验证这些发现。5.2. 局限性与未来方向本研究存在若干局限性。首先，所使用的GWAS数据集主要来自欧洲人群，这可能引入了人群差异，导致遗传效应存在变化。未来研究应在多个人群中验证这些发现，以确保结果的广泛适用性。其次，尽管我们通过MR排除了环境因素的干扰，但其他遗传因素及基因-环境相互作用仍可能影响结果的准确性。未来研究应探索基因-环境相互作用，特别是感染史和生活方式因素对免疫系统的影响。作者贡献方法学：胡睿。数据管理：张云旺。资源提供：张云旺。软件使用：张云旺。可视化：张云旺。调查研究：曾伊。监督指导：董庆秋。验证：李忠云。形式分析：陶建平。