当前位置：首页 > article >正文

R语言实现多变量孟德尔随机化分析（1）

article 2024/9/24 1:20:01

多变量孟德尔随机化分析调整了潜在混杂因素的影响。

1、调整哪些因素？参考以往文献。可以分别调整，也可以一起调整。

2、解决了什么问题？某个暴露相关的SNP，往往与某个或者某几个混杂因素相关。可以控制混杂偏倚。

3、如何解释结果？若该暴露的P值小于0.05，则可以说明该暴露独立于其他暴露对结局产生影响。否则是通过其他因素对结局产生影响。

#多变量孟德尔随机化（MVMR）
library(TwoSampleMR)
#提取多个暴露变量工具
#body mass index:ieu-b-40；
#hypertension:ebi-a-GCST90038604
#creatinine：ebi-a-GCST90025946
exposure_dat_mv<-mv_extract_exposures(c("ieu-b-40",
                                        "ebi-a-GCST90038604",
                                        "ebi-a-GCST90025946")) #Serum creatinine levels、Smoking initiation

#提取结局信息
outcome_dat_mv<-extract_outcome_data(exposure_dat_mv$SNP,"ebi-a-GCST90013862") #colorectal cancer

#整合数据
mvdat<-mv_harmonise_data(exposure_dat_mv,
                         outcome_dat_mv,
                         harmonise_strictness = 2)

#进行MVMR的分析
res <- mv_multiple(mvdat)

#提取结果
result<-res$result
#install package
# remotes::install_github("WSpiller/RMVMR",
#                         build_opts=c("--no-resave-data", "--no-manual"),
#                         build_vignettes = TRUE)
library(MVMR)
help(package="MVMR")
wer <- format_mvmr(BXGs = mvdat[["exposure_beta"]],
                      BYG = mvdat[["outcome_beta"]],
                      seBXGs = mvdat[["exposure_se"]],
                      seBYG = mvdat[["outcome_se"]],
                      RSID = rownames(mvdat[["exposure_beta"]]))
#IVW多变量孟德尔随机化结果
ivw_mvmr(wer)
#计算F值
Fz<- strength_mvmr(r_input = wer, gencov = 0)
#异质性检验
pres <- pleiotropy_mvmr(r_input = wer, gencov = 0)

查看全文

http://www.kler.cn/news/134569.html