摘要
孟德尔随机化（MR）通常独立分析暴露与结局的因果关系，易忽略相关结局间的重要关联，目前针对MR研究中多结局联合分析的方法较少。本研究提出２种处理相关结局的新型多元MR方法：多元逆方差加权孟德尔随机化（multivariate MR-IVW）通过多元meta分析纳入结局相关性；多元孟德尔随机化多效性残差和异常值检验（multivariate MR-PRESSO）基于马氏距离检测相关结局中的异质性工具变量。通过全面模拟研究验证方法性能，并将多元方法应用于弗雷明汉心脏研究与基因型-组织表达计划数据，探究cg11294513位点DNA甲基化与5个锌指基因表达的因果关系。模拟结果显示，多元MR-IVW的偏倚与均方误差持续低于单变量方法，全局假设检验的灵敏度显著更高（如2个结局、相关系数r=0.8时，灵敏度95% vs. 52%），且假阳性率受控；多元MR-PRESSO检测异常单核苷酸多态性SNP的灵敏度大幅提升（如4个结局、平衡多效性时，85%–90% vs. 35%–40%）。实际数据应用表明，cg11294513位点甲基化对5个锌指基因均存在显著因果效应，多元MR-PRESSO检出单变量分析遗漏的异质性工具变量。多元MR方法可优化因果效应估计与多效性检测，实现更灵活的假设检验，为复杂多组学数据的全面分析提供支撑。
yukiz@bu.edu
#孟德尔随机化 #多元meta分析 #马氏距离 #联合推断 #相关结局 #多组学数据
结果
单变量假设检验
图1不同结局相关性与数量下，单结局检验的假阳性率与灵敏度
对比单变量与多元MR-IVW在单结局检验中的假阳性率（FPR）和灵敏度；无多效性场景下检验暴露对单个结局的因果效应，采用Bonferroni校正；模拟设置：40个 SNP、2000个样本、1000次重复；误差线代表95%置信区间。
全局假设检验
图2不同结局相关性与数量下，全局假设检验的假阳性率与灵敏度
对比采用minP检验（Bonferroni校正）的单变量MR-IVW与采用Wald检验的多元MR-IVW在全局假设检验（原假设：所有结局的因果效应均为0；备择假设：至少1个结局存在因果效应）中的表现；结果展示不同结局相关性与数量下的性能；模拟设置：40个 SNP、2000个样本、1000次重复；每次重复中随机分配50%结局存在非0因果效应，剩余50%无因果效应；误差线代表95%置信区间。
估计准确性与精确性
图3不同结局相关性与数量下，因果效应估计的相对偏倚与均方误差
对比单变量与多元MR-IVW因果效应估计的相对偏倚和均方误差（MSE）；相对偏倚为1000次重复中估计值相对真实因果效应的平均绝对偏差；MSE为1000次重复中估计值相对真实因果效应的平均平方偏差；数据来自无多效性场景；模拟设置：40个SNP、2000个样本、不同结局相关性与数量。
异质性工具变量检测
图4单变量与多元MR-PRESSO检测异质性工具变量的性能
不同无效工具变量占比（0.1、0.3、0.5）与多效性模式（平衡、非平衡）下，单变量与多元MR-PRESSO检测异常SNP的假阳性率（左图）与灵敏度（右图）；结果展示2个和4个相关结局的性能；模拟设置：40个SNP、2000个样本、1000次重复。
异质性工具变量检测
表1单变量与多元MR-PRESSO识别异常工具变量的对比
以P<0.05为阈值检测异常工具变量；多元MR-PRESSO相比单变量分析额外检出2个异常SNP（rs114516917、rs115994039）；因果效应估计值为cg11294513位点甲基化每变化1个单位对应的基因表达量（标准化转录本百万分率）变化；经P<5×10⁻⁸筛选与LD聚类（r²<0.001，10Mb窗口）后，保留15个独立SNP作为工具变量候选。
多效性检测验证
表2MR-PRESSO方法中异常工具变量检测的敏感性分析验证
采用Cochran’s Q检验与I²统计量评估SNP间异质性，Q值越高、I²百分比越大，代表异质性越强，提示存在水平多效性；单变量MR-IVW使用全部15个工具变量；单变量MR-PRESSO根据结局剔除1–3个异常值；多元MR-PRESSO剔除5个异常值；单变量MR-PRESSO剔除后Q统计量仍显著（P<0.05），提示异质性未完全消除。
讨论
图5单变量与多元孟德尔随机化方法选择的决策框架
判断流程：
① 同一暴露是否对应多个生物学相关结局→是则进入下一步，否则用单变量MR；
② 结局是否呈中强相关性→是则进入下一步，否则用单变量MR；
③ 研究问题是否涉及全局推断、结局间两两比较或共享多效性通路→是则用多元MR，否则用单变量MR；多元MR优势：全局假设检验（多元MR-IVW）、因果效应两两比较（多元MR-IVW）、多结局联合异常值检测（多元MR-PRESSO）。
数据
多元MR-PRESSO与模拟研究R代码开源于GitHub
https://github.com/yuankaizhang725/Multivariate_MR_PRESSO
多元MR-IVW基于R包mvmeta实现
详细总结
思维导图
核心方法构建
参考
Eur J Epidemiol. 2026 May 28. doi: 10.1007/s10654-026-01406-1.
Multivariate mendelian randomization for joint inferences of correlated outcomes
注：AI辅助创作，如有不当欢迎指出。内容仅供参考，不构成任何建议。