MR | 第1期. 听说你还不知道孟德尔随机化，而别人已经发了好多篇

公共数据库的数据挖掘，备受众多科研人的青睐。为了帮助大家比较系统地掌握相关理论及实践技能，我们前期对GBD公共数据库进行了14期分享（GBD合集），当然，想发表一篇GBD相关的文章，仅靠上述14期分享的内容是不够的，因此我们正在准备系统化的视频（包括理论、选题、R脚本、拼图、写作等）和交流群，预计在8月下旬与大家见面。在那之前，科研人当然不能停下学习公共数据库的脚步，我们接下来将持续为大家分享“孟德尔随机化”（Mendelian randomization， MR）。今天是我们与MR的初次会晤，我们聚焦两个话题——MR的必要性、MR的理论基础。

1.MR的必要性

为了方便大家理解，我们从一个例子讲起：既往观察性研究（横断面研究、病例对照研究、队列研究等）显示：高BMI（肥胖）与冠心病存在相关性，但是无法证明高BMI与冠心病之间的因果关系，为了回答该科学问题，理论上需要开展随机对照研究（RCT），但是实际上由于伦理问题无法开展此类研究（我们不能有意把一群人变成胖子~）

那为了证明“高BMI与冠心病之间的因果关系”，还有其他方法吗？

有！MR就是其一！加下来，我们一起看看为什么MR可以实现上述目的~

2.MR的理论基础

通过上述内容，我们不难发现：观察性研究不能得出因果关系的本质原因是无法做到“将自变量随机化”（自变量可以理解为上述例子中的BMI），那我们可以试想：如果可以找到一个变量，这个    变量与自变量密切相关，且可以被随机化，那这个变量是不是就有可能替代自变量，用于分析与因变量之间的因果关系呢？

那有什么变量是可以被随机化的呢？没错，基因！我们在高中学过孟德尔三大定律，其中第二定律为基因的自由组合定律，可以简单理解为一对等位基因在形成配子过程中遵循随机分配原则（见下图）。

孟德尔第二定律

不难发现：MR与RCT有着诸多相似之处，我们使用基因变异形成类似于随机对照试验的亚组。详见下图：

总之，MR避免了直接分析自变量与因变量之间的因果关系，巧妙地转向分析与自变量密切相关的变量（又称“工具变量”，在MR中代指single nucleotide polymorphism, SNP）与因变量之间的因果关系，具有极强的应用价值！下一期，我们将分享MR的定义并解析工具变量。

大家对于推送内容有任何问题或建议可以在公众号菜单栏“更多--读者的话”栏目中提出，我们会尽快回复！

参考文献：

1.Limits to causal inference based on Mendelian randomization: a comparison with randomized controlled trials.Am J Epidemiol. 2006 Mar 1;163(5):397-403. doi: 10.1093/aje/kwj062. Epub 2006 Jan 12.

2. Smith GD, Ebrahim S. 'Mendelian randomization': can genetic epidemiology contribute to understanding environmental determinants of disease?. Int J Epidemiol. 2003;32(1):1-22. doi:10.1093/ije/dyg070

写在最后

“观科研”（点击进一步了解我们吧）是由一群北京协和医学院（清华大学医学部）的博士开创的公众号，初心是让医学科研有迹可循，帮助一线的医学科研人员更快地成长，希望大家支持与关注！