孟德尔随机化 · 从零开始读懂（小白入门）

这一页假设你完全没学过统计遗传，从"为什么要做这个"讲到"结果长什么样"，一条线读下来。 读完你应该能回答三个问题：我们在证明什么 · 凭什么能证明 · 哪些结果算数。 想直接看结果怎么读 → 结果怎么看；想看每步的公式与文献 → 方法引擎详解。

先给你一句话

我们在做的事：从血里的两千多种蛋白中，找出哪些蛋白的高低是"导致"糖尿病并发症（糖网、肾病、神经病变等）的原因，而不只是"跟着一起变"。 用来判断因果的工具，是人出生时就随机拿到的基因。

---

第一章 为什么需要 MR：普通研究解决不了的问题

1.1 相关 ≠ 因果

假设我们抽了一万个糖尿病人的血，发现：血里 A 蛋白高的人，得糖网的多。能说"A 蛋白导致糖网"吗？不能。至少有三种解释：

可能性	说明	例子
真因果	A 蛋白确实伤害视网膜	那它就是药物靶点 ✅
混杂（confounding）	有第三个因素同时抬高 A 蛋白和糖网风险	病程长的人 A 蛋白高、糖网也多 → 真凶是病程
反向因果（reverse causation）	是糖网（或它的病理过程）让 A 蛋白升高	视网膜坏了才释放 A 蛋白，A 是结果不是原因

观察性研究（横断面、队列）没法把这三种区分开。你能校正的只有你测到的混杂因素，测不到的（reverse causation、未知混杂）就无解。

1.2 金标准是 RCT，但这里做不了

理论上最干净的做法是随机对照试验（RCT）：把人随机分两组，一组把 A 蛋白调高，一组不动，随访十年看谁得糖网多。因为分组是随机的，两组的病程、年龄、血糖、生活习惯平均下来都一样，唯一差别就是 A 蛋白 → 结果差异只能是 A 蛋白造成的。

但现实里：没有能安全调高 A 蛋白的药、随访十年成本天价、伦理上也不允许。对绝大多数蛋白，RCT 根本没法做。

1.3 基因就是老天爷帮我们做的随机分组

关键洞察在这里：

精子和卵子结合时，父母的等位基因是随机分给你的（减数分裂，孟德尔第二定律）。这个"随机发牌"发生在你出生之前，不受你后来的血糖、吸烟、病程、有没有得糖网的任何影响。

于是，如果我们能找到一个只影响 A 蛋白高低的基因变异（SNP），那么人群就被老天爷自动分成了两组：

        携带该变异（A 蛋白天生偏高）  ←── 随机分配，与后天因素无关
人群 ──┤
        不携带（A 蛋白天生偏低）

这两组人的年龄、生活习惯、病程平均下来是可比的（因为分配是随机的），差别只在 A 蛋白 → 这就近似一次天然的 RCT。这个思路就叫孟德尔随机化（Mendelian Randomization, MR）。

RCT	MR
研究者随机分组	受精时随机分配基因
干预：给药	干预：天生带不带这个变异
随访十年	基因从出生就"暴露"了，等于终身随访
贵、慢、常不可行	用已有的 GWAS 数据算，几分钟

顺带一个 MR 的独有优势

MR 反映的是"一辈子都比别人高一点点"的效应，而不是"吃药三个月"的效应。所以它更适合回答"这个靶点值不值得开发药物"，不适合直接预测"用药后降多少风险"。

---

第二章 MR 的骨架：三个角色和三条假设

2.1 三个角色

   工具变量 IV (SNP)
        │  ①相关性：确实影响暴露
        ▼
      暴露 (Exposure) ────因果?───▶  结局 (Outcome)
      = 某个蛋白                      = 某种糖尿病并发症
        ▲                                ▲
        └──② 不能有混杂偷偷连过来        │
        ③ SNP 不能绕开暴露、直接影响结局 ┘

• 暴露（exposure）＝你怀疑是"因"的东西。本课题 = 血浆里某个蛋白的水平。
• 结局（outcome）＝你想解释的"果"。本课题 = 糖尿病视网膜病变 / 肾病 / 神经病变 / AMD 等。
• 工具变量（IV, instrumental variable）＝拿来代替暴露的 SNP。MR 全部的可信度都压在工具上。

2.2 三条假设（MR 的命根子）

工具变量必须同时满足三条，缺一条结论就不成立：

#	假设	白话	违反了会怎样	我们用什么保护它
①	相关性 (Relevance)	SNP 真的能改变这个蛋白	工具太弱 → 估计有偏、随机噪声被放大	F 统计量（F<10 剔除）
②	独立性 (Independence)	SNP 不通过混杂因素影响结局	混杂又混进来了	用 cis 变异 + 人群/祖先匹配
③	排他性 (Exclusion restriction)	SNP 只能经过这个蛋白影响结局，不能走别的路	多效性偏倚——最主要的威胁	共定位、PheWAS、Egger、PRESSO、cis 设计

假设 ③ 是最难的，也是全部质控的核心

"多效性（pleiotropy）"= 一个 SNP 同时影响好几个性状。比如 APOE 的 rs429358 关联了近千种表型——用它当工具，你根本分不清结局的变化是经过目标蛋白，还是经过它影响的其他一堆东西。本页后面提到的绝大多数检验，都是在跟假设 ③ 死磕。

2.3 为什么本课题用 cis-pQTL（重要）

• pQTL＝影响某个**蛋白（protein）**血浆浓度的 SNP。
• cis-pQTL＝这个 SNP 就落在编码该蛋白的基因自己附近（一般指基因两端 ±1 Mb 内）。
• trans-pQTL＝在别的染色体/远处，通过一大堆中间环节间接影响这个蛋白。

打个比方：想调节一台机器上"A 零件"的产量——

• cis = 直接拧 A 零件生产线上的旋钮（机制明确，几乎不可能影响别的产线）；
• trans = 去总电闸上拨一下（A 零件产量是变了，但整个工厂几十条线全跟着变了）。

trans 天生多效性一堆，会砸烂假设 ③；cis 机制最直接、最干净。所以本课题只用 cis-pQTL（工具表按 cis/trans == "cis" 过滤）。代价是：cis 工具通常每个蛋白只有 1 个左右——这直接决定了我们用哪种统计方法（见下一章）。

工具是"现成的"，不是我们自己 clump 出来的

本课题的 cis 工具直接取自 UKB-PPP（Sun et al., Nature 2023）Supplementary Table 9 里的显著 cis-pQTL——每个蛋白一个 LD 独立的哨兵变异（数据实测 99.9% 的蛋白只有 1 个）。据论文方法学描述（经检索，未直接读到原文全文），这些是对显著变异做 PLINK 区域化 clumping 后的代表变异，LD 独立性由原文上游完成，我们不再二次 clumping。后文流程图里"cis 窗口 + clumping"那一步是通用引擎（换非 pQTL 暴露、从原始 sumstats 起跑）才走的；本课题筛查直接用现成哨兵。详见 工具变量选择。

---

第三章 一次 MR 到底怎么算出来的

3.1 两样本设计：不需要同一批人

我们不需要一个"既测了蛋白又随访了糖网"的队列。只要两份互相独立的现成 GWAS 汇总数据：

	数据来源	提供什么
暴露侧	UKB-PPP（约 5.4 万英国人测了 ~3000 种血浆蛋白）	SNP → 蛋白的效应量 beta.exposure
结局侧	FinnGen（芬兰全国生物库，几十万人的疾病诊断）	SNP → 疾病的效应量 beta.outcome

这叫两样本 MR（two-sample MR）。两个队列人群不重叠（英国 vs 芬兰），正好避免"样本重叠偏倚"。

为什么两侧都得是欧洲人？

不同人群的 SNP 之间连锁结构（LD）不一样。两侧人群不一致，等位频率和连锁结构错配会让效应量不可比。所以流水线要求暴露的 ancestry 与 LD 参考面板一致，不一致直接报错拦截（见 使用教程 §4.4）。

3.2 核心算式：Wald ratio（就一个除法）

只有 1 个工具 SNP 时，因果效应就是一个除法：

$${\beta }_{\text{因果}}=\frac{{\beta }_{\text{SNP}\to \text{结局}}}{{\beta }_{\text{SNP}\to \text{暴露}}}$$

直觉："这个 SNP 让疾病风险变了多少" ÷ "这个 SNP 让蛋白变了多少" = "蛋白每变 1 个单位，疾病风险变多少"。

就像：踩油门 1 厘米 → 车速 +5 km/h（暴露侧）；踩油门 1 厘米 → 油耗 +0.5 L（结局侧）；那么车速每 +1 km/h → 油耗 +0.1 L（相除，把油门这个中介消掉了）。

3.3 用我们的真实数字走一遍（AGER → 糖网）

拿结果表 results/screen_R9/Retinopathy_significant.csv 的第一行（真实数据）：

量	数值	意思
SNP	rs204993	工具变量
protein	AGER	暴露蛋白（晚期糖基化终产物受体）
effect_allele.exposure	G	效应等位（下面所有效应都相对 G 而言）
beta.exposure	−0.17	每多带一个 G，AGER 蛋白降低 0.17 个标准差
beta.outcome	+0.332	每多带一个 G，糖网的 log-odds 升高 0.332

代进除法：

$${\beta }_{\text{因果}}=\frac{0.332}{-0.17}=\mathbf{-}\mathbf{1.95}$$

这正是结果表里的 b = -1.9548。再转成大家习惯的 OR：

$$OR=e^{-1.95}=\mathbf{0.14}$$

翻译成人话：携带 G 的人 AGER 天生更低、而且糖网更多 → 反过来说，AGER 越高，糖网风险越低，AGER 每高 1 个标准差，糖网的比值比约为 0.14（95%CI 0.12–0.17，P=9×10⁻⁸²）。AGER 看起来是保护性的。

这个 0.14 不能直译成"高一个 SD 就少 86% 的病"

Wald ratio 是外推：它把"SNP 造成的那一丁点差异（0.17 SD）"线性放大到"整整 1 个 SD"。分母越小，放大倍数越夸张，OR 越极端。所以 cis-pQTL MR 的 OR 只该看方向和是否显著，绝对数值不要当疗效预测。这是新手最常犯的错。

3.4 多个工具时：IVW = 加权平均

如果一个暴露有好几个独立工具，每个工具各给一个 Wald ratio，把它们按精度加权平均就是 IVW（逆方差加权）——估计得准的 SNP（se 小）说话声音大。这是常规 MR 的主分析方法。

方法怎么选，流水线是按工具数自动决定的：

工具数	用什么	一句话
1 个（本课题批量筛查的常态）	Wald ratio	就是上面那个除法
≥2	IVW	主分析：加权平均
≥3	MR-Egger	允许多效性存在，截距 ≠ 0 就是多效性的警报
≥3	加权中位数 / 众数	即使一半工具是坏的也稳，用来交叉验证
≥3	MR-RAPS	工具偏弱、样本可能重叠时更稳健

**判读原则：几种方法方向一致才可信。**只有 IVW 显著、中位数和 Egger 都不支持 → 大概率是某个坏工具带偏的，别写进结论。

那只有 1 个工具的时候，这些互相验证不就都没了？

对——这正是 cis-pQTL 筛查的固有局限：单 SNP 没法做 Q 检验、Egger 截距、留一法。所以本课题把"验证"的担子交给两根支柱：共定位（疾病信号和蛋白信号是不是同一个因果变异，排 LD 混杂）、PheWAS（这个工具是不是多效位点，排水平多效性）。这就是为什么下游分析不是"锦上添花"，而是必须做。

⚠️ 注意：不要把"跨结局一致性（同一蛋白在多个并发症里都显著）"当成第三根验证支柱。遗传高度相关的并发症（如糖网↔肾病 rg≈0.97）本就会一起显著，多效位点（APOE）也到处显著——它区分不了真因果和假象，只能算支持性观察，不能替代共定位/PheWAS。

---

第四章 把整条流水线串起来看

到这里方法都齐了，现在看它们在实际分析里按什么顺序发生、每一步在解决哪条假设。

4.1 全流程一张图

【输入】UKB-PPP cis-pQTL 工具表        【输入】FinnGen 疾病 GWAS (R9/R13)
   (一行一个 pQTL，含 beta/se/eaf)         (全基因组，几百万行)
        │                                        │
        ▼                                        ▼
 ① 读取 + 标准化 ────────────────────────────────┤  各家格式不同：-log10P 还原、
        │                                        │  OR 取 log、列名对齐、去坏行
        ▼                                        │
 ② 选工具变量 (IV)                               │  → 保护假设①
    · 只留 cis（基因 ±500kb）                    │
    · P < 5e-6                                   │
    · LD clumping 去冗余 (r²<0.001)              │
    · 算 F，F<10 剔除（弱工具）                  │
        │                                        │
        └──────────────► ③ 谐化 Harmonise ◄──────┘  → 防方向搞反
                              · 等位基因对齐、回文 SNP 处理
                              · Steiger 定向过滤（剔除方向反的）
                                     │
                                     ▼
                          ④ MR 估计（Wald / IVW / Egger…）  → 得出 b、OR、P
                                     │
                     ┌───────────────┼───────────────┐
                     ▼               ▼               ▼
              ⑤ 敏感性检验      ⑥ 多重检验 FDR   ⑦ 共定位
              Q / Egger截距     几百个组合         同一因果变异？
              PRESSO / LOO      压假阳性           → 保护假设③
                     │               │               │
                     └───────────────┼───────────────┘
                                     ▼
                              ⑧ 证据整合 + 出报告/结果表
                                     │
                                     ▼
                    ⑨ 下游：PheWAS（多效性）· LDSC（疾病间遗传相关）
                            HyPrColoc（多疾病共享因果变异）

对应到代码：R/ 里的编号文件就是这些工序，详见 代码结构详解。

4.2 每一步在防哪种错（这是理解全流程的钥匙）

步骤	它在防什么错	不做会怎样
标准化	单位/编码错乱	FinnGen 的 mlogp 当成 P 值 → 所有 SNP 都"极显著"
cis 窗口	多效性（假设③）	用 trans 工具 → 结论可能走的是别的通路
LD clumping	同一个信号被重复计数	一个位点算了 10 遍 → 把置信区间人为缩窄
F 统计量	弱工具偏倚（假设①）	弱工具让估计朝观察性关联方向偏
谐化	效应方向反了	保护因素被报成危险因素（符号反了）
Steiger	反向因果	把"病导致蛋白变"错报成"蛋白导致病"
FDR	多重检验假阳性	1587 个工具 × 23 个病，光靠运气就能蹦出几十个 P<0.05
敏感性检验	单个坏工具带偏	结论其实由一个离群 SNP 撑着
共定位	连锁巧合	蛋白和疾病其实是两个挨着的不同变异 → 假因果
PheWAS	高多效工具	APOE 这种"什么都关联"的位点，结论不可信
双向 MR	方向搞反	因果箭头画反了

4.3 我们实际跑的两条路线

	批量筛查（本课题主力）	单条精细分析
命令	Rscript analysis/01_screen.R R9	Rscript run_all.R
规模	~1600 个 cis 工具 × 23 个结局（R9）	1 个暴露 × 少数结局
方法	单 SNP Wald ratio + 按结局做 FDR	自适应全套 + 敏感性 + 共定位
改哪里	outcome_manifest.csv（结局清单）	config.yaml
产出	每结局显著表 + 跨结局重叠矩阵 + 汇总表	完整 HTML 报告
干什么用	广度扫描：先找出哪些蛋白有信号	深挖：把某个蛋白钉死

顺序是：先用批量筛查铺开找信号 → 再拿显著的蛋白做精细分析和下游验证。

---

第五章 下游三件套：为什么它们是必需的

单 SNP 的 Wald ratio 显著，只是入场券。真正决定一条结果能不能写进论文的，是下面三件事。

5.1 共定位（Colocalization）——排除"连锁巧合"

要解决的问题：MR 说 AGER 和糖网都跟这个位点有关，但会不会其实是两个不同的因果变异，只是恰好挨在一起、被连锁不平衡（LD）绑在一块儿？

打比方：晚上看见两栋楼同时亮灯——

• 是同一个总开关控制的（→ 真共享，共定位支持）？
• 还是各有各的开关只是碰巧同时开（→ 连锁巧合，共定位不支持）？

怎么做：把这个基因位点附近成百上千个 SNP 的关联信号整条曲线拿来比对，算后验概率（= 二者共享同一因果变异的概率）。判定线两个方法不同：coloc.abf 用 PP.H4 > 0.8（Giambartolomei 惯例）；HyPrColoc 用 PP > 0.7（本课题方案定稿值，见 config.yaml）。

• coloc.abf：两两做（1 个蛋白 vs 1 个病）
• HyPrColoc：多性状一起做（1 个蛋白 vs 一堆病）——问的是"这个蛋白是不是同一个变异同时驱动了糖网+肾病+神经病变"，正好对上我们"泛并发症共享靶点"的课题。

共定位需要"区域级"数据，不是几个哨兵 SNP

批量筛查每个蛋白只用了 1 个哨兵 SNP，做不了共定位。要跑共定位，得从 UKB-PPP Synapse 把每个蛋白的区域 sumstats（cis 窗口内上千个 SNP）单独下下来。这就是 HyPrColoc 排在数据下载之后的原因。

判读：MR 显著 且 共定位支持 = 证据强；MR 显著 但 共定位不支持 = 标"证据不一致"，很可能是 LD 巧合。

5.2 PheWAS——给工具做背景调查

把每个显著的工具 SNP 拿去 OpenGWAS 扫上万种表型，看它还关联多少别的东西。关联得越多，越可能违反假设③（排他性）。

我们的实测结果（243 个显著 SNP → 22,473 条关联，查询日期 2026-07-18）：

SNP	蛋白	关联表型数	怎么看
rs429358	APOE	949	著名多效位点，结论必须打问号
rs505922	ABO	557	同上（血型位点，什么都关联）
rs2523594	HLA-E	541	HLA 区域，LD 极复杂
rs204993	AGER	523	在 HLA 附近，需共定位交叉验证

注意 AGER 也在这张榜上——所以第三章那个漂亮的 OR=0.14，光凭 MR 还不能下结论，必须等共定位。这就是"下游不是可选项"的活例子。

5.3 LDSC——这些病到底是不是一回事

LDSC（LD score regression）用全基因组数据算两种病之间的遗传相关 rg（−1 到 1），衡量它们共享多少遗传基础。它不做因果，是给整个课题定调用的。

我们的实测（R9，8 个疾病）：

发现	数字	意味着什么
微血管并发症之间高度相关	糖网↔肾病 rg=0.97、糖网↔黄斑 0.95	它们共享遗传基础 → 支持"泛并发症"整合分析这个课题设计
AMD 跟糖尿病并发症基本不相关	rg = 0.07–0.29	AMD 是独立疾病 → 拿它当"非糖尿病对照"是合理的
T1D 与 T2D 几乎不相关	rg ≈ −0.03	两者病理不同 → 必须分开分析，不能合并

---

第六章 结果怎么看（速览）

完整版在 → 结果怎么看 · 逐列逐图详解。这里先给你判读一条结果的五个问题：

1. 工具强不强？ 看 Fstat —— 必须 > 10（我们实际中位数约 790，很强）。
2. 显著吗？ 看 FDR < 0.05，不是 p < 0.05。跑了上千个组合，光看 P 一定有假阳性。
3. 方向是什么？ 看 OR：>1 = 蛋白升高增加风险；<1 = 保护。（数值大小别直译，见 §3.3）
4. 稳不稳？ 同一个蛋白是不是在多个相关并发症里都显著（看 overlap_matrix.csv）？只在一个病里冒头、别的都没有 → 谨慎。
5. 是不是巧合？ 这个 SNP 在 PheWAS 里多效性高不高？共定位 PP.H4 支持吗？

五个都过 → 可以写进结论。任何一个不过 → 写"提示性发现，需进一步验证"。

---

常见误解 FAQ

Q：MR 的 OR = 0.14，是不是说这个蛋白能把风险降 86%？ 不是。见 §3.3——Wald ratio 是把 SNP 造成的微小差异线性外推到 1 个 SD，OR 会被放大。只看方向和显著性。

Q：某个病 0 个显著蛋白，是不是说明蛋白跟它没关系？ 不是，多半是功效不足。比如 R9 的视网膜动脉阻塞只有 181 个病例——样本太少，什么都测不出来。看 SUMMARY_publication.csv 的 ncase 一列就明白了。

Q：为什么 T2D（FinnGen）有 72 个显著，而 T2D（Mahajan）只有 7 个？ 结局定义不同。FinnGen 自己的 T2D 定义偏宽松（把很多广义病例算进来），显著数会虚高。Mahajan 是专门的 T2D meta 分析，定义严格。这正是我们同时跑两个 T2D 数据源的原因——用来互相校验。

Q：P 值都 1e-82 了还需要 FDR 吗？ 需要。FDR 是流程纪律，对整批结果统一执行。极显著的那些 FDR 照样极小（AGER 的 FDR=1.4e-78），不影响；它拦的是 P=0.01 那批"看着显著其实是撞运气"的。

Q：只有 1 个工具 SNP，MR 还算数吗？ 算，但必须靠共定位 + PheWAS 两根支柱补位（跨结局一致性只是支持性观察，不算独立验证；见 §3.4 的提示框）。这是 cis-pQTL MR 的标准做法，也是本领域的惯例。

Q：MR 证明了因果，就能直接做药吗？ MR 给的是"值得投入"的遗传学证据（方向 + 是否有因果），不能替代功能实验。所以本课题后面还接视网膜 eQTL 组织落位、可成药性评估，以及湿实验验证。

---

术语速查

词	一句话
SNP	单个碱基的常见变异，是基因组上的"位点"
GWAS	全基因组关联分析：扫全部 SNP 看哪个跟性状有关，产出"汇总数据"
sumstats	GWAS 汇总数据：每个 SNP 一行，含 beta/se/p
beta	效应量。连续性状 = 变化多少；疾病 = log(OR)
OR	比值比。>1 危险，<1 保护，=1 没影响
eaf	效应等位基因频率
LD（连锁不平衡）	挨着的 SNP 会一起遗传，导致"信号绑定"
clumping	按 LD 去冗余，只留代表性 SNP
pQTL / eQTL	影响蛋白 / 基因表达水平的 SNP
cis / trans	在基因自己附近 / 在远处
IV	工具变量，代理暴露的那个 SNP
F 统计量	工具强度，<10 = 弱工具
多效性 pleiotropy	一个 SNP 影响多个性状（MR 的头号敌人）
FDR	错误发现率，多重检验校正后的显著性
PP.H4	共定位后验概率，>0.8 = 共享同一因果变异
rg	遗传相关，两个性状共享遗传基础的程度

---

接下来读什么

你想干嘛	去哪
看懂结果表和图	结果怎么看 ⭐
自己跑一遍	新手快速上手
看代码怎么组织的	代码结构详解
看每步的公式和文献	方法引擎详解
看本课题完整方法学	案例-糖尿病 pQTL 研究
还有哪些方法能补	可补充的 MR 方法