02 · 工具变量选择

对应模块：R/04_iv_select.R参考：Zheng 2020；Staiger & Stock 1997；Pierce 2011

先说清楚：本课题的 cis-pQTL 筛查用的是「现成哨兵」，不走本页的 clumping

本页描述的是通用全量引擎（run_all.R）从原始 sumstats 里选工具的完整四步。但本课题的 主筛查（analysis/01_screen.R）不走这条——工具变量直接取自 UKB-PPP (Sun et al., Nature 2023) 的显著 cis-pQTL 表（Supplementary Table 9），每蛋白一个 LD 独立的哨兵变异。

数据实测：99.9% 的蛋白仅含 1 个 cis 工具，每「蛋白×基因组区域」恰好 1 个变异，无蛋白含 ≥3 个。
据论文方法学描述（经检索，尚未直接读到 Nature 原文全文，以下为原文摘要转述）：这些 primary 关联系对全基因组显著变异做 PLINK 区域化 clumping（±1Mb，排除 HLA） 后的代表变异—— 也就是说，LD 独立性已由原文上游完成，本流水线直接采用其哨兵，不再二次 clumping。
论文另报告约 87% 的 cis 位点存在条件独立的 secondary 信号；本课题为保守起见仅用 primary 哨兵。

因此：审稿人若问"工具有没有做 LD 处理"，答案是 做了，在数据源 UKB-PPP 上游用 PLINK 完成，不是我们遗漏。本页的 clumping 步骤只在通用引擎（换非 pQTL 暴露、从原始 sumstats 起跑）时才触发。

作用

从标准化后的暴露数据里，选出满足 MR 相关性假设的工具变量（IV）。编排函数 select_instruments() 依次做四步，并全程记录 SNP 流水账（STROBE-MR item 10a 流程图）：

raw → 显著性 → cis 窗口 → LD clumping → F≥10 剩余

1. 显著性阈值（`apply_significance`）

按分析模式取阈值（iv: 段可调）：

cis 模式：pval_cis = 5e-6（cis 区域先验强，阈值放宽）
genome_wide 模式：pval_genome_wide = 5e-8（全基因组显著）

2. cis 窗口过滤（`apply_cis_window`，仅 cis 模式）

以基因的 TSS/TES 为中心，取 ±cis_window_kb（默认 500kb，可改 1000=±1Mb）内的 SNP。窗口由 resolve_cis_window()（01_config.R）解析：优先用暴露条目里显式的 chr/tss/tes，否则查 gene_annotation 按基因名定位。

window = [ min(tss,tes) − 窗口 ,  max(tss,tes) + 窗口 ]

3. LD clumping（`clump_iv`）

去掉连锁不平衡（LD）冗余，保留近独立的工具。两种后端：

local：本地 PLINK 二进制 + 1000G LD 面板（/mnt/d/mrdata/ldpanel/EUR），走 ieugwasr::ld_clump；
api：OpenGWAS 在线 clumping。

参数 clump_r2 = 0.001、clump_kb = 10000。

LD 面板祖先必须匹配暴露人群（STROBE-MR）

clumping 用的 LD 结构必须与暴露 pQTL/GWAS 的人群祖先一致。用欧洲人面板去 clump 东亚/非洲人群的 pQTL，会因连锁结构错配选出有偏的工具变量。

为此每个暴露须声明 ancestry，ld 段须声明面板祖先（local 用 ld$ancestry，api 用 iv$clump_pop）。clump_iv() 在 clumping 前调用 assert_ld_ancestry_match()：

暴露祖先 ≠ 面板祖先 → 直接报错拦截（01_config.R 加载配置时也会 fail-fast 提前拦下）；
暴露未声明 ancestry → 仅告警放行（向后兼容）。

换非欧暴露：把 bfile 换成对应人群面板（如 /mnt/d/mrdata/ldpanel/EAS）、ld$ancestry 改成 EAS，并把暴露 ancestry 设为 EAS。单一全局 LD 配置只能服务同祖先的暴露；多祖先请分 config 分别跑。

失败守卫

clumping 失败时不中断：回退用未 clump 的 SNP，并打上 unclumped 标记 —— 报告会明确标注"结果可能因 LD 冗余而膨胀"，而不是悄悄给出误导结果。SNP ≤1 个时直接跳过 clumping。

4. F 统计量与 R²，剔除弱工具（`compute_f_stats`）

衡量工具强度（相关性假设）。有 EAF 时按标准公式逐 SNP 计算：

每个 SNP 的方差解释比例 R²（maf = min(eaf, 1−eaf)，n = 样本量）：

R^{2} = \frac{2 β^{2} maf (1 - maf)}{2 β^{2} maf (1 - maf) + 2 n maf (1 - maf) s e^{2}}

每个 SNP 的 F 统计量：

F = \frac{R^{2} (n - 2)}{1 - R^{2}}

整体 F（k 个强工具，r2_sum = ΣR²，n_mean 平均样本量）：

F_{overall} = \frac{r 2_{sum} (n_{mean} - k - 1)}{(1 - r 2_{sum}) k}

弱工具剔除：去掉 F < f_stat_min（默认 10）的 SNP —— F<10 是弱工具偏倚的经典阈值（Staiger & Stock）。

EAF 缺失时的代理

若整列 EAF 缺失，无法算 R²，则用 (beta/se)² ≈ z² 作每-SNP F 的代理（此时不做弱工具剔除，仅提示）。

对应 config 字段

yaml

analysis_mode: "cis"          # cis | genome_wide
iv:
  pval_cis: 5.0e-6
  pval_genome_wide: 5.0e-8
  cis_window_kb: 500          # ±500kb
  clump_r2: 0.001
  clump_kb: 10000
  clump_pop: "EUR"            # api 模式的 LD 面板人群；须与暴露 ancestry 一致
  f_stat_min: 10              # 弱工具阈值
ld:
  method: "local"             # local(PLINK) | api(OpenGWAS)
  plink_bin: "plink1.9"
  bfile: "/mnt/d/mrdata/ldpanel/EUR"   # LD 面板 bfile 前缀
  ancestry: "EUR"             # local 模式必填：该面板人群祖先，须与暴露 ancestry 一致

每个暴露/结局条目也需声明 ancestry（如 EUR/EAS/AFR），既供 STROBE-MR 报告样本祖先，也用于 clumping 前的面板匹配校验。

输出

一张工具变量表（含每 SNP 的 f_stat、r2），并在属性里带上 overall_f、overall_r2、unclumped 标记，以及 flow 计数（raw → significant → cis_window → clumped → strong_F）供报告画流程图。

下一步：工具变量与结局数据一起进入谐化与定向过滤。

02 · 工具变量选择 ​

作用 ​

1. 显著性阈值（apply_significance） ​

2. cis 窗口过滤（apply_cis_window，仅 cis 模式） ​

3. LD clumping（clump_iv） ​

4. F 统计量与 R²，剔除弱工具（compute_f_stats） ​

对应 config 字段 ​

输出 ​