孟德尔|有一种不幸是投不出去，另一种则是..

大家都在说孟德尔随机化投不出去，但更多的人是在指责这个方法而不看文章做的怎样，说来也是一种不幸。方法无罪，更何况这是一个证据等级仅次于RCT的研究方法。因此，有人在鼓吹孟德尔的时代已经过去，有人在偷偷学习，有趣

当然，今天要讨论的，是另一种不幸—— 即便投了出去，也会被拿出来鞭打

如图，这是一篇今年8月份新鲜出炉的文章，第一作者是Alice R Carter，以孟德尔结果解读需要严谨对待为主线，对Cai等人的一篇MR进行多维度剖析，其中有说的不太合理的，也有非常中肯的地方

被拿出来剖析的这篇MR，做的是BP与psychological disease的因果关系

以下对Carter 所关注的点逐一剖析

1⃣️ Cai等人描述其研究为双向因果，但实际只做了单个方向。不过按照Carter 的说法，作者是因为做反向分析时工具变量数目不够，因此也就没有进行反向分析(其实这个是比较好解决的)。在Carter 的复现中，反向分析确实存在只有一个SNP的情况，且得到了阳性结果，但Carter也表明他们并不承认这一阳性结果，因为SNP只有一个，只能做Wald ratio，没办法进行多维度验证，这也是我有点反感药物靶点的原因，本身就是一个充满争议的结果。因此Cai等人不做反向也是有一定的依据

2⃣️ 在Cai等人的研究中，只用了GSMR进行因果推导，方法单一。目前主流的方法都是采用TSMR进行多维度分析。有上过我课程的小伙伴应该清楚，采用多种基于不同假设的方法对结果做出准确的判断，才能做到不夸大，不误判，这一点在Carter也做了强调

3⃣️ 样本重叠问题，在Carter的这篇文章里面也被提出来了。这其实是我课程重点强调的问题，尤其是对当大型单一队列占比较大时。

4⃣️ 在Cai等人的研究中，所采用的BP数据经过BMI矫正。这似乎看起来比较严谨，但实际上会引入偏倚。公共GWAS对协变量进行矫正并非我们能左右，但并不代表我们能忽略这个问题，起码要在讨论中进行探讨。

从这里看，代码虽简单的MR并非有手就行，难点在于他处。当然，文章都是会有缺陷的，我们能做的只有尽量提高认知，在力所能及范围内做到极致。

更多学习内容，欢迎有志芝士的加入！

欢迎联系我。