Frontiers系列期刊不再接收孟德尔随机化了？我该何去何从？

近期，网络上有关Frontiers系列期刊不再接受孟德尔随机化研究的截图引起了广泛关注，大致内容是：“由于最近的政策变化，我们的任何期刊都不再接受孟德尔随机化的论文。因此，您将无法在我们的期刊上提交这种类型的稿件。”许多人对此感到困惑和担忧，担心这一研究方法是否已经失去了学术界的青睐。那么孟德尔随机化真的不能发了吗？当然不是！

学术界对于任何研究方法的接受程度都是动态变化的。孟德尔随机化作为一种流行的方法，自然也会受到过度使用和”灌水”现象的影响。但正如历史上的meta分析一样，即使面临质疑，只要研究方法本身有其科学价值和创新性，它就不会被轻易淘汰。

研究人员应该专注于提高研究的质量和创新性，而不是过分担心外部环境的变化。只要我们的研究能够为科学界带来新的知识和见解，它就仍然具有发表和传播的价值。而对于文章秒拒的情况，小编认为还是需要从文章的本身找原因。

选题–着重于临床

首先，选题的关键性不容忽视，尤其是在临床研究领域。无论采用孟德尔随机化、Meta分析，还是利用各种公共数据库，这些方法固然多样且重要，但它们只是工具，而非研究的核心。真正的核心问题在于，能否通过这些方法切实解决临床问题。因此，研究选题必须紧密围绕临床需求，确保研究具备实际应用价值。对于SCI论文来说，选题的重要性甚至超过了研究方法的复杂程度和研究结果的阳性或阴性。一个临床导向明确的选题，不仅决定了文章的学术水平，还直接关系到其在实践中的应用潜力。因此，选题的优劣是学术研究成功的基石。与其担心孟德尔随机化这个方法本身不再受欢迎，又或者太过追求复杂的方法，不如专注于那些真正具有临床意义的选题。

结合其他方法–解决MR的局限性

在做孟德尔随机化研究时，建议将其作为研究方法之一，而非唯一的方法。通过与其他技术手段的结合，可以有效弥补孟德尔随机化的某些局限性。例如，可以做更深层次的MR（免疫、蛋白组学等等），或者将孟德尔随机化与多组学数据（如转录组学、单细胞测序）或机器学习、网络药理学等方法结合使用。这不仅有助于提升研究的创新性，还能够增强研究结果的可靠性和科学性。对于拥有充足科研经费的团队，可以在数据分析之后添加适当的实验验证，以进一步巩固研究结论，从而增加文章被高水平期刊接受的可能性。

为了应对当前孟德尔随机化研究中存在的数据选择偏倚、参数调整、单一论证及多效性等问题，可以采用以下策略进行优化：

1.整合Meta分析：通过纳入来自不同来源的多组数据作为暴露和结局进行分析，能够有效减少GWAS数据选择偏倚，提升研究的广泛性。

2.结合公共数据库或真实世界数据：例如，利用NHANSE、CHARLS、ELSA等大型数据库，可以拓宽分析范围，减少常规混杂因素的影响，从而增强研究结果的可信度。

3.结合药物靶点和PheWAS分析：在缺乏临床试验数据时，药物靶点MR可以预测药物的潜在疗效和安全性，类似于临床试验中的随机化。此外，通过PheWAS分析，可以探讨候选药物对全表型组的遗传预测变化，进而识别可能的靶向副作用，为复杂性疾病寻找新的治疗靶点或干预措施。

写作规范化

建议在MR写作中，应当采用STROBE-MR清单来详细阐述术语，并解释其包含的20个项目。这些项目及其含义和基本原理对于确保研究的透明度和可重复性至关重要。研究者应在撰写论文和设计研究时，将这些规范作为补充材料的一部分，严格遵循以确保研究的质量和标准。