孟德尔随机化 --痛风与酒精消耗量

写在前面

最近看了微信公众号,jimmy谈到生信与基础之间,个人觉得生信与基础技术是无高低之分的,本质上都是科研中为了证实结果的一个工具。生信的实质是用计算机分析数据,接触基础比较好,感觉是实验操作。分析上游为实验(数据来源),实验下游为分析,二者并无高低之分。要做好科研,技术是必备的,但科研思路更为重要。没有思路,没有立意,没有生物学故事,光有技术只是个各个PI的工具人。
如何培养科研思路?无他,从文献中学,从文献中总结。综述是你了解一个领域的快速方法,帮你塑造框架。具体的研究文章,则往里添加血肉。最近刚好对孟德尔随机化感兴趣,也看看痛风的相关文章吧。

痛风综述

看的文献是这篇:https://pubmed.ncbi.nlm.nih.gov/33798500/,杂志柳叶刀的,反正都要看综述了,就看高分文章。我个人是会使用翻译软件的,我是可以英文阅读的,但对于这种新领域,阅读速度会偏慢。

摘要部分:
痛风是由单钠尿酸盐结晶沉积在关节和非关节结构中引起的一种常见病,也是一种可以治疗的疾病。血清尿酸盐浓度升高(高尿酸血症)是痛风发病的最重要风险因素。血清尿酸盐受肾脏和肠道中尿酸盐转运体的调节,特别是 GLUT9(SLC2A9)、URAT1(SLC22A12)和 ABCG2。单钠尿酸盐结晶激活 NLRP3 炎症小体并释放 IL-1β 在痛风发作的起始阶段发挥了重要作用;聚集的中性粒细胞胞外捕获物在缓解阶段发挥了重要作用。痛风虽然表现为间歇性发作,但却是一种慢性疾病。
长期的降尿酸治疗(如别嘌呤醇)可使单钠尿酸盐结晶溶解,最终预防痛风发作和痛风石,改善生活质量。护士指导护理等策略可有效提供高质量的痛风护理,并显著改善患者的治疗效果。

临床表现

阈值:血液尿酸浓度等于或大于 0.42 mmol/L (7 mg/dL).
发作特征:1.刺痛 2.时间短(12小时内)3.无药物治疗也能于7-14天自行缓解
4.常发生于下肢及单关节,若发展到上肢及多关节,则说明更为严重。
5.随着病情发展,发作间隔时间短,发作持续时间长
诱因:高嘌呤饮食、饮酒、关节损失、急性炎症

流行病学

不同地区不同人种区别大,大洋洲发生率高(养殖牛?高嘌呤)?男性比女性高,女性绝经前更少发生痛风(雌激素是个保护因素?)。随着年龄增加,男女发作率风险会降低。

风险因子 : 嘌呤 、海鲜 、红肉 、高糖 、遗传位点但仅能解释7.7%左右的尿酸浓度差异

疑点?没有痛风的普通人其饮食对尿酸浓度无差异影响。

2021年的文章,对痛风的机制依旧是没有很深的了解,可能确实也是因为现在这个病症有很好的疗效,且发生率不是很高吧。

病理学

病理不细学,与摘要部分类似。只看感兴趣的

ABCG2 也与肠道尿酸盐排泄密切相关,ABCG2 的遗传变异会导致肾外尿酸盐排泄不足和高尿酸血症。
在全球多个人群中,SLC2A9(编码 GLUT9)、ABCG2 和 SLC22A12(编码 URAT1)的变异与血清尿酸盐和痛风的关系最为密切。

高尿酸不一定会痛风,只有15%的概率会痛风,主要看有没有结晶体。

从免疫细胞中学到痛风大致原因为免疫细胞将结晶体当做外来入侵物产生炎症反应,而药物也是起抗炎作用。这里文献讲的内容是类似的。

治疗

抗炎治疗
在这里插入图片描述

额外知识

心血管疾病是痛风患者死亡率升高的主要原因。

额外阅读文献

饮酒与痛风之间的孟德尔分析
The Relationship between Alcohol Consumption and Gout: A Mendelian Randomization Study
IF:2.8中科院分区:3区 生物学WOS分区:Q2

结论是饮酒不造成痛风,但痛风会饮更多酒。感觉还是跟印象中的不大一样,但该篇作者的方法部分看上去没啥问题,也招募了自己的人员。受试者组如下:非酒精性高尿酸血症(n = 10)、酒精性高尿酸血症(n = 10)、非酒精性痛风(n = 10)和酒精性痛风(n = 10);此外,还招募了一组 10 名健康、匹配的对照组。结果发现痛风组尿酸高于非痛风组,饮酒不影响尿酸水平。

该文只做了3个结果,算是比较少。也没有写具体用了哪些数据,只是说用了ebi数据。补充信息未找到。

这倒是给了一个方向,研究人们通常认为某因素与某结果强关联,但实际却不尽然。
相关内容也发布在微信公众号“失意的生信小菜狗”,b站上还有之前发给的生信入门课(搜索“至-山水有相逢”)。

内容概要:本文深入探讨了折扣店快消品定价的研究,涵盖快消品折扣店行业的概述、定价影响因素、定价策略、定价方法、定价技巧及案例分析。快消品行业涉及日常生活用品、食品、饮料等,具有高频次和重复购买的特点。折扣店市场规模不断扩大,主要参者包括赵一鸣、好特卖等。影响定价的因素包括成本(生产、库存、物流)、市场需求(规模、购买力、需求弹性)、竞争(对手定价策略、市场份额)、产品特性(差异化、品牌形象)、渠道分销成本、政府政策等。定价策略分为成本导向(成本加成、目标收益)、需求导向(理解价值、需求差异)和竞争导向(随行就市、投标定价)。定价方法包括市场调研、成本加成、竞争比较和价值定价。定价技巧涵盖高价撇脂、渗透定价、价格歧视和捆绑定价。最后通过好特卖、嗨特购、零食很忙的案例分析,展示了不同折扣店的定价策略及其效果。 适合人群:从事快消品行业、折扣店运营的管理人员及对定价策略感兴趣的商业人士。 使用场景及目标:①帮助折扣店管理者了解定价的基本理论和实际操作方法;②为快消品企业提供定价决策支持,优化定价策略;③通过案例分析,提供实际操作中的经验和教训。 其他说明:折扣店在制定快消品定价时,应综合考虑多种因素,灵活运用不同的定价策略和技巧,以应对市场变化,提升竞争力。建议企业定期监控市场动态,分析消费者反馈,不断优化定价方案。
<think>嗯,用户想找孟德尔随机化中IVW-RE方法的实现代码,用R或者Python。首先,我需要回忆一下IVW-RE是什么。IVW代表逆方差加权,RE是随机效应模型,所以IVW-RE应该是考虑异质性的一种方法。然后,我需要查一下相关的包。在R里,我记得有TwoSampleMR和MendelianRandomization这两个包可能支持。Python的话,可能有mrbase什么的,但不太确定。 用户提到了引用中的几个资源,比如引用3里用了mr函数,默认五种方法,可能包括IVW。不过用户需要的是IVW-RE,也就是随机效应版本。在R的MendelianRandomization包中,mr_ivw函数有个参数model,可以设置"fixed"或"random"。所以应该用model = "random"来得到IVW-RE的结果。 接下来,我需要确认代码示例是否正确。比如,加载数据,确保有beta暴露、beta结局、se暴露、se结局这些列。然后使用MendelianRandomization包的mr_input输入数据,再调用mr_ivw函数,设置model为random。这样就能得到结果,包括估计值、标准误、p值等。 对于Python部分,可能没有现成的库,但用户可以用statsmodels手动实现。需要计算加权后的系数,考虑随机效应的tau²。这可能涉及到meta分析的方法,比如用DerSimonian-Laird估计量来计算tau²,然后调整权重。这部分可能需要更详细的步骤,比如先计算固定效应的IVW,再估计异质性,然后重新计算随机效应的权重。 另外,用户的问题可能还涉及如何准备数据,比如从GWAS结果中提取工具变量的效应值和标准误。需要提醒用户注意工具变量的假设,比如相关性、独立性、排他性限制等。同时,在结果解释时,随机效应模型适用于存在异质性的情况,所以需要报告tau²和Q统计量。 最后,生成相关问题的时候,要考虑用户可能的后续问题,比如异质性检验、其他MR方法比较、数据预处理等。这样可以帮助用户更全面地了解IVW-RE的应用和注意事项。</think>### 孟德尔随机化中IVW-RE方法实现 #### 方法简介 逆方差加权随机效应模型(IVW-RE)是孟德尔随机化分析中处理工具变量异质性的常用方法。其核心公式为: $$ \beta_{IVW} = \frac{\sum \beta_{X_j}\beta_{Y_j}/\sigma_{Y_j}^2}{\sum \beta_{X_j}^2/\sigma_{Y_j}^2} $$ 其中$\beta_{X_j}$和$\beta_{Y_j}$分别表示工具变量暴露因素、结局变量的关联效应量,$\sigma_{Y_j}$为对应标准误[^1][^4]。 #### R语言实现代码 ```r # 加载必要包 library(TwoSampleMR) library(MendelianRandomization) # 数据准备(需包含beta暴露、beta结局、se暴露、se结局列) dat <- mr_input(bx = exposure_data$beta, bxse = exposure_data$se, by = outcome_data$beta, byse = outcome_data$se) # IVW-RE方法执行 ivw_re_result <- mr_ivw(dat, model = "random", # 指定随机效应模型 weights = "delta") # 使用delta法加权 print(ivw_re_result) ``` #### 关键参数说明 1. `model = "random"` 表示采用随机效应模型 2. `weights = "delta"` 使用delta法计算权重 3. 结果输出包含: - 因果效应估计值(Estimate) - 标准误(Std Error) - 95%置信区间 - 异质性检验(Q统计量)[^3] #### Python实现参考 目前Python暂无官方MR专用包,可通过statsmodels手动实现: ```python import numpy as np import statsmodels.api as sm # 构造权重矩阵 weights = 1 / (se_y**2 + (beta_x**2)*(se_x**2)) X = sm.add_constant(beta_x) model = sm.WLS(beta_y, X, weights=weights) results = model.fit(cov_type=&#39;HC0&#39;) print(results.summary()) ``` #### 注意事项 1. 数据需预先完成工具变量筛选和协调(harmonise_data) 2. 需检查工具变量假设(相关性、独立性、排他性限制) 3. 建议同时报告固定效应(IVW-FE)结果作为对比 4. 异质性较大时(Q检验p<0.05),RE模型更可靠
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值