孟德尔随机化--痛风与饮食

写在前面

再看两篇吧,看看有没有啥思路

文章

The comparative effect of exposure to various risk factors on the risk of hyperuricaemia: diet has a weak causal effect
IF:4.4中科院分区:2区 医学WOS分区:Q1

结论

饮食在确定血清尿酸盐水平和 高尿酸血症方面的作用相对较小。在痛风中,ULT(降尿酸治疗)的使用是测试高尿酸血症的最大归因分数。

人群归因分数是什么?

人群归因分数(population attributable fraction, PAF)是指人群中可归因于特定危险因素的结局的病例比例,包括暴露的患病率和效应量[30]。单个疾病的多个危险因素的 PAF 总和不限于 100%,因为一个结果可能在整个人群中具有多种风险路径。

人群归因分数的计算需要暴露与结局都为二分类变量。计算方式为:For the various exposures, the PAF calculation was (frequency of exposure in cases) × (ORExposure – 1)/ORExposure) [36]. Odds ratios for the risk of HU for these exposures were calculated in a logistic regression multivariable model including all other environmental and endogenous exposure variables and SLC2A9 rs12498742 genotype—this variant was chosen for individual focus because of its large effect on serum urate levels。
还引入到一个平均可归因分数 (AAF),针对所有其他暴露变量和 rs12498742 基因型进行调整。可使用R中的averageAF计算。

结果

各种PAF及AAF

男性的 PAF 和 AAF 最大,超重或肥胖的测量值位居第二,遗传 SLC2A9 rs12498742 A 等位基因的影响位居第三。队列 2 和队列 3 的危险因素排名相同(性别> BMI > rs12498742 >饮食依从性>饮酒>利尿剂治疗>年龄),而队列 1 将相同的三个危险因素排在第一位(性别> BMI > rs12498742),然后在其余四个危险因素(利尿剂治疗>饮食依从性>年龄>饮酒量)的排名不同。

在痛风队列中,缺乏降尿酸治疗的PAF第二大,为63.2%,仅次于性(76.7%).BMI 和 SLC2A9 rs12498742 的 PAF 低于非痛风队列(非痛风组为 57% 至 69%,痛风组为 48% 至 49%),非痛风组(队列 3)不遵守健康饮食金字塔指南的比率为 21.4%,痛风组为 11.8%。平均可归因分数值也显示出类似的趋势

在非痛风队列的性别分层分析中,女性rs12498742的PAF为77.7%至96.4%,而男性为49.2%至58.9%(表S1)。在所有队列中,酒精不是女性的危险因素,也不是队列2和队列3中男性年龄的危险因素,也不是痛风(表S1;95%CI包含1.0)。这两个队列来自英国生物样本库招募的年龄下限为40岁,这可能影响了计算。

在非痛风队列中,GWAS评估了30个遗传非依赖性血清尿酸盐相关遗传变异(表S2),其中SLC2A9 rs12498742变异最大,PAF范围为28.5%至32.1%,AAF范围为22.0%至23.5%。为了进行比较,我们对遗传变异的PAFs进行了求和,假设变异体彼此独立地影响高尿酸血症风险,单个PAFs的总和>为141%(队列1为146.2%,队列2为143.7%,队列3为141.3%)。将 AAF 相加(相当于上文 PAF 的总和)导致所有三个队列的总 AAF 总和 87%(队列 1 为 97.9%,队列 2 为 87.1%,队列 3 为 101.6%)。痛风队列的高尿酸血症遗传变异的总归因分数要低得多(PAF为77.6%,AAF为44.0%),可能反映了选择偏倚。

孟德尔随机化部分

(优先饮用脱脂牛奶和优先饮用脂肪含量较高的牛奶)、食用桶装人造黄油和每日食用干果与提高尿酸有因果关系(红线部分)。这四种饮食习惯共包含39个SNP,16个与BMI相关。为了证明是BMI影响了饮食习惯再影响了尿酸,做了多变量孟德尔。做完多变量孟德尔后,这四种饮食习惯均与尿酸无因果关系(黑线部分)。此外,四种饮食习惯与BMI存在双向因果关系,表明二者存在相关多效性,这表明 BMI 和四种饮食习惯是强相关的特征或通过共同途径起作用,并且这四种饮食习惯对尿酸盐水平没有影响,与 BMI 无关。
在这里插入图片描述

在这里插入图片描述

写在后面

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tau²,然后调整权重。这部分可能需要更详细的步骤,比如先计固定效应的IVW,再估计异质性,然后重新计随机效应的权重。 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='HC0') 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