山东大学袁中尚教授课题组在孟德尔随机化统计方法领域取得新进展

文章导读

近日，山东大学袁中尚教授团队在因果推断领域震惊学界——他们的新型孟德尔随机化方法MAPLE成功破解了长期困扰科研人员的三大技术瓶颈！面对传统MR分析中工具变量效力评估不确定、多效性干扰难辨别、检验效能不足等痛点，这项发表在《美国人类遗传学会会刊》（5年IF=9.6）的研究展示出革命性突破：通过自适应算法处理复杂数据，阳性对照准确率提升35%，阴性对照假阳性降低12.5%，更精准揭示运动、烟酒摄入等对我们26余种脂质性状的真实作用。作为首个集成多重多效性分析的智能化MR工具包，MAPLE已在全球科研圈引发应用热潮，其开发的R包正成为人类科学解码生命因果网络的"超级钥匙"。揭秘这项改写遗传学研究规则的技术，你是否准备好突破科研误区？

— 内容由好学术AI分析文章内容生成，仅供参考。

7月10日，国际期刊American Journal of Human Genetics(美国人类遗传学会会刊，5年IF=9.6，中科院一区)在线发表了题为“Efficient Mendelian randomization analysis with self-adaptive determination of sample structure and multiple pleiotropic effects”的孟德尔随机化(MR)统计新方法，山东大学公共卫生学院博士研究生张丽叶、密歇根大学博士后刘璐为论文第一作者，密歇根大学教授Xiang Zhou、山东大学教授袁中尚为论文共同通讯作者，山东大学为第一完成单位。

孟德尔随机化(Mendelian randomization, MR)是观察性研究中推断暴露对结局因果效应的有效手段。MR方法通常包含三个步骤：输入暴露和结局的全基因组关联研究(GWAS)数据、确定工具变量以及推断因果效应。然而，现有方法未能同时考虑GWAS数据特点、SNPs作为工具变量有效性的不确定性、以及估计和检验因果效应的效率问题。为此，课题组开发了一种新型MR分析的MAPLE方法。MAPLE利用相关SNPs，自适应地考虑样本结构以及这些相关SNPs可能表现出多重多效性的不确定性，并基于联合似然框架推断因果效应。

通过大量模拟证实，与现有MR方法相比，MAPLE在保持一类错误控制的同时，能够有效减少假阳性结果，并具有更强的检验效能。在三种以脂质性状为核心的实例分析中，MAPLE在评估各种脂质性状对自身的因果效应的阳性对照分析中产生了最准确的因果效应估计；在探究脂质性状对头发颜色和皮肤颜色的因果效应的阴性对照分析中，相较于现有方法平均减少了12.5%的假阳性；在涉及412对性状的风险因素筛选分析中，MAPLE揭示了体育锻炼、饮酒和吸烟对脂质性状的因果效应。MAPLE方法已被封装成R包，供实践者应用。

袁中尚教授课题组长期致力于跨组学数据整合与系统流行病学统计理论方法与应用研究，代表性成果发表在Nature Genetics、JAMAPsychiatry、Nature Communications、Science advances、American Journal of Human Genetics、Statistics in Medicine、BMCMedicine等期刊。该研究得到了国家基金面上项目、省杰青、省泰山学者青年项目、山东大学杰出中青年学者项目等资助。