一种考虑连锁不平衡与特异多效性并应用于 COVID-19 结局的两样本稳健贝叶斯孟德尔随机化方法
统计方法学
2021-11-17 v3
摘要
孟德尔随机化（MR）是一种利用遗传变异作为工具变量来估计可改变风险因素对感兴趣结局因果效应的统计方法。尽管基于全基因组关联研究汇总水平数据的各种流行两样本 MR 方法被广泛使用，但当所选遗传变异处于连锁不平衡（LD）中，且对结局具有相对较大的直接效应（其分布可能重尾，通常称为特异多效性现象）时，这些方法可能出现潜在的检验效能损失和/或偏倚推断。为解决这两个问题，我们提出了一种新颖的稳健贝叶斯孟德尔随机化（RBMR）模型，该模型在概率模型框架中使用更稳健的多变量广义 t 分布来建模此类直接效应，并可显式纳入 LD 结构。广义 t 分布可表示为高斯尺度混合，从而可通过 EM 型算法估计模型参数。我们通过使用似然比检验校准证据下界来计算标准误。通过大量模拟研究，我们表明 RBMR 相较于其他竞争方法具有稳健表现。我们还将 RBMR 方法应用于两个基准数据集，发现 RBMR 具有更小的偏倚和标准误。利用我们提出的 RBMR 方法，我们发现冠状动脉疾病与重症 2019 冠状病毒病（COVID-19）风险增加相关。我们还开发了一个用户友好的 R 包 RBMR 供公众使用。
引用
@article{arxiv.2103.02877,
title = {A Two-Sample Robust Bayesian Mendelian Randomization Method Accounting for Linkage Disequilibrium and Idiosyncratic Pleiotropy with Applications to the COVID-19 Outcome},
author = {Anqi Wang and Zhonghua Liu},
journal= {arXiv preprint arXiv:2103.02877},
year = {2021}
}