需要JoVE订阅才能观看此内容。 请登录或开始免费试用

研究文章

探究慢性代谢性状对卒中的因果影响及抑郁的中介作用：来自孟德尔随机化的证据

57 次观看

⸱

DOI：

10.3791/70295

⸱

2026年6月22日

 ,  ,  ,  ,  ,  ,  ,  ,  ,  ,  , 
1Department of Rehabilitation, Second Affiliated Hospital of Jiaxing University, Second Hospital of Jiaxing, 2Department of Emergency, Second Affiliated Hospital of Jiaxing University, Second Hospital of Jiaxing

* These authors contributed equally

本文内容

摘要

本方案描述了一种利用孟德尔随机化分析研究慢性代谢特征对小血管卒中的因果影响，并评估抑郁症在其中介导作用的方法。

摘要

已知体重指数（BMI）、肥胖和2型糖尿病（T2D）等慢性代谢特征是脑血管疾病的危险因素。抑郁症常与代谢紊乱共病，可能介导这些关联。本研究采用两样本孟德尔随机化（MR）分析，探讨基因预测的BMI、肥胖和T2D对小血管卒中（SVS）和重度抑郁症（MDD）的因果效应。进一步评估了抑郁症与SVS之间的关系，并应用两步MR中介分析，探索抑郁症是否介导了慢性代谢特征与SVS风险之间的关联。较高的BMI、肥胖和T2D均显著增加SVS风险（BMI：OR = 1.25，p = 1.27 × 10-3；肥胖：OR = 1.09，p = 0.032；T2D：OR = 1.17，p = 1.14 × 10-7）。这三种代谢特征也均提升MDD风险（BMI：OR = 1.20，p = 3.31 × 10-10；肥胖：OR = 1.06，p = 0.006；T2D：OR = 1.03，p = 0.035）。反过来，MDD也增加了SVS的风险（OR = 1.11，p = 0.035）。中介分析表明，抑郁症在BMI与SVS关联中表现出潜在的部分中介效应（间接效应 = 0.019，p = 0.046），而通过肥胖或T2D的中介效应则无统计学意义。这些结果强调，在患有代谢紊乱的个体中，应重视共病抑郁症的干预，以降低脑血管疾病风险。

引言

脑卒中是全球范围内导致死亡和残疾的主要原因之一，每年约有1200万例新发病例，超过1亿人承受其长期后遗症的影响1,2。随着全球人口老龄化以及生活方式相关疾病患病率的上升，脑卒中的负担预计将进一步加重，带来重大的健康和社会经济影响1,2。除了高血压、糖尿病、血脂异常、吸烟和肥胖等已明确的危险因素外，新兴证据表明，精神障碍尤其是重度抑郁障碍（MDD）也可能增加脑卒中的风险3,4,5。然而，代谢性疾病、抑郁症与脑卒中之间的复杂相互作用仍尚未完全阐明。

孟德尔随机化（Mendelian randomization, MR）利用遗传变异作为工具变量（instrumental variables, IVs），以减少混杂因素和反向因果关系的影响，从而相较于传统的观察性研究，为因果推断提供了更为稳健的框架6。与易受残余混杂、测量误差和反向因果关系影响的观察性设计不同，MR 利用个体在受精时遗传变异的随机分配，模拟一种自然实验。此外，与其他因果推断方法（如基于回归的中介模型）相比，MR 在处理未测量混杂方面具有更强的稳健性，尤其是在研究复杂且相互关联的性状时。大规模全基因组关联研究（genome-wide association studies, GWAS）使得双样本 MR 方法得以应用，从而在遗传水平上探究复杂性状与疾病之间的因果关系。既往 MR 研究已证实代谢性疾病——如体重指数（body mass index, BMI）、肥胖和2型糖尿病（type 2 diabetes, T2D）——对卒中的因果效应7,8,9。同样，遗传学证据也支持抑郁症与卒中之间存在双向关联10。然而，抑郁症是否在代谢性疾病对卒中的影响中起中介作用，尚未得到系统评估。

多种潜在的生物学机制支持抑郁症的中介作用。已知慢性代谢紊乱可促进全身性炎症、内皮功能障碍以及下丘脑-垂体-肾上腺轴的失调，这些因素可能增加罹患抑郁症的风险11。反过来，抑郁症与多种行为危险因素（例如吸烟、缺乏体力活动、饮食不良）、自主神经失衡、血小板高活性以及皮质醇分泌增加相关，这些因素均可能提高中风风险12,13。观察性研究已尝试探讨这些通路，但由于混杂因素、随访时间较短以及测量误差，研究结果仍不一致14。因此，代谢性疾病—抑郁症—中风通路的因果性质仍不明确。尽管孟德尔随机化（MR）可增强因果推断，但它无法完全阐明详细的生物学机制，也不能直接为临床干预提供指导，且其有效性依赖于若干关键假设，例如不存在水平多效性。

本研究采用单变量、多变量及两步法双样本孟德尔随机化（MR）分析，检验了两个假设。首先，探讨代谢特征（BMI、肥胖和2型糖尿病）与小血管卒中（SVS）风险之间的因果关联；其次，评估抑郁在这些关联中的潜在中介作用，并量化中介比例。该分析框架特别适用于解析相互关联的代谢与精神特征之间的中介效应，因其可在最小化混杂影响的同时，将总效应分解为直接和间接成分。通过利用大规模全基因组关联研究（GWAS）汇总统计数据，本研究提供了新的遗传学证据，有助于阐明代谢障碍、抑郁与小血管卒中之间的相互关系。这些发现可能有助于识别卒中风险相关的生物学通路，并为同时针对代谢健康与心理健康的综合预防策略提供依据。

访问受限。请登录或开始试用以查看此内容。

方案

采用单变量、多变量及两步法双样本孟德尔随机化（MR）中介分析，以探讨基因预测的慢性代谢性疾病是否与静脉血栓栓塞症（SVS）风险存在因果关联，并评估重度抑郁症（MDD）在其中的中介作用比例。本研究中MR分析的流程图见图1。本研究所用所有全基因组关联研究（GWAS）数据集的详细特征汇总于补充表1。GWAS汇总统计数据通过孟德尔随机化分析软件平台（见材料表），利用extract_instruments()和extract_outcome_data()函数从公开数据库（IEU OpenGWAS：https://gwas.mrcieu.ac.uk/）获取。暴露因素包括体重指数（BMI15，ebi-a-GCST90013974）、肥胖16（ieu-a-90）和2型糖尿病（T2D；ebi-a-GCST006867）。中介变量为重度抑郁症（MDD；ieu-a-1188）18，结局变量为SVS（ebi-a-GCST006909）。所有GWAS数据集均主要包含欧洲血统个体，以尽量减少人群分层偏倚。

慢性代谢性状的全基因组关联研究数据

研究考察了慢性代谢性疾病作为暴露因素，包括体重指数（BMI）、肥胖和2型糖尿病。BMI15（ebi-a-GCST90013974）和肥胖16（ieu-a-90）的全基因组关联研究（GWAS）汇总统计数据来自MRC-IEU和GIANT联盟（欧洲血统，BMI样本最多达407,609人，肥胖为32,858例/65,839对照）。2型糖尿病17数据（ebi-a-GCST006867）来自DIAGRAM联盟（欧洲血统，62,892例/596,424对照）。这些GWAS数据集为公开可获取，主要基于英国生物银行（UK Biobank）及其他大规模队列研究。

抑郁症的全基因组关联研究（GWAS）数据

对于抑郁症结局，采用了精神病基因组学联盟（Psychiatric Genomics Consortium, PGC）（ieu-a-1188）最新发布的全基因组关联研究（GWAS）汇总统计数据18，共包括59,851例病例和113,154例欧洲血统对照。纳入队列中的重度抑郁症（MDD）诊断依据为基于DSM-III/IV或ICD-9/10诊断标准的结构化临床访谈或经过验证的自评报告。有双相情感障碍或精神分裂症病史的个体已被排除。

SVS的GWAS数据

卒中的汇总统计数据来自 MRC-IEU 联盟（ebi-a-GCST006909）19，该数据集包含最多 5,386 例病例和 192,662 例对照，主要为欧洲血统人群。SVS 的定义基于医生诊断和/或临床记录。该数据集已被广泛用于研究血管危险因素的孟德尔随机化研究，且可公开获取。

统计分析

所有分析均在 R（版本 4.1.2）中进行，使用了孟德尔随机化分析软件平台（见材料表）。两样本孟德尔随机化（MR）采用单核苷酸多态性（SNPs）作为工具变量（IVs），这些变量必须满足三个核心假设：相关性（与暴露因素相关）、独立性（与混杂因素无关）以及排他性限制（仅通过暴露因素影响结局）20,21,22。SNPs 的筛选基于全基因组显著性（p < 5 × 10-5）、连锁不平衡剪枝（在 10,000 kB 窗口内 r2 < 0.001）以及 F 统计量 >10，以避免弱工具变量偏差20,22。连锁不平衡聚类分析使用 1000 基因组计划的欧洲参考面板进行23。在数据提取和数据协调过程中，回文 SNPs 和模糊 SNPs 均被排除。在通过 extract_outcome_data() 函数 提取结局数据时，首先使用标准提取函数保留回文 SNPs，并在可能的情况下利用等位基因频率信息推断链方向。对于次要等位基因频率（MAF）低于预设阈值（例如 MAF < 0.3）的 SNPs 予以保留，因为其链取向可被可靠推断；而具有中等等位基因频率的 SNPs 则被视为模糊。在通过 harmonise_data() 函数 进行数据协调步骤中，具有模糊链取向的回文 SNPs（特别是中等等位基因频率者）被排除，以确保效应等位基因在暴露、中介和结局数据集之间的一致性。SNP 数据协调通过 harmonise_data() 函数 实现，以对齐各数据集中的效应等位基因。在此过程中，对等位基因链进行对齐以确保一致性，排除等位基因不兼容或链取向模糊的 SNPs。经过筛选后，保留约 600–800 个与 BMI 相关的 SNPs、70–90 个与肥胖相关的 SNPs，以及 326 个与 2 型糖尿病（T2D）相关的 SNPs 用于后续分析（见表 1 和 表 2）。

对于单变量孟德尔随机化（MR），主要采用逆方差加权法（inverse-variance weighted, IVW），该方法在无水平多效性假设下，通过使用逆方差加权合并各个SNP特异性比值估计值来估算因果效应20。多效性的评估采用MR-Egger截距检验，通过mr_pleiotropy()函数实现，当P < 0.05时，提示可能存在水平多效性。异质性通过Cochran’s Q检验进行评估，使用mr_heterogeneity()函数实现。若检测到异质性（P < 0.05），则采用随机效应IVW模型；否则采用固定效应IVW模型。对于多变量MR分析，将多个暴露因素和中介变量的SNP合并。暴露、中介和结局数据集中的效应等位基因通过harmonise_data()函数进行一致性校正，并以多变量IVW分析作为主要分析方法。

为校正多重比较，采用 R 语言中的 p.adjust() 函数，通过 Benjamini–Hochberg 方法对主要的孟德尔随机化分析进行错误发现率（FDR）校正。具体而言，校正针对所有主要因果检验的总数进行，包括代谢性状对 SVS 的影响（n = 3）、代谢性状对抑郁症的影响（n = 3）以及抑郁症对 SVS 的影响（n = 1），共计七项检验。计算了校正后的 P 值（FDR q 值），并结合名义 P 值和 FDR 校正后的值来判断统计学显著性。经 FDR 校正后仍具有显著性的结果被视为稳健，而仅在名义水平上显著的结果则需谨慎解读。

中介分析

在中介分析中，采用两步MR框架来估计慢性代谢特征通过抑郁症对SVS的间接影响。该框架通过使用全基因组关联研究（GWAS）汇总统计量进行两次连续的MR分析来实现。在此框架中，E表示暴露因素（BMI、肥胖或T2D），M表示中介变量（抑郁症），Y表示结局（SVS）。首先，估计每种慢性代谢特征（BMI、肥胖和T2D）对中介变量的因果效应（β (E静态平衡，ΣFx=0，受力图，教育物理概念，矢量分析，平衡M)）。其次，评估中介变量对结局的因果效应（β (M静态平衡，ΣFx=0，受力图，教育物理概念，矢量分析，平衡Y)）。间接效应（中介效应）通过将这两个估计值相乘得到：

统计分析中路径分析方法的因果路径方程 β(E→M)×β(M→Y)。

中介比例通过将间接效应除以总效应得到

（中介比例 = 中介分析公式，β间接效应除以β(E→Y)，表示统计学中的效应路径。）。

使用 delta 法估计了间接效应的标准误（SE），该估计假设两个效应估计值之间相互独立：

SE 间接 = 中介分析公式，包含标准误项；用于因果路径分析的统计方法。

访问受限。请登录或开始试用以查看此内容。

结果

慢性代谢特征对SVS的因果效应

在单变量孟德尔随机化分析中，遗传预测的较高 BMI、肥胖和 2 型糖尿病（T2D）均与静脉系统疾病（SVS）风险升高呈正相关。敏感性分析结果一致，MR-Egger 截距检验未发现显著的水平 pleiotropy 证据。遗传预测的较高 BMI 与 SVS 风险增加显著相关，其患病风险升高 25.0%（OR = 1.250，95% CI：1.091–1.431，p = 1.27 × 10-3）。类似地，遗传预测的肥胖也与 SVS 风险呈正相关。具体而言，肥胖遗传易感性每增加一个标准差（SD），SVS 的患病风险增加 9.2%（OR = 1.092，95% CI：1.007–1.184，p = 3.23 × 10-2）。对于 T2D，观察到强有力的证据，遗传预测的 T2D 易感性与 SVS 显著相关。效应估计值显示 SVS 患病风险增加 16.6%（OR = 1.166，95% CI：1.102–1.235，p = 1.14 ...

访问受限。请登录或开始试用以查看此内容。

讨论

在本项MR研究中，系统探讨了主要慢性代谢性状（BMI、肥胖和2型糖尿病）、抑郁症与SVS之间的因果关联。该研究强调了三个关键发现。首先，遗传预测的较高BMI、肥胖和2型糖尿病与SVS风险升高存在因果关联。其次，这些代谢性状还与抑郁症风险升高相关，而抑郁症本身亦表现出与SVS的因果关系。第三，中介分析表明，抑郁症部分中介了代谢性状对SVS的影响，且中介比例因不同暴露因素而异。这些发现的有效性依赖于若干关键的方法学步骤。特别是，选择强效且独立的遗传工具变量、严格控制水平多效性，以及准确协调暴露、中介和结局数据集，对于确保MR分析中可靠的因果推断至关重要。若未能满足这些条件，则可能导致估计偏倚，进而错误解释因果关系。

目前的研究结果与以往的观察性研究一致，这些研究报道了代谢失调与卒中之间存在强关联24,25,26,27。先前的队列研究...

访问受限。请登录或开始试用以查看此内容。

披露

作者声明不存在任何竞争利益。

致谢

本工作得到了嘉兴市科技计划项目（2023AD11020、2023AD11019、2022AY30029、2023AD31033）和浙江省医药卫生科技计划项目（2024KY1689）的支持。

访问受限。请登录或开始试用以查看此内容。

材料

本文使用的材料清单
姓名公司目录编号评论
R 软件（版本 4.1.2）R 基金会https://www.r-project.org/统计计算环境
TwoSampleMR 软件包（版本 0.6.22）IEU OpenGWAShttps://mrcieu.github.io/TwoSampleMR/index.html孟德尔随机化分析软件平台

参考文献

  1. GBD 2021 Stroke Risk Factor Collaborators. Global, regional, and national burden of stroke and its risk factors, 1990-2021: A systematic analysis for the global burden of disease study 2021. Lancet Neurol. 23 (10), 973-1003 (2024).
  2. Wang, C. H., Xin, Z. K. Causal association between 25-hydroxyvitamin d status and cataract development: A two-sample mendelian randomization study. World J Clin Cases. 12 (16), 2789-2795 (2024).
  3. Cai, H., et al. Major depression and small vessel stroke: A mendelian randomization analysis. J Neurol. 266 (11), 2859-2866 (2019).
  4. Harshfield, E. L., et al. Association between depressive symptoms and incident cardiovascular diseases. JAMA. 324 (23), 2396-2405 (2020).
  5. Penninx, B. W., Milaneschi, Y., Lamers, F., Vogelzangs, N. Understanding the somatic consequences of depression: Biological mechanisms and the role of depression symptom profile. BMC Med. 11, 129(2013).
  6. Davey Smith, G., Hemani, G. Mendelian randomization: Genetic anchors for causal inference in epidemiological studies. Hum Mol Genet. 23 (R1), R89-R98 (2014).
  7. Georgakis, M. K., et al. Diabetes mellitus, glycemic traits, and cerebrovascular disease: A mendelian randomization study. Neurology. 96 (13), e1732-e1742 (2021).
  8. Larsson, S. C., Bäck, M., Rees, J. M. B., Mason, A. M., Burgess, S. Body mass index and body composition in relation to 14 cardiovascular conditions in uk biobank: A mendelian randomization study. Eur Heart J. 41 (2), 221-226 (2020).
  9. Marini, S., et al. Mendelian randomization study of obesity and cerebrovascular disease. Ann Neurol. 87 (4), 516-524 (2020).
  10. Li, G. H., et al. Evaluation of bi-directional causal association between depression and cardiovascular diseases: A mendelian randomization study. Psychol Med. 52 (9), 1765-1776 (2022).
  11. Calagua-Bedoya, E. A., Rajasekaran, V., De Witte, L., Perez-Rodriguez, M. M. The role of inflammation in depression and beyond: A primer for clinicians. Curr Psychiatry Rep. 26 (10), 514-529 (2024).
  12. Hare, D. L., Toukhsati, S. R., Johansson, P., Jaarsma, T. Depression and cardiovascular disease: A clinical review. Eur Heart J. 35 (21), 1365-1372 (2014).
  13. Krittanawong, C., et al. Association of depression and cardiovascular disease. Am J Med. 136 (9), 881-895 (2023).
  14. Osborne, M. T., et al. Disentangling the links between psychosocial stress and cardiovascular disease. Circ Cardiovasc Imaging. 13 (8), e010931(2020).
  15. Mbatchou, J., et al. Computationally efficient whole-genome regression for quantitative and binary traits. Nat Genet. 53 (7), 1097-1103 (2021).
  16. Berndt, S. I., et al. Genome-wide meta-analysis identifies 11 new loci for anthropometric traits and provides insights into genetic architecture. Nat Genet. 45 (5), 501-512 (2013).
  17. Xue, A., et al. Genome-wide association analyses identify 143 risk variants and putative regulatory mechanisms for type 2 diabetes. Nat Commun. 9 (1), 2941(2018).
  18. Wray, N. R., et al. Genome-wide association analyses identify 44 risk variants and refine the genetic architecture of major depression. Nat Genet. 50 (5), 668-681 (2018).
  19. Malik, R., et al. Multiancestry genome-wide association study of 520,000 subjects identifies 32 loci associated with stroke and stroke subtypes. Nat Genet. 50 (4), 524-537 (2018).
  20. Burgess, S., Butterworth, A., Thompson, S. G. Mendelian randomization analysis with multiple genetic variants using summarized data. Genet Epidemiol. 37 (7), 658-665 (2013).
  21. Lawlor, D. A., Harbord, R. M., Sterne, J. A., Timpson, N., Davey Smith, G. Mendelian randomization: Using genes as instruments for making causal inferences in epidemiology. Stat Med. 27 (8), 1133-1163 (2008).
  22. Pierce, B. L., Ahsan, H., Vanderweele, T. J. Power and instrument strength requirements for mendelian randomization studies using multiple genetic variants. Int J Epidemiol. 40 (3), 740-752 (2011).
  23. Auton, A., et al. A global reference for human genetic variation. Nature. 526 (7571), 68-74 (2015).
  24. Bradley, S. A., et al. Role of diabetes in stroke: Recent advances in pathophysiology and clinical management. Diabetes Metab Res Rev. 38 (2), e3495(2022).
  25. Lau, L. H., Lew, J., Borschmann, K., Thijs, V., Ekinci, E. I. Prevalence of diabetes and its effects on stroke outcomes: A meta-analysis and literature review. J Diabetes Investig. 10 (3), 780-792 (2019).
  26. Lee, S. H., Jung, J. M., Park, M. H. Obesity paradox and stroke outcomes according to stroke subtype: A propensity score-matched analysis. Int J Obes (Lond). 47 (8), 669-676 (2023).
  27. Ye, J., et al. Association between the weight-adjusted waist index and stroke: A cross-sectional study. BMC Public Health. 23 (1), 1689(2023).
  28. Chehaibi, K., Hrira, M. Y., Trabelsi, I., Escolà-Gil, J. C., Slimane, M. N. Gene variant and level of il-1β in ischemic stroke patients with and without type 2 diabetes mellitus. J Mol Neurosci. 57 (3), 404-409 (2015).
  29. Chen, R., Yan, J., Liu, P., Wang, Z., Wang, C. Plasminogen activator inhibitor links obesity and thrombotic cerebrovascular diseases: The roles of pai-1 and obesity on stroke. Metab Brain Dis. 32 (3), 667-673 (2017).
  30. Letra, L., Sena, C. Cerebrovascular disease: Consequences of obesity-induced endothelial dysfunction. Adv Neurobiol. 19, 163-189 (2017).
  31. Campayo, A., Gómez-Biel, C. H., Lobo, A. Diabetes and depression. Curr Psychiatry Rep. 13 (1), 26-30 (2011).
  32. Milaneschi, Y., Simmons, W. K., Van Rossum, E. F. C., Penninx, B. W. Depression and obesity: Evidence of shared biological mechanisms. Mol Psychiatry. 24 (1), 18-33 (2019).
  33. Roy, T., Lloyd, C. E. Epidemiology of depression and diabetes: A systematic review. J Affect Disord. 142, S8-S21 (2012).
  34. Li, P., et al. Pramipexole improves depression-like behavior in diabetes mellitus with depression rats by inhibiting nlrp3 inflammasome-mediated neuroinflammation and preventing impaired neuroplasticity. J Affect Disord. 356, 586-596 (2024).
  35. Miller, A. H., Raison, C. L. The role of inflammation in depression: From evolutionary imperative to modern treatment target. Nat Rev Immunol. 16 (1), 22-34 (2016).
  36. Pan, A., Sun, Q., Okereke, O. I., Rexrode, K. M., Hu, F. B. Depression and risk of stroke morbidity and mortality: A meta-analysis and systematic review. JAMA. 306 (11), 1241-1249 (2011).
  37. Penninx, B. W. Depression and cardiovascular disease: Epidemiological evidence on their linking mechanisms. Neurosci Biobehav Rev. 74 (Pt B), 277-286 (2017).
  38. Whooley, M. A., Wong, J. M. Depression and cardiovascular disorders. Annu Rev Clin Psychol. 9, 327-354 (2013).
  39. Burgess, S., Scott, R. A., Timpson, N. J., Davey Smith, G., Thompson, S. G. Using published data in mendelian randomization: A blueprint for efficient identification of causal risk factors. Eur J Epidemiol. 30 (7), 543-552 (2015).
  40. Holmes, M. V., Ala-Korpela, M., Smith, G. D. Mendelian randomization in cardiometabolic disease: Challenges in evaluating causality. Nat Rev Cardiol. 14 (10), 577-590 (2017).

访问受限。请登录或开始试用以查看此内容。

重印与许可

标签

2
联系我们
向图书馆推荐

隐私

使用条款

政策

版权所有 © 2026 MyJoVE Corporation。保留所有权利。