Methodenartikel

Kausaler Zusammenhang zwischen ischämischem Schlaganfall und vaskulärer Demenz: Eine Mendelsche Randomisierungsstudie

26 Aufrufe

⸱

11. September 2026

 ,  ,  , 
1Department of Emergency Medicine, Baoding Second Hospital, 2Department of Cardiology, Affiliated Hospital of Hebei University

In diesem Artikel

Zusammenfassung

Dieses Protokoll beschreibt einen reproduzierbaren Workflow für die zweistufige Mendelsche Randomisierung zur Bewertung des potenziellen kausalen Zusammenhangs zwischen ischämischem Schlaganfall und vaskulärer Demenz unter Verwendung öffentlich zugänglicher Zusammenfassungsstatistiken aus genomweiten Assoziationsstudien.

Zusammenfassung

Der ischämische Schlaganfall (IS) ist weltweit eine wesentliche Ursache für Behinderungen und Sterblichkeit, und die vaskuläre Demenz (VaD) ist eine häufige Demenzform, die mit zerebrovaskulären Schäden assoziiert ist. Beobachtungsstudien haben einen Zusammenhang zwischen IS und VaD nahegelegt, jedoch sind diese anfällig für Störfaktoren und umgekehrte Kausalität. Dieses Protokoll beschreibt einen reproduzierbaren zweistichprobenbasierten Mendelschen Randomisierungsansatz (MR) zur Bewertung eines möglichen kausalen Zusammenhangs zwischen IS und VaD unter Verwendung öffentlich zugänglicher Zusammenfassungsstatistiken aus genomweiten Assoziationsstudien (GWAS). Genetische Instrumente, die mit IS assoziiert sind, wurden aus einem öffentlichen GWAS-Datensatz extrahiert, und Assoziationen für das Outcome VaD wurden aus einem öffentlichen VaD-GWAS-Datensatz bezogen. Die entsprechenden Datensatz-IDs sind im Abschnitt „Protokoll“ angegeben. Nach der Outcome-Zuordnung und der Harmonisierung der Allele wurden 51 einzelne Nukleotid-Polymorphismen (SNPs) für die endgültige MR-Analyse beibehalten. Der Arbeitsablauf umfasst die Auswahl der Instrumentvariablen, die Clustering-Analyse aufgrund von Kopplungsungleichgewicht, die Harmonisierung der Allele, die Beurteilung der Instrumentstärken, die gewichtete inverse Varianzanalyse (IVW), die gewichtete Median-Analyse, die MR-Egger-Analyse, die Prüfung auf Heterogenität, die Bewertung horizontaler Pleiotropie sowie eine Leave-one-out-Sensitivitätsanalyse. In der repräsentativen Analyse zeigte die IVW-Methode einen positiven Zusammenhang zwischen genetisch vorhergesagtem IS und dem VaD-Risiko, und die gewichtete Median-Methode lieferte ein in der Richtung übereinstimmendes Ergebnis. Die MR-Egger-Schätzung war in der Richtung konsistent, erreichte jedoch keine statistische Signifikanz. Die Befunde sollten daher als Hinweise auf einen möglichen kausalen Effekt verstanden werden, nicht jedoch als endgültiger Nachweis einer Kausalität. Dieses Protokoll kann Forschern helfen, einen transparenten und reproduzierbaren MR-Arbeitsablauf anzuwenden, um Ergebnisse im Zusammenhang mit zerebrovaskulären Erkrankungen mithilfe öffentlich zugänglicher GWAS-Daten zu untersuchen.

Einleitung

Der ischämische Schlaganfall (IS) ist weltweit eine der Hauptursachen für schwere Behinderungen und Todesfälle1. Laut den neuesten Daten der Global Burden of Disease Study ist die globale Inzidenz des IS zurückgegangen, bleibt jedoch insbesondere in Osteuropa, Ostasien, Zentralasien und im subsaharischen Afrika eine erhebliche Belastung2,3. Darüber hinaus steigt die Inzidenz des IS in Ländern mit einem niedrigen soziodemografischen Index (SDI), und es wird prognostiziert, dass sie von 2020 bis 2030 weiter ansteigen wird.

Zahlreiche epidemiologische Studien haben auf einen möglichen Zusammenhang zwischen zerebrovaskulären Erkrankungen und vaskulärer Demenz (VaD) hingewiesen4,5. Insbesondere in China ist VaD eine der häufigsten Demenzformen bei älteren Menschen, und die hohe Prävalenz von IS steht in engem Zusammenhang mit dem Auftreten von VaD. Die meisten bisherigen Studien sind jedoch Beobachtungsstudien, und verbleibende Störfaktoren, umgekehrte Kausalität sowie Unterschiede in der Krankheitsdefinition können die kausale Interpretation einschränken. Daher sind zusätzliche analytische Ansätze erforderlich, um zu bewerten, ob IS möglicherweise an der Entstehung von VaD beteiligt ist.

IS kann den Beginn von VaD durch mehrere Mechanismen beeinflussen. Durch IS verursachte zerebrovaskuläre Schäden können zu einer unzureichenden zerebralen Perfusion und anschließenden neurodegenerativen Veränderungen führen6. Außerdem kann VaD mit chronischen zerebrovaskulären Verletzungen, Mikrogefäßerkrankungen und entzündlichen Reaktionen nach IS in Verbindung stehen7,8. Daher ist die Untersuchung des Zusammenhangs zwischen IS und VaD wichtig, um mögliche Krankheitsverbindungen zu verstehen und zukünftige Präventionsstrategien zu leiten.

Die Mendelsche Randomisierung (MR) ist eine analytische Methode, die genetische Varianten als instrumentelle Variablen verwendet, um mögliche kausale Zusammenhänge zwischen einer Exposition und einem Ergebnis zu bewerten9. Im Vergleich zu konventionellen Beobachtungsstudien kann die MR Störgrößen und Verzerrungen durch umgekehrte Kausalität unter gültigen Annahmen über instrumentelle Variablen reduzieren. Im Vergleich zu randomisierten kontrollierten Studien oder experimentellen Modellen kann die MR bereits vorhandene Zusammenfassungsstatistiken von genomweiten Assoziationsstudien (GWAS) nutzen, um klinisch relevante Zusammenhänge zu untersuchen, wenn direkte Interventionsstudien nicht durchführbar, unethisch oder schwierig zu realisieren sind. Kürzlich durchgeführte genetische Studien, die auf Ansätzen der Mendelschen Randomisierung basieren, haben den Zusammenhang zwischen IS und VaD untersucht10. Detaillierte, protokollbasierte Beschreibungen der Auswahl der Expositions-Instrumente, der Extraktion der Ergebnisdaten, der Harmonisierung von Allelen, der Beurteilung der Instrumentenstärke, der Untersuchung auf Heterogenität, der Bewertung von Pleiotropie sowie der Sensitivitätsanalysen sind jedoch weiterhin entscheidend für eine reproduzierbare Anwendung.

Dieses Protokoll ist geeignet, wenn öffentlich zugängliche GWAS-Zusammenfassungsstatistiken sowohl für die Exposition als auch für das interessierende Ergebnis verfügbar sind, gültige genetische Instrumente für die Exposition ausgewählt werden können und die Forschungsfrage darauf abzielt, eine mögliche kausale Assoziation zu bewerten, anstatt biologische Mechanismen direkt zu etablieren. Die vorliegende Studie stellt daher ein Zweistichproben-MR-Protokoll zur Bewertung der potenziellen kausalen Assoziation zwischen IS und VaD unter Verwendung öffentlich zugänglicher GWAS-Zusammenfassungsstatistiken vor. Ziel ist es, einen reproduzierbaren analytischen Arbeitsablauf bereitzustellen, anstatt endgültige biologische Mechanismen zu etablieren. Dieses Protokoll beschreibt die Auswahl genetischer Instrumente, das Abgleichen der Ergebnisdaten, die Harmonisierung der Allele, die MR-Schätzung sowie Sensitivitätsanalysen und verwendet die Assoziation zwischen IS und VaD als repräsentatives Beispiel.

Protokoll

Diese Studie verwendete öffentlich zugängliche GWAS-Zusammenfassungsstatistiken. Die ursprünglichen Studien hatten die Genehmigung der zuständigen Ethikkommission sowie die informierte Einwilligung der Teilnehmer erhalten. Für diese sekundäre Analyse war keine zusätzliche ethische Genehmigung erforderlich.

1. Studiendesign und Ethikstellungnahme

  1. Verwenden Sie ein Two-Sample-MR-Design, um die potenzielle kausale Assoziation zwischen IS und VaD zu bewerten.
  2. Verwenden Sie ausschließlich öffentlich verfügbare GWAS-Zusammenfassungsstatistiken. Da alle ursprünglichen Studien, die in die GWAS-Datensätze einbezogen wurden, die Genehmigung einer institutionellen Ethikkommission und die informierte Einwilligung der Teilnehmer erhalten hatten, ist für diese Sekundäranalyse keine zusätzliche ethische Genehmigung erforderlich.
  3. Definieren Sie IS als Exposition und VaD als Zielgröße, bevor Sie die Datengewinnung durchführen.

2. Softwarevorbereitung

  1. Führen Sie alle Analysen mit der statistischen Software R durch.
  2. Laden Sie das TwoSampleMR-Paket für die Instrumentenextraktion, die Extraktion der Ergebnisdaten, die Harmonisierung der Allele, die MR-Schätzung, die Heterogenitätsprüfung und die Sensitivitätsanalysen. Laden Sie das MRPRESSO-Paket, um globale horizontale Pleiotropie und potenzielle Ausreißervarianten zu bewerten.
  3. Verwenden Sie die folgenden Kernfunktionen im Workflow: extract_instruments, extract_outcome_data, harmonise_data, mr, generate_odds_ratios, mr_heterogeneity, mr_pleiotropy_test, mr_singlesnp, mr_leaveoneout, mr_scatter_plot, mr_forest_plot, mr_funnel_plot und mr_leaveoneout_plot. Nutzen Sie MRPRESSO::mr_presso, um den globalen MR-PRESSO-Test sowie gegebenenfalls die Ausreißer- und Verzerrungstests durchzuführen.

3. Auswahl des Expositions-Datensatzes und Screening von Instrumentalvariablen

  1. Extrahieren Sie mit IS assoziierte Einzelnukleotid-Polymorphismen (SNPs) aus dem IEU OpenGWAS-Datensatz ebi-a-GCST90018864. Dieser Datensatz umfasst 11.929 IS-Fälle und 472.192 Kontrollen mit einer Gesamtstichprobengröße von 484.121 Teilnehmern.
  2. Wählen Sie Kandidaten-SNPs, die mit IS assoziiert sind, anhand einer Signifikanzschwelle von p < 5 × 10-6 aus.
    1. Die Schwelle von p < 5 × 10-6 wird in diesem repräsentativen Protokoll verwendet, um eine ausreichende Anzahl unabhängiger Instrumente für Sensitivitätsanalysen beizubehalten. Da diese Schwelle weniger streng ist als die konventionelle genomweite Signifikanzschwelle, sollten Befunde, die auf diesen Instrumenten basieren, als explorativ und hinweisend und nicht als endgültig interpretiert werden.
  3. Führen Sie ein Linkage-Disequilibrium-Clumping durch, um unabhängige SNPs beizubehalten. Verwenden Sie eine r2-Schwelle von 0,001 und ein Clumping-Fenster von 10.000 kb.
  4. Verwenden Sie den folgenden R-Befehl, um Kandidaten-Instrumente zu extrahieren:
    extract_instruments(outcomes = "ebi-a-GCST90018864", p1 = 5e-06, clump = TRUE)
  5. Berechnen Sie die F-Statistik für jeden beibehaltenen SNP anhand der Formel F = (β/SE)2, wobei β und SE die Wirkungsschätzung und der Standardfehler des SNP–Expositionseffekts sind.
  6. Streichen Sie SNPs mit einer F-Statistik < 10 aus, um das Risiko einer Verzerrung durch schwache Instrumente zu verringern. Fassen Sie die Verteilung der F-Statistiken anhand des Minimums, Maximums, Medians und des Interquartilsabstands (IQR) zusammen.

4. Extraktion des Ergebnisdatensatzes

  1. Extrahieren Sie die Assoziationen für das VaD-Ergebnis aus dem FinnGen-GWAS-Datensatz finn-b-F5_VASCDEM. Dieser Datensatz umfasst 881 VaD-Fälle und 211.508 Kontrollen.
  2. Extrahieren Sie die Ergebnisassoziierungen für alle ausgewählten IS-assoziierten SNPs mithilfe der Funktion extract_outcome_data.
  3. Suchen Sie nach Proxy-SNPs, wenn die Ziel-SNPs im Ergebnisdatensatz nicht direkt verfügbar sind. Behalten Sie die passenden Proxy-Varianten bei, sofern gültige Proxy-Informationen und Allel-Übereinstimmungen vorliegen.
  4. Verwenden Sie den folgenden R-Befehl, um den Ergebnisdatensatz zu extrahieren:
    extract_outcome_data(snps = exp_dat$SNP, outcomes = "finn-b-F5_VASCDEM", access_token = NULL)

5. Allel-Harmonisierung und Beibehaltung von SNPs

  1. Standardisieren Sie die Expositions- und Outcome-Datensätze vor der MR-Analyse.
  2. Passen Sie das Effektallel und das andere Allel so an, dass die SNP–Expositions- und SNP–Outcome-Effektschätzungen demselben Effektallel entsprechen.
  3. Überprüfen Sie die SNPs während der Harmonisierung auf Allel-Unverträglichkeiten, fehlende Outcome-Assoziationen und mehrdeutige Allelausrichtungen. Behalten Sie SNPs mit verfügbaren Effektschätzungen für Exposition und Outcome nach der Harmonisierung bei.
  4. Verwenden Sie den folgenden R-Befehl für die Allelharmonisierung: harmonise_data(exposure_dat = exp_dat, outcome_dat = out_dat, action = 1)
  5. Dokumentieren Sie die Anzahl der ursprünglich aus dem Expositionsdatensatz extrahierten SNPs, die Anzahl der SNPs mit verfügbaren Outcome-Assoziationen, die Anzahl der über Proxy abgeglichenen Varianten sowie die Anzahl der für die endgültige MR-Analyse beibehaltenen SNPs.

6. Primäre MR-Analyse und Sensitivitätsanalysen

  1. Führen Sie die primäre MR-Analyse unter Verwendung der Methode des inversen Varianzgewichts (IVW) durch.
  2. Führen Sie ergänzende MR-Analysen unter Verwendung der gewichteten Median- und MR-Egger-Methoden durch, um die Konsistenz der kausalen Schätzung unter verschiedenen Annahmen zu überprüfen.
  3. Erzeugen Sie Odds Ratios (ORs) und 95%-Konfidenzintervalle (CIs) aus den MR-Schätzungen.
  4. Verwenden Sie die folgenden R-Befehle, um die MR-Analyse durchzuführen und ORs zu berechnen:
    res <- mr(dat)
    res <- generate_odds_ratios(res)
  5. Da eine vorab festgelegte primäre Exposition–Ergebnis-Assoziation bewertet wird, definieren Sie die Bonferroni-korrigierte Schwelle für die primäre MR-Inferenz als 0,05/1 = 0,05. Verwenden Sie einen zweiseitigen p-Wert < 0,05 als Schwelle für statistische Signifikanz für die primäre IVW-Analyse.
  6. Um die statistische Präzision der primären Analyse im Hinblick auf die begrenzte Anzahl an VaD-Fällen einzuordnen, führen Sie eine nachträgliche, zweiseitige Power-Berechnung mittels Wald-Test basierend auf der beobachteten IVW-Schätzung und ihrem Standardfehler durch. Berechnen Sie die Power unter Verwendung des Nichtzentralitätsparameters βIVW/SEIVW bei einem zweiseitigen α-Niveau von 0,05. Berechnen Sie den minimal nachweisbaren Effekt, der einer Power von 80 % entspricht, als exp[(z0,975 + z0,80) × SE]. Da IS eine binäre Exposition ist und die SNP–Expositions-Assoziationen auf der Log-Odds-Skala angegeben werden, berichten Sie diese Analyse als eine effektbedingte, deskriptive Beurteilung der Präzision und nicht als vorab festgelegte Stichprobengrößenberechnung11.

7. Heterogenität, horizontale Pleiotropie und Leave-one-out-Analysen

  1. Beurteilen Sie die Heterogenität zwischen SNP mithilfe der Cochran-Q-Statistik.
  2. Verwenden Sie den folgenden R-Befehl, um die Heterogenitätsstatistiken zu berechnen:
    mr_heterogeneity(dat)
  3. Beurteilen Sie die direktionale horizontale Pleiotropie mithilfe des MR-Egger-Achsenabschnittstests.
  4. Verwenden Sie den folgenden R-Befehl, um den MR-Egger-Achsenabschnitt zu berechnen:
    mr_pleiotropy_test(dat)
  5. Beurteilen Sie die globale horizontale Pleiotropie und potenzielle Ausreißervarianten mithilfe von MR-PRESSO mit 10.000 Simulationen, einem Signifikanzschwellenwert von 0,05 und aktivierten Ausreißer- und Verzerrungstests12.
  6. Verwenden Sie den folgenden R-Befehl für die MR-PRESSO-Analyse:
    set.seed(20260729)
    mr_presso(
    BetaOutcome = "beta.outcome",
    BetaExposure = "beta.exposure",
    SdOutcome = "se.outcome",
    SdExposure = "se.exposure",
    OUTLIERtest = TRUE,
    DISTORTIONtest = TRUE,
    data = dat,
    NbDistribution = 10000,
    SignifThreshold = 0.05
    )
  7. Führen Sie eine Einzel-SNP-Analyse durch, um den Effekt jedes SNP separat abzuschätzen.
  8. Verwenden Sie den folgenden R-Befehl für die Einzel-SNP-Analyse:
    res_single <- mr_singlesnp(dat)
  9. Führen Sie eine Leave-one-out-Analyse durch, indem Sie nacheinander jeweils ein SNP entfernen und die IVW-Analyse wiederholen.
  10. Verwenden Sie den folgenden R-Befehl für die Leave-one-out-Analyse:
    res_loo <- mr_leaveoneout(dat)

8. Visualisierung und Ausgabe

  1. Erstellen Sie ein Streudiagramm, um die MR-Schätzungen über verschiedene Methoden hinweg darzustellen.
  2. Erstellen Sie ein Wald-Diagramm, um die Einzel-SNP-Schätzungen und die gesamte MR-Schätzung darzustellen.
  3. Erstellen Sie ein Einfüll-Diagramm, um die Symmetrie der SNP-spezifischen Schätzungen visuell zu beurteilen.
  4. Erstellen Sie ein „Leave-one-out“-Diagramm, um zu prüfen, ob die Gesamtschätzung von einem einzelnen SNP beeinflusst wird.
  5. Verwenden Sie die folgenden R-Befehle, um die Diagramme zu erstellen:
    mr_scatter_plot(res, dat)
    mr_forest_plot(res_single)
    mr_funnel_plot(res_single)
    mr_leaveoneout_plot(res_loo)
  6. Exportieren Sie die MR-Ergebnisse, die Instrumentalvariablen-Tabelle, die Outcome-Assoziations-Tabelle und die Ergebnisse der Sensitivitätsanalyse zur Berichterstattung und Reproduzierbarkeit.

Ergebnisse

Abbildung 1 fasst den gesamten Arbeitsablauf des Zweistichproben-Mendelschen-Randomisierungsprotokolls zusammen, von der Datensatzauswahl und Instrumentenprüfung bis hin zu Sensitivitätsanalysen und der Visualisierung der Ergebnisse. Repräsentative Ausgaben aus jedem Stadium werden unten dargestellt.

Genetische Instrumentalvariablen und Qualitätskontrolle der Harmonisierung

Insgesamt wurden 52 mit IS assoziierte SNP anfänglich aus dem Expositions-GWAS-Datensatz mit einem Signifikanzschwellenwert von p < 5 × 10-6 extrahiert. Anschließend wurden Assoziationen bezüglich des Outcomes aus dem VaD-GWAS-Datensatz extrahiert. Nach der Zuordnung der Outcomes, der Suche nach Proxy-SNPs und der Allel-Harmonisierung verblieben 51 SNP für die endgültige MR-Analyse. Zwei Varianten wurden mithilfe von Proxy-SNPs zugeordnet. Die beibehaltenen genetischen Instrumente sind in Tabelle 1 aufgeführt. Die F-Statistiken der 51 beibehaltenen Instrumente lagen zwischen 20,91 und 46,06, mit einem Median von 25,08 und einem IQR von 22,95–30,71. Kein beibehaltener SNP wies eine F-Statistik unter 10 auf, was auf eine geringe Wahrscheinlichkeit einer Verzerrung durch schwache Instrumente hindeutet.

MRT-Schätzungen für IS und VaD

Das Streudiagramm zeigte die Richtung und Stärke der SNP-spezifischen MR-Schätzungen über verschiedene MR-Methoden hinweg (Abbildung 2). Die IVW- und gewichtete Median-Methode zeigten positive Assoziationen, während die MR-Egger-Schätzung in der Richtung konsistent war, aber keine statistische Signifikanz erreichte.

Das Forest-Plot der einzelnen SNP-Schätzungen zeigte die SNP-spezifischen Assoziationen mit dem Risiko für vaskuläre Demenz (VaD) (Abbildung 3). Die gesamten MR-Schätzungen sind in Abbildung 4 zusammengefasst. Die IVW-Methode ergab eine statistisch signifikante positive Assoziation zwischen genetisch vorhergesagtem IS und dem VaD-Risiko (OR = 1,63, 95 % KI: 1,21–2,21, p = 0,0013). Die gewichtete Median-Methode lieferte eine übereinstimmende signifikante Schätzung (OR = 1,60, 95 % KI: 1,06–2,42, p = 0,0240). Die MR-Egger-Schätzung war hinsichtlich der Richtung konsistent, erreichte aber keine statistische Signifikanz (OR = 2,21, 95 % KI: 0,97–5,01, p = 0,0645).

Die FinnGen-VaD-Ergebnis-GWAS umfasste 881 Fälle und 211.508 Kontrollen. In einer post-hoc-zweiseitigen Wald-Test-Berechnung, bedingt auf der beobachteten IVW-Schätzung, betrug die geschätzte statistische Power für die primäre IVW-Analyse 89,5 % bei α = 0,05. Der entsprechende minimal nachweisbare Effekt für eine Power von 80 % lag bei einer Odds Ratio (OR) von 1,54. Im Gegensatz dazu betrug der minimal nachweisbare Effekt für die MR-Egger-Analyse eine OR von 3,23, was über der beobachteten, in der Richtung konsistenten MR-Egger-Schätzung (OR = 2,21) lag. Daher sollte das nicht signifikante MR-Egger-Ergebnis als Hinweis auf die begrenzte Präzision dieses weniger effizienten Sensitivitäts-Schätzers verstanden werden und nicht als alleiniger Beleg gegen die Richtung der primären IVW-Schätzung.

Da eine vorab festgelegte primäre Expositions-Wirkungs-Assoziation ausgewertet wurde, betrug die Bonferroni-korrigierte Schwelle für die primäre MR-Inferenz 0,05/1 = 0,05. Demnach erfüllte das IVW-Ergebnis die korrigierte Signifikanzschwelle. Insgesamt liefern diese Befunde Hinweise auf einen möglichen positiven Effekt des genetisch vorhergesagten IS auf das VaD-Risiko, hauptsächlich basierend auf der IVW-Schätzung und gestützt durch die gewichtete mediane Sensitivitätsanalyse. Der MR-Egger-Schätzwert war jedoch nur in der Richtung konsistent, erreichte aber keine statistische Signifikanz; daher sollten die Ergebnisse nicht als endgültiger Nachweis einer Kausalität interpretiert werden.

Analysen der Heterogenität und horizontalen Pleiotropie

Die Heterogenität zwischen SNP wurde mithilfe der Cochran’schen Q-Statistik bewertet. Der IVW-Heterogenitätstest ergab Q = 57,46 mit 50 Freiheitsgraden (p = 0,218), und der MR-Egger-Heterogenitätstest ergab Q = 56,77 mit 49 Freiheitsgraden (p = 0,208). Diese Ergebnisse deuteten nicht auf eine erhebliche Heterogenität zwischen den SNP-spezifischen Schätzungen hin. Die direktionale horizontale Pleiotropie wurde mithilfe des MR-Egger-Achsenabschätzungstests überprüft. Der MR-Egger-Achsenabschnitt betrug -0,0195 (SE = 0,0253, p = 0,444) und zeigte somit keine statistische Evidenz für eine direktionale horizontale Pleiotropie. Die MR-PRESSO-Analyse wurde anhand der 51 beibehaltenen harmonisierten SNPs mit 10.000 Simulationen durchgeführt. Der MR-PRESSO-Globaltest zeigte keine Hinweise auf globale horizontale Pleiotropie (RSSobs = 59,61; empirisches p = 0,2388). Da der Globaltest statistisch nicht signifikant war, waren die individuellen Outlier- und Verzerrungstests nicht anwendbar, und es wurde keine outlierbereinigte Schätzung erstellt. Das Einfaltungsdiagramm bot eine visuelle Beurteilung der Symmetrie der SNP-spezifischen Schätzungen (Abbildung 5). Detaillierte MR-PRESSO-Einstellungen und -Ergebnisse sind in ergänzender Tabelle 1 aufgeführt.

Leave-one-out-Sensitivitätsanalyse und Validierung der Protokollergebnisse

Eine Leave-one-out-Analyse wurde durchgeführt, um zu überprüfen, ob die gesamte MR-Schätzung durch einen einzelnen SNP beeinflusst wurde. Der Leave-one-out-Plot zeigte, dass die schrittweise Entfernung einzelner SNPs die Gesamtschätzung nicht wesentlich veränderte (Abbildung 6), was darauf hindeutet, dass kein einzelnes genetisches Instrument die Assoziation dominierte. Insgesamt zeigen diese repräsentativen Ergebnisse die praktische Ausgabe des in diesem Protokoll beschriebenen Two-Sample-MR-Arbeitsablaufs. Tabelle 1 zeigt die beibehaltenen genetischen Instrumente nach SNP-Auswahl und Harmonisierung. Abbildung 2 veranschaulicht die Richtung der MR-Schätzungen über verschiedene Methoden hinweg, Abbildung 3 zeigt SNP-spezifische Schätzungen, Abbildung 4 fasst die gesamten MR-Schätzungen zusammen, Abbildung 5 unterstützt die visuelle Beurteilung von Pleiotropie oder Asymmetrie, und Abbildung 6 bewertet den Einfluss einzelner SNPs. Zusatz-Tabelle 2 verknüpft jeden wichtigen Protokollschritt mit dem entsprechenden validierenden Ergebnis.

Alle in dieser Studie analysierten rohen GWAS-Zusammenfassungsstatistiken sind öffentlich zugänglich. Der Datensatz zur Exposition Ischämischer Schlaganfall wurde aus der IEU OpenGWAS-Datenbank unter der Datensatz-ID ebi-a-GCST90018864 bezogen. Der Datensatz zum Outcom Vaskuläre Demenz stammt aus dem FinnGen-GWAS-Datensatz unter der Datensatz-ID finn-b-F5_VASCDEM. Die extrahierte Instrumentalvariablen-Tabelle, der harmonisierte Analyse-Datensatz, die MR-Ergebnistabellen und die relevanten Ausgabedateien werden als ergänzende Dateien bereitgestellt.

SNPs zu ischämischem Schlaganfall zu vaskulärer Demenz Flussdiagramm; Diagramm zur Analyse genetischer Signalwege.
Abbildung 1. Arbeitsablauf des Two-Sample-MR-Protokolls. Diese Abbildung fasst die wichtigsten Schritte des Protokolls zusammen, einschließlich der Auswahl der Expositionsdatensätze, der Überprüfung der Instrumentalvariablen, der Extraktion der Outcome-Daten, der Harmonisierung der Allele, der MR-Schätzung, der Testung auf Heterogenität, der Beurteilung horizontaler Pleiotropie, der Leave-one-out-Analyse und der Visualisierung. Bitte klicken Sie hier, um eine vergrößerte Version dieser Abbildung anzusehen.

Streudiagramm zur Mendelschen Zufallsstichprobe, Analyse der SNP-Wirkung, Risiko für vaskuläre Demenz, Regressionsmethoden.
Abbildung 2. Streudiagramm der MR-Schätzungen für die Assoziation zwischen IS und VaD. Jeder Punkt repräsentiert eine SNP-spezifische Schätzung. Die eingezeichneten Linien zeigen die geschätzte Assoziation, die mit verschiedenen MR-Methoden ermittelt wurde. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

Genetische Varianten MR-Effektgröße auf vaskuläre Demenz; Diagramm der inversen Varianzgewichtung.
Abbildung 3. Waldplot der einzel-SNP-MR-Schätzungen. Diese Abbildung zeigt die einzelnen SNP-spezifischen Schätzungen für die Assoziation zwischen IS-assoziierten genetischen Varianten und dem Risiko für vaskuläre Demenz (VaD). Horizontale Linien repräsentieren 95 %‑Konfidenzintervalle. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

Diagramm eines Forest Plots zur Analyse von ischämischem Schlaganfall; Hazard Ratio, Odds Ratio mit statistischen Werten.
Abbildung 4. Forest Plot der gesamten MR-Schätzungen über verschiedene Methoden hinweg. Diese Abbildung fasst die gesamten MR-Schätzungen zusammen, die mit den Methoden IVW, gewichteter Median und MR-Egger erhalten wurden. Horizontale Linien stellen 95 % Konfidenzintervalle dar. MR, Mendelsche Randomisierung; IVW, invers gewichtete Varianz. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

Streudiagramm zur Mendelschen Zufallsstichprobe mit invers gewichteter Varianz und MR-Egger-Ergebnissen.
Abbildung 5. Tassenplot der SNP-spezifischen MR-Schätzungen. Diese Abbildung zeigt die Verteilung der SNP-spezifischen MR-Schätzungen und ermöglicht eine visuelle Beurteilung der Symmetrie über die genetischen Instrumente hinweg. MR, Mendelsche Zufallsstichprobe; IVW, invers varianzgewichtet. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

Diagramm zur Sensitivitätsanalyse, MR-Leave-one-out, Studie zum vaskulären Demenz; Datenvisualisierung, Forschungswerkzeug.
Abbildung 6. Sensitivitätsanalyse mit Leave-one-out-Methode. Diese Abbildung zeigt die MR-Schätzung nach sukzessiver Ausschließung jedes einzelnen SNP. Das Diagramm diente dazu zu bewerten, ob die Gesamtschätzung durch ein einzelnes genetisches Instrument beeinflusst wurde. Bitte klicken Sie hier, um eine vergrößerte Version dieser Abbildung anzusehen.

Nein.SNPGenChr.EAOAEAF.ISEAF.VDIS β (SE)VD β (SE)F-StatistikR²
1rs10886430GRK510GA0.1182440.095360.1147 (0.0220)-0.0172 (0.0852)27.185,61E-05
2rs10936572LOC1079860513TC0.1796430.1235-0.0512 (0.0104)0.1444 (0.0743)24.245,01E-05
3rs11045239PDE3A12AG0.4929430.46290.0604 (0.0089)0.0303 (0.0494)46.069,51E-05
4rs11047532LOC10536969812GC0.3052140.15130.0499 (0.0105)0.0159 (0.0689)22.594,66E-05
5rs11065836CUX212AG0.1591230.07442-0.0608 (0.0103)0.0245 (0.0929)34.847,20E-05
6rs11105378ATP2B112TC0.2034660.07522-0.0540 (0.0098)-0.1174 (0.0916)30.366,27E-05
7rs117140252-14AG0.0412160.069880.1568 (0.0311)0.1498 (0.0967)25.425,25E-05
8rs117343276-10GA0.0305330.0431-0.0905 (0.0196)-0.1449 (0.1233)21.324,40E-05
9rs11831940HDAC712AG0.2519140.35260.0631 (0.0130)0.1226 (0.0513)23.564,87E-05
10rs11880613DNM219AG0.1848570.1804-0.0613 (0.0110)0.1499 (0.0640)31.066,41E-05
11rs12445022LOC12490374816AG0.2716670.31930.0605 (0.0112)0.0218 (0.0527)29.186,03E-05
12rs12509595-4CT0.2979290.31240.0577 (0.0091)0.1462 (0.0533)40.28,30E-05
13rs12633109-3TG0.3608970.32630.0436 (0.0089)0.0395 (0.0526)244,96E-05
14rs1275980KCNK32TC0.4985450.5481-0.0582 (0.0094)-0.0128 (0.0495)38.337,92E-05
15rs13123551-4AT0.6164420.50650.0552 (0.0097)0.0818 (0.0493)32.386,69E-05
16rs147871383MIR99AHG21AG0.023680.019250.2259 (0.0494)0.2534 (0.1903)20.914,32E-05
17rs16918175-10CT0.1040370.0811-0.0649 (0.0131)0.0332 (0.0895)24.545,07E-05
18rs17182166ACVR12TG0.124940.1370.0751 (0.0156)-0.0046 (0.0703)23.184,79E-05
19rs1906779-15AG0.2113860.12390.0438 (0.0095)-0.0342 (0.0758)21.264,39E-05
20rs1948696ITGB53CT0.6501380.6041-0.0459 (0.0091)0.0219 (0.0501)25.445,25E-05
21rs1973765LSP111CT0.4867170.41240.0441 (0.0092)-0.0229 (0.0505)22.984,75E-05
22rs2429123CACNA1C, DCP1B12CT0.7299260.7250.0473 (0.0098)0.0190 (0.0549)23.34,81E-05
23rs2447561-8TA0.8734420.8382-0.0589 (0.0116)-0.0570 (0.0674)25.785,33E-05
24rs245015MSH35AG0.6850610.6562-0.0456 (0.0089)0.0065 (0.0519)26.255,42E-05
25rs2501968CENPQ6GA0.4653020.4229-0.0490 (0.0086)-0.0879 (0.0498)32.466,71E-05
26rs2526620-7GA0.2521440.24590.0500 (0.0092)0.0505 (0.0576)29.546,10E-05
27rs284160TGFBR31AG0.1926440.11860.0572 (0.0096)0.1573 (0.0768)35.57,33E-05
28rs2842870PMF1, PMF1-BGLAP1CT0.3603980.3434-0.0446 (0.0087)-0.0727 (0.0518)26.285,43E-05
29rs2880492NCOR212CT0.0358410.01984-0.1293 (0.0266)-0.1917 (0.1781)23.634,88E-05
30rs35790371RBFOX116AG0.0051250.0019030.5587 (0.1176)0.1447 (0.5420)22.574,66E-05
31rs5752720TTC2822TC0.284410.18440.0422 (0.0091)-0.0311 (0.0635)21.514,44E-05
32rs57694670SH3PXD2A10GA0.4336380.3834-0.0507 (0.0086)0.0080 (0.0507)34.767,18E-05
33rs6462001-7TG0.8814940.8329-0.0765 (0.0151)-0.0567 (0.0662)25.675,30E-05
34rs6843082-4AG0.652940.6907-0.0438 (0.0092)-0.0568 (0.0534)22.674,68E-05
35rs7091346SH3PXD2A10TC0.452730.2664-0.0582 (0.0098)-0.0143 (0.0552)35.277,28E-05
36rs7194129CFDP116TC0.5736910.55380.0399 (0.0084)0.0293 (0.0495)22.564,66E-05
37rs7341574ZFPM28TC0.3132430.38950.0463 (0.0094)-0.0774 (0.0505)24.265,01E-05
38rs7451833-6GA0.1030420.11660.1280 (0.0220)0.1253 (0.0777)33.856,99E-05
39rs74617384LPA6TA0.0709990.045730.1415 (0.0281)-0.0532 (0.1162)25.365,24E-05
40rs74849463PIK3C2B1TC0.2409490.20430.0445 (0.0092)-0.0319 (0.0616)23.44,83E-05
41rs757241AFAP1-AS14CG0.6733770.6704-0.0681 (0.0145)-0.0274 (0.0523)22.064,56E-05
42rs76099321CNNM210AG0.0520850.02979-0.0691 (0.0150)-0.2215 (0.1464)21.224,38E-05
43rs7670136-4CT0.5710880.6269-0.0473 (0.0101)0.0391 (0.0509)21.934,53E-05
44rs77455924NTM11TC0.0564570.029960.1632 (0.0331)0.0444 (0.1477)24.315,02E-05
45rs7820334-8TC0.2465490.2949-0.0643 (0.0127)-0.1327 (0.0648)25.635,29E-05
46rs7859727CDKN2B-AS19TC0.5188450.41510.0569 (0.0087)0.0281 (0.0498)42.778,83E-05
47rs7989823COL4A1, COL4A213CA0.5916150.61880.0527 (0.0089)0.0693 (0.0518)35.067,24E-05
48rs79960344-17GT0.1028080.10310.0651 (0.0130)-0.1596 (0.0805)25.085,18E-05
49rs880315CASZ11CT0.4455250.41390.0416 (0.0089)0.0444 (0.0501)21.854,51E-05
50rs9112LOC1005058415AG0.4365950.35730.0407 (0.0085)-0.0274 (0.0523)22.934,74E-05
51rs979380-17AG0.5318440.6197-0.0417 (0.0084)-0.0196 (0.0506)24.645,09E-05
EAF.IS und EAF.VD bezeichnen die Effekt-Allelfrequenzen in den Datensätzen zur ischämischen Schlaganfall-Exposition bzw. zum Ergebnis vaskuläre Demenz. F-Statistik = (β/SE)². Per-SNP-R² = F/(F + N − 2), wobei N = 484.121 beträgt. Die SNPs wurden anhand von p-Werten ausgewählt < 5 × 10-6 und Linkagedisequilibrium-Clumping mit r² < 0,001 innerhalb eines 10.000-kb-Fensters.

Tabelle 1: Genetische Instrumente für ischämischen Schlaganfall und entsprechende SNP–Ergebnis-Assoziationen für vaskuläre Demenz (VaD). Die Tabelle listet die endgültigen 51 SNPs auf, einschließlich SNP-ID, zugeordnetes Gen, Chromosom, Allele, EAF, SNP–Merkmals-Schätzungen, F-Statistiken und pro-SNP R2. Die SNPs wurden bei p < 5 × 10-6 ausgewählt und bei r2 < 0,001 innerhalb von 10.000 kb gruppiert. EAF.IS und EAF.VD bezeichnen die Effektallelhäufigkeiten im IS- und VD-Datensatz jeweils. Chr., Chromosom; EA, Effektallel; OA, anderes Allel; EAF, Effektallelhäufigkeit; IS, ischämischer Schlaganfall; VD, vaskuläre Demenz. Bitte klicken Sie hier, um diese Tabelle herunterzuladen.

Erweiterte Tabelle 1. MR-PRESSO-Bewertung der horizontalen Pleiotropie für die Analyse von ischämischem Schlaganfall und vaskulärer Demenz. Diese Tabelle fasst die MR-PRESSO-Analyse zusammen, die durchgeführt wurde, um die globale horizontale Pleiotropie und potenzielle Ausreißer-Varianten anhand des endgültigen harmonisierten Datensatzes mit 51 SNPs zu bewerten.Bitte klicken Sie hier, um diese Datei herunterzuladen.

Erweiterte Tabelle 2. Protokollschritte und entsprechende validierende Ergebnisse. Diese Tabelle verknüpft jeden wesentlichen Schritt des Protokolls mit dem jeweiligen repräsentativen Ergebnis und der angegebenen Fundstelle in der Veröffentlichung und zeigt damit die Umsetzung und Validierung des analytischen Workflows auf.Bitte klicken Sie hier, um diese Datei herunterzuladen.

Diskussion

Diese Studie stellt ein Two-Sample-MR-Protokoll zur Bewertung der potenziellen kausalen Assoziation zwischen IS und VaD unter Verwendung öffentlich zugänglicher GWAS-Zusammenfassungsstatistiken vor. In der repräsentativen Analyse unterstützten die IVW- und gewichtete Median-Methoden eine positive Assoziation zwischen genetisch vorhergesagtem IS und dem VaD-Risiko, während die MR-Egger-Schätzung in gleicher Richtung verlief, jedoch keine statistische Signifikanz erreichte. Daher liefern diese Ergebnisse Hinweise auf einen möglichen kausalen Effekt, jedoch keinen endgültigen Beweis für Kausalität.

Die beobachtete Assoziation ist im Kontext einer zerebrovaskulären Verletzung biologisch plausibel. Ein ischämischer Schlaganfall (IS) kann zu regionalen neuronale Schäden, einer beeinträchtigten zerebralen Perfusion und anschließenden neurodegenerativen Veränderungen führen. Frühere Studien haben gezeigt, dass vaskuläre Demenz (VaD) häufig im Zusammenhang mit einer verminderten zerebralen Durchblutung oder zerebrovaskulären Schäden auftritt13,14. Chronische zerebrovaskuläre Veränderungen nach einem IS können weiterhin zum kognitiven Verfall und zum Risiko einer VaD beitragen15. Zudem könnten mikrovaskuläre Schäden nach einem Schlaganfall, entzündliche Reaktionen und eine chronische neurovaskuläre Dysfunktion mögliche biologische Verbindungen zwischen IS und VaD darstellen. Das vorliegende MR-Protokoll kann diese Mechanismen jedoch nicht direkt belegen, und die Ergebnisse sollten gemeinsam mit zukünftigen mechanistischen und klinischen Validierungsstudien interpretiert werden.

Die MR-Egger-Schätzung erreichte keine statistische Signifikanz. Dieses Ergebnis sollte vorsichtig interpretiert werden, anstatt die IVW- und gewichteten Median-Ergebnisse direkt zu widersprechen. MR-Egger kann Schätzungen liefern, die robuster gegenüber bestimmten Formen der gerichteten Pleiotropie sind, weist jedoch üblicherweise eine geringere statistische Power auf, insbesondere wenn die Instrumenteneffekte moderat sind. In dieser Analyse deutete der MR-Egger-Achsenabschnitt nicht auf eine statistisch signifikante gerichtete horizontale Pleiotropie hin, und die Heterogenitätstests zeigten keine erhebliche Heterogenität zwischen den SNPs. Zusätzlich ergab der MR-PRESSO-Globaltest keine Hinweise auf globale horizontale Pleiotropie. Diese Sensitivitätsanalysen verringern die Besorgnis hinsichtlich messbarer gerichteter oder globaler horizontaler Pleiotropie, schließen jedoch nicht alle möglichen Quellen von Verzerrungen aus oder belegen Kausalität.

Die geringe Zahl an VaD-Fällen sollte dennoch bei der Interpretation dieser Ergebnisse berücksichtigt werden. Obwohl die primäre IVW-Analyse eine geschätzte post-hoc-Statistik von 89,5 % hatte, bedingt durch die beobachtete Effektgröße, ist dieses Ergebnis deskriptiv und sollte nicht als vorgesehene Begründung für den Stichprobenumfang interpretiert werden. Die begrenzte Fallzahl verringerte insbesondere die Präzision weniger effizienter Sensitivitätsschätzer; der minimale nachweisbare Effekt von 80 % für MR-Egger betrug eine OR von 3,23, was über der beobachteten Schätzung lag. Demnach schließt das nicht-signifikante MR-Egger-Ergebnis die Unsicherheit bezüglich der Stärke des Zusammenhangs nicht aus. Diese Power-Berechnungen berücksichtigen zudem keine potenziellen Verzerrungen im Zusammenhang mit der Gültigkeit der Instrumente, Stichprobenüberschneidungen, Phänotyp-Heterogenität oder residueller horizontaler Pleiotropie.

Mehrere analytische Schritte sind entscheidend für die Zuverlässigkeit dieses MR-Arbeitsablaufs. Zunächst sollten die GWAS-Datensätze für Exposition und Outcome mithilfe von Datensatz-IDs oder Zugangsnummern eindeutig identifiziert werden. Zweitens sollten die Auswahl der SNPs und die Kopplungsungleichgewichts-Clumping-Analyse anhand vordefinierter Schwellenwerte durchgeführt werden, um unabhängige genetische Instrumente zu erhalten. Drittens sollte die Instrumentenstärke anhand von F-Statistiken bewertet werden, um das Risiko einer Verzerrung durch schwache Instrumente zu verringern. Viertens ist die Allel-Harmonisierung unerlässlich, um sicherzustellen, dass die Schätzungen für SNP–Exposition und SNP–Outcome auf demselben Effektallel basieren. Schließlich sollten Heterogenitätsanalysen, Analysen zur horizontalen Pleiotropie und Leave-one-out-Analysen verwendet werden, um zu prüfen, ob die primäre Schätzung durch inkonsistente SNP-Effekte, gerichtete Pleiotropie oder ein einzelnes dominantes genetisches Instrument beeinflusst wird.

Häufige Ursachen für Fehler oder Verzerrungen in diesem Arbeitsablauf umfassen unzureichende expositionsassoziierte SNPs, schwache Instrumente, nicht verfügbare Outcome-SNPs, mehrdeutige Allelausrichtung, palindromische Varianten, Diskrepanzen bei Proxy-SNPs, Heterogenität zwischen SNP-spezifischen Schätzungen, horizontale Pleiotropie, Populationsdiskrepanzen, phänotypische Heterogenität und mögliche Stichprobenüberschneidungen. Diese Probleme können durch die Überprüfung der GWAS-Datensatzkennungen, die Anwendung konsistenter Kriterien für die SNP-Auswahl und das Clustering, die Dokumentation des Einsatzes von Proxy-SNPs, die Prüfung der Harmonisierungsergebnisse, die Zusammenfassung der F-Statistiken sowie die interpretierende Betrachtung der MR-Schätzungen zusammen mit Ergebnissen zu Heterogenität, Pleiotropie und Leave-one-out-Analysen adressiert werden. Werden erhebliche Heterogenität oder Pleiotropie festgestellt, sollte die primäre IVW-Schätzung vorsichtig interpretiert und zusätzliche Sensitivitätsanalysen oder alternative Datensätze in Betracht gezogen werden.

Ein potenzieller Stichprobenüberlapp sollte ebenfalls berücksichtigt werden. Die GWAS zur Exposition und die GWAS zum FinnGen-Ergebnis wurden beide aus Ressourcen mit europäischer Abstammung abgeleitet, und der Umfang einer möglichen Teilnehmerüberlappung konnte anhand der verfügbaren Zusammenfassungsstatistiken nicht quantifiziert werden. Eine solche Überlappung könnte die Zweistichproben-MR-Schätzungen in Richtung beobachteter Assoziationen verzerren, insbesondere wenn die Instrumente nicht stark mit der Exposition assoziiert sind. Diese Einschränkung sollte bei der Interpretation des repräsentativen Ergebnisses berücksichtigt werden.

Im Vergleich zu konventionellen Beobachtungs-Kohorten- oder Fall-Kontroll-Studien kann die MR unter gültigen Instrumentalvariablen-Annahmen Verwechslungseffekte und Verzerrungen durch umgekehrte Kausalität verringern. Dennoch sind Beobachtungsstudien weiterhin wertvoll, um die Inzidenz von Krankheiten, zeitliche Muster und den klinischen Verlauf abzuschätzen. Im Vergleich zu randomisierten kontrollierten Studien oder experimentellen Modellen kann die MR potenzielle kausale Zusammenhänge anhand bereits vorhandener genetischer Daten bewerten, wenn direkte Interventionsstudien nicht durchführbar oder ethisch bedenklich wären. Allerdings kann die MR keine direkten Aufschlüsse über zelluläre Mechanismen liefern oder die mechanistische Validierung ersetzen. Daher sollte dieses Protokoll als Ergänzung zu Kohortenstudien, Querschnittsanalysen, Tiermodellen und Zellversuchen angesehen werden, nicht jedoch als Ersatz dafür.

Frühere Studien haben vaskuläre Risikofaktoren und dementiaassoziierte Ergebnisse mithilfe epidemiologischer und genetischer Ansätze untersucht. Beispielsweise wurden Diabetes und Hypertonie in früheren klinischen und bevölkerungsbasierten Untersuchungen mit dem Demenzrisiko in Verbindung gebracht16. Bestehende, auf MR basierende Studien haben außerdem ischämischen Schlaganfall (IS), vaskuläre Demenz (VaD) und verwandte Komorbiditätsmechanismen erforscht. Die vorliegende Arbeit unterscheidet sich von diesen Studien hinsichtlich ihres primären Ziels. Anstatt neue molekulare Zielstrukturen zu identifizieren oder Krankheitsmechanismen experimentell zu validieren, konzentriert sich dieser Artikel darauf, ein reproduzierbares Protokoll zur Durchführung einer Two-Sample-MR-Analyse unter Verwendung öffentlich zugänglicher GWAS-Zusammenfassungsstatistiken darzustellen.

Dieses Protokoll weist mehrere Einschränkungen auf. Erstens basierte die Analyse auf öffentlich verfügbaren GWAS-Zusammenfassungsstatistiken, und die Ergebnisse sind möglicherweise nicht vollständig auf nichteuropäische Populationen oder Datensätze mit abweichenden Falldefinitionen übertragbar. Zweitens wurde eine großzügige SNP-Auswahl-Schwelle (p < 5 × 10-6) wurde verwendet, um eine angemessene Anzahl unabhängiger Instrumente für Sensitivitätsanalysen beizubehalten. Alle beibehaltenen Instrumente wiesen F-Statistiken auf >10, ist diese Schwelle weniger streng als die konventionelle genomweite Signifikanzschwelle und kann Varianten mit schwächeren oder weniger robusten Expositionsassoziationen einschließen. Die repräsentativen Ergebnisse sollten daher als explorativ und hinweisend betrachtet werden, nicht als definitive Belege für Kausalität. Drittens kann MR zwar Verwechslungseffekte und Verzerrungen durch umgekehrte Kausalität reduzieren, jedoch horizontale Pleiotropie, Fehlklassifizierung von Phänotypen, Überlappung von Stichproben oder durch ungültige Instrumente verursachte Verzerrungen nicht vollständig ausschließen. Viertens weist der nicht-signifikante MR-Egger-Schätzwert darauf hin, dass die kausale Interpretation vorsichtig zu erfolgen hat. Fünftens enthält dieses Protokoll keine Zellexperimente, Tiermodelle oder Validierungen in unabhängigen Kohorten; solche Ansätze wären wertvoll, um biologische Mechanismen und die klinische Anwendbarkeit zu klären.

Darüber hinaus wurde das IS als Gesamtphänotyp modelliert. Dieser repräsentative Protokollansatz wurde nicht darauf ausgelegt, festzustellen, ob eine Assoziation auf einen Schlaganfall durch arteriosklerotische Veränderung großer Arterien, eine Okklusion kleiner Gefäße, einen kardioembolischen Schlaganfall oder einen anderen Subtyp zurückzuführen ist. Folglich sollte das Ergebnis nicht als Hinweis auf einen spezifischen Effekt eines Subtyps interpretiert werden. Zukünftige Arbeiten sollten denselben Workflow auf gut dimensionierte, subtypspezifische GWAS-Datensätze anwenden, und zwar mithilfe eines vorgegebenen, harmonisierten Analyseplans.

Zukünftige Anwendungen dieses Protokolls könnten über IS und VaD hinausgehen. Derselbe Arbeitsablauf kann angepasst werden, um andere Zusammenhänge zwischen zerebrovaskulären, neurodegenerativen, metabolischen, entzündlichen oder kardiovaskulären Expositionen und Ergebnissen zu bewerten, sofern geeignete GWAS-Zusammenfassungsstatistiken verfügbar sind. Zukünftige Studien könnten diesen Arbeitsablauf auch erweitern, indem sie eine unabhängige GWAS-Validierung, bidirektionale MR, multivariable MR, Mediations-MR oder die Integration mit kohortenbasierten und experimentellen Belegen einbeziehen.

Zusammenfassend bietet dieses Protokoll einen reproduzierbaren Arbeitsablauf zur Durchführung einer Two-Sample-MR-Analyse unter Verwendung öffentlich zugänglicher GWAS-Zusammenfassungsstatistiken. Die repräsentativen Ergebnisse liefern Hinweise auf einen möglichen positiven Zusammenhang zwischen genetisch vorhergesagtem IS und dem Risiko für VaD, hauptsächlich gestützt durch die IVW- und gewichtete Median-Methode, während die MR-Egger-Schätzung keine statistische Signifikanz erreichte. Die Befunde sollten jedoch nicht als endgültiger mechanistischer Beweis interpretiert werden. Unabhängige, bevölkerungsbasierte Validierungsstudien sowie experimentelle Untersuchungen sind erforderlich, um die biologischen Mechanismen und die klinische Relevanz dieses Zusammenhangs weiter zu klären.

Offenlegungen

Die Autoren erklären, dass keine konkurrierenden finanziellen Interessen bestehen. Bei der Erstellung, Bearbeitung oder Vorbereitung dieses Manuskripts wurden keine Werkzeuge künstlicher Intelligenz (KI) oder großer Sprachmodelle (LLM) verwendet.

Danksagungen

Die Autoren erhielten keine spezifische Förderung für diese Studie.

Materialien

Liste der in diesem Artikel verwendeten Materialien
NameUnternehmenKatalognummerKommentare
FinnGen GWAS-DatensatzFinnGenfinn-b-F5_VASCDEMÖffentlicher GWAS-Datensatz, der als Ergebnisquelle für vaskuläre Demenz verwendet wurde
IEU OpenGWAS-DatenbankMRC Integrative Epidemiology Unit, University of Bristolebi-a-GCST90018864Öffentlicher GWAS-Datensatz, der als Expositionssource für ischämischen Schlaganfall verwendet wurde
R-SoftwareR Foundation for Statistical ComputingNicht zutreffendStatistische Software zur Durchführung der MR-Analyse
RStudioPosit Software, PBCNicht zutreffendIntegrierte Entwicklungsumgebung zum Ausführen von R-Skripten
TwoSampleMR-PaketMRC Integrative Epidemiology Unit, University of BristolNicht zutreffendR-Paket zur Extraktion von Instrumenten, Harmonisierung, MR-Analyse und Sensitivitätsanalysen
MRPRESSO-PaketCRANVersion 1.0R-Paket zur Beurteilung globaler horizontaler Pleiotropie und potenzieller Outlier-Instrumente
writexl-PaketCRANNicht zutreffendR-Paket zum Exportieren von Ergebnistabellen als xlsx-Dateien

Referenzen

  1. Sharma R, Lee K. Advances in treatments for acute ischemic stroke. BMJ. 2025;389:e076161.
  2. Zhu H, et al. Interleukins and ischemic stroke. Front Immunol. 2022;13:828447.
  3. Feske SK. Ischemic stroke. Am J Med. 2021;134(12):1457-1464.
  4. Lin HF, et al. Apolipoprotein E polymorphism in ischemic cerebrovascular diseases and vascular dementia patients in Taiwan. Neuroepidemiology. 2004;23(3):129-134.
  5. Semplicini A, et al. Hypertension and cerebrovascular diseases: a specific role of vascular protection for the prevention of dementia. J Cardiovasc Pharmacol. 2001;38(Suppl 2):S79-S82.
  6. Bulwa Z, et al. Management of blood pressure after acute ischemic stroke. Curr Neurol Neurosci Rep. 2019;19(6):29.
  7. Hosoki S, Tanaka T, Ihara M. Diagnostic and prognostic blood biomarkers in vascular dementia: from the viewpoint of ischemic stroke. Neurochem Int. 2021;146:105015.
  8. Yamagata K. Docosahexaenoic acid inhibits ischemic stroke to reduce vascular dementia and Alzheimer's disease. Prostaglandins Other Lipid Mediat. 2023;167:106733.
  9. Yeung S, Luo S, Iwagami M, Goto A. Introduction to Mendelian randomization. Ann Clin Epidemiol. 2025;7(1):27-37.
  10. Luo J, et al. Cardiovascular diseases and risk of dementia in the general population. Eur J Prev Cardiol. 2025:zwaf129. Available from: https://academic.oup.com/eurjpc
  11. Burgess S. Sample size and power calculations in Mendelian randomization with a single instrumental variable and a binary outcome. Int J Epidemiol. 2014;43(3):922-929. Available from: https://academic.oup.com/ije/article/43/3/922/757361
  12. Verbanck M, et al. Detection of widespread horizontal pleiotropy in causal relationships inferred from Mendelian randomization between complex traits and diseases. Nat Genet. 2018;50(5):693-698. Available from: https://www.nature.com/articles/s41588-018-0099-7
  13. Ng S, et al. Updates on vascular dementia. Stroke Vasc Neurol. 2025;10(5):542-550.
  14. Sanders AE, Schoo C, Kalish VB. Vascular Dementia. StatPearls Publishing; Treasure Island (FL); 2025. Available from: https://www.ncbi.nlm.nih.gov/books/
  15. Ho JP, Powers WJ. Contemporary management of acute ischemic stroke. Annu Rev Med. 2025;76(1):417-429.
  16. Yen FS, et al. Diabetes, hypertension, and the risk of dementia. J Alzheimers Dis. 2022;89(1):323-333.

Nachdrucke und Genehmigungen

Tags

genomweite Assoziationsstudiegenetische InstrumenteInstrumentvariableKopplungsungleichgewichtAllel Harmonisierunginvers varianzgewichtete Methodehorizontale Pleiotropie
Kontaktieren Sie uns
Der Bibliothek empfehlen

Datenschutz

Nutzungsbedingungen

Richtlinien

Urheberrecht © 2026 MyJoVE Corporation. Alle Rechte vorbehalten.