$$\rightleftharpoonup{xx}$$
$$\longleftharp{xx}$$,
$$\longrightharp{xx}$$,
Cette étude applique un plan de randomisation mendélienne (RM) en deux échantillons pour évaluer si la longueur des télomères (TL) génétiquement proxy influence causalement le risque de thyrotoxicose. Seules des statistiques résumées GWAS désidentifiées et accessibles au public ont été utilisées, et aucune donnée individuelle n’a été consultée. Le Conseil d’examen institutionnel de l’hôpital municipal de Qingdao a déterminé que l’analyse est exemptée de toute révision supplémentaire car elle repose exclusivement sur des données publiques résumées. Toutes les études d’association génomique ayant contribué ont obtenu un consentement éclairé et des approbations éthiques dans le cadre de leurs protocoles d’origine. L’analyse est structurée pour minimiser la confusion et la causalité inverse en utilisant des variantes germinales associées à la langue de langue comme instruments non confondus et en mettant en œuvre des procédures de sensibilité pour interroger la pléiotropie, l’hétérogénéité et la direction de l’effet.
Sources de données
L’ensemble d’expositions pour TL a été obtenu auprès de l’IEU OpenGWAS sous l’identifiant ieu-b-4879, regroupant environ 472 174 participants d’ascendance européenne. L’ensemble de données de résultats pour la thyrotoxicose a été extrait du consortium FinnGen, en utilisant le critère final de 2021 finn-b-thyROTOXICOSIS avec 4 142 cas et 213 693 témoins. Ces ressources fournissent des estimations efficaces et des erreurs standard nécessaires pour construire des instruments au niveau SNP, harmoniser les allèles et estimer les effets causaux avec des estimateurs MR établis.
Environnement logiciel et informatique
Toutes les analyses ont été réalisées dans R (version 4.3.1). Le principal paquet analytique était TwoSampleMR (version 0.5.7), complété par ieugwasr pour l’accès programmatique aux ressources GSA, MRPRESSO pour la détection des valeurs aberrantes et les tests de distorsion, mr.raps pour l’estimation robuste sous instruments faibles et pléiotropie idiosyncratique, RadialMR pour la visualisation radiale, et des paquets polyvalents incluant tidyverse et data.table. Les informations de session et les versions des packages sont écrites dans un fichier pour garantir une reproductibilité stricte.
Hypothèses fondamentales de la randomisation mendélienne
Le cadre de la RM suppose que les instruments génétiques sont fortement associés à la TL, indépendants des facteurs qui embrouillent la relation entre la TL et la thyrotoxicose, et n’influencent la thyrotoxicose que via la TL plutôt que par des voies alternatives. Le plan d’analyse opérationnelle ces hypothèses en quantifiant la force par variante, en testant la pléiotropie horizontale déséquilibrée à l’aide de méthodes basées sur l’interception et le criblage des valeurs aberrantes, en évaluant l’hétérogénéité entre variantes, et en confirmant la direction d’effet TL-thyrotoxicose avec un test de directionnalitéformel 12.
Sélection des instruments et contrôle qualité
Les instruments génétiques ont été sélectionnés à partir du GWAS TL avec un seuil de signification génomique de p < 5×10-8. Pour garantir l’indépendance, le déséquilibre de liaison a été traité en agrégeant à r2 = 0,001 dans une fenêtre de 10 000 kb à l’aide de données de référence européennes du projet 1000 génomes ; lorsque les variantes étaient corrélées, la variante avec la valeur p plus petite pour l’association à la TL était conservée. La force de l’instrument a été résumée pour chaque variante à l’aide de la statistique F_i = \beta_{E,i}^{2}/\mathrm{SE}(\beta_{E,i})^{2} et jugée selon le critère conventionnel F > 1013,14. Lorsque cela était approprié, l’approximation de Sanderson-Windmeijer a été référencée pour décrire la force globale des instruments à travers plusieurs variantes dans un échantillon de taille N, avec des instruments K expliquant la variance d’exposition R^{2} : F_{\mathrm{SW}} = \{[R^{2}/(1-R^{2})]\,(N-K-1)\}/K 15. Les variantes palindromiques ambiguës avec des fréquences allèles proches de 0,5 étaient exclues à moins que l’information sur la fréquence des allèles ne permette un alignement non ambigu.
Harmonisation
Pour chaque instrument, l’association correspondante avec la thyrotoxicose a été extraite de FinnGen et alignée de manière à ce que les tailles d’effet représentent le même allèle d’effet à travers l’exposition et le résultat. L’harmonisation a éliminé les inadéquations des allèles, corrigé les problèmes de brins et exclu les SNP palindromes avec une ambiguïté non résolue, produisant un ensemble de données adapté à la construction valide du rapport de Wald.
Estimation causale primaire
L’analyse primaire a utilisé l’estimateur pondéré en inverse de la variance (IVW) pour méta-analyser les rapports de Wald spécifiques aux SNP en un effet causalregroupé 16. Les estimations sont rapportées en termes de rapports de cotes par une augmentation d’écart-type en TL, avec des intervalles de confiance à 95 % dérivés selon des modèles à effets fixes et aléatoires. Le choix du modèle a été guidé par des diagnostics d’hétérogénéité, et les deux spécifications sont présentées pour faciliter une interprétation robuste.
Analyses de sensibilité et vérifications de robustesse
La robustesse a été évaluée à l’aide de la régression MR-Egger avec un terme d’interception pour tester la pléiotropie directionnelle déséquilibrée, l’estimation du maximum de vraisemblance pour améliorer l’efficacité sous homogénéité tout en atténuant l’erreur de mesure, MR-PRESSO pour réaliser un test global des valeurs aberrantes et pour estimer les effets corrigés par les valeurs aberrantes, et MR-RAPS pour fournir des estimations résistantes aux instruments faibles et à la pléiotropieidiosyncratique 17. L’hétérogénéité entre variantes a été quantifiée à l’aide de la statistique Q de Cochran dans le cadre de laFIV 18. La direction de l’effet a été examinée avec le test de Steiger, qui compare la proportion de variance expliquée dans l’exposition et le résultat afin de déterminer si les données sont plus compatibles avec la TL causant la thyrotoxicose plutôt que l’inverse. L’interception MR-Egger a été utilisée comme test formel de la pléiotropie directionnelle. Les analyses Leave-One-Out ont été inspectées afin de s’assurer que l’association globale n’était pas influencée par une seule variante.
Randomisation mendélienne inverse
Pour sonder la causalité inverse potentielle, le pipeline analytique a été répété avec la thyrotoxicose comme exposition et la TL comme résultat. Les mêmes critères de sélection des instruments, procédures d’harmonisation, estimateur primaire de la VIO et analyses de sensibilité ont été appliqués afin que des conclusions sur la directionnalité soient tirées dans un cadre causal identique.
Tests multiples, alimentation et rapports
Le test d’hypothèse principale concerne l’estimateur de la FIV pour l’effet de la TL sur la thyrotoxicose. Les estimateurs de sensibilité et les tests diagnostiques sont interprétés comme des preuves à l’appui ; Les valeurs p sont rapportées en notation scientifique pour plus de clarté, et les conclusions mettent l’accent sur la cohérence entre les méthodes plutôt que sur des seuils de signification isolés. Les résumés de la force de l’instrument et la proportion de variance expliquée indiquent une puissance approximative selon les formulations standard de non-centralité, en reconnaissant que la puissance dépend de la taille de l’échantillon, de la force de l’instrument et de l’ampleur de l’effet réel.
Reproductibilité computationnelle et commandes exactes
La reproductibilité est assurée en fournissant la séquence complète de commandes R qui recréent la sélection des instruments, l’extraction des résultats, l’harmonisation, les analyses primaires et de sensibilité, la résonance magnétique inversée, les sorties diagnostiques et l’exportation de fichiers prêts à l’analyse. Le script écrit des fichiers CSV stables et lisibles par l’humain correspondant à la liste d’instruments, au jeu de données harmonisé et au résumé des estimations et diagnostics de la RM.
# R 4.3.1 ; TwoSampleMR 0.5.7
# Installation optionnelle :
# install.packages(c(« TwoSampleMR », « ieugwasr », « MRPRESSO », « mr.raps »,
« RadialMR », « tidyverse », « data.table »))
bibliothèque(TwoSampleMR)
Bibliothèque (IEUGWASR)
bibliothèque (MRPRESSO)
bibliothèque(mr.raps)
bibliothèque (RadialMR)
bibliothèque (tidyverse)
bibliothèque(data.table)
# Exposition : longueur des télomères (IEU OpenGWAS)
exposure_id <- « IIU-B-4879 »
# Résultat : FinnGen 2021 critère thyrotoxicose utilisé pour les analyses rapportées
outcome_id <- « finn-b-thyROTOXICOSE »
# Sélection d’instruments avec seuil génomique et agglutination stricte de la LD
exp <- extract_instruments(résultats = exposure_id, p1 = 5e-8, regroupement = VRAI, r2 = 0,001, kb = 10000)
exp$F_stat <- (exp$beta.exposure^2) / (exp$se.exposure^2)
fwrite (exp, « S1_instruments_TL.csv »)
# Extraction des résultats et harmonisation
out <- extract_outcome_data(SNPS = exp$SNP, résultats = outcome_id)
dat <- harmonise_data(exp, sortie, action = 2)
fwrite(dat, « S2_harmonised_TL_vs_thyrotoxicosis.csv »)
# Estimateurs de MR primaire et de sensibilité
res <- mr(dat, method_list = c(« mr_ivw »,"mr_ivw_fe »,"mr_egger_regression »,
« mr_weighted_median », » « mr_raps" », « mr_maxlik »))
het <- mr_heterogeneity(dat) # Q de Cochran
pleio <- mr_pleiotropy_test(dat) # Egger intercept
Steiger <- directionality_test(dat) # Directionnalité Steiger
# Estimations globales et corrigées par les valeurs aberrantes MR-PRESSO
mrpresso <- mr_presso(BetaOutcome = « beta.outresult », BetaExposure = « beta.exposition »,
SdOutcome = « se.outissue », SdExposition = « se.exposition »,
OUTLIERtest = VRAI, DISTORTIONtest = VRAI,
data = dat, NbDistribution = 1000, SignifThreshold = 0,05) #
# IRM inversée : thyrotoxicose (exposition) -> TL (résultat)
rev_exp <- extract_instruments(résultats = outcome_id, p1 = 5e-8, amas = VRAI, r2 = 0,001, kb = 10000)
rev_out <- extract_outcome_data(SNPS = rev_exp$SNP, résultats = exposure_id)
rev_dat <- harmonise_data(rev_exp, rev_out, action = 2)
rev_res <- mr(rev_dat, method_list = c(« mr_ivw »,"mr_ivw_fe »,"mr_egger_regression »,
« mr_weighted_median », » « mr_raps" », « mr_maxlik »))
rev_het <- mr_heterogeneity(rev_dat)
rev_pleio <- mr_pleiotropy_test(rev_dat)
rev_steiger <- directionality_test(rev_dat)
# Exportations pour l’archivage et la génération de figures/tables
write.csv(bind_rows(res), « S3_mr_results_primary.csv », ligne.noms = FAUX)
write.csv(het, « S3_mr_heterogeneity.csv », ligne.noms = FAUX)
write.csv(pleio, « S3_mr_pleiotropy_egger.csv »,row.names = FAUX)
write.csv(steiger, « S3_mr_steiger.csv », ligne.noms = FAUX)
write.csv(bind_rows(rev_res), « S3_reverse_mr_results.csv », row.names = FAUX)
write.csv(rev_het, « S3_reverse_heterogeneity.csv », ligne.noms = FAUX)
write.csv(rev_pleio, « S3_reverse_pleiotropy_egger.csv », ligne.noms = FAUX)
write.csv(rev_steiger, « S3_reverse_steiger.csv », ligne.noms = FAUX)