Un abonnement JoVE est requis pour visualiser ce contenu. Connectez-vous ou commencez votre période d'essai gratuite.

Article de méthode

Relation causale entre l'accident vasculaire cérébral ischémique et la démence vasculaire : une étude de randomisation mendélienne

73 vues

⸱

11 septembre 2026

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

Dans cet article

Résumé

Ce protocole décrit un flux de travail reproductible de randomisation mendélienne à deux échantillons permettant d'évaluer l'association causale potentielle entre l'accident vasculaire cérébral ischémique et la démence vasculaire, en utilisant des statistiques sommaires d'études d'association pangénomiques disponibles publiquement.

Résumé

L'accident vasculaire cérébral ischémique (AVCI) est une cause majeure d'incapacité et de mortalité dans le monde entier, et la démence vasculaire (DVa) est un sous-type fréquent de démence associé à une lésion cérébrovasculaire. Des études observationnelles ont suggéré une relation entre l'AVCI et la DVa, mais ces études sont sensibles aux facteurs de confusion et à la causalité inverse. Ce protocole décrit un flux de travail reproductible de randomisation mendélienne (RM) en deux échantillons pour évaluer l'association causale potentielle entre l'AVCI et la DVa à l'aide de statistiques sommaires issues d'études d'association pangénomiques (GWAS) publiquement accessibles. Des instruments génétiques associés à l'AVCI ont été extraits d'un jeu de données GWAS public, et les associations avec l'issue de la DVa ont été obtenues à partir d'un jeu de données GWAS public sur la DVa. Les identifiants correspondants des jeux de données sont fournis dans la section Protocole. Après l'appariement des issues et l'harmonisation des allèles, 51 polymorphismes nucléotidiques simples (SNP) ont été conservés pour l'analyse finale de RM. Le flux de travail comprend la sélection de variables instrumentales, le regroupement par déséquilibre de liaison, l'harmonisation des allèles, l'évaluation de la puissance des instruments, l'analyse pondérée par la variance inverse (IVW), l'analyse par médiane pondérée, l'analyse RM-Egger, les tests d'hétérogénéité, l'évaluation de la pléiotropie horizontale et l'analyse de sensibilité en laissant un élément de côté. Dans l'analyse représentative, la méthode IVW a montré une association positive entre l'AVCI prédit génétiquement et le risque de DVa, et la méthode de la médiane pondérée a donné un résultat concordant en direction. L'estimation RM-Egger était directionnellement cohérente mais n'a pas atteint une signification statistique. Par conséquent, ces résultats doivent être interprétés comme une preuve suggestive d'un effet causal possible, et non comme une preuve définitive de causalité. Ce protocole pourrait aider les chercheurs à appliquer un flux de travail de RM transparent et reproductible pour étudier des issues liées aux maladies cérébrovasculaires à l'aide de données GWAS publiques.

Introduction

L'accident vasculaire cérébral ischémique (AVC) est l'une des principales causes de handicap grave et de décès dans le monde entier1. Selon les données les plus récentes de l'étude Global Burden of Disease, l'incidence mondiale de l'AVC a diminué, mais elle reste une charge importante, en particulier en Europe de l'Est, en Asie de l'Est, en Asie centrale et en Afrique subsaharienne2,3. De plus, l'incidence de l'AVC est en augmentation dans les pays présentant un faible indice de développement socio-démographique (SDI), et elle devrait continuer d'augmenter entre 2020 et 2030.

De nombreuses études épidémiologiques ont suggéré un lien potentiel entre les maladies cérébrovasculaires et la démence vasculaire (VaD)4,5. En particulier en Chine, la VaD est l'un des types de démence les plus fréquents chez les personnes âgées, et la forte prévalence de l'AVC est étroitement associée à l'apparition de la VaD. Toutefois, la plupart des études existantes sont observationnelles, et des facteurs de confusion résiduels, une causalité inverse ainsi que des différences dans la définition des maladies peuvent limiter l'interprétation causale. Par conséquent, des approches analytiques supplémentaires sont nécessaires pour évaluer si l'AVC pourrait être impliqué dans le développement de la VaD.

L'IA peut influencer l'apparition de la DAV par plusieurs mécanismes. Les lésions cérébrovasculaires provoquées par l'IA peuvent entraîner une perfusion cérébrale insuffisante et des modifications neurodégénératives ultérieures6. De plus, la DAV pourrait être liée à une atteinte cérébrovasculaire chronique, à des dommages microvasculaires et à des réponses inflammatoires après l'IA7,8. Par conséquent, l'étude de la relation entre l'IA et la DAV est importante pour comprendre les liens possibles entre les maladies et orienter les stratégies futures de prévention.

La randomisation mendélienne (RM) est une méthode analytique qui utilise des variants génétiques comme variables instrumentales afin d'évaluer d'éventuelles associations causales entre une exposition et un résultat9. Par rapport aux études observationnelles classiques, la RM peut réduire les biais de confusion et de causalité inverse sous réserve que les hypothèses relatives aux variables instrumentales soient valides. Comparée aux essais contrôlés randomisés ou aux modèles expérimentaux, la RM peut exploiter des statistiques sommaires issues d'études d'association pangénomiques (GWAS) existantes pour évaluer des associations cliniquement pertinentes lorsque des études d'intervention directe sont irréalisables, contraires à l'éthique ou difficiles à mener. De récentes études génétiques utilisant des approches de randomisation mendélienne ont examiné l'association entre l'AVC ischémique (IS) et la démence vasculaire (VaD)10. Toutefois, des descriptions détaillées au niveau du protocole concernant la sélection des instruments d'exposition, l'extraction des données sur le résultat, l'harmonisation des allèles, l'évaluation de la puissance des instruments, les tests d'hétérogénéité, l'évaluation de la pléiotropie et les analyses de sensibilité restent essentielles pour une mise en œuvre reproductible.

Ce protocole est approprié lorsque des statistiques sommaires de GWAS accessibles au public sont disponibles à la fois pour l'exposition et pour le résultat d'intérêt, que des instruments génétiques valides peuvent être sélectionnés pour l'exposition, et que la question de recherche vise à évaluer une association causale potentielle plutôt qu'à établir directement des mécanismes biologiques. Cette étude présente donc un protocole de MR à deux échantillons pour évaluer l'association causale potentielle entre l'AVC ischémique (IS) et la démence vasculaire (VaD), en utilisant des statistiques sommaires de GWAS accessibles au public. L'objectif est de fournir un flux de travail analytique reproductible plutôt que d'établir des mécanismes biologiques définitifs. Ce protocole décrit la sélection des instruments génétiques, l'appariement des résultats, l'harmonisation des allèles, l'estimation de la MR et les analyses de sensibilité, en utilisant l'association IS-VaD comme exemple représentatif.

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Protocole

Cette étude a utilisé des statistiques sommaires de GWAS accessibles publiquement. Les études originales avaient obtenu l'approbation du comité d'éthique et le consentement éclairé des participants. Aucune approbation éthique supplémentaire n'était requise pour cette analyse secondaire.

1. Conception de l'étude et déclaration éthique

  1. Utiliser un plan d'étude de randomisation mendélienne à deux échantillons pour évaluer l'association causale potentielle entre l'AVC et la DVA.
  2. Utiliser uniquement des statistiques sommaires de GWAS accessibles au public. Étant donné que toutes les études initiales incluses dans les jeux de données de GWAS avaient obtenu l'approbation du comité d'éthique et le consentement éclairé des participants, aucune approbation éthique supplémentaire n'est requise pour cette analyse secondaire.
  3. Définir l'AVC comme exposition et la DVA comme critère de jugement avant l'extraction des données.

2. Préparation du logiciel

  1. Effectuez toutes les analyses à l'aide du logiciel statistique R.
  2. Chargez le package TwoSampleMR pour l'extraction des instruments, l'extraction des données de résultat, l'harmonisation des allèles, l'estimation de la randomisation mendélienne, les tests d'hétérogénéité et les analyses de sensibilité. Chargez le package MRPRESSO afin d'évaluer la pléiotropie horizontale globale et les variants aberrants potentiels.
  3. Utilisez les fonctions principales suivantes dans le flux de travail : 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 et mr_leaveoneout_plot. Utilisez MRPRESSO::mr_presso pour effectuer le test global MR-PRESSO et, le cas échéant, les tests de détection des valeurs aberrantes et des distorsions.

3. Sélection du jeu de données d'exposition et criblage de la variable instrumentale

  1. Extraire les polymorphismes de nucléotide unique (SNP) associés à l'AVC à partir du jeu de données IEU OpenGWAS ebi-a-GCST90018864. Ce jeu de données comprend 11 929 cas d'AVC et 472 192 témoins, pour une taille totale d'échantillon de 484 121 participants.
  2. Sélectionner les SNP candidats associés à l'IS en utilisant un seuil de significativité de p < 5 × 10-6.
    1. Le p < 5 × 10-6 le seuil est utilisé dans ce protocole représentatif afin de conserver un nombre suffisant d'instruments indépendants pour les analyses de sensibilité. Étant donné que ce seuil est moins strict que le seuil conventionnel de significativité au niveau du génome, les résultats obtenus à partir de ces instruments doivent être interprétés comme exploratoires et suggérés, et non définitifs.
  3. Effectuer un regroupement par déséquilibre de liaison pour conserver les SNP indépendants. Utiliser un r2 seuil de 0,001 et une fenêtre de regroupement de 10 000 kb.
  4. Utilisez la commande R suivante pour extraire les instruments candidats :
    extract_instruments(résultats = "ebi-a-GCST90018864", p1 = 5e-06, regroupement = VRAI)
  5. Calculer la statistique F pour chaque SNP conservé en utilisant la formule F = (β/SE)2, où β et SE sont respectivement l'estimation de l'effet du SNP sur l'exposition et l'erreur-type.
  6. Exclure les SNP ayant une statistique F < 10 afin de réduire le risque de biais dû à un instrument faible. Résumer la distribution des statistiques F à l'aide du minimum, du maximum, de la médiane et de l'intervalle interquartile (IIQ).

4. Extraction du jeu de données des résultats

  1. Extraire les associations entre le résultat de la DAV et les données du jeu de données FinnGen GWAS finn-b-F5_VASCDEM. Ce jeu de données comprend 881 cas de DAV et 211 508 témoins.
  2. Extraire les associations de résultat pour tous les SNPs associés à l’AI sélectionnés à l’aide de la fonction extract_outcome_data.
  3. Rechercher des SNPs proxy lorsque les SNPs cibles ne sont pas directement disponibles dans le jeu de données de résultat. Conserver les variants appariés par proxy lorsque des informations proxy valides et une correspondance d’allèles sont disponibles.
  4. Utiliser la commande R suivante pour extraire le jeu de données de résultat :
    extract_outcome_data(snps = exp_dat$SNP, outcomes = "finn-b-F5_VASCDEM", access_token = NULL)

5. Harmonisation des allèles et conservation des SNP

  1. Harmonisez les jeux de données d'exposition et de résultat avant l'analyse MR.
  2. Alignez l'allèle d'effet et l'autre allèle de manière à ce que les estimations d'effet SNP–exposition et SNP–résultat correspondent au même allèle d'effet.
  3. Examinez les SNP lors de l'harmonisation afin d'identifier les incompatibilités alléliques, les associations au résultat indisponibles et les alignements alléliques ambigus. Conservez les SNP possédant des estimations d'effet disponibles pour l'exposition et le résultat après harmonisation.
  4. Utilisez la commande R suivante pour l'harmonisation allélique : harmonise_data(exposure_dat = exp_dat, outcome_dat = out_dat, action = 1)
  5. Enregistrez le nombre de SNP initialement extraits du jeu de données d'exposition, le nombre de SNP possédant des associations au résultat disponibles, le nombre de variants appariés par proxy et le nombre de SNP conservés pour l'analyse MR finale.

6. Analyse MR primaire et analyses de sensibilité

  1. Réaliser l'analyse MR primaire en utilisant la méthode pondérée par l'inverse de la variance (IVW).
  2. Effectuer des analyses MR complémentaires à l'aide des méthodes médiane pondérée et MR-Egger afin d'évaluer la cohérence de l'estimation causale sous différentes hypothèses.
  3. Générer les rapports de cotes (OR) et les intervalles de confiance à 95 % (IC) à partir des estimations MR.
  4. Utiliser les commandes R suivantes pour exécuter l'analyse MR et calculer les rapports de cotes :
    res <- mr(dat)
    res <- generate_odds_ratios(res)
  5. Étant donné qu'une association exposition-résultat primaire préspecifiée est évaluée, définir le seuil corrigé selon Bonferroni pour l'inférence MR primaire comme étant 0,05/1 = 0,05. Utiliser une valeur p bilatérale < 0,05 comme seuil de significativité statistique pour l'analyse IVW primaire.
  6. Afin de contextualiser la précision statistique de l'analyse primaire compte tenu du nombre limité de cas de DAV, effectuer un calcul post hoc de puissance par test de Wald bilatéral basé sur l'estimation IVW observée et son erreur-type. Calculer la puissance à l'aide du paramètre de non-centralité βIVW/SEIVW à un niveau α bilatéral de 0,05. Calculer l'effet minimalement détectable correspondant à une puissance de 80 % selon la formule exp[(z0,975 + z0,80) × SE]. Étant donné que l'IS est une exposition binaire et que les associations SNP-exposition sont exprimées sur l'échelle du log-odds, présenter cette analyse comme une évaluation descriptive conditionnelle à l'effet de la précision plutôt que comme un calcul préspecifié de taille d'échantillon11.

7. Analyses de l'hétérogénéité, de la pléiotropie horizontale et d'exclusion un par un

  1. Évaluer l'hétérogénéité entre SNPs à l'aide de la statistique Q de Cochran.
  2. Utiliser la commande R suivante pour calculer les statistiques d'hétérogénéité :
    mr_heterogeneity(dat)
  3. Évaluer la pléiotropie horizontale directionnelle à l'aide du test d'interception MR-Egger.
  4. Utiliser la commande R suivante pour calculer l'interception MR-Egger :
    mr_pleiotropy_test(dat)
  5. Évaluer la pléiotropie horizontale globale et les variants aberrants potentiels à l'aide de MR-PRESSO avec 10 000 simulations, un seuil de significativité de 0,05, et les tests d'aberrance et de distorsion activés12.
  6. Utiliser la commande R suivante pour l'analyse MR-PRESSO :
    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. Réaliser une analyse à SNP unique pour estimer l'effet de chaque SNP séparément.
  8. Utiliser la commande R suivante pour l'analyse à SNP unique :
    res_single <- mr_singlesnp(dat)
  9. Réaliser une analyse en laissant un SNP de côté à la fois, en supprimant séquentiellement un SNP à la fois et en répétant l'analyse IVW.
  10. Utiliser la commande R suivante pour l'analyse en laissant un SNP de côté à la fois :
    res_loo <- mr_leaveoneout(dat)

8. Visualisation et résultats

  1. Générez un graphique de dispersion pour montrer les estimations MR obtenues par différentes méthodes.
  2. Générez un graphique en forêt pour présenter les estimations individuelles par SNP et l'estimation globale de MR.
  3. Générez un graphique en entonnoir pour évaluer visuellement la symétrie des estimations spécifiques à chaque SNP.
  4. Générez un graphique d'analyse en laissant un SNP de côté à chaque fois pour vérifier si l'estimation globale est influencée par un seul SNP.
  5. Utilisez les commandes R suivantes pour générer les graphiques :
    mr_scatter_plot(res, dat)
    mr_forest_plot(res_single)
    mr_funnel_plot(res_single)
    mr_leaveoneout_plot(res_loo)
  6. Exportez les résultats de MR, le tableau des variables instrumentales, le tableau des associations avec l'issue et les sorties de l'analyse de sensibilité afin de garantir la communication et la reproductibilité des résultats.

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Résultats

Figure 1 résume le flux de travail global du protocole de randomisation mendélienne à deux échantillons, depuis la sélection des jeux de données et le criblage des instruments jusqu'aux analyses de sensibilité et à la visualisation des résultats. Les sorties représentatives de chaque étape sont présentées ci-dessous.

Variables instrumentales génétiques et contrôle qualité de l'harmonisation

Un total de ...

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Discussion

Cette étude présente un protocole de MR à deux échantillons permettant d'évaluer l'association causale potentielle entre l'AVC et la DVA à l'aide de statistiques sommaires GWAS disponibles publiquement. Dans l'analyse représentative, les méthodes IVW et médiane pondérée ont soutenu une association positive entre l'AVC prédit génétiquement et le risque de DVA, tandis que l'estimation MR-Egger était concordante en direction mais n'atteignait pas la signification statistique. Ces résultats fournissent donc des indices en fa...

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Déclarations de divulgation

Les auteurs déclarent qu’ils n’ont aucun intérêt financier concurrent. Aucun outil d’intelligence artificielle (IA) ou modèle de langage volumineux (LLM) n’a été utilisé pour la rédaction, la correction ou la préparation de ce manuscrit.

Remerciements

Les auteurs n'ont reçu aucun financement spécifique pour cette étude.

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Matériaux

Liste des matériaux utilisés dans cet article
NomEntrepriseNuméro de catalogueCommentaires
Ensemble de données GWAS FinnGenFinnGenfinn-b-F5_VASCDEMEnsemble de données GWAS public utilisé comme source de résultat pour la démence vasculaire
Base de données IEU OpenGWASUnité d'épidémiologie intégrative du MRC, Université de Bristolebi-a-GCST90018864Ensemble de données GWAS public utilisé comme source d'exposition pour l'accident vasculaire cérébral ischémique
Logiciel RFondation R pour l'informatique statistiqueNon applicableLogiciel statistique utilisé pour l'analyse MR
RStudioPosit Software, PBCNon applicableEnvironnement de développement intégré utilisé pour exécuter les scripts R
Pack TwoSampleMRUnité d'épidémiologie intégrative du MRC, Université de BristolNon applicablePack R utilisé pour l'extraction des instruments, l'harmonisation, l'analyse MR et les analyses de sensibilité
Pack MRPRESSOCRANVersion 1.0Pack R utilisé pour évaluer la pléiotropie horizontale globale et les instruments aberrants potentiels
Pack writexlCRANNon applicablePack R utilisé pour exporter les tableaux de résultats en fichiers xlsx

Références

  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.

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Réimpressions et autorisations

Explorer plus d’articles

Association pangénomiqueinstruments génétiquesvariable instrumentaledéséquilibre de liaisonharmonisation des allèlespondération par l'inverse de la variancepléiotropie horizontale
Contactez-nous
Recommander à la bibliothèque

Confidentialité

Conditions d’utilisation

Politiques

Copyright © 2026 MyJoVE Corporation. Tous droits réservés.