Étude de la relation bidirectionnelle entre les douleurs lombaires, douleurs à la hanche, douleurs au genou et anomalies de la démarche : une étude de randomisation mendélienne

Résumé

Les analyses de la FIV suggèrent que les douleurs lombaires et de hanche pourraient être associées à des anomalies de la démarche, tandis que la douleur au genou et les associations inverses restent non concluantes.

Résumé

Les anomalies de la marche sont associées à une altération de la biomécanique des membres inférieurs et à une altération fonctionnelle dans les troubles musculosquelettiques. Bien que les douleurs lombaires, de hanche et de genou aient été associées à une démarche altérée dans des études observationnelles, leurs relations causales restent floues. Nous avons mené une étude de randomisation mendélienne bidirectionnelle (RM) pour évaluer les associations causales potentielles entre la douleur spécifique au site et les anomalies de la marche. Des polymorphismes indépendants à nucléotide unique issus d’études d’association génomique à grande échelle ont été utilisés comme instruments génétiques pour les douleurs lombaires, de hanche et de genou. Les anomalies de la marche, définies dans le GWAS source comme des difficultés à marcher auto-déclarées, ont été utilisées comme résultat dans les analyses IRM avancées et comme exposition dans les analyses IRM inversées. La méthode pondérée par l’inverse de la variance (IVW) a été l’analyse principale, soutenue par des analyses de sensibilité pour l’hétérogénéité, la pléiotropie horizontale et la robustesse. Dans les analyses en avant, les douleurs lombaires génétiquement prédites (OR = 1,53, IC 95 % = 1,058–2,219, P = 0,024) et les douleurs à la hanche (OR = 1,55, IC à 95 % = 1,067–2,252, P = 0,021) étaient associés à un risque accru d’anomalies de la marche dans les analyses de FIV. Cependant, les quatre méthodes IRM supplémentaires n’étaient pas statistiquement significatives, bien que les estimations aient généralement été cohérentes sur le plan directionnel. La douleur génétiquement prédite au genou n’a montré aucune association significative (OR = 2,15, IC à 95 % = 0,234–19,789, P = 0,498), avec une incertitude substantielle reflétée par l’intervalle de confiance large. Les analyses IRM inversées n’ont trouvé aucune preuve que la responsabilité génétique des anomalies de la marche augmentait le risque de douleurs lombaires, de hanches ou de genou, bien que seuls quatre SNPs d’anomalies de la marche aient été disponibles. Aucune hétérogénéité substantielle ni pléiotropie horizontale n’a été détectée. Dans l’ensemble, cette étude fournit des preuves génétiques limitées basées sur la FIV montrant que les douleurs lombaires et à la hanche pourraient être associées à des anomalies de la démarche. Les résultats doivent être interprétés avec prudence et validés à l’aide de jeux de données GWAS plus larges avec des phénotypes affinés.

Introduction

Les anomalies de la marche peuvent provenir de troubles moteurs ou sensoriels, et leurs caractéristiques cliniques dépendent de la localisation et de la nature de la pathologie sous-jacente. Des schémas de marche anormaux spécifiques peuvent fournir des indices diagnostiques importants pour certaines maladies. Notamment, dans les troubles musculosquelettiques, les anomalies de la marche présentent souvent des caractéristiques biomécaniques distinctives et sont étroitement liées à la douleur, aux dysfonctionnements articulaires et à la mobilité^{réduite 1,2,3}. Des études ont montré que des anomalies de la démarche à long terme peuvent aggraver l’état des patients atteints d’arthrose⁴. De plus, une démarche anormale persistante peut augmenter l’instabilité des articulations locomotrices et modifier la charge articulaire ; Des activités articulaires répétitives sous une mécanique anormale peuvent aggraver les blessures articulaires, induisant ainsi des douleurs, favorisant une atrophie musculaire progressive et entraînant une perte de force musculaire plus prononcée. Ces facteurs peuvent interagir pour former un cercle vicieux, contribuant à l’aggravation progressive de la douleur et de l’altération fonctionnelle chez les patients atteints de troubles^{musculosquelettiques 5}. Par conséquent, clarifier la direction et la causalité potentielle des associations entre la douleur musculosquelettique spécifique au site et les anomalies de la marche peut aider à interpréter les relations observationnelles douleur–marche et orienter les recherches futures sur le dysfonctionnement de la marche et la rééducation.

Cependant, malgré l’accumulation de preuves observationnelles liant la douleur spécifique au site — comme les douleurs lombaires, de hanche et de genou — à une performance de démarche altérée, les études observationnelles conventionnelles sont vulnérables à la confusion, à l’erreur de mesure et à la causalité inverse, ce qui rend difficile la détermination de la direction et de la causalité de ces associations. De plus, la relation entre douleur et marche peut impliquer une adaptation du système nerveux central et une modulation des informations nociceptives reçues de la périphérie, ce qui complique encore davantage l’interprétation des associations douleur-marche observées. La randomisation mendélienne (RM) est une approche épidémiologique conçue pour surmonter les principales limites des études observationnelles et a été largement appliquée dans la recherche sur l’inférence causale. La RM utilise des polymorphismes indépendants à nucléotide unique (SNP) comme variables instrumentales pour déduire les relations causales potentielles entre expositions et^{résultats 6}. Par exemple, plutôt que d’assigner des individus à développer des douleurs lombaires, l’IRM peut examiner si la responsabilité génétique des douleurs lombaires est associée à des résultats liés à la marche dans de grands ensembles de données d’études d’association génomique (GWAS). Parce que les variantes génétiques sont attribuées de manière aléatoire à la conception, c’est-à-dire à la formation de l’embryon, l’IRM peut réduire les biais causés par des facteurs de confusion tels que l’âge, l’indice de masse corporelle, l’activité physique et les affections musculosquelettiques comorbides. Cette approche convient à l’exploration des relations causales au niveau de la population lorsque des données GWAS performantes et des instruments génétiques valides sont disponibles. Cependant, les phénotypes utilisés dans cette étude étaient des traits GWAS largement auto-déclarés et peuvent ne pas totalement refléter la gravité de la douleur, la durée des symptômes, les diagnostics confirmés par les cliniciens ou les paramètres objectifs de la démarche. En tirant parti de l’allocation aléatoire des variants génétiques à la conception, l’IRM peut efficacement atténuer les biais liés aux facteurs de confusion et inverser la causalité, fournissant ainsi des preuves causales plus plausibles.

L’objectif de cette étude était de réaliser une analyse IRM bidirectionnelle en utilisant les données résumées GWAS sur les douleurs lombaires auto-déclarées, les douleurs de hanche et les douleurs au genou, ainsi que des données GWAS sur les anomalies de la marche issues de la base de données IEU Open WAS. Dans cette étude, les phénotypes de la douleur représentaient de larges traits de douleur auto-déclarés spécifiques au site, et les anomalies de la marche représentaient des difficultés de marche auto-déclarées plutôt que des diagnostics confirmés par les cliniciens, des paramètres de démarche mesurés en laboratoire ou des scores fonctionnels standardisés. Ce plan bidirectionnel visait à évaluer la direction des associations causales potentielles entre la douleur musculosquelettique spécifique au site et les anomalies de la marche à l’aide des statistiques résumées^{GWAS 7}.

Protocole

Cette étude utilisait des données de niveau résumé de l’étude d’association génomique large (GWAS) accessibles publiquement, issues de la base de données OpenGWAS de l’IEU et du catalogue GWAS. Aucune donnée individuelle des participants n’a été consultée, et aucun nouveau participante humain n’a été recruté. L’approbation éthique et le consentement éclairé écrit avaient été obtenus dans les études GWAS contributives initiales. Par conséquent, une approbation supplémentaire du comité d’examen institutionnel n’était pas nécessaire pour la présente analyse secondaire des statistiques résumées publiquement disponibles.

Principe d’étude et conception

Les étapes de base de l’étude IRM incluent l’obtention de données résumées GWAS, le dépistage et l’évaluation des SNP, la réalisation d’analyses statistiques et la mise en œuvre de mesures de contrôle qualité. Comme montré à la Figure 1, la précision de l’analyse IRM repose sur le respect de trois hypothèses cruciales : (1) l’hypothèse de pertinence : les IV doivent être pertinentes pour les phénotypes d’exposition, à savoir les douleurs lombaires, les douleurs à la hanche et les douleurs au^{genou 8} ; (2) l’hypothèse d’indépendance : les IV sont sans rapport avec les facteurs de confusion affectant le « résultat d’exposition » ; (3) l’hypothèse d’exclusivité : les IV n’influencent le résultat que par exposition et non par d’autres^{voies 9}. Les facteurs d’exposition et les variables de résultat seront interchangés dans chaque analyse afin de déterminer s’il existe une causalité inverse entre les deux.

Pour améliorer la reproductibilité, le flux de travail computationnel complet utilisé pour l’importation locale de statistiques résumées GWAS, l’extraction de SNP, l’agglutination LD, l’extraction de SNP de résultats, l’harmonisation des allèles, l’analyse IRM, l’analyse de sensibilité, le tracé diagnostique et l’économie de sortie est fourni sous forme de Code Supplémentaire 1. Le texte principal décrit les étapes clés du protocole, tandis que le Fichier Supplémentaire 1 fournit l’implémentation R correspondante au niveau de commande et au niveau de la fonction.

Sources de données

Les données relatives aux douleurs lombaires, à la hanche et au genou sont obtenues à partir de la base de données IEU openGWAS, et le site web est : https://gwas.mrcieu.ac.uk/. Les questions spécifiques utilisées pour définir ces conditions se trouvent dans le Fichier Supplémentaire 2. Les douleurs lombaires, de la hanche et des douleurs au genou ont été définies selon des items de douleur spécifiques au site auto-déclarés dans les ensembles de données GWAS originaux. Le numéro d’identification GWAS du jeu de données sur la douleur lombaire est : ebi-a-GCST90018797 , avec un échantillon de 468269, incluant 22 413 patients souffrant de douleurs lombaires et 445 856 témoins dans la population, avec un total de SNP de 24174741. Le numéro d’identification GWAS du jeu de données sur la douleur de la hanche est : ebi-a-GCST90013968, avec un échantillon de 407746 et un nombre total de SNP de 11039206. Le numéro d’identification GWAS du jeu de données sur la douleur au genou est : ukb-b-16254, avec un échantillon de 461857, incluant 98 704 patients souffrant de douleurs au genou, ainsi qu’une population témoin de 363153, avec un nombre total de SNPs de 9851867. Les données GWAS pour les anomalies de la marche sont également obtenues à partir de la base de données IEU openGWAS, le numéro d’identification GWAS est : finn-b-R18 _ABNORMALITI_GAIT_MOBIL, avec un échantillon de 210717, comprenant 1348 cas d’anomalies de la marche et 209369 populations témoins, ainsi qu’un total de 1638044 loci SNP ont été identifiés. Les détails sont présentés dans le tableau 1.

Pour l’acquisition de données reproductibles, les chercheurs doivent rechercher chaque ID GWAS listé ci-dessus dans la base de données IEU OpenGWAS, télécharger le fichier de résumé-statistique GWAS correspondant lorsque disponible, et enregistrer le fichier sous forme de texte local ou de fichier séparé par des virgules avant de l’importer dans R. Dans le flux de travail computationnel utilisé dans cette étude, des fichiers locaux GWAS de résumé-statistique ont été importés dans R en utilisant read.table() ou read.csv(), selon le format source. Le flux de travail basé sur des fichiers locaux a été adopté pour garantir que les mêmes fichiers de statistiques GWAS téléchargés puissent être traités à plusieurs reprises à l’aide de correspondances à colonnes fixes et de commandes d’analyse identiques. Les commandes R exactes pour importer et traiter les fichiers locaux sont fournies dans le Fichier Supplémentaire 1.

Dépistage et entrée des SNP

Les SNP significativement associés à chaque phénotype d’exposition ont été extraits des ensembles de données résumées GWAS en utilisant un seuil de signification génomique global de P < 5 × 10⁻⁸. Si moins de trois SNP indépendants étaient disponibles à ce seuil, le seuil était assoupli à P < 5 × 10⁻⁶ afin d’obtenir suffisamment d’instruments génétiques pour l’analyse IRM. Le déséquilibre de liaison a été évalué à l’aide de r² < 0,001 dans une fenêtre de 10 000 kb afin d’assurer l’indépendance des variables instrumentales.

Au niveau du script, les statistiques résumées GWAS d’exposition étaient d’abord importées dans R et filtrées selon le seuil de la valeur P prédéfini. Les SNP d’exposition sélectionnés étaient ensuite enregistrés sous forme de fichier d’exposition et formatés selon les exigences du package TwoSampleMR. Les correspondances de colonnes requises comprenaient l’identifiant SNP, l’estimation d’effet, l’erreur standard, l’allèle d’effet, l’autre allèle et la valeur P. Dans le flux de travail reproductible R, les données d’exposition étaient importées en utilisant read_exposure_data(), et le regroupement LD était effectué en définissant clump = TRUE. La structure de commande R correspondante était : read_exposure_data(nom de fichier = « exposure.csv », sep = « , », snp_col = « rsids », beta_col = « beta », se_col = « sebeta », effect_allele_col = « alt », other_allele_col = « ref », pval_col = « pval », clump = TRUE). Les noms des colonnes étaient adaptés en fonction des fichiers GWAS téléchargés réellement.

La force de l’instrument a été évaluée à l’aide de la statistique F :

F = [(N − k − 1)/k] × [R²/(1 −^{R 2})],

où N représente la taille de l’échantillon, k représente le nombre de variables instrumentales, et R² représente la proportion de variance d’exposition expliquée par les SNP. R² a été calculée comme

Σ[2 × MAF × (1 − MAF) × β²/(SE² × N)],

où MAF est la fréquence des allèles mineurs, β est l’estimation de l’effet allélé, et SE est l’erreur standard.

Les SNP avec des statistiques F > 10 ont été conservés. Les SNP associés à des facteurs de confusion potentiels, y compris des anomalies anatomiques congénitales et l’indice de masse corporelle, ont été identifiés à l’aide du PhenoScanner V2 et retirés.

Les SNP de résultats ont été extraits en fusionnant les SNP d’exposition regroupés avec le fichier statistique GWAS local correspondant selon l’identifiant SNP. Si le résultat GWAS rapportait −log10(P), la valeur de P était convertie en utilisant P = 10^(−LP). Les SNP de résultats extraits ont ensuite été importés en utilisant read_outcome_data(). Les ensembles de données d’exposition et de résultats ont été harmonisés à l’aide de harmonise_data() pour aligner les allèles d’effet et éliminer les SNP inadaptés à l’analyse IRM. Les SNP palindromiques avec une orientation allèlique ambiguë ont été exclus, et les SNP avec mr_keep = TRUE ont été conservés pour les analyses IRM^{ultérieures 11}. Le script détaillé pour l’extraction des SNP de résultats, la conversion des valeurs P et l’harmonisation est fourni dans le Fichier Supplémentaire 1.

Analyse statistique

Les effets causals entre les variables d’exposition et de résultat ont été estimés dans cette étude à l’aide de cinq méthodes : la méthode IVW, la méthode de régression MR-Egger, la méthode de la médiane pondérée, la méthode du mode pondéré et la méthode du mode^{simple 12}. La méthode IVW est considérée comme la méthode standard pour l’analyse RM, qui suppose que toutes les variables instrumentales sont valides, et repose sur le principe de combinaison des estimations du rapport de Wald, et un modèle d’effets aléatoires est utilisé s’il existe hétérogénéité et un modèle à effets fixes s’il n’y a pas d’hétérogénéité. La méthode de régression MR-Egger détecte la multicolinéarité potentielle et prend en compte la présence d’un terme d’interception dans la^{régression 13}. La méthode de la médiane pondérée exige que plus de 50 % des variables instrumentales soient des SNP valides. La méthode du mode pondéré nécessite des tailles d’échantillon plus petites que les autres méthodes et garantit moins de biais et des taux d’erreur de type I plus faibles. La méthode du mode simple permet de regrouper les SNP avec des effets similaires selon que les effets causaux estimés sont similaires^{ou non 14}.

Au niveau de la fonction, les analyses IRM étaient réalisées en utilisant la fonction mr() du package TwoSampleMR. La liste des méthodes utilisée dans l’analyse était spécifiée comme c(« mr_ivw », « mr_egger_regression », « mr_weighted_median », « mr_simple_mode », « mr_weighted_mode »). Les rapports de cotes et les intervalles de confiance à 95 % ont été générés en utilisant generate_odds_ratios(). L’implémentation complète de R, incluant la liste exacte des méthodes et les commandes de sauvegarde de sortie, est fournie dans le Fichier Supplémentaire 1.

Contrôle qualité et analyse de sensibilité

Afin de tester la stabilité et la fiabilité des résultats de l’IRM, un test Q de Cochran a d’abord été utilisé pour évaluer l’hétérogénéité des SNP ; si le test Q de Cochran était statistiquement significatif, il indiquait une hétérogénéité significative dans les résultats^{analysés 15}. Deuxièmement, le test d’interception MR-Egger a été utilisé pour évaluer la pléiotropie horizontale potentielle. Une interception MR-Egger statistiquement significative indique la présence d’une pléiotropie horizontale directionnelle dans l’analyse IRM. Troisièmement, la some résiduelle et le cas aberrant par randomisation mendélienne (MR-PRESSO) ont été appliqués pour rechercher la présence de SNP aberrants dans les résultats, et s’ils existaient, ils ont été éliminés et^{réanalysés 16}. Quatrièmement, la méthode « laisse-un-dehors » a été appliquée pour tester la robustesse des résultats, et l’effet combiné des SNP restants a été calculé en excluant les SNP un par un afin d’évaluer l’effet des SNP individuels sur l’association entre les variables d’exposition et^{de résultat 17}.

Au niveau de la fonction, l’hétérogénéité a été évaluée à l’aide de mr_heterogeneity(), la pléiotropie directionnelle a été évaluée à l’aide de mr_pleiotropy_test(), les effets à SNP unique ont été évalués à l’aide de mr_singlesnp(), et l’analyse à l’aide d’un seul a été réalisée à l’aide de mr_leaveoneout(). Les graphiques de diagnostic ont été générés en utilisant mr_scatter_plot(), mr_funnel_plot() et mr_leaveoneout_plot(). MR-PRESSO était réalisée lorsque le nombre de variables instrumentales disponibles était suffisant ; si la MR-PRESSO ne pouvait pas être réalisée en raison d’un nombre insuffisant de SNP, cela était enregistré et rapporté. L’analyse RM et les procédures de contrôle qualité ont été réalisées en utilisant la version 4.3.2 de R et la version 0.5.8 du package TwoSampleMR, avec un niveau de signification de α = 0,05. Les commandes complètes sont fournies dans le Fichier Supplémentaire 1.

Sauvegarde de la production, contrôle qualité et reporting

Toutes les sorties intermédiaires et finales étaient conservées pour la reproductibilité. Cela incluait les SNP d’exposition sélectionnés, les instruments d’exposition regroupés, les SNP de résultats extraits, les ensembles de données harmonisés, les listes de SNP conservées, les estimations IRM, les rapports de cotes, les résultats d’hétérogénéité, les résultats d’interception MR-Egger, les résultats MR-PRESSO, les résultats à SNP unique, les résultats à laisser un out, les graphiques diagnostiques et les informations des sessions R. Avant le rapport, les SNP conservés ont été vérifiés pour leur signification à l’échelle du génome, l’indépendance de la LD, leur statut d’harmonisation allélélique, les variantes palindromiques ambiguës, la force de l’instrument, l’hétérogénéité, la pléiotropie horizontale directionnelle et les SNP aberrants. Les résultats primaires de l’IRM ont été rapportés sous forme de rapports de cotes avec intervalles de confiance à 95 % et valeurs P. Les résultats de l’analyse de sensibilité et les graphiques diagnostiques ont été rapportés dans les tableaux et figures complémentaires. Les commandes de sauvegarde de sortie et de vérification des fichiers sont fournies dans le Fichier Supplémentaire 1.

Résultats

Les données GWAS pour trois phénotypes spécifiques à la douleur musculosquelettique sur le site, incluant les douleurs lombaires, les douleurs à la hanche et aux genoux, ainsi qu’un phénotype d’anomalie de la marche, ont été analysées dans cette étude. Des informations détaillées sur les perfusions pour chaque facteur d’exposition sont disponibles dans le Fichier Supplémentaire 3.

IRM de la douleur musculosquelettique spécifique au sit...

Discussion

Les anomalies de la marche peuvent modifier la charge des articulations inférieures et les stratégies de mouvement, accélérer potentiellement 821+_osteoarthritic processus et contribuer à des limitations fonctionnelles qui nuisent fortement à la qualité de vie. Cette pertinence clinique a attiré une attention croissante sur l’interaction entre dysfonctionnement de la marche et douleurs musculosquelettiques. Des études observationnelles suggèrent que la douleur musculosquelettique spécifi...

Matériaux

Liste des matériaux utilisés dans cet article

Nom	Entreprise	Numéro de catalogue	Commentaires
Base de données IEU OpenGWAS	Unité d’épidémiologie intégrative du MRC, Université de Bristol	N/A	Source des statistiques résumées GWAS pour les phénotypes d’exposition et de résultats.
Colis MR-PRESSO R	Forfait Marie Verbanck / R	N/A	Utilisé pour la détection des valeurs aberrantes et l’évaluation de la pléiotropie horizontale.
PhenoScanner V2	Université de Cambridge	V2	Ressource web utilisée pour identifier les SNP associés à des facteurs de confusion potentiels.
R	Fondation R pour l’informatique statistique	Version 4.3.2	Environnement informatique statistique utilisé pour l’analyse et le contrôle qualité de la RM.
Emballage TwoSampleMR R	Unité d’épidémiologie intégrative du MRC, Université de Bristol	Version 0.5.8	Utilisé pour les analyses IVW, MR-Egger, médiane pondérée, mode pondéré et IRM en mode simple.