Indagine sulla relazione bidirezionale tra mal di schiena, dolore all'anca, dolore al ginocchio e anomalie dell'andatura: uno studio di randomizzazione mendeliano

Sommario

Le analisi IVW suggeriscono che il dolore alla parte bassa della schiena e all'anca possa essere associato a anomalie dell'andatura, mentre il dolore al ginocchio e le associazioni inverse rimangono inconcludenti.

Abstract

Le anomalie dell'andatura sono associate a alterazioni della biomeccanica degli arti inferiori e a un compromisso funzionale nei disturbi muscoloscheletrici. Sebbene il mal di schiena, il dolore all'anca e il dolore al ginocchio siano stati collegati a compromessi dell'andatura in studi osservazionali, le loro relazioni causali rimangono poco chiare. Abbiamo condotto uno studio di randomizzazione mendeliana bidirezionale (RM) per valutare potenziali associazioni causali tra dolore specifico del sito e anomalie dell'andatura. Polimorfismi indipendenti a singolo nucleotide provenienti da studi di associazione genomica su larga scala sono stati utilizzati come strumenti genetici per mal di schiena, dolore all'anca e dolore al ginocchio. Le anomalie dell'andatura, definite nel GWAS sorgente come difficoltà di camminare auto-riportate, sono state utilizzate come risultato nelle analisi IRM frontali e come esposizione nelle analisi MR inverse. Il metodo ponderato per varianza inversa (IVW) è stato l'analisi primaria, supportata da analisi di sensibilità per eterogeneità, pleiotropia orizzontale e robustezza. Nelle analisi dirette, il mal di schiena geneticamente previsto (OR = 1,53, IC 95% = 1,058–2,219, P = 0,024) e il dolore all'anca (OR = 1,55, IC 95% = 1,067–2,252, P = 0,021) erano associati a un aumento del rischio di anomalie dell'andatura nelle analisi IVW. Tuttavia, i quattro metodi aggiuntivi di RM non erano statisticamente significativi, sebbene le stime fossero generalmente coerenti dal punto di vista direzionale. Il dolore al ginocchio geneticamente previsto non ha mostrato associazioni significative (OR = 2,15, IC 95% = 0,234–19,789, P = 0,498), con una notevole incertezza riflessa dall'ampio intervallo di confidenza. Le analisi RM inverse non hanno trovato prove che la responsabilità genetica di anomalie dell'andatura aumentasse il rischio di dolore lombare, fianchi o ginocchio, anche se erano disponibili solo quattro SNP per anomalie dell'andatura. Non è stata rilevata eterogeneità sostanziale né pleiotropia orizzontale. Nel complesso, questo studio fornisce evidenze genetiche limitate basate sulla IVW che il mal di schiena bassa e il dolore all'anca possano essere associati ad anomalie dell'andatura. I risultati devono essere interpretati con cautela e validati utilizzando dataset GWAS più ampi con fenotipi raffinati.

Introduzione

Le anomalie dell'andatura possono derivare da deficit motori o sensoriali, e le loro caratteristiche cliniche dipendono dalla localizzazione e dalla natura della patologia sottostante. Specifici modelli anomali di camminata possono fornire indizi diagnostici importanti per particolari malattie. In particolare, nei disturbi muscoloscheletrici, le anomalie dell'andatura spesso presentano caratteristiche biomeccaniche distintive e sono strettamente correlate a dolore, disfunzione articolare e mobilità ^{ridotta 1,2,3}. Gli studi hanno dimostrato che anomalie dell'andatura a lungo termine possono aggravare la condizione dei pazienti con^{osteoartrite 4}. Inoltre, un'andatura anomala persistente può aumentare l'instabilità delle giunture locomotorie e alterare il carico articolare; Le attività articolari ripetitive in condizioni di meccanica anomala possono aggravare ulteriormente le lesioni articolari, inducendo dolore, favorendo un'atrofia muscolare graduale e con una perdita di forza muscolare più pronunciata. Questi fattori possono interagire per formare un circolo vizioso, contribuendo al peggioramento progressivo del dolore e al deterioramento funzionale nei pazienti con disturbi^{muscoloscheletrici 5}. Pertanto, chiarire la direzione e la potenziale causalità delle associazioni tra dolore muscoloscheletrico specifico al sito e anomalie dell'andatura può aiutare a interpretare le relazioni osservazionali dolore-camminatura e informare le future ricerche su disfunzione dell'andatura e riabilitazione.

Tuttavia, nonostante l'accumulo di evidenze osservazionali che colleghino il dolore specifico del sito—come il mal di schiena, il dolore all'anca e al ginocchio—a una ridotta delle prestazioni dell'andatura, gli studi osservazionali convenzionali sono vulnerabili a confondimenti, errori di misurazione e causalità inversa, rendendo difficile determinare la direzione e la causalità di queste associazioni. Inoltre, la relazione tra dolore e camminatura può coinvolgere l'adattamento del sistema nervoso centrale e la modulazione delle informazioni nocicettive ricevute dalla periferia, il che complica ulteriormente l'interpretazione delle associazioni osservate dolore-camminata. La randomizzazione mendeliana (MR) è un approccio epidemiologico progettato per superare i limiti chiave degli studi osservazionali ed è stato ampiamente applicato nella ricerca sull'inferenza causale. La MR utilizza polimorfismi a nucleotide singolo (SNP) indipendenti come variabili strumentali per inferire potenziali relazioni causali tra esposizioni ed esiti⁶. Ad esempio, invece di assegnare agli individui lo sviluppo di mal di schiena, la RM può esaminare se la responsabilità genetica verso il mal di schiena sia associata a esiti legati all'andatura in grandi dataset di studi di associazione genomica (GWAS). Poiché le varianti genetiche vengono assegnate casualmente al momento del concepimento, cioè alla formazione dell'embrione, la RM può ridurre il bias dovuto a fattori di confusione come età, indice di massa corporea, attività fisica e condizioni muscoloscheletriche comorbide. Questo approccio è adatto per esplorare le relazioni causali a livello di popolazione quando sono disponibili dati GWAS ben potenti e strumenti genetici validi. Tuttavia, i fenotipi utilizzati in questo studio erano tratti GWAS auto-riportati e potrebbero non catturare completamente la gravità del dolore, la durata dei sintomi, le diagnosi confermate dal clinico o i parametri obiettivi dell'andatura. Sfruttando l'allocazione casuale delle varianti genetiche al momento del concepimento, la RM può efficacemente mitigare i bias causati dai confondenti e invertire la causalità, producendo così prove causali più plausibili.

L'obiettivo di questo studio era effettuare un'analisi RM bidirezionale utilizzando i dati riassuntivi GWAS su mal di schiena auto-riportato, dolore all'anca e dolore al ginocchio, insieme a dati GWAS sulle anomalie dell'andatura dal database IEU Open WAS. In questo studio, i fenotipi del dolore rappresentavano tratti dolorosi ampi auto-specifici per il sito, e le anomalie dell'andatura rappresentavano difficoltà di camminare auto-riportate piuttosto che diagnosi confermate dal clinico, parametri dell'andatura misurati in laboratorio o punteggi funzionali standardizzati. Questo disegno bidirezionale mirava a valutare la direzione delle potenziali associazioni causali tra dolore muscoloscheletrico specifico del sito e anomalie dell'andatura utilizzando le statistiche riassuntive^{GWAS 7}.

Protocollo

Questo studio ha utilizzato dati di livello riassunto a livello di studio di associazione genomica a livello genomico (GWAS) disponibili pubblicamente dal database IEU OpenGWAS e dal Catalogo GWAS. Non sono stati consultati dati individuali sui partecipanti e non sono stati reclutati nuovi partecipanti umani. L'approvazione etica e il consenso informato scritto erano stati ottenuti negli studi GWAS originali che contribuivano. Pertanto, non era richiesta un'ulteriore approvazione da parte del comitato di revisione istituzionale per l'attuale analisi secondaria delle statistiche riassuntive pubblicamente disponibili.

Principio di studio e progettazione

I passaggi fondamentali dello studio MR includono l'ottenimento di dati riassuntivi GWAS, lo screening e la valutazione degli SNP, la conduzione di analisi statistiche e l'implementazione di misure di controllo qualità. Come mostrato nella Figura 1, l'accuratezza dell'analisi RM si basa sul rispetto di tre assunzioni cruciali: (1) l'assunzione di rilevanza: le flebo devono essere rilevanti per i fenotipi di esposizione, ovvero mal di schiena, dolore all'anca e dolore al^{ginocchio 8}; (2) l'assunzione di indipendenza: gli IV sono irrilevanti per i fattori di confusione che influenzano il "risultato di esposizione"; (3) l'assunzione di esclusività: le IVs influenzano l'esito solo attraverso l'esposizione e non attraverso altri percorsi⁹. I fattori di esposizione e le variabili di risultato saranno scambiati in ogni analisi per determinare se esiste causalità inversa tra i due.

Per migliorare la riproducibilità, il flusso di lavoro computazionale completo utilizzato per l'importazione locale di statistiche GWAS, estrazione SNP, aggregazione LD, estrazione SNP di risultato, armonizzazione alletica, analisi RM, analisi di sensibilità, grafica diagnostica e salvataggio di output è fornito come Codice Supplementare 1. Il testo principale descrive i passaggi chiave del protocollo, mentre il File Supplementare 1 fornisce la corrispondente implementazione R a livello di comando e a livello di funzione.

Fonti dati

I dati relativi al mal di schiena, dolore all'anca e al ginocchio sono ottenuti dal database IEU openGWAS, e il sito web è: https://gwas.mrcieu.ac.uk/. Le domande specifiche utilizzate per definire queste condizioni si trovano nel Supplementary File 2. Il mal di schiena, il dolore all'anca e il dolore al ginocchio sono stati definiti in base a elementi del dolore specifici per sito auto-riportati nei dataset GWAS originali. Il numero ID del dataset GWAS sul mal di schiena è: ebi-a-GCST90018797, con un campione di 468269, che include 22.413 pazienti con mal di schiena e 445.856 controlli nella popolazione, con un numero totale di SNP di 24174741. Il numero ID del dataset GWAS del gioco di dati sul dolore dell'anca è: ebi-a-GCST90013968, con un campione di 407746 e un conteggio totale di SNP di 11039206. Il numero ID del dataset GWAS del gruppo di dati GWAS è: ukb-b-16254, con un campione di 461857, che include 98.704 pazienti con dolore al ginocchio, oltre a una popolazione di controllo di 363153, con un numero totale di SNP di 9851867. I dati GWAS per le anomalie dell'andatura sono anch'essi ottenuti dal database IEU openGWAS, il numero ID del dataset sulle anomalie dell'andatura GWAS è: finn-b-R18 _ABNORMALITI_GAIT_MOBIL, con un campione di 210717, inclusi 1348 casi di anomalie dell'andatura e popolazioni di controllo 209369, e sono stati identificati un totale di 1638044 loci SNP. I dettagli sono mostrati nella Tabella 1.

Per l'acquisizione di dati riproducibili, i ricercatori dovrebbero cercare ogni ID GWAS elencato sopra nel database IEU OpenGWAS, scaricare il corrispondente file di riassunto-statistica GWAS dove disponibile e salvare il file come testo locale o separato da virgole prima di importarlo in R. Nel flusso di lavoro computazionale utilizzato in questo studio, i file locali GWAS di statistica sommaria venivano importati in R usando read.table() o read.csv(), a seconda del formato del file sorgente. Il flusso di lavoro basato su file locali è stato adottato per garantire che gli stessi file GWAS di statistica sommaria scaricati potessero essere elaborati ripetutamente utilizzando colonne fisse e comandi di analisi identici. I comandi R esatti per importare e elaborare i file locali sono forniti nel File Supplementare 1.

Screening e ingresso degli SNP

Gli SNP significativamente associati a ciascun fenotipo di esposizione sono stati estratti dai dataset riassuntivi GWAS utilizzando una soglia di significatività genomica a livello genomico di P < 5 × 10⁻⁸. Se a questa soglia erano disponibili meno di tre SNP indipendenti, la soglia veniva allentata a P < 5 × 10⁻⁶ per ottenere strumenti genetici sufficienti per l'analisi RM. Il disequilibrio di collegamento è stato valutato utilizzando r² < 0,001 entro una finestra di 10.000 kb per garantire l'indipendenza delle variabili strumentali.

A livello di script, le statistiche riassuntive GWAS di esposizione venivano prima importate in R e filtrate secondo la soglia predefinita del valore P. Gli SNP di esposizione selezionati venivano poi salvati come file di esposizione e formattati secondo i requisiti del pacchetto TwoSampleMR. Le colonne obbligatorie includevano l'identificatore SNP, la stima dell'effetto, l'errore standard, l'allele di effetto, l'altro allele e il valore P. Nel flusso di lavoro riproducibile R, i dati di esposizione venivano importati usando read_exposure_data(), e il clustering LD veniva eseguito impostando clump = TRUE. La corrispondente struttura di comando R era: read_exposure_data(nome file = "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). I nomi delle colonne venivano adattati in base ai file GWAS effettivamente scaricati.

La forza dello strumento è stata valutata utilizzando la statistica F:

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

dove N rappresenta la dimensione del campione, k il numero di variabili strumentali e R² rappresenta la proporzione della varianza di esposizione spiegata dagli SNP. R² è stato calcolato come

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

dove MAF è la frequenza allele minore, β è la stima dell'effetto allele, e SE è l'errore standard.

Gli SNP con statistiche F > 10 sono stati mantenuti. Gli SNP associati a potenziali confondenti, inclusi anomalie anatomiche congenite e indice di massa corporea, sono stati identificati tramite PhenoScanner V2 e rimossi.

Gli SNP di esito sono stati estratti unendo gli SNP di esposizione raggruppata con il corrispondente file locale di statistica GWAS di risultato locale secondo l'identificatore SNP. Se il risultato GWAS riportava −log10(P), il valore P veniva convertito usando P = 10^(−LP). Gli SNP estratti sono stati poi importati utilizzando read_outcome_data(). I dataset di esposizione ed esito sono stati armonizzati utilizzando harmonise_data() per allineare alleli di effetto e rimuovere SNP inadatti all'analisi RM. Gli SNP palindromici con orientamento alletico ambiguo sono stati esclusi, mentre SNP con mr_keep = TRUE sono stati mantenuti per le successive analisi RM¹¹. Lo script dettagliato per l'estrazione degli SNP di risultato, la conversione dei valori P e l'armonizzazione è fornito nel File Supplementare 1.

Analisi statistica

Gli effetti causali tra variabili di esposizione e di risultato sono stati stimati in questo studio utilizzando cinque metodi: il metodo IVW, il metodo di regressione MR-Egger, il metodo della mediana ponderata, il metodo della modalità ponderata e il metodo della modalità^{semplice 12}. Il metodo IVW è considerato il metodo standard per l'analisi RM, che assume che tutte le variabili strumentali siano valide, e si basa sul principio di combinazione delle stime del rapporto di Wald, e si utilizza un modello di effetti casuali se c'è eterogeneità e un modello di effetti fissi se non c'è eterogeneità. Il metodo di regressione MR-Egger rileva la potenziale multicollinearità e tiene conto della presenza di un termine intercetto nella^{regressione 13}. Il metodo della mediana ponderata richiede che più del 50% delle variabili strumentali siano SNP validi. Il metodo della modalità pesata richiede campioni più piccoli rispetto ad altri metodi e garantisce minori bias e tassi di errore di tipo I più bassi. Il metodo della modalità semplice consente di raggruppare SNP con effetti simili in base al fatto che gli effetti causali stimati siano simili o^{meno 14}.

A livello di funzione, le analisi RM sono state effettuate utilizzando la funzione mr() nel pacchetto TwoSampleMR. L'elenco dei metodi utilizzato nell'analisi era specificato come c("mr_ivw", "mr_egger_regression", "mr_weighted_median", "mr_simple_mode", "mr_weighted_mode"). I rapporti di probabilità e gli intervalli di confidenza al 95% sono stati generati usando generate_odds_ratios(). L'implementazione completa di R, inclusa la lista esatta dei metodi e i comandi per il salvataggio dell'output, è fornita nel File Supplementare 1.

Controllo qualità e analisi di sensibilità

Per testare la stabilità e l'affidabilità dei risultati della RM, innanzitutto è stato utilizzato il test Q di Cochran per valutare l'eterogeneità degli SNP; se il test Q di Cochran era statisticamente significativo, indicava che vi era un'eterogeneità significativa nei risultati^{analizzati 15}. In secondo luogo, il test di intercettazione MR-Egger è stato utilizzato per valutare la potenziale pleiotropia orizzontale. Un'intercetta MR-Egger statisticamente significativa indica la presenza di pleiotropia orizzontale direzionale nell'analisi RM. In terzo luogo, è stato applicato il randomization mendeliana pleiotropy residual sum and outlier (MR-PRESSO) per cercare la presenza di SNP outlier nei risultati e, se esistevano, venivano eliminati e rianalizzati¹⁶. In quarto luogo, è stato applicato il metodo "lascia-uno fuori" per testare la robustezza dei risultati, e l'effetto combinato degli SNP rimanenti è stato calcolato escludendo gli SNP uno per uno per valutare l'effetto dei singoli SNP sull'associazione tra esposizione e variabili^{di esito 17}.

A livello di funzione, l'eterogeneità è stata valutata usando mr_heterogeneity(), la pleiotropia direzionale è stata analizzata usando mr_pleiotropy_test(), gli effetti single-SNP sono stati valutati usando mr_singlesnp(), e l'analisi lascia-uno-fuori è stata effettuata usando mr_leaveoneout(). I grafici diagnostici sono stati generati usando mr_scatter_plot(), mr_funnel_plot() e mr_leaveoneout_plot(). MR-PRESSO veniva eseguito quando il numero di variabili strumentali disponibili era sufficiente; se la MR-PRESSO non poteva essere eseguita a causa di un numero insufficiente di SNP, ciò veniva registrato e riportato. Le procedure di analisi MR e controllo qualità sono state eseguite utilizzando R versione 4.3.2 e il pacchetto TwoSampleMR versione 0.5.8, con un livello di significatività di α = 0,05. I comandi completi sono forniti nel File Supplementare 1.

Risparmio di output, controllo qualità e reportistica

Tutti i risultati intermedi e finali venivano conservati per la riproducibilità. Questi includevano gli SNP di esposizione selezionati, strumenti di esposizione raggruppati, SNP di esito estratti, dataset armonizzati, liste SNP conservate, stime RM, odds ratio, risultati di eterogeneità, risultati di intercetti MR-Egger, risultati MR-PRESSO, risultati single-SNP, risultati lascia-uno-fuori, grafici diagnostici e informazioni sulle sessioni R. Prima della segnalazione, gli SNP conservati sono stati controllati per rilevanza genomica, indipendenza del LD, stato di armonizzazione alletica, varianti palindromiche ambigue, forza dello strumento, eterogeneità, pleiotropia orizzontale direzionale e SNP outlier. I risultati primari della risonanza magnetica sono stati riportati come odds ratios con intervalli di confidenza del 95% e valori P. I risultati dell'analisi di sensibilità e i grafici diagnostici sono stati riportati nelle tabelle e nelle figure supplementari. I comandi di salvataggio dell'output e di verifica file sono forniti nel File Supplementare 1.

Risultati

In questo studio sono stati analizzati dati GWAS per tre fenotipi specifici del dolore muscoloscheletrico, tra cui mal di schiena, dolore all'anca e dolore al ginocchio, e un fenotipo di anomalia dell'andatura. Informazioni dettagliate sulle flebo per ciascun fattore di esposizione si trovano nel File Supplementare 3.

Analisi RM del dolore muscoloscheletrico specifico sul sito su anomalie dell'andatura

Discussione

Le anomalie dell'andatura possono alterare le strategie di carico e movimento delle articolazioni degli arti inferiori, accelerare potenzialmente 821+_osteoarthritic processi e contribuire a limitazioni funzionali che compromettono notevolmente la qualità della vita. Questa rilevanza clinica ha attirato una crescente attenzione sull'interazione tra disfunzione dell'andatura e dolore muscoloscheletrico. Studi osservazionali suggeriscono che il dolore muscoloscheletrico specifico per il si...

Materiali

Elenco dei materiali utilizzati in questo articolo

Nome	Azienda	Numero di catalogo	Commenti
Database IEU OpenGWAS	Unità di Epidemiologia Integrativa MRC, Università di Bristol	N/A	Fonte delle statistiche riassuntive GWAS per fenotipi di esposizione e esito.
Pacchetto MR-PRESSO R	Marie Verbanck / Pacchetto R	N/A	Utilizzato per il rilevamento degli outlier e la valutazione della pleiotropia orizzontale.
PhenoScanner V2	Università di Cambridge	V2	Risorsa web utilizzata per identificare SNP associati a potenziali confondenti.
R	R Foundation for Statistical Computing	Versione 4.3.2	Ambiente di calcolo statistico utilizzato per l'analisi della risonanza magnetica e il controllo qualità.
Pacchetto TwoSampleMR R	Unità di Epidemiologia Integrativa MRC, Università di Bristol	Versione 0.5.8	Utilizzato per analisi IVW, MR-Egger, mediana ponderata, modalità pesata e risonanza magnetica in modalità semplice.