Onderzoek naar de bidirectionele relatie tussen lage rugpijn, heuppijn, kniepijn en gangafwijkingen: een Mendeliaanse randomisatiestudie

Samenvatting

IVW-analyses suggereren dat lage rug- en heuppijn mogelijk geassocieerd is met gangafwijkingen, terwijl kniepijn en omgekeerde associaties niet doorslaggevend blijven.

Samenvatting

Gangafwijkingen zijn geassocieerd met veranderde biomechanica van de onderste ledematen en functionele beperkingen bij musculoskeletale aandoeningen. Hoewel lage rugpijn, heuppijn en kniepijn in observationele studies in verband zijn gebracht met een verminderde gang, blijven hun oorzakelijke relaties onduidelijk. We voerden een bidirectionele Mendeliaanse randomisatie (MR) studie uit om mogelijke causale verbanden tussen locatie-specifieke pijn en gangafwijkingen te beoordelen. Onafhankelijke enkelvoudige nucleotidepolymorfismen uit grootschalige genoombrede associatiestudies werden gebruikt als genetische instrumenten voor lage rugpijn, heuppijn en kniepijn. Gangafwijkingen, gedefinieerd in de bron-GWAS als zelfgerapporteerde loopmoeilijkheden, werden gebruikt als uitkomst in forward MR-analyses en als blootstelling in reverse MR-analyses. De inverse variantie-gewogen (IVW) methode was de primaire analyse, ondersteund door gevoeligheidsanalyses voor heterogeniteit, horizontale pleiotropie en robuustheid. In vooruitzichtelijke analyses waren genetisch voorspelde lage rugpijn (OR = 1,53, 95% BI = 1,058–2,219, P = 0,024) en heuppijn (OR = 1,55, 95% BI = 1,067–2,252, P = 0,021) geassocieerd met een verhoogd risico op gangafwijkingen in IVW-analyses. De vier extra MR-methoden waren echter niet statistisch significant, hoewel schattingen over het algemeen directioneel consistent waren. Genetisch voorspelde kniepijn vertoonde geen significante associatie (OR = 2,15, 95% BI = 0,234–19,789, P = 0,498), met aanzienlijke onzekerheid die werd weerspiegeld door het brede betrouwbaarheidsinterval. Reverse MR-analyses vonden geen bewijs dat genetische aansprakelijkheid voor gangafwijkingen het risico op lage rug-, heup- of kniepijn verhoogde, hoewel er slechts vier SNP's met gangafwijkingen beschikbaar waren. Er werd geen substantiële heterogeniteit of horizontale pleiotropie vastgesteld. Al met al levert deze studie beperkt genetisch bewijs op IVW-basis dat lage rugpijn en heuppijn mogelijk geassocieerd zijn met loopafwijkingen. Bevindingen moeten voorzichtig worden geïnterpreteerd en gevalideerd met behulp van grotere GWAS-datasets met verfijnde fenotypes.

Inleiding

Gangafwijkingen kunnen voortkomen uit motorische of sensorische stoornissen, en hun klinische kenmerken zijn afhankelijk van de locatie en aard van de onderliggende pathologie. Specifieke abnormale looppatronen kunnen belangrijke diagnostische aanwijzingen geven voor bepaalde ziekten. Opmerkelijk is dat bij musculoskeletale aandoeningen gangafwijkingen vaak kenmerkende biomechanische kenmerken hebben en nauw verband houden met pijn, gewrichtsdysfunctie en verminderde mobiliteit ^1,2,3. Studies hebben aangetoond dat langdurige loopafwijkingen de toestand van patiënten met artrose^kunnen verergeren. Bovendien kan een aanhoudend abnormaal gangpatroon de instabiliteit van de locomotorische gewrichten vergroten en de gewrichtsbelasting veranderen; Herhalende gewrichtsactiviteiten onder abnormale mechanica kunnen gewrichtsblessures verder verergeren, waardoor pijn ontstaat, geleidelijke spieratrofie bevordert en een uitgesproken spierkrachtverlies ontstaat. Deze factoren kunnen samenwerken en een vicieuze cirkel vormen, wat bijdraagt aan de progressieve verergering van pijn en functionele beperkingen bij patiënten met musculoskeletale aandoeningen⁵. Daarom kan het verduidelijken van de richting en mogelijke oorzaak van verbanden tussen locatie-specifieke musculoskeletale pijn en gangafwijkingen helpen bij het interpreteren van de relaties tussen observerende pijn en gang en toekomstige onderzoek naar gangstoornissen en revalidatie informeren.

Ondanks het verzamelen van observationeel bewijs dat locatie-specifieke pijn—zoals lage rugpijn, heuppijn en kniepijn—in verband brengt met verminderde loopprestaties, zijn conventionele observationele studies kwetsbaar voor confounding, meetfouten en omgekeerde causaliteit, waardoor het moeilijk is om de richting en causaliteit van deze associaties te bepalen. Daarnaast kan de relatie tussen pijn en gang bestaan uit adaptatie van het centrale zenuwstelsel en modulatie van nociceptieve informatie die uit de periferie wordt ontvangen, wat de interpretatie van waargenomen pijn–gangassociaties verder bemoeilijkt. Mendeliaanse randomisatie (MR) is een epidemiologische benadering die is ontworpen om belangrijke beperkingen van observationele studies te overwinnen en is breed toegepast in onderzoek naar causale inferentie. MR gebruikt onafhankelijke single nucleotide polymorfismen (SNP's) als instrumentele variabelen om mogelijke causale relaties tussen blootstellingen en uitkomsten af te leiden⁶. In plaats van bijvoorbeeld individuen toe te wijzen die lage rugpijn ontwikkelen, kan MR onderzoeken of genetische aansprakelijkheid voor lage rugpijn geassocieerd is met loopgerelateerde uitkomsten in grote Genome-wide association study (GWAS) datasets. Omdat genetische varianten bij de conceptie willekeurig worden toegewezen, dus bij de vorming van het embryo, kan MR bias verminderen door verstorende factoren zoals leeftijd, body mass index, lichamelijke activiteit en comorbide musculoskeletale aandoeningen. Deze benadering is geschikt om causale relaties op populatieniveau te onderzoeken wanneer goed gevoede GWAS-gegevens en valide genetische instrumenten beschikbaar zijn. De fenotypen die in deze studie werden gebruikt, waren echter brede zelfgerapporteerde GWAS-kenmerken en kunnen mogelijk niet volledig de pijnernst, de duur van de symptomen, door de arts bevestigde diagnoses of objectieve gangparameters vastleggen. Door gebruik te maken van de willekeurige toewijzing van genetische varianten bij conceptie, kan MR effectief bias van confounders beperken en causaliteit omkeren, waardoor meer plausibel causaal bewijs wordt opgeleverd.

Het doel van deze studie was het uitvoeren van een bidirectionele MR-analyse met behulp van GWAS-samenvattingsgegevens over zelfgerapporteerde lage rugpijn, heuppijn en kniepijn, samen met GIS-gegevens over gangafwijkingen uit de IEU Open GWAS-database. In deze studie vertegenwoordigden de pijnfenotypes brede zelfgerapporteerde locatie-specifieke pijnkenmerken, en gingafwijkingen zelfgerapporteerde loopmoeilijkheden in plaats van door de clinici bevestigde diagnoses, laboratoriumgemeten gangparameters of gestandaardiseerde functionele scores. Dit bidirectionele ontwerp was bedoeld om de richting van mogelijke causale associaties tussen locatie-specifieke musculoskeletale pijn en loopafwijkingen te evalueren met behulp van GWAS samenvattende statistieken⁷.

Protocol

Deze studie maakte gebruik van openbaar beschikbare genome-wide association study (GWAS) samenvattingsgegevens uit de IEU OpenGWAS-database en GWAS Catalog. Er werden geen individuele deelnemersgegevens geraadpleegd en er werden geen nieuwe menselijke deelnemers gerekruteerd. Ethische goedkeuring en schriftelijke geïnformeerde toestemming waren verkregen in de oorspronkelijke bijdragende GWAS-studies. Daarom was aanvullende goedkeuring van de institutionele beoordelingscommissie niet vereist voor de huidige secundaire analyse van openbaar beschikbare samenvattende statistieken.

Studieprincipe en ontwerp

De basisstappen van het MR-onderzoek omvatten het verkrijgen van GWAS-samenvattingsgegevens, het screenen en evalueren van SNP's, het uitvoeren van statistische analyses en het implementeren van kwaliteitscontrolemaatregelen. Zoals weergegeven in Figuur 1, is de nauwkeurigheid van de MR-analyse gebaseerd op het voldoen aan drie cruciale aannames: (1) de relevantieaanname: IV's moeten relevant zijn voor de exposurefenotypen, namelijk lage rugpijn, heuppijn en kniepijn⁸; (2) de onafhankelijkheidsaanname: IV's zijn irrelevant voor verstorende factoren die de "blootstelling-uitkomst" beïnvloeden; (3) de exclusiviteitsaanname: IV's beïnvloeden de uitkomst alleen via blootstelling en niet via andere routes⁹. Blootstellingsfactoren en uitkomstvariabelen worden in elke analyse uitgewisseld om te bepalen of er een omgekeerde causaliteit tussen de twee bestaat.

Om de reproduceerbaarheid te verbeteren, wordt de volledige computationele workflow die wordt gebruikt voor lokale GWAS-samenvatting-statistiekimport, SNP-extractie, LD-klontering, uitkomst-SNP-extractie, allelharmonisatie, MR-analyse, gevoeligheidsanalyse, diagnostisch plotten en outputbesparing aangeboden als Aanvullende Code 1. De hoofdtekst beschrijft de belangrijkste protocolstappen, terwijl Supplementary File 1 de bijbehorende implementatie van R op commando- en functieniveau geeft.

Gegevensbronnen

Gegevens met betrekking tot lage rugpijn, heuppijn en kniepijn zijn verkregen uit de IEU openGWAS-database, en de website is: https://gwas.mrcieu.ac.uk/. Specifieke vragen die worden gebruikt om deze voorwaarden te definiëren zijn te vinden in Aanvullend Dossier 2. Lage rugpijn, heuppijn en kniepijn werden gedefinieerd volgens zelfgerapporteerde locatie-specifieke pijnitems in de oorspronkelijke GIS-datasets. Het GWAS ID-nummer van de dataset lage rugpijn is: ebi-a-GCST90018797, met een steekproefgrootte van 468269, waaronder 22.413 patiënten met lage rugpijn, en 445.856 controles in de populatie, met een totaal SNP-aantal van 24174741. Het GWAS ID-nummer van de heuppijndataset is: ebi-a-GCST90013968, met een steekproefgrootte van 407746 en een totale SNP-telling van 11039206. Het GWAS ID-nummer van de kniepijndataset is: ukb-b-16254, met een steekproefgrootte van 461857, waaronder 98.704 patiënten met kniepijn, evenals een controlegroep van 363153, met een totaal aantal SNP's van 9851867. GWAS-gegevens voor gangafwijkingen zijn ook verkregen uit de IEU openGWAS-database, Gait-abnormaliteitendataset GWAS ID-nummer is: finn-b-R18 _ABNORMALITI_GAIT_MOBIL, met een steekproefgrootte van 210717, inclusief 1348 gevallen van gangafwijkingen en 209369 controlepopulaties, en in totaal 1638044 SNP-loci werden geïdentificeerd. Details zijn weergegeven in Tabel 1.

Voor reproduceerbare gegevensverzameling moeten onderzoekers elke hierboven genoemde GWAS-ID doorzoeken in de IEU OpenGWAS-database, het bijbehorende GWAS-samenvatting-statistiekbestand downloaden waar beschikbaar, en het bestand opslaan als een lokaal tekst- of komma-gescheiden bestand voordat het in R wordt geïmporteerd. In de computationele workflow die in deze studie werd gebruikt, werden lokale GWAS-samenvattingsstatistiekbestanden geïmporteerd in R met read.table() of read.csv(), afhankelijk van het bronbestandsformaat. De op lokaal gebaseerde workflow werd aangenomen om ervoor te zorgen dat dezelfde gedownloade GWAS-samenvattings-statistiekbestanden herhaaldelijk verwerkt konden worden met vaste kolomtoewijzingen en identieke analysecommando's. De exacte R-commando's voor het importeren en verwerken van de lokale bestanden zijn te vinden in Supplementair Bestand 1.

Selectie en toetreding van SNP's

SNP's die significant geassocieerd zijn met elk blootstellingsfenotype zijn geëxtraheerd uit de GWAS-samenvattingsdatasets met behulp van een genoombrede significantiedrempel van P < 5 × 10^⁻8. Als er minder dan drie onafhankelijke SNP's beschikbaar waren op deze drempel, werd de drempel versoepeld tot P < 5 × 10⁻⁶ om voldoende genetische instrumenten voor MR-analyse te verkrijgen. Het koppelingsdisevenwicht werd beoordeeld met r² < 0,001 binnen een venster van 10.000 kb om de onafhankelijkheid van instrumentele variabelen te waarborgen.

Op scriptniveau werden de samenvattende statistieken van de blootstelling eerst geïmporteerd in R en gefilterd volgens de vooraf gespecificeerde P-drempel. De geselecteerde blootstellings-SNP's werden vervolgens opgeslagen als een belichtingsbestand en geformatteerd volgens de eisen van het TwoSampleMR-pakket. De vereiste kolomafbeeldingen omvatten de SNP-identificatie, effectschatting, standaardfout, effectallel, andere allel en P-waarde. In de reproduceerbare R-workflow werden exposuregegevens geïmporteerd met behulp van read_exposure_data(), en LD-klontering werd uitgevoerd door klomp = WAAR te zetten. De bijbehorende R-commandostructuur was: read_exposure_data(bestandsnaam = "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). De kolomnamen werden aangepast aan de daadwerkelijk gedownloade GIS-bestanden.

De instrumentsterkte werd beoordeeld met behulp van de F-statistiek:

F = [(N − k − 1)/k] × [R²/(1 − R²)],

waarbij N de steekproefgrootte vertegenwoordigt, k het aantal instrumentele variabelen, en R² het aandeel van de blootstellingsvariantie dat door de SNP's wordt verklaard. R² werd berekend als

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

waarbij MAF de frequentie van de kleine allel is, β de schatting van het alleleffect, en SE de standaardfout is.

SNP's met F-statistieken > 10 werden behouden. SNP's die geassocieerd zijn met potentiële confounders, waaronder aangeboren anatomische afwijkingen en de body mass index, werden geïdentificeerd met PhenoScanner V2 en verwijderd.

Uitkomst-SNP's werden geëxtraheerd door de gesamenklonterde blootstellings-SNP's samen te voegen met het bijbehorende lokale uitkomst-GWAS-samenvattings-statistiekbestand volgens de SNP-identificatie. Als de uitkomst GWAS gerapporteerd −log10(P), werd de P-waarde omgezet met P = 10^(−LP). De geëxtraheerde SNP's werden vervolgens geïmporteerd met behulp van read_outcome_data(). Blootstellings- en uitkomstdatasets werden geharmoniseerd met behulp van harmonise_data() om effectallelen uit te lijnen en SNP's te verwijderen die ongeschikt zijn voor MR-analyse. Palindromische SNP's met ambigue alleloriëntatie werden uitgesloten, en SNP's met mr_keep = WAAR werden behouden voor latere MR-analyses¹¹. Het gedetailleerde script voor SNP-extractie, P-waarde conversie en harmonisering wordt verstrekt in Supplementair Bestand 1.

Statistische analyse

De causale effecten tussen blootstelling en uitkomstvariabelen werden in deze studie geschat met behulp van vijf methoden: de IVW-methode, de MR-Egger regressiemethode, de gewogen mediaanmethode, de gewogen modusmethode en de eenvoudige modus methode¹². De IVW-methode wordt beschouwd als de standaardmethode voor MR-analyse, die ervan uitgaat dat alle instrumentele variabelen geldig zijn, en is gebaseerd op het principe van het combineren van de Wald-ratio-schattingen; er wordt een random effects-model gebruikt als er heterogeniteit is en een fixed-effectsmodel als er geen heterogeniteit is. De MR-Egger regressiemethode detecteert potentiële multicollineariteit en houdt rekening met de aanwezigheid van een interceptterm in de regressie¹³. De gewogen mediaanmethode vereist dat meer dan 50% van de instrumentele variabelen geldige SNP's zijn. De gewogen modusmethode vereist kleinere steekproefgroottes dan andere methoden en zorgt voor minder bias en lagere type I foutpercentages. De eenvoudige modusmethode maakt het mogelijk SNP's met vergelijkbare effecten te groeperen op basis van of de te schatten causale effecten vergelijkbaar zijn^{of niet.}

Op functieniveau werden MR-analyses uitgevoerd met behulp van de mr()-functie in het TwoSampleMR-pakket. De methodenlijst die in de analyse werd gebruikt, werd gespecificeerd als c("mr_ivw", "mr_egger_regression", "mr_weighted_median", "mr_simple_mode", "mr_weighted_mode"). Odds ratio's en 95% betrouwbaarheidsintervallen werden gegenereerd met behulp van generate_odds_ratios(). De volledige R-implementatie, inclusief de exacte methodenlijst en uitvoeropslaande commando's, wordt geleverd in Supplementair Bestand 1.

Kwaliteitscontrole en gevoeligheidsanalyse

Om de stabiliteit en betrouwbaarheid van de MR-resultaten te testen, werd eerst de Cochran Q-test gebruikt om de heterogeniteit van SNP's te beoordelen; als de Cochran Q-test statistisch significant was, gaf dit aan dat er een significante heterogeniteit was in de geanalyseerde resultaten¹⁵. Ten tweede werd de MR-Egger intercepttest gebruikt om potentiële horizontale pleiotropie te beoordelen. Een statistisch significante MR-Egger-interceptie wijst op de aanwezigheid van directionele horizontale pleiotropie in de MR-analyse. Ten derde werd Mendelische randomisatie pleiotropie residu-som en uitschieter (MR-PRESSO) toegepast om te zoeken naar de aanwezigheid van uitschieters SNP's in de resultaten, en als die bestonden, werden deze geëlimineerd en opnieuw geanalyseerd¹⁶. Ten vierde werd de "leave-one-out"-methode toegepast om de robuustheid van de resultaten te testen, en het gecombineerde effect van de overige SNP's werd berekend door SNP's één voor één uit te sluiten om het effect van individuele SNP's op de associatie tussen blootstelling en uitkomstvariabelen^{te beoordelen 17}.

Op functieniveau werd heterogeniteit beoordeeld met behulp van mr_heterogeneity(), directionele pleiotropie met mr_pleiotropy_test(), single-SNP-effecten met mr_singlesnp() en leave-one-out analyse met mr_leaveoneout(). Diagnostische plots werden gegenereerd met behulp van mr_scatter_plot(), mr_funnel_plot() en mr_leaveoneout_plot(). MR-PRESSO werd uitgevoerd wanneer het aantal beschikbare instrumentele variabelen voldoende was; als MR-PRESSO niet kon worden uitgevoerd vanwege een onvoldoende aantal SNP's, werd dit geregistreerd en gerapporteerd. De MR-analyse en kwaliteitscontroleprocedures werden uitgevoerd met R versie 4.3.2 en het TwoSampleMR-pakket versie 0.5.8, met een significantieniveau van α = 0,05. De volledige commando's worden verstrekt in Supplementair Bestand 1.

Outputbesparing, kwaliteitscontrole en rapportage

Alle intermediate en eindresultaten werden opgeslagen voor reproduceerbaarheid. Deze omvatten de geselecteerde blootstellings-SNP's, gesamenklonteerde blootstellingsinstrumenten, geëxtraheerde uitkomst-SNP's, geharmoniseerde datasets, bewaarde SNP-lijsten, MR-schattingen, odds ratio's, heterogeniteitsresultaten, MR-Egger interceptresultaten, MR-PRESSO resultaten, single-SNP resultaten, leave-one-out resultaten, diagnostische plots en R-sessie-informatie. Voor rapportage werden behouden SNP's gecontroleerd op genoombrede significantie, LD-onafhankelijkheid, allelharmonisatiestatus, ambigue palindromische varianten, instrumentsterkte, heterogeniteit, directionele horizontale pleiotropie en uitschieters van SNP's. De primaire MR-resultaten werden gerapporteerd als odds ratio's met 95% betrouwbaarheidsintervallen en P-waarden. Resultaten van gevoeligheidsanalyse en diagnostische grafieken werden gerapporteerd in de aanvullende tabellen en figuren. De uitvoer-opslaan- en bestandscontrolecommando's zijn beschikbaar in Supplementair Bestand 1.

Resultaten

GWAS-gegevens voor drie locatie-specifieke fenotypen musculoskeletale pijn, waaronder lage rugpijn, heuppijn en kniepijn, en één gangafwijkingsfenotype werden in deze studie geanalyseerd. Gedetailleerde informatie over IV's voor elke blootstellingsfactor is te vinden in Aanvullend Dossier 3.

MR-analyse van locatie-specifieke musculoskeletale pijn bij gangafwijkingen

In deze studie werden SNP's met k...

Discussie

Gangafwijkingen kunnen de belasting en bewegingsstrategieën van de onderledematen veranderen, mogelijk 821+_osteoarthritic processen versnellen en bijdragen aan functionele beperkingen die de kwaliteit van leven aanzienlijk aantasten. Deze klinische relevantie heeft steeds meer aandacht getrokken voor de wisselwerking tussen gangstoornissen en musculoskeletale pijn. Observationele studies suggereren dat plaats-specifieke musculoskeletale pijn geassocieerd kan zijn met een verminderde gan...

Materialen

Lijst van materialen gebruikt in dit artikel

Naam	Bedrijf	Catalogusnummer	Opmerkingen
IEU OpenGWAS database	MRC Integrative Epidemiology Unit, University of Bristol	N/A	Bron van GWAS-samenvattingsstatistieken voor blootstelling en uitkomstfenotypen.
MR-PRESSO R-pakket	Marie Verbanck / R-pakket	N/A	Wordt gebruikt voor het detecteren van uitzonderingen en het beoordelen van horizontale pleiotropie.
PhenoScanner V2	University of Cambridge	V2	Webbron die wordt gebruikt om SNP's te identificeren die zijn geassocieerd met mogelijke verstorende factoren.
R	R Foundation for Statistical Computing	Versie 4.3.2	Statistisch computeromgeving dat wordt gebruikt voor MR-analyse en kwaliteitscontrole.
TwoSampleMR R-pakket	MRC Integrative Epidemiology Unit, University of Bristol	Versie 0.5.8	Wordt gebruikt voor IVW, MR-Egger, gewogen mediaan, gewogen modus en eenvoudige modus MR-analyses.