Analizy IVW sugerują, że ból dolnej części pleców i bioder może być powiązany z nieprawidłowościami chodu, podczas gdy ból kolan i odwrotne powiązania pozostają niejednoznaczne.
Artykuł badawczy
* These authors contributed equally
Analizy IVW sugerują, że ból dolnej części pleców i bioder może być powiązany z nieprawidłowościami chodu, podczas gdy ból kolan i odwrotne powiązania pozostają niejednoznaczne.
Nieprawidłowości chodu wiążą się ze zmienioną biomechaniką kończyn dolnych oraz upośledzeniem funkcjonalnym w zaburzeniach układu mięśniowo-szkieletowego. Chociaż ból dolnej części pleców, bioder i kolana zostały powiązane z upośledzonym chodem w badaniach obserwacyjnych, ich związek przyczynowy pozostaje niejasny. Przeprowadziliśmy dwukierunkowe badanie randomizacji Mendelowskiej (MR), aby ocenić potencjalne przyczynowe powiązania między bólem specyficznym dla miejsca a nieprawidłowościami w chodzie. Niezależne polimorfizmy pojedynczych nukleotydów z szeroko zakrojonych badań asocjacyjnych całego genomu zostały wykorzystane jako narzędzia genetyczne w leczeniu bólu dolnej części pleców, bioder i kolana. Nieprawidłowości chodu, zdefiniowane w źródłowym GWAS jako samodzielnie zgłaszane trudności w chodzeniu, były wykorzystywane jako wynik w analizach MR do przodu oraz jako ekspozycja w analizach MR odwrotnych. Podstawową analizą była metoda ważona odwrotną wariancją (IVW), wspieraną analizami czułości dla heterogeniczności, poziomej plejotropii i odporności. W analizach wyprzedzających genetycznie przewidywany ból dolnej części pleców (OR = 1,53, 95% CI = 1,058–2,219, P = 0,024) oraz ból biodra (OR = 1,55, 95% CI = 1,067–2,252, P = 0,021) były powiązane ze zwiększonym ryzykiem nieprawidłowości chodu w analizach IVW. Jednak cztery dodatkowe metody MR nie były statystycznie istotne, choć szacunki były generalnie spójne kierunkowo. Genetycznie przewidywany ból kolana nie wykazał istotnego związku (OR = 2,15, 95% CI = 0,234–19,789, P = 0,498), a znaczna niepewność odzwierciedlała szeroki przedział ufności. Analizy odwrotnej rezonansu magnetycznej nie wykazały dowodów na to, że genetyczna podatność na nieprawidłowości chodu zwiększała ryzyko bólu dolnej części pleców, bioder lub kolana, choć dostępne były tylko cztery SNP dotyczące nieprawidłowości chodu. Nie wykryto istotnej heterogeniczności ani poziomej plejotropii. Ogólnie rzecz biorąc, badanie to dostarcza ograniczonych dowodów genetycznych opartych na IVW, które wskazują, że ból dolnej części pleców i bioder mogą być powiązane z nieprawidłowościami w chodzie. Wyniki powinny być interpretowane ostrożnie i weryfikowane za pomocą większych zbiorów danych GWAS z udoskonalonymi fenotypami.
Nieprawidłowości chodu mogą wynikać z zaburzeń ruchowych lub sensorycznych, a ich cechy kliniczne zależą od lokalizacji i charakteru podstawowej patologii. Specyficzne nieprawidłowe wzorce chodu mogą dostarczać ważnych wskazówek diagnostycznych dla konkretnych chorób. Warto zauważyć, że w zaburzeniach układu mięśniowo-szkieletowego nieprawidłowości chodu często charakteryzują się charakterystycznymi cechami biomechanicznymi i są ściśle powiązane z bólem, dysfunkcją stawów oraz zmniejszoną ruchomością 1,2,3. Badania wykazały, że długotrwałe nieprawidłowości chodu mogą pogarszać stan pacjentów z chorobą zwyrodnieniową stawów4. Ponadto utrzymujący się nieprawidłowy chod może zwiększać niestabilność stawów lokoruchowych i wpływać na obciążenie stawów; Powtarzające się czynności stawów pod nieprawidłową mechaniką mogą dodatkowo pogłębiać urazy stawów, wywołując ból, sprzyjając stopniowemu zanikowianiu mięśni i prowadząc do bardziej wyraźnej utraty siły mięśniowej. Czynniki te mogą współdziałać, tworząc błędne koło, przyczyniając się do postępującego nasilenia bólu i upośledzenia funkcji u pacjentów z zaburzeniami układu mięśniowo-szkieletowego5. Dlatego wyjaśnienie kierunku i potencjalnej przyczynowości powiązań między specyficznym miejscem bólu mięśniowo-szkieletowego a nieprawidłowościami chodu może pomóc w interpretacji relacji obserwacyjnego bólu z chodem oraz wspierać przyszłe badania nad dysfunkcją chodu i rehabilitacją.
Jednak pomimo zgromadzenia dowodów obserwacyjnych łączących ból specyficzny dla miejsca — taki jak ból dolnej części pleców, bioder czy kolana — z upośledzoną wydajnością chodu, konwencjonalne badania obserwacyjne są podatne na zakłócenia, błędy pomiaru i odwróconą przyczynowość, co utrudnia określenie kierunku i przyczynowości tych powiązań. Ponadto związek między bólem a chodem może obejmować adaptację ośrodkowego układu nerwowego oraz modulację informacji nocyceptywnych otrzymywanych z obwodów, co dodatkowo komplikuje interpretację obserwowanych powiązań ból–chod. Randomizacja mendelowska (MR) to podejście epidemiologiczne zaprojektowane w celu przezwyciężenia kluczowych ograniczeń badań obserwacyjnych i jest szeroko stosowane w badaniach nad wnioskowaniem przyczynowym. MR wykorzystuje niezależne polimorfizmy pojedynczych nukleotydów (SNP) jako zmienne instrumentalne do wnioskowania potencjalnych związków przyczynowych między ekspozycjami a wynikami6. Na przykład, zamiast przypisywać osobom rozwijającym ból dolnej części pleców, MR może badać, czy genetyczna podatność na ból dolnej części pleców jest powiązana z wynikami związanymi z chodem w dużych zbiorach danych badań asocjacyjnych całego genomu (GWAS). Ponieważ warianty genetyczne są przydzielane losowo przy poczęciu, czyli przy formowaniu zarodka, MR może zmniejszyć błędy wynikające z czynników zakłócających takich jak wiek, wskaźnik masy ciała, aktywność fizyczna oraz współistniejące schorzenia układu mięśniowo-szkieletowego. Takie podejście jest odpowiednie do badania relacji przyczynowych na poziomie populacji, gdy dostępne są dobrze wzmocnione dane GWAS oraz ważne instrumenty genetyczne. Jednak fenotypy użyte w tym badaniu były szerokimi, samozdiagnozowanymi cechami GWAS i mogą nie w pełni oddawać nasilenia bólu, czasu trwania objawów, diagnoz potwierdzonych przez lekarza ani obiektywnych parametrów chodu. Wykorzystując losowe przydzielenie wariantów genetycznych w momencie poczęcia, MR może skutecznie łagodzić błędy spowodowane czynnikami zakłócającymi i odwracać przyczynowość, dostarczając tym samym bardziej wiarygodnych dowodów przyczynowych.
Celem tego badania było przeprowadzenie dwukierunkowej analizy MR z wykorzystaniem danych GWAS podsumowujących ból dolnej części pleców, bioder i kolana, wraz z danymi GWAS dotyczącymi nieprawidłowości chodu z bazy IEU Open GWAS. W tym badaniu fenotypy bólu reprezentowały szerokie, samoopisane cechy bólu specyficzne dla konkretnego miejsca, a nieprawidłowości chodu odzwierciedlały samozdiagnozowane trudności w chodzeniu, a nie diagnozy potwierdzone przez klinicystów, laboratoryjnie mierzone parametry chodu czy standaryzowane wyniki funkcjonalne. Ten dwukierunkowy projekt miał na celu ocenę kierunku potencjalnych przyczynowych powiązań między specyficznym miejscem bólu mięśniowo-szkieletowego a nieprawidłowościami chodu za pomocą statystyk podsumowujących GWAS7.
Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.
Badanie to wykorzystało publicznie dostępne dane podsumowujące genome-wide association study (GWAS) z bazy danych IEU OpenGWAS oraz katalogu GWAS. Nie uzyskano dostępu do danych na poziomie indywidualnym ani nie zrekrutowano nowych uczestników ludzkich. W oryginalnych badaniach GWAS uzyskano etyczną zgodę i pisemną świadomą zgodę. Dlatego nie było wymagane dodatkowe zatwierdzenie przez instytucjonalną komisję przeglądową dla obecnej analizy wtórnej publicznie dostępnych statystyk podsumowujących.
Zasada i projekt studiów
Podstawowe etapy badania MR obejmują pozyskiwanie danych podsumowujących GWAS, selekcję i ocenę SNP, przeprowadzanie analiz statystycznych oraz wdrażanie środków kontroli jakości. Jak pokazano na Rysunku 1, dokładność analizy MR opiera się na spełnieniu trzech kluczowych założeń: (1) założenie istotności: IV muszą być istotne dla fenotypów ekspozycji, mianowicie bólu dolnej części pleców, bólu biodra i bólu kolan8; (2) założenie niezależności: IV są nieistotne dla czynników zakłócających wpływających na "wynik ekspozycji"; (3) założenie wyłączności: IV wpływają na wynik tylko poprzez ekspozycję, a nie przez inne szlaki9. Czynniki ekspozycji i zmienne wynikowe będą zamieniane w każdej analizie, aby ustalić, czy istnieje odwrotna przyczynowość między nimi.
Aby poprawić powtarzalność, pełny workflow obliczeniowy używany do lokalnego importu podsumowań GWAS, ekstrakcji SNP, zgrupowania LD, ekstrakcji SNP, wyniku, harmonizacji alleli, analizy MR, analizy czułości, wykresów diagnostycznych oraz zapisu wyników jest przedstawiony jako Dodatkowy Kod 1. Główny tekst opisuje kluczowe kroki protokołu, natomiast Plik Uzupełniający 1 zawiera odpowiadającą implementację R na poziomie poleceń i funkcji.
Źródła danych
Dane dotyczące bólu dolnej części pleców, biodra i kolan pochodzą z bazy IEU openGWAS, a strona internetowa to: https://gwas.mrcieu.ac.uk/. Konkretne pytania użyte do zdefiniowania tych schorzeń można znaleźć w Pliku Uzupełniającym 2. Ból dolnej części pleców, ból biodra i kolana zostały zdefiniowane zgodnie z samodzielnie zgłaszanymi punktami bólu specyficznymi dla miejsca w oryginalnych zbiorach danych GWAS. Zestaw danych o bólu dolnej części pleców to numer identyfikacyjny GWAS: ebi-a-GCST90018797, z próbą 468269, obejmującą 22 413 pacjentów z bólem dolnej części pleców oraz 445 856 grup kontrolnych w populacji, z łączną liczbą SNP 24174741. Numer ID GWAS w zestawie danych bólu biodra to: ebi-a-GCST90013968, z próbą 407746 i łączną liczbą SNP 11039206. Zestaw danych o bólu kolana w GWAS to ukb-b-16254, z próbą 461857, obejmującą 98704 pacjentów z bólem kolana oraz populację kontrolną liczącą 363153, z łączną liczbą SNP 9851867. Dane GWAS dotyczące nieprawidłowości chodu pochodzą również z bazy danych openGWAS IEU, a zestaw danych o nieprawidłowościach chodu to numer GWAS ID: finn-b-R18 _ABNORMALITI_GAIT_MOBIL, z wielkością próby 210717, w tym 1348 przypadków nieprawidłowości chodu i 209369 populacji kontrolnych, a łącznie zidentyfikowano 1638044 lokusów SNP. Szczegóły przedstawiono w Tabeli 1.
Aby pozyskać dane reprodukowane, badacze powinni przeszukać każdy wymieniony powyżej identyfikator GWAS w bazie OpenGWAS IEU, pobrać odpowiadający mu plik podsumowania GWAS, jeśli jest dostępny, i zapisać go jako lokalny plik tekstowy lub oddzielony przecinkami przed importem do R. W procesie obliczeniowym zastosowanym w tym badaniu lokalne pliki podsumowania GWAS zostały zaimportowane do R za pomocą read.table() lub read.csv(), w zależności od formatu pliku źródłowego. Zastosowanie lokalnego workflow opartego na plikach lokalnych, aby zapewnić, że te same pobrane pliki podsumowania GWAS mogą być wielokrotnie przetwarzane przy użyciu mapowania kolumn i identycznych poleceń analizy. Dokładne polecenia R do importu i przetwarzania lokalnych plików są dostępne w Pliku Uzupełniającym 1.
Weryfikacja i wejście SNP
SNP istotnie związane z każdym fenotypem ekspozycji zostały wyodrębnione z zestawów danych GWAS podsumowujących przy użyciu progu istotności w całym genomie P < 5 × 10⁻8. Jeśli na tym progu dostępnych było mniej niż trzy niezależne SNP, próg był zluźniany do P < 5 × 10⁻6 , aby uzyskać wystarczającą liczbę instrumentów genetycznych do analizy MR. Nierównowaga sprzężeń oceniano przy użyciu r2 < 0,001 w ramach okna 10 000 kb, aby zapewnić niezależność zmiennych instrumentalnych.
Na poziomie skryptu statystyki podsumowujące ekspozycji GWAS były najpierw importowane do R i filtrowane według wcześniej określonego progu wartości P. Wybrane SNP ekspozycji były następnie zapisywane jako plik ekspozycji i formatowane zgodnie z wymaganiami pakietu TwoSampleMR. Wymagane mapowania kolumn obejmowały identyfikator SNP, estymację efektu, błąd standardowy, allel efektu, inne allele oraz wartość P. W procesie reprodukowalnym R dane ekspozycji były importowane za pomocą read_exposure_data(), a zgrupowanie LD realizowano przez ustawienie zgrupowania = PRAWDZIWE. Odpowiadająca struktura poleceń w R to: read_exposure_data(nazwa pliku = "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). Nazwy kolumn były dostosowywane do rzeczywistych pobranych plików GWAS.
Wytrzymałość instrumentu oceniono na podstawie statystyki F:
F = [(N − k − 1)/k] × [R2/(1 − R2)],
gdzie N oznacza wielkość próby, k liczbę zmiennych instrumentalnych, a R2 to proporcje wariancji ekspozycji wyjaśnionej przez SNP. R2 zostało obliczone jako
Σ[2 × MAF × (1 − MAF) × β2/(SE2 × N)],
gdzie MAF to częstotliwość alleli mniejszego, β to estymacja efektu alleli, a SE to błąd standardowy.
SNP ze statystykami F > 10 zostały zachowane. SNP związane z potencjalnymi czynnikami zakłócającymi, w tym wrodzonymi nieprawidłowościami anatomicznymi i wskaźnikiem masy ciała, zostały zidentyfikowane za pomocą PhenoScanner V2 i usunięte.
SNP wyników zostały wyodrębnione przez połączenie zgrupowanych SNP ekspozycji z odpowiadającym lokalnym plikiem podsumowania GWAS według identyfikatora SNP. Jeśli wynik GWAS zgłosił −log10(P), wartość P była przeliczana za pomocą P = 10^(−LP). Wyodrębnione SNP zostały następnie zaimportowane za pomocą read_outcome_data(). Zestawy danych ekspozycji i wyników zostały zharmonizowane za pomocą harmonise_data() w celu wyrównania alleli efektu i usunięcia SNP nieodpowiednich do analizy MR. Palindromiczne SNP o niejednoznacznej orientacji alleli zostały wykluczone, a SNP z mr_keep = PRAWDZIWE zachowano do kolejnych analiz MR11. Szczegółowy skrypt ekstrakcji SNP wyniku, konwersji wartości P oraz harmonizacji znajduje się w Pliku Uzupełniającym 1.
Analiza statystyczna
W badaniu oszacowano efekty przyczynowe między zmiennymi ekspozycji a wynikiem, stosując pięć metod: metodę IVW, metodę regresji MR-Eggera, metodę ważonej mediany, metodę trybu ważonego oraz metodę trybuprostego 12. Metoda IVW jest uważana za standardową metodę analizy MR, która zakłada, że wszystkie zmienne instrumentalne są poprawne, i opiera się na zasadzie łączenia estymacji współczynnika Walda; model efektów losowych stosuje się, gdy występuje heterogeniczność, a model efektów stałych stosuje się, gdy heterogeniczność nie występuje. Metoda regresji MR-Egger wykrywa potencjalną wielokolinearyczność i uwzględnia obecność wyrazu przecięjącego w regresji13. Metoda ważonej mediany wymaga, aby ponad 50% zmiennych instrumentalnych było prawidłowymi SNP. Metoda ważonego trybu wymaga mniejszych prób niż inne metody i zapewnia mniejsze błędy oraz niższe wskaźniki błędów typu I. Metoda trybu prostego pozwala grupować SNP o podobnych efektach według tego, czy szacowane efekty przyczynowe są podobne, czy nie14.
Na poziomie funkcji analizy MR wykonywano przy użyciu funkcji mr() w pakiecie TwoSampleMR. Lista metod użytych w analizie została określona jako c("mr_ivw", "mr_egger_regression", "mr_weighted_median", "mr_simple_mode", "mr_weighted_mode"). Współczynniki szans i 95% przedziały ufności zostały wygenerowane za pomocą generate_odds_ratios(). Pełna implementacja R, w tym dokładna lista metod i polecenia oszczędzania wyników, została przedstawiona w Pliku Uzupełniającym 1.
Kontrola jakości i analiza wrażliwości
Aby sprawdzić stabilność i wiarygodność wyników MR, najpierw zastosowano test Cochran Q do oceny heterogeniczności SNP; jeśli test Cochran Q był statystycznie istotny, wskazywał na istotną heterogeniczność w analizowanychwynikach15. Po drugie, test przecięcia MR-Egger został użyty do oceny potencjalnej plejotropii poziomej. Statystycznie istotne przecięcie MR-Egger wskazuje na obecność kierunkowej plejotropii poziomej w analizie MR. Po trzecie, zastosowano randomizację plejotropii sumy resztowej i wartości odstających (MR-PRESSO) do poszukiwania obecności odstawionych SNP w wynikach, a jeśli istniały, zostały wyeliminowane i ponownie przeanalizowane16. Po czwarte, zastosowano metodę "leave-one-out" do testowania odporności wyników, a łączny efekt pozostałych SNP obliczono poprzez wyłączenie SNP pojedynczo, aby ocenić wpływ poszczególnych SNP na związek między zmienną ekspozycji a wynikami17.
Na poziomie funkcji oceniano heterogeniczność za pomocą mr_heterogeneity(), plejotropię kierunkową za pomocą mr_pleiotropy_test(), efekty pojedynczego SNP za pomocą mr_singlesnp(), a analizę pozostawienia jednego za pomocą mr_leaveoneout(). Wykresy diagnostyczne generowano za pomocą mr_scatter_plot(), mr_funnel_plot() i mr_leaveoneout_plot(). MR-PRESSO wykonywano, gdy liczba dostępnych zmiennych instrumentalnych była wystarczająca; jeśli MR-PRESSO nie mógł zostać przeprowadzony z powodu niewystarczającej liczby SNP, był on rejestrowany i raportowany. Procedury analizy MR i kontroli jakości przeprowadzono przy użyciu wersji R 4.3.2 oraz pakietu TwoSampleMR w wersji 0.5.8, z poziomem istotności α = 0,05. Pełne polecenia znajdują się w Pliku Uzupełniającym 1.
Zapisywanie wyników, kontrola jakości i raportowanie
Wszystkie wyniki pośrednie i końcowe zostały zachowane dla powtarzalności. Obejmowały one wybrane SNP ekspozycji, instrumenty ekspozycji zgrupowane, SNP wyodrębnionych wyników, zharmonizowane zbiory danych, zachowane listy SNP, szacunki MR, ilorazy szans, wyniki heterogeniczności, wyniki przecięcia MR-Egger, wyniki MR-PRESSO, wyniki pojedynczego SNP, wyniki pozostawienia jednego wyniku, wykresy diagnostyczne oraz informacje o sesjach R. Przed raportowaniem sprawdzono zachowane SNP pod kątem znaczenia w całym genomie, niezależności LD, statusu harmonizacji alleli, niejednoznacznych wariantów palindromicznych, siły instrumentów, heterogeniczności, kierunkowej plejotropii poziomej oraz odstawających SNP. Podstawowe wyniki MR zostały przedstawione jako ilorazy szans z 95% przedziałami ufności i wartościami P. Wyniki analizy wrażliwości oraz wykresy diagnostyczne zostały przedstawione w tabelach uzupełniających i rysunkach. Polecenia zapisujące wynik i sprawdzanie plików są dostępne w Pliku Uzupełniającym 1.
Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.
Dane GWAS dla trzech specyficznych dla miejsca fenotypów bólu mięśniowo-szkieletowego, w tym bólu dolnej części pleców, biodra i kolana, oraz jednego fenotypu nieprawidłowości chodu zostały przeanalizowane w badaniu. Szczegółowe informacje o IV dla każdego czynnika ekspozycji można znaleźć w Pliku Uzupełniającym 3.
Analiza MR specyficznego dla miejsca bólu mięśniowo-szkieletowego na nieprawidłowościach chodu
W tym badaniu SNP o stru...
Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.
Nieprawidłowości w chodzeniu mogą zmieniać strategie obciążenia i ruchu stawów kończyn dolnych, potencjalnie przyspieszać procesy 821+_osteoarthritic i przyczyniać się do ograniczeń funkcjonalnych, które znacząco pogarszają jakość życia. To kliniczne znaczenie przyciąga coraz większą uwagę na współzależność między dysfunkcją chodu a bólem mięśniowo-szkieletowym. Badania obserwacyjne sugerują, że specyficzny dla konkretnego miejsca ból mięśniowo-szkieletowy może być związany z upośledzonym chodem; Na przykład badanie prze...
Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.
Autorzy deklarują, że nie mają ze sobą rywalizujących interesów. Autorzy deklarują, że nie mają znanych konkurujących ze sobą interesów finansowych ani relacji osobistych, które mogłyby wpłynąć na prace opisane w tym artykule.
Autorzy pragną podziękować wszystkim uczestnikom badania. Badanie to zostało sfinansowane przez Chińską Narodową Fundację Nauk Przyrodniczych (82274642, 82474631, 82205246), zespół planu szkolenia "szczytowego" talentów Centrum Szpitala w Pekinie (DFL20241001) oraz Fundusze Badań Podstawowych dla Uniwersytetów Miejskich w Pekinie (XJJS202555).
Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.
| Nazwa | Firma | Numer katalogowy | Komentarze |
|---|---|---|---|
| Baza danych OpenGWAS IEU | Jednostka Integracyjnej Epidemiologii MRC, Uniwersytet w Bristolu | Nie ma | Źródło podsumowania statystyk GWAS dotyczących fenotypów ekspozycji i wyników. |
| Pakiet MR-PRESSO R | Marie Verbanck / pakiet R | Nie ma | Wykorzystywany do wykrywania wartości odstających i oceny poziomej plejotropii. |
| PhenoScanner V2 | Uniwersytet Cambridge | V2 | Zasób internetowy używany do identyfikacji SNP powiązanych z potencjalnymi czynnikami zakłócającymi. |
| R | R Foundation for Statistical Computing | Wersja 4.3.2 | Środowisko obliczeń statystycznych wykorzystywane do analizy MR i kontroli jakości. |
| Pakiet TwoSampleMR R | Jednostka Integracyjnej Epidemiologii MRC, Uniwersytet w Bristolu | Wersja 0.5.8 | Wykorzystywane do analiz MR IVW, MR-Egger, wagowanej mediany, ważonego trybu oraz prostego trybu MR. |
Poproś o pozwolenie na ponowne wykorzystanie tekstu lub ilustracji tego artykułu JoVE
Poproś o pozwolenie