Disentangling the effects of traits with shared clustered genetic predictors using multivariable Mendelian randomization
利用多变量孟德尔随机化分离共享聚集遗传预测因子的性状效应AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要以遗传变异及其主成分作为工具变量，估计相关暴露的直接因果效应。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
利用多变量孟德尔随机化分离共享聚集遗传预测因子的性状效应
- 研究问题
- 论文研究多个暴露共享同一基因簇中的相关遗传变异时，如何分离其直接因果效应，并缓解保留过多或过少变异带来的困难。
- 方法与思路
- 作者提出利用主成分分析，将大量相关遗传变异压缩为较少的正交分量，再以这些分量作为多变量孟德尔随机化的工具变量。
- 材料陈述的贡献
- 摘要称模拟中估计更精确且对数值扰动更稳定；基因簇应用指向单核细胞趋化蛋白一为最可能的卒中因果风险因素。
- 阅读关注点
- 阅读全文时应核对工具变量有效性的要求、主成分保留规则和弱识别处理，并检查应用中多个相关暴露的直接效应如何定义。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未经核实；摘要未说明完整识别条件及不确定性结果，应用中的因果判断需结合这些条件。
原文摘要
When genetic variants in a gene cluster are associated with a disease outcome, the causal pathway from the variants to the outcome can be difficult to disentangle. For example, the chemokine receptor gene cluster contains genetic variants associated with various cytokines. Associations between variants in this cluster and stroke risk may be driven by any of these cytokines. Multivariable Mendelian randomization is an extension of standard univariable Mendelian randomization to estimate the direct effects of related exposures with shared genetic predictors. However, when genetic variants are clustered, a Goldilocks dilemma arises: including too many highly-correlated variants in the analysis can lead to ill-conditioning, but pruning variants too aggressively can lead to imprecise estimates or even lack of identification. We propose multivariable methods that use principal component analysis to reduce many correlated genetic variants into a smaller number of orthogonal components that are used as instrumental variables. We show in simulations that these methods result in more precise estimates that are less sensitive to numerical instability due to both strong correlations and small changes in the input data. We apply the methods to demonstrate the most likely causal risk factor for stroke at the chemokine gene cluster is monocyte chemoattractant protein-1.