Mendelsche Randomisierung erklärt: Was sie ist, wann man sie anwendet und wie man sie durchführt

Veröffentlicht am 9. Juli 2026 | Letzte Aktualisierung: 3. November 2026

Was ist Mendelsche Randomisierung?

Die Mendelsche Randomisierung ist eine Methode, die vererbte genetische Variation nutzt, um zu untersuchen, ob ein veränderbarer Faktor, wie beispielsweise LDL-Cholesterin, eine Erkrankung wie koronare Herzkrankheit verursacht. Sie basiert auf den Mendelschen Vererbungsregeln und der Instrumentalvariablen-Schätzung, wodurch sich kausale Effekte auch dann schätzen lassen, wenn einige Störfaktoren nie gemessen wurden.^⁵ Das ursprüngliche Argument lautete, dass die zufällige Verteilung der Gene von den Eltern auf die Nachkommen bei der Gametenbildung und Befruchtung bedeutet, dass ein Polymorphismus, der den biologischen Zusammenhang mit einem Faktor nachahmt, im Allgemeinen nicht anfällig für umgekehrte Kausalität oder Störfaktoren ist, die herkömmliche Beobachtungsstudien verfälschen.^¹

Einfach ausgedrückt: Wenn eine Variante, die einen Einflussfaktor wie beispielsweise den LDL-Cholesterinspiegel beeinflusst, zufällig auftritt, ist der Vergleich von Personen mit und ohne diese Variante vergleichbar mit dem Vergleich zweier Gruppen, die durch einen Münzwurf bestimmt wurden, vorausgesetzt, die Variante beeinflusst das Ergebnis ausschließlich über diesen Einflussfaktor.

Jede Analyse setzt sich aus drei miteinander verbundenen Teilen zusammen.

• Das Instrument. Eine oder mehrere genetische Varianten, die mit der Exposition in Zusammenhang stehen.
• Die Enthüllung. Der untersuchte veränderbare Risikofaktor ist beispielsweise das LDL-Cholesterin.
• Das Ergebnis. Die betreffende Krankheit oder Eigenschaft, zum Beispiel koronare Herzkrankheit.

Die Methode hat Grenzen, die bereits in einer früheren Übersichtsarbeit genannt wurden: Verfälschung der Ergebnisse durch Polymorphismen in Kopplungsungleichgewicht mit der Variante, Polymorphismen mit mehreren phänotypischen Auswirkungen, ein Mangel an geeigneten Polymorphismen für viele Expositionen sowie Kanalisierung, die Abpufferung genetischer Effekte während der Entwicklung.^¹

Die drei Kernannahmen hinter jeder Mendelschen Randomisierungsstudie

Punkt 5 der STROBE-MR-Richtlinien fordert die Autoren auf, die drei zentralen Annahmen der Instrumentalvariablen für die Hauptanalyse sowie die Annahmen etwaiger zusätzlicher Analysen oder Sensitivitätsanalysen explizit darzulegen. Punkt 7 fordert sie auf, die Methoden oder Vorkenntnisse zu beschreiben, die zur Überprüfung dieser Annahmen verwendet ^wurden.³

Wischen Sie seitlich, um alle Spalten anzuzeigen.

^{Die Annahmen entsprechen denen ,} die Burgess und Kollegen in ihren Leitlinien aufführen: Die Variante ist mit der Exposition assoziiert, sie ist aufgrund von Störfaktoren nicht mit dem Ergebnis assoziiert und beeinflusst das Ergebnis nur möglicherweise über die Exposition.⁶

Schwache Instrumente

Ein schwaches Instrument verzerrt die Schätzung in Richtung des beobachteten, konfundierten Zusammenhangs, wobei das Ausmaß der Verzerrung von der F-Statistik abhängt. Burgess und Thompson zeigten zudem, dass die gängige Faustregel, ein F-Wert über 10 vermeide Verzerrungen, irreführend ist.^⁷ In Simulationen mit unkorrelierten Varianten und zusammengefassten Daten stellten Burgess und Kollegen fest, dass die Verzerrung durch ein schwaches Instrument gering war, wenn jede Variante einen p-Wert unter 0.00001 für ihren Zusammenhang mit dem Risikofaktor aufwies.^⁸ Unser Begleitartikel zu Instrumentvariablenansätzen erläutert die allgemeine Logik außerhalb der Genetik.

Ein-Stichproben-, Zwei-Stichproben- und multivariate Versuchsdesigns sowie die Schätzer

In einer Ein-Stichproben-Analyse stammen die Daten zum Risikofaktor und zum Ergebnis aus einer einzigen Quelle. In einer Zwei-Stichproben-Analyse stammen sie aus sich nicht überschneidenden Datensätzen. ^⁹ Öffentlich zugängliche zusammengefasste Daten machen eine Zwei-Stichproben-Analyse transparent, da ein Dritter mit denselben Daten sie reproduzieren kann. Im Gegensatz dazu sind in einer Ein-Stichproben-Analyse individuelle Daten erforderlich, um nichtlineare Effekte zu untersuchen.^⁶ Auch die Verzerrung durch schwache Instrumente unterscheidet sich: In einer Ein-Stichproben-Analyse geht sie in Richtung der konfundierten Assoziation, in einer Zwei-Stichproben-Analyse ohne Überschneidung in Richtung der Nullhypothese.^⁶

Üblicherweise werden mehrere Schätzer parallel ausgeführt.

• Inverse Varianzgewichtung (IVW) ist die am häufigsten verwendete Methode mit zahlreichen Varianten. Sie ist die effizienteste, aber verzerrt, wenn der durchschnittliche pleiotrope Effekt von null abweicht.⁶ Sie kann aus zusammengefassten Daten als invers-varianzgewichteter Durchschnitt der variantenspezifischen Assoziationen gewonnen werden.⁸
• MR-Egger-Regression Die Steigung wird als kausale Schätzung und der Achsenabschnitt als durchschnittlicher pleiotroper Effekt verwendet. Dadurch kann jede Variante pleiotrop sein, allerdings ist die InSIDE-Annahme erforderlich, und die Methode ist oft weniger effizient.^10,6
• Der gewichtete Median ist auch dann konsistent, wenn bis zu 50 % der Informationen aus ungültigen Instrumenten stammen.⁴
• Multivariable MR nutzt Varianten, die mit mehreren verwandten Expositionen assoziiert sind, um den Effekt jeder Exposition auf ein Ergebnis abzuschätzen, und kann zur Abschätzung der Mediation innerhalb des MR-Rahmens verwendet werden.¹¹

Eine Simulation, in der diese Schätzer verschiedenen Arten von Pleiotropie gegenübergestellt werden, finden Sie im Editverse-Artikel darüber, wovor die vier Schätzer Sie tatsächlich schützen.

Ein realer Fall: HDL- und LDL-Cholesterin und koronare Herzkrankheit

Bowden und Kollegen veröffentlichten eine Open-Access-Publikation (CC BY 4.0), in der sie den gewichteten Median anhand von zusammenfassenden Daten für 185 genetische Varianten von Do und Kollegen mit IVW und MR-Egger verglichen. Dabei verwendeten sie Lipidassoziationen des Global Lipids Genetics Consortium und Assoziationen mit koronarer Herzkrankheit des CARDIoGRAM-Konsortiums.^⁴ Die Schätzwerte sind Log-Odds-Ratios pro Standardabweichung höherer Lipidkonzentration. Wir entnahmen die Schätzwerte und Standardfehler Tabelle 4 (Spalte für alle Varianten, die mit der Exposition bei genomweiter Signifikanz assoziiert sind) und berechneten Odds-Ratios, 95%-Intervalle und p-Werte in R unter Verwendung einer Normalapproximation neu.^⁴

Wischen Sie seitlich, um alle Spalten anzuzeigen.

LDL-Cholesterin lieferte über alle drei Schätzer hinweg ein konsistentes Ergebnis ohne deutliche Anzeichen für gerichtete Pleiotropie (MR-Egger-Achsenabschnitt p = 0.072). Beim HDL-Cholesterin schloss das IVW-Intervall den Wert 1 aus, während das gewichtete Median- und das MR-Egger-Intervall den Wert 1 einschlossen und der MR-Egger-Achsenabschnitt signifikant von null abwich (p = 0.005). Die Autoren schließen daraus, dass der kausale Effekt des IVW-Schätzers auf HDL-Cholesterin fraglich ist.^⁴ Als sie die Analyse auf Varianten beschränkten, deren stärkste Assoziation mit HDL-Cholesterin bestand, blieb das Muster bestehen: IVW OR 0.87 (0.77 bis 0.99), gewichteter Median OR 0.94 (0.82 bis 1.06), MR-Egger-Steigung OR 1.10 (0.89 bis 1.35) (berechnet mit Editverse).^⁴

Was dieser Fall zeigt: Ein Bericht, der ausschließlich auf IVW basierte, hätte HDL-Cholesterin als protektiv dargestellt, und die zusätzlichen Schätzer haben das Ergebnis verändert. Was er nicht zeigt: dass HDL-Cholesterin keine Wirkung hat, weil der gewichtete Median und die MR-Egger-Intervalle breit sind; oder dass die Schätzer immer korrekt sind. Wir haben veröffentlichte Zahlen neu berechnet und die Daten mit 185 Varianten, die uns nicht vorlagen, nicht erneut analysiert.

Pleiotropie, die zentrale Bedrohung der Gültigkeit

Horizontale Pleiotropie, bei der eine Variante das Ergebnis über einen Pfad erreicht, der die Exposition umgeht, verletzt die Ausschlussrestriktion. Verbanck und Kollegen entwickelten MR-PRESSO, um horizontale pleiotrope Ausreißer in der multiinstrumentellen MR auf Zusammenfassungsebene zu identifizieren, und wandten es auf komplexe Merkmale und Krankheiten an. Sie fanden horizontale Pleiotropie in über 48 % der signifikanten Kausalbeziehungen nachweisbar, mit Verzerrungen der Kausalitätsschätzungen im Durchschnitt zwischen -131 % und 201 % und falsch-positiven Kausalbeziehungen in bis zu 10 % der Beziehungen.^¹² Tabelle 1 der Burgess-Richtlinien weist darauf hin, dass MR-PRESSO eine sehr hohe Rate falsch-positiver Ergebnisse aufweist, wenn mehrere Instrumente ungültig sind; es handelt sich also um eine von mehreren Kontrollmethoden.^⁶

Eine fundierte Analyse führt mehrere Prüfungen gleichzeitig durch.

• MR-Egger-Achsenabschnitt und die Steigung als Sensitivitätsschätzung.¹⁰
• Gewichteter Median und andere robuste Schätzer.⁴
• Heterogenität. Die Richtlinien empfehlen, für eine polygene Analyse Cochran's Q oder die I²-Statistik anzugeben.⁶
• Leave-one-out- und Steiger-Filterung. STROBE-MR listet unter anderem Leave-One-Out-Plots auf.³ Durch die Steiger-Filterung werden Varianten entfernt, deren Zusammenhang mit dem Ergebnis stärker ist als mit der Exposition.⁶
• Ein liberales und ein konservatives Variantenset. Pleiotropie führt im Allgemeinen eher zu einer Verzerrung der Schätzungen in Richtung der Nullhypothese, daher ist ein Nullbefund in einer liberalen Analyse ein überzeugenderer Beweis für eine wahre Nullhypothese.⁶

Stichprobenüberlappung und Verzerrung durch schwache Instrumente

Viele große Konsortien teilen sich Teilnehmer, sodass sich die Datensätze zu Exposition und Ergebnis in einer Zwei-Stichproben-Analyse überschneiden können. Burgess et al. simulierten dies für ein kontinuierliches Ergebnis und einen fehlenden Kausalzusammenhang: Eine Ein-Stichproben-Analyse mit einer relativen Verzerrung von 10 % (entsprechend einem F-Parameter von 10) sank auf 5 % bei 50 % Überlappung und auf 3 % bei 30 % Überlappung, da die Verzerrung eine lineare Funktion des Überlappungsanteils ist.^⁹ STROBE-MR-Kriterium 10d fordert die Autoren von Zwei-Stichproben-Studien auf, die Anzahl der Personen anzugeben, deren Datensätze sich in den Expositions- und Ergebnisstudien überschneiden.^³

Weitere veröffentlichte Beispiele

LDL-Cholesterin und koronare Herzkrankheit

Ference und Kollegen kombinierten Studien zur Mendelschen Randomisierung von neun Polymorphismen in sechs Genen, ohne Hinweise auf Heterogenität zu finden. In nicht überlappenden Daten von 312,321 Teilnehmern war die zufällige Zuteilung zu einer langfristigen Senkung des LDL-Cholesterins mit einer Risikoreduktion für koronare Herzkrankheit um 54.5 % (95 %-KI: 48.8 % bis 59.5 %) pro mmol/l niedrigerem LDL-Cholesterin verbunden – etwa dem Dreifachen der Risikoreduktion, die bei einer später im Leben begonnenen Statintherapie beobachtet wurde.^¹³ Burgess und Kollegen schätzten anhand von nur fünf Varianten und zusammengefassten Daten, dass eine Senkung des LDL-Cholesterins um 30 % das Risiko für koronare Herzkrankheit um 67 % (95 %-KI: 54 % bis 76 %) senkt.^⁸

Mendelsche Randomisierung von Wirkstoff-Zielmolekülen

Gagnon und Kollegen genotypisierten und sequenzierten RNA von 504 menschlichen Leberproben und identifizierten eine Variante (rs472495), die 5.6 % der PCSK9 -Expression in der Leber erklärt, um RNA-Interferenz zu simulieren. Sie verwendeten PCSK9 R46L, um die antikörperbasierte Hemmung zu modellieren. Für jede Standardabweichungsabnahme von Apolipoprotein B betrugen die Odds Ratios für koronare Herzkrankheit 0.40 (95 %-KI 0.31 bis 0.51) bzw. 0.48 (0.43 bis 0.55).^¹⁴

Vitamin D

Fang und Kollegen fassten 133 Publikationen zur Mendelschen Randomisierung zusammen, die 275 Endpunkte bis September 2022 umfassten. Genetisch bedingte hohe 25-Hydroxyvitamin-D-Spiegel waren unter anderem mit einem geringeren Risiko für Multiple Sklerose und einem höheren Risiko für andere Erkrankungen, wie z. B. Nierensteinleiden, assoziiert. Der Zusammenhang mit Multipler Sklerose war über alle verwendeten Instrumentensätze hinweg konsistent, während die meisten anderen Zusammenhänge nur bei Varianten auftraten, die nicht auf den Vitamin-D-Stoffwechsel beschränkt waren. Die Studienqualität war heterogen.^¹⁵ Zhao und Kollegen nutzten Daten von 332,984 Teilnehmern der UK Biobank, davon 23,089 mit mindestens einer Autoimmunerkrankung, und berichteten über eine Odds Ratio von 0.95 (95 %-KI 0.91–0.99) pro 10 ng/ml höherem 25-Hydroxycholecalciferol-Spiegel für die Gruppe mit Autoinflammation, nicht jedoch für die Gruppe mit Autoimmunität.^¹⁶

Alkohol und Gefäßerkrankungen in China

Millwood und Kollegen genotypisierten 161,498 Teilnehmer der China Kadoorie Biobank hinsichtlich der Allelvarianten ALDH2 -rs671 und ADH1B -rs1229984. Die selbstberichtete Alkoholaufnahme zeigte bei Männern einen U-förmigen Zusammenhang mit Schlaganfall und Herzinfarkt, die genotypbasierte Aufnahme jedoch nicht. Das relative Risiko pro 280 g Alkohol pro Woche betrug 1.58 (1.36 bis 1.84) für intrazerebrale Blutungen, 1.27 (1.13 bis 1.43) für ischämischen Schlaganfall und 0.96 (0.78 bis 1.18) für Herzinfarkt. Die Autoren schlussfolgerten, dass die scheinbar protektiven Effekte eines moderaten Alkoholkonsums gegen Schlaganfall größtenteils nicht kausal bedingt sind.^¹⁷

Wann sollte man die Mendelsche Randomisierung anwenden?

• Eine randomisierte Studie ist nicht durchführbar. Die Methode ist besonders nützlich, wenn randomisierte Studien nicht durchgeführt werden können und Beobachtungsstudien durch Störfaktoren oder umgekehrte Kausalität verzerrt sind.²
• Sie müssen ein Wirkstoffziel untersuchen. MR wurde angewendet, um die Wirksamkeit und Sicherheit von Arzneimitteln, die auf kardiovaskuläre Risikofaktoren abzielen, vorherzusagen und um neue Anwendungsgebiete zu erforschen.¹⁸
• Es liegen ausreichend große zusammengefasste Daten vor. Öffentliche GWAS-Zusammenfassungsdaten ermöglichen ein Zwei-Stichproben-Design ohne individuelle Genotypen.⁶

^{Die Methode eignet sich schlecht ,} wenn keine genetischen Varianten als Instrumente für die Exposition gerechtfertigt werden können, da die Relevanzannahme dann nicht mehr zutrifft, oder wenn die verfügbaren Daten zu gering sind, da MR-Studien oft eine geringe statistische Aussagekraft aufweisen.⁶ Wenn Sie zwischen einem genetischen Studiendesign und einer Umfrage- oder Registeranalyse wählen müssen, prüfen Sie, welche Gesundheitsdatenbank für Ihre Studie am besten geeignet ist.

Wie man eine Mendelsche Randomisierungsstudie durchführt

1. 1Formulieren Sie die Kausalhypothese. Die STROBE-MR-Punkte 2 und 3 fragen nach der Begründung, warum MR eine hilfreiche Methode ist, und nach spezifischen Zielen einschließlich vorab festgelegter Kausalhypothesen.³
2. 2Wählen Sie das Design und die Daten. Entscheiden Sie sich für eine Ein- oder Zwei-Stichproben-Analyse und für Daten auf individueller Ebene oder für zusammengefasste Daten.⁶
3. 3Wählen Sie die Varianten aus. Ein gängiger Ansatz besteht darin, Varianten, die mit der Exposition assoziiert sind, auf genomweiter Signifikanzebene einzubeziehen, typischerweise P unterhalb von 5 × 10^-8Die Auswahl von Daten aus demselben Datensatz wie die Analyse birgt das Risiko des Winner's Curse und verschärft die Verzerrung durch schwache Instrumente.⁶
4. 4Allele harmonisieren. Richten Sie Expositions- und Ergebnisallele aus. Bei palindromischen Varianten (A/T oder C/G) mit einer Allelfrequenz nahe 50 % können Analysten die Variante ausschließen, wenn die Orientierung nicht verifiziert werden kann.⁶
5. 5Führen Sie die Primär- und Sensitivitätsanalysen durch. IVW als primäre Schätzung für mehrere Varianten, dann robuste Schätzer, Heterogenitätsstatistiken und Diagramme.⁶
6. 6Bericht an STROBE-MR. Die Checkliste enthält 20 Hauptpunkte und 30 Unterpunkte, darunter Software- und Paketversionen (Punkt 9a), Vorregistrierungsstatus (Punkt 9b) sowie Daten- und Codeaustausch (Punkt 19).^19,3

Die STROBE-MR-Erklärung erweitert die allgemeine Logik der STROBE-Berichtsrichtlinie.

Datenquellen und Software für die MR-Analyse

Die nachfolgenden Beschreibungen stammen von den jeweiligen Quellenseiten und wurden am 4. November 2026 eingesehen.

Wischen Sie seitlich, um alle Spalten anzuzeigen.

Häufige Fehler bei der Mendelschen Randomisierung

• Die Stärke des Instruments wird nicht gemeldet. Geben Sie R² und die F-Statistik an und beachten Sie, dass die Faustregel „F über 10“ irreführend ist.^6,7
• Es wird nur die IVW-Schätzung angegeben. Das oben genannte Beispiel des HDL-Cholesterins zeigt, wie ein einzelner Schätzwert irreführend sein kann.⁴
• Überlappungen der Proben werden ignoriert. Geben Sie die Anzahl der sich überschneidenden Personen an und gehen Sie davon aus, dass die Verzerrung mit dem Grad der Überschneidung variiert.^9,3
• Unvorsichtiges Vermischen von Bevölkerungsgruppen. Wenn die beiden Stichproben unterschiedliche ethnische Gruppen repräsentieren, können sich die Muster des Kopplungsungleichgewichts unterscheiden, sodass eine Variante im Ergebnisdatensatz möglicherweise weniger stark mit der Exposition assoziiert ist.⁶
• Ein breites Nullintervall wird als keine Auswirkung interpretiert. Im HDL-Fall ergaben sich Nullwerte mit Intervallen von etwa 0.8 bis 1.2, was mit geringen Effekten in beide Richtungen vereinbar ist.⁴
• Kausalbegriffe werden ungenau verwendet. STROBE-MR-Punkt 16 fordert die Autoren auf, kausale Formulierungen sorgfältig zu verwenden und klarzustellen, dass Schätzungen kausale Effekte nur unter bestimmten Annahmen ergeben können.³

Mendelsche Randomisierung vs. andere Methoden der Kausalanalyse

Die Tabelle nennt das charakteristische Merkmal jedes Designs für die beiden Probleme, die MR lösen soll.

Wischen Sie seitlich, um alle Spalten anzuzeigen.

Da jedes Studiendesign unterschiedliche potenzielle Verzerrungsquellen aufweist, stärkt die Triangulation verschiedener Ansätze das Vertrauen in die Ergebnisse, wenn diese übereinstimmen. Mendelian Randomization (MR) kann dabei als ein Aspekt dienen.^{^{25 , 5}} Weiterführende Informationen finden Sie in unseren Leitfäden zu Propensity-Score-Matching und Kausalanalyse in der Epidemiologie.

Soll die Analyse ausgeführt oder überprüft werden? Wenden Sie sich an Editverse.

Die Fachexperten von Editverse arbeiten gemäß den Richtlinien von COPE, ICMJE und GPP 2022 und beachten dabei institutionelle und länderspezifische Ethikrichtlinien.

Editverse

Mendelsche Randomisierungsstudie

Benötigen Sie eine vollständige MR-Studie mit zwei Stichproben, die den Standards von Fachzeitschriften entspricht?

Sie übermitteln uns Ihre Expositionsdaten, die Ergebnisse und die Fragestellung zum Kausalzusammenhang. Die zusammenfassenden Statistiken sind öffentlich zugänglich; wir beziehen sie von Ihnen.

Sie erhalten: eine MR-Studie mit zwei Stichproben, bei der die Instrumentenstärke quantifiziert, Steiger-Filterung, vier pleiotropierobuste Schätzer, MR-PRESSO-Ausreißererkennung, Instrumenten-PheWAS und unabhängige Replikation, sowie ein vollständiges Manuskript, Streu- und Trichterdiagramme, ausführbaren TwoSampleMR-Code und eine STROBE-MR-Checkliste.

Wann: Sie möchten die gesamte Studie durchgeführt und schriftlich festgehalten haben. 15 Werktage.

Mendelsche Randomisierungsstudie · 2,900 $

Plane meine MRT-Untersuchung →

Editverse

Machbarkeitsprüfung

Sie sind sich nicht sicher, ob ein MR-Design Ihre Frage beantworten kann?

Sie senden: Ihre Forschungsfrage.

Sie erhalten: eine schriftliche Empfehlung, ob die Frage bereits beantwortet ist, ob die Daten dies stützen und ob Ihre Studie die erforderliche statistische Aussagekraft besitzt, einschließlich der Aussagekraft der Instrumente für ein Mendelsches Randomisierungsdesign. Die Empfehlung wird Ihnen innerhalb von sechs Monaten bei jeder von Ihnen in Auftrag gegebenen Studie vollständig angerechnet.

Wann: Bevor Sie sich für eine Studie anmelden. 5 Werktage.

Machbarkeits- und Protokollbewertung · 450 $

Zuerst die Machbarkeit prüfen →

Editverse

Statistische Analyse

Sie haben Ihre Daten und benötigen die Analyse in R?

Sie senden: Ihre Daten, Forschungsfragen und bevorzugte Software.

Sie erhalten: statistische Analysen mit Ihrer bevorzugten Software (SPSS, R, STATA oder SAS), mit kommentiertem Code, vollständigen Ausgabedateien und einer Interpretationsanleitung.

Wann: Sie benötigen die publikationsreifen Ergebnisse in 4-6 Werktagen.

Statistische Analyse mit SPSS/R/STATA · 400 $

Meine Analyse starten →

Häufig gestellte Fragen zur Mendelschen Randomisierung

Ist die Mendel'sche Randomisierung dasselbe wie eine randomisierte kontrollierte Studie?

Nein. Die Mendelsche Randomisierung arbeitet mit Beobachtungsdaten und behandelt vererbte genetische Varianten als Instrumente. Allele werden durch zufällige Aufspaltung von den Eltern an die Nachkommen weitergegeben, was der zufälligen Zuteilung einer Behandlung in einer Studie ähnelt und Störfaktoren verringern sollte. Die Schätzung basiert zudem auf Annahmen, die in einer Studie nicht erforderlich sind; sie ergänzt daher die Studienergebnisse, ersetzt sie aber nicht.

Was sind die drei Kernannahmen der Mendelschen Randomisierung?

Relevanz, Unabhängigkeit und Ausschlusskriterien. Vereinfacht ausgedrückt: Die Variante ist mit der Exposition assoziiert, nicht jedoch über Störfaktoren mit dem Ergebnis, und beeinflusst das Ergebnis nur möglicherweise indirekt über die Exposition. Gemäß STROBE-MR-Kriterium 5 müssen Autoren diese Kriterien explizit angeben.

Benötige ich Genotypdaten auf individueller Ebene, um die Mendelsche Randomisierung durchzuführen?

Nicht für eine Zwei-Stichproben-Analyse, die veröffentlichte, zusammengefasste Assoziationen jeder Variante mit der Exposition und dem Ergebnis nutzen kann. Zur Untersuchung nichtlinearer Effekte sind Daten auf individueller Ebene in einer Ein-Stichproben-Studie erforderlich. Ein praktischer Vorteil öffentlich zugänglicher, zusammengefasster Daten besteht darin, dass Dritte die Analyse reproduzieren können.

Worin besteht der Unterschied zwischen der Mendelschen Randomisierung mit einer Stichprobe und der mit zwei Stichproben?

In einer Ein-Stichproben-Analyse stammen die Daten zu Risikofaktor und Ergebnis aus einer einzigen Quelle. In einer Zwei-Stichproben-Analyse stammen sie aus sich nicht überschneidenden Datensätzen. Die Richtung der Verzerrung durch schwache Instrumente unterscheidet sich: in einer Ein-Stichproben-Analyse hin zur konfundierten Assoziation und in einer Zwei-Stichproben-Analyse ohne Stichprobenüberschneidung hin zur Nullhypothese.

Warum sollte man mehr als die mit der inversen Varianz gewichtete Schätzung angeben?

Die Methode der inversen Varianzgewichtung liefert nur dann eine konsistente Schätzung, wenn alle Varianten gültig sind oder die Pleiotropie ausgeglichen ist. Im oben genannten veröffentlichten Lipidbeispiel betrug die IVW-Odds-Ratio für HDL-Cholesterin 0.78, während der gewichtete Median 0.93 und die MR-Egger-Methode 0.99 ergab (mit Intervallen, die 1 einschließen). Die Angabe mehrerer Schätzer verdeutlicht den Lesern, ob das Ergebnis von einer einzelnen Methode abhängt.

Was sagt mir der MR-Egger-Intercept?

In der MR-Egger-Regression schätzt der Achsenabschnitt den durchschnittlichen pleiotropen Effekt über alle Varianten hinweg, während die Steigung die kausale Wirkung angibt. Ein von null verschiedener Achsenabschnitt deutet auf gerichtete Pleiotropie hin. Die Methode setzt die InSIDE-Annahme voraus, dass pleiotrope Effekte unabhängig von den Assoziationen zwischen Varianten und Exposition sind, und ist oft weniger effizient als andere Schätzer.

Was wird für STROBE-MR benötigt?

STROBE-MR ist eine Berichtsrichtlinie mit 20 Hauptpunkten und 30 Unterpunkten. Beispiele hierfür sind die Angabe der drei Annahmen über die Instrumentalvariablen (Punkt 5), die Beschreibung, wie die Annahmen bewertet wurden (Punkt 7), die Berichterstattung über Sensitivitätsanalysen (Punkte 8 und 13) und, bei Zwei-Stichproben-Designs, die Anzahl der Personen, die sich zwischen den Expositions- und Ergebnisstudien überschneiden (Punkt 10d).

Kann die Mendelsche Randomisierung Kausalität beweisen?

Nicht für sich allein. Die Mendelsche Randomisierung testet eine Kausalhypothese unter bestimmten Annahmen, und einige dieser Annahmen lassen sich nicht vollständig überprüfen. Verwenden Sie kausale Formulierungen mit Bedacht, berichten Sie über die Sensitivitätsanalysen und betrachten Sie das Ergebnis als einen Beleg im Rahmen einer Triangulation mit anderen Studiendesigns.

Referenzen

1. Davey Smith G, Ebrahim S. „Mendelsche Randomisierung“: Kann die genetische Epidemiologie zum Verständnis der umweltbedingten Determinanten von Krankheiten beitragen? Int J Epidemiol. 2003;32(1):1-22. PMID 12689998. doi.org/10.1093/ije/dyg070
2. Sekula P, Del Greco MF, Pattaro C, Kottgen A. Mendelsche Randomisierung als Ansatz zur Beurteilung von Kausalität anhand von Beobachtungsdaten. J Am Soc Nephrol. 2016;27(11):3253-3265. PMID 27486138. doi.org/10.1681/ASN.2016010098
3. Skrivankova VW, Richmond RC, Woolf BAR, et al. Stärkung der Berichterstattung über Beobachtungsstudien in der Epidemiologie mittels mendelscher Randomisierung (STROBE-MR): Erklärung und Erläuterung. BMJ. 2021;375:n2233. Open Access, CC BY 4.0. doi.org/10.1136/bmj.n2233
4. Bowden J, Davey Smith G, Haycock PC, Burgess S. Konsistente Schätzung bei der Mendelschen Randomisierung mit einigen ungültigen Instrumenten unter Verwendung eines gewichteten Median-Schätzers. Genet Epidemiol. 2016;40(4):304-314. Open Access, CC BY 4.0; Odds Ratios, Intervalle und p-Werte wurden mit Editverse in R aus Tabelle 4 neu berechnet. doi.org/10.1002/gepi.21965
5. Sanderson E, Glymour MM, Holmes MV, et al. Mendelsche Randomisierung. Nat Rev Methoden Primer. 2022;2:6. PMID 37325194. doi.org/10.1038/s43586-021-00092-5
6. Burgess S, Davey Smith G, Davies NM, et al. Richtlinien für die Durchführung von Mendelschen Randomisierungsstudien: Aktualisierung für den Sommer 2023. Willkommen Open Res. 2019;4:186 (Version 3). Open Access, CC BY 4.0. doi.org/10.12688/wellcomeopenres.15555.3
7. Burgess S, Thompson SG. Vermeidung von Verzerrungen durch schwache Instrumente in Mendelschen Randomisierungsstudien. Int J Epidemiol. 2011;40(3):755-764. PMID 21414999. doi.org/10.1093/ije/dyr036
8. Burgess S, Butterworth A, Thompson SG. Mendelsche Randomisierungsanalyse mit multiplen genetischen Varianten unter Verwendung zusammengefasster Daten. Genet Epidemiol. 2013;37(7):658-665. PMID 24114802. doi.org/10.1002/gepi.21758
9. Burgess S, Davies NM, Thompson SG. Verzerrung aufgrund von Teilnehmerüberschneidungen bei der Mendelschen Randomisierung mit zwei Stichproben. Genet Epidemiol. 2016;40(7):597-608. Open Access, CC BY 4.0; lineare Relation geprüft mit Editverse in R. doi.org/10.1002/gepi.21998
10. Bowden J, Davey Smith G, Burgess S. Mendelsche Randomisierung mit ungültigen Instrumenten: Schätzung des Effekts und Erkennung von Verzerrungen durch Egger-Regression. Int J Epidemiol. 2015;44(2):512-525. PMID 26050253. doi.org/10.1093/ije/dyv080
11. Sanderson E. Multivariable Mendelsche Randomisierung und Mediation. Kalter Frühling Harb Perspektive Med. 2021;11(2):a038984. PMID 32341063. doi.org/10.1101/cshperspect.a038984
12. Verbanck M, Chen CY, Neale B, Do R. Nachweis weit verbreiteter horizontaler Pleiotropie in Kausalzusammenhängen, die aus der Mendelschen Randomisierung zwischen komplexen Merkmalen und Krankheiten abgeleitet wurden. Nat Genet. 2018;50(5):693-698. PMID 29686387. doi.org/10.1038/s41588-018-0099-7
13. Ference BA, Yoo W, Alesh I, et al. Einfluss einer langfristigen Exposition gegenüber niedrigerem LDL-Cholesterin ab frühester Lebenszeit auf das Risiko einer koronaren Herzkrankheit: eine Mendelsche Randomisierungsanalyse. Ich bin Coll Cardiol. 2012;60(25):2631-2639. PMID 23083789. doi.org/10.1016/j.jacc.2012.09.017
14. Gagnon E, Gill D, Bourgault J, et al. RNA-Interferenz versus antikörperbasierte PCSK9-Hemmung zur Prävention von Herz-Kreislauf-Erkrankungen: eine Studie zur mendelschen Randomisierung von Wirkstoffzielen. Cardiovasc Res. 2025;121(7):1066-1075. PMID 40347490. doi.org/10.1093/cvr/cvaf078
15. Fang A, Zhao Y, Yang P, Zhang X, Giovannucci EL. Vitamin D und die menschliche Gesundheit: Erkenntnisse aus Mendelschen Randomisierungsstudien. Eur J Epidemiol. 2024;39(5):467-490. PMID 38214845. doi.org/10.1007/s10654-023-01075-4
16. Zhao SS, Mason A, Gjekmarkaj E, Yanaoka H, ​​Burgess S. Zusammenhänge zwischen Vitamin D und Autoimmunerkrankungen: Mendelsche Randomisierungsanalyse. Semin-Arthritis-Rheum. 2023;62:152238. PMID 37437450. doi.org/10.1016/j.semarthrit.2023.152238
17. Millwood IY, Walters RG, Mei XW, et al. Konventionelle und genetische Erkenntnisse zur Ätiologie von Alkohol und Gefäßerkrankungen: eine prospektive Studie an 500.000 Männern und Frauen in China. Lanzette. 2019;393(10183):1831-1842. Open Access, CC BY 4.0. doi.org/10.1016/S0140-6736(18)31772-0
18. Larsson SC, Butterworth AS, Burgess S. Mendelsche Randomisierung bei Herz-Kreislauf-Erkrankungen: Prinzipien und Anwendungen. Eur Heart J. 2023;44(47):4913-4924. PMID 37935836. doi.org/10.1093/eurheartj/ehad736
19. Skrivankova VW, Richmond RC, Woolf BAR, et al. Stärkung der Berichterstattung über Beobachtungsstudien in der Epidemiologie durch Mendelsche Randomisierung: die STROBE-MR-Erklärung. JAMA. 2021;326(16):1614-1621. PMID 34698778. doi.org/10.1001/jama.2021.18236
20. MRC Integrative Epidemiology Unit. OpenGWAS (Startseite, abgerufen am 4. November 2026). gwas.mrcieu.ac.uk/
21. FinnGen. Projekt-Homepage (gelesen am 4. November 2026). www.finngen.fi/en
22. NHGRI-EBI GWAS-Katalog. Startseite (abgerufen am 4. November 2026). www.ebi.ac.uk/gwas/
23. MRC Integrative Epidemiology Unit. TwoSampleMR-Dokumentation (Version 0.7.13, Stand: 4. November 2026). mrcieu.github.io/TwoSampleMR/
24. CRAN. MendelianRandomization Paketseite (Version 0.10.0, veröffentlicht am 12.04.2024, gelesen am 04.11.2026). cran.r-project.org/package=MendelianRandomization
25. Lawlor DA, Tilling K, Davey Smith G. Triangulation in aetiological epidemiology. Int J Epidemiol. 2016;45(6):1866-1886. PMID 28108528. doi.org/10.1093/ije/dyw314

Editverse-Forschungsteam | Aktualisiert im November 2026