Publié | Dernière mise à jour

Réponse rapide: La randomisation mendélienne (RM) utilise des variantes génétiques héritées comme variables instrumentales pour tester si une exposition provoque un résultat, ce qui peut réduire les biais dus à la confusion et à la causalité inverse.1,2 Un résultat n'est crédible que si trois hypothèses sont vérifiées : la pertinence, l'indépendance et la restriction d'exclusion.3 Dans un exemple publié sous licence CC BY (185 variants génétiques, lipides sanguins et maladie coronarienne), l'estimation pondérée par la variance inverse a fait apparaître le cholestérol HDL comme protecteur (OR 0.78, IC à 95 % 0.68 à 0.89), mais la médiane pondérée (OR 0.93, IC à 95 % 0.81 à 1.07) et MR-Egger (OR 0.99, IC à 95 % 0.79 à 1.24) ne l'ont pas fait.4 Nous avons recalculé les rapports de cotes et les intervalles de confiance dans R à partir des estimations publiées ; nous n’avons pas réanalysé les données au niveau des variants. Il convient d’utiliser plusieurs estimateurs, et non un seul.

Qu'est-ce que la randomisation mendélienne ?

La randomisation mendélienne est une méthode qui utilise la variation génétique héréditaire pour déterminer si une exposition modifiable, comme le cholestérol LDL, est à l'origine d'un événement tel qu'une maladie coronarienne. Elle repose sur les lois de l'hérédité de Mendel et sur l'estimation par variables instrumentales, ce qui permet d'estimer les effets causaux même lorsque certains facteurs de confusion n'ont jamais été mesurés.⁵ L'argument initial était que la transmission aléatoire des gènes des parents à la descendance lors de la formation des gamètes et de la conception implique qu'un polymorphisme mimant le lien biologique avec une exposition n'est généralement pas susceptible de subir la causalité inverse ou les biais de confusion qui faussent les études observationnelles classiques.¹

En termes simples : si une variante qui influence une exposition telle que le cholestérol LDL est attribuée par hasard, comparer des personnes avec et sans cette variante revient à comparer deux groupes issus d’un tirage à pile ou face, à condition que la variante n’influence le résultat que par le biais de cette exposition.

Chaque analyse est construite à partir de trois éléments liés.

  • L'instrument. Une ou plusieurs variantes génétiques associées à l'exposition.
  • L'exposition. Le facteur de risque modifiable étudié, par exemple le cholestérol LDL.
  • Le résultat. La maladie ou la caractéristique d'intérêt, par exemple la maladie coronarienne.

Cette méthode présente des limites déjà mentionnées dans une étude antérieure : confusion due aux polymorphismes en déséquilibre de liaison avec la variante, polymorphismes ayant plusieurs effets phénotypiques, manque de polymorphismes appropriés pour de nombreuses expositions et canalisation, c’est-à-dire l’atténuation des effets génétiques au cours du développement.¹

Les trois hypothèses fondamentales de toute étude de randomisation mendélienne

Le point 5 de STROBE-MR demande aux auteurs d'énoncer explicitement les trois hypothèses fondamentales relatives aux variables instrumentales pour l'analyse principale, ainsi que les hypothèses de toute analyse complémentaire ou de sensibilité. Le point 7 leur demande de décrire les méthodes ou les connaissances préalables utilisées pour évaluer ces hypothèses.

Balayez latéralement pour afficher toutes les colonnes.

HypothèseEn termes simplesComment cela est sondé
PertinenceCette variante est associée à l'exposition.Indiquez la variance expliquée (R²) et, en particulier dans le cas d’un échantillon unique, la statistique F comme mesure de la force de l’instrument.6
IndépendanceCette variante n'est pas associée au résultat par le biais de mécanismes de confusion.La validité repose sur l'indépendance vis-à-vis des facteurs de confusion au niveau de la population ; l'analyse intrafamiliale est une option lorsque les données et la puissance statistique le permettent.6
Restriction d'exclusionLa variante n'affecte pas le résultat, sauf potentiellement par le biais de l'exposition.Vérifications de pléiotropie : MR-Egger, médiane pondérée, statistiques d’hétérogénéité et méthodes de détection des valeurs aberrantes, décrites ci-dessous.

Les hypothèses sont les mêmes que celles énumérées par Burgess et ses collègues dans leurs recommandations : la variante est associée à l’exposition, elle n’est pas associée au résultat en raison de facteurs de confusion, et elle n’affecte pas le résultat, sauf potentiellement par le biais de l’ exposition.⁶

Instruments faibles

Un instrument faible biaise l'estimation dans le sens de l'association observationnelle confondue, et l'ampleur de ce biais dépend de la statistique F. Burgess et Thompson ont également démontré que la règle empirique couramment citée selon laquelle une valeur de F supérieure à 10 évite le biais est trompeuse.<sup> 7 </sup> Dans des simulations avec des variants non corrélés et des données agrégées, Burgess et ses collègues ont constaté que le biais lié à un instrument faible était faible lorsque chaque variant présentait une valeur p inférieure à 0.00001 pour son association avec le facteur de risque.<sup> 8</sup> Notre article complémentaire sur les approches par variables instrumentales expose la logique générale en dehors du domaine de la génétique.

Plans d'expérience à un échantillon, à deux échantillons et multivariables, et les estimateurs

Dans une analyse à un seul échantillon, les données relatives au facteur de risque et au résultat proviennent d'une source unique. Dans une analyse à deux échantillons, elles proviennent d'ensembles de données non chevauchants. Les données agrégées publiques rendent l'analyse à deux échantillons transparente, car un tiers disposant des mêmes données peut la reproduire, tandis que les données individuelles sont nécessaires dans le cadre d'une analyse à un seul échantillon pour étudier les effets non linéaires. Le biais lié à la faiblesse de l'instrument diffère également : dans le cadre d' une analyse à un seul échantillon, il tend vers l'association confondue, et dans le cadre d'une analyse à deux échantillons sans chevauchement, il tend vers l'hypothèse nulle.

Plusieurs estimateurs sont généralement exécutés en parallèle.

  • Pondération par variance inverse (IVW) Il s'agit de la méthode la plus couramment utilisée, avec de multiples variantes. C'est la plus efficace, mais elle est biaisée si l'effet pléiotropique moyen diffère de zéro.6 Elle peut être obtenue à partir de données résumées sous la forme d'une moyenne pondérée par l'inverse de la variance des associations spécifiques à chaque variante.8
  • Régression MR-Egger Cette méthode utilise la pente comme estimation causale et l'ordonnée à l'origine comme effet pléiotropique moyen. Elle permet à chaque variante d'être pléiotropique, mais nécessite l'hypothèse InSIDE et est souvent moins efficace.10,6
  • La médiane pondérée reste cohérent même lorsque jusqu'à 50 % des informations proviennent d'instruments non valides.4
  • RM multivariable utilise des variantes associées à plusieurs expositions connexes pour estimer l'effet de chaque exposition sur un résultat, et peut être utilisé pour estimer la médiation dans le cadre de l'analyse de randomisation mendélienne.11

Pour une simulation qui met ces estimateurs à l'épreuve face à différents types de pléiotropie, consultez l'article d'Editverse sur ce contre quoi chacun des quatre estimateurs vous protège réellement.

Un cas réel : cholestérol HDL et LDL et maladie coronarienne

Bowden et al. ont publié un article en libre accès (CC BY 4.0) comparant la médiane pondérée aux méthodes IVW et MR-Egger sur des données agrégées de 185 variants génétiques issues de l'étude de Do et al., en utilisant les associations lipidiques du Global Lipids Genetics Consortium et les associations avec les maladies coronariennes du consortium CARDIoGRAM. Les estimations correspondent aux logarithmes des rapports de cotes par écart-type d'augmentation du taux de lipides. Nous avons repris les estimations et les erreurs standard de leur tableau 4 (colonne regroupant tous les variants associés à l'exposition avec une signification à l'échelle du génome) et recalculé les rapports de cotes, les intervalles de confiance à 95 % et les valeurs p dans R, en utilisant une approximation normale.

Graphique en forêt des odds ratios pour la maladie coronarienne par augmentation de 1 écart-type du taux de lipides, estimés par randomisation mendélienne. Cholestérol LDL : IVW 1.62, médiane pondérée 1.58, MR-Egger 1.85. Cholestérol HDL : IVW 0.78, médiane pondérée 0.93, MR-Egger 0.99, l’ordonnée à l’origine du modèle MR-Egger indiquant une pléiotropie.
Rapport de cotes de la maladie coronarienne par augmentation de 1 écart-type du taux de lipides. Source : Bowden et al. 2016 (CC BY 4.0), tableau 4 ; rapports de cotes et intervalles calculés avec R par Editverse.

Balayez latéralement pour afficher toutes les colonnes.

EstimateurCholestérol LDL, OR (IC à 95 %)Cholestérol HDL, OR (IC à 95 %)
Pondération par l'inverse de la variance1.62 (1.44 à 1.82)0.78 (0.68 à 0.89)
Médiane pondérée1.58 (1.39 à 1.80)0.93 (0.81 à 1.07)
Pente MR-Egger1.85 (1.51 à 2.27)0.99 (0.79 à 1.24)
Intercept MR-Egger (SE), p calculé-0.009 (0.005), p = 0.072-0.014 (0.005), p = 0.005

Le cholestérol LDL a donné des résultats cohérents pour les trois estimateurs, sans signe significatif de pléiotropie directionnelle (ordonnée à l'origine MR-Egger : p = 0.072). Concernant le cholestérol HDL, l'intervalle IVW excluait la valeur 1, tandis que les intervalles de la médiane pondérée et de MR-Egger l'incluaient, et l'ordonnée à l'origine MR-Egger différait de zéro (p = 0.005). Les auteurs concluent que l'effet causal du cholestérol HDL, mesuré par l'IVW, est suspect.<sup> 4 </sup> Lorsqu'ils ont restreint l'analyse aux variants dont l'association la plus forte était avec le cholestérol HDL, la tendance s'est maintenue : OR IVW 0.87 (0.77 à 0.99), OR de la médiane pondérée 0.94 (0.82 à 1.06), OR de la pente MR-Egger 1.10 (0.89 à 1.35) (calculé par Editverse).<sup> 4</sup>

Ce cas démontre qu'un rapport basé uniquement sur l'IVW aurait présenté le cholestérol HDL comme protecteur, et que les estimateurs supplémentaires ont modifié le résultat. Il ne démontre pas que le cholestérol HDL est sans effet, car la médiane pondérée et les intervalles MR-Egger sont larges, ni que les estimateurs sont toujours corrects. Nous avons recalculé les données publiées et n'avons pas réanalysé les données relatives aux 185 variantes, que nous n'avons pas pu obtenir.

La pléiotropie, principale menace pour la validité

La pléiotropie horizontale, où une variante atteint le résultat par une voie qui contourne l'exposition, enfreint la restriction d'exclusion. Verbanck et ses collègues ont développé MR-PRESSO pour identifier les valeurs aberrantes pléiotropiques horizontales dans les analyses de randomisation mendélienne (RM) multi-instrumentales au niveau agrégé, et l'ont appliqué aux caractères et maladies complexes. Ils ont constaté que la pléiotropie horizontale était détectable dans plus de 48 % des relations causales significatives, avec des distorsions des estimations causales allant en moyenne de -131 % à 201 %, et des faux positifs dans jusqu'à 10 % des relations. Le tableau 1 des recommandations de Burgess indique que MR-PRESSO présente un taux de faux positifs très élevé lorsque plusieurs instruments sont invalides ; il ne s'agit donc que d'un contrôle parmi d'autres.

Une analyse défendable effectue plusieurs vérifications simultanément.

  • Interception MR-Egger et la pente comme estimation de sensibilité.10
  • Médiane pondérée et d'autres estimateurs robustes.4
  • Hétérogénéité. Les directives recommandent de rapporter le Q de Cochran ou la statistique I² pour une analyse polygénique.6
  • Validation par exclusion d'un élément et filtrage de Steiger. STROBE-MR répertorie les graphiques leave-one-out parmi les graphiques supplémentaires,3 et le filtrage de Steiger élimine les variants dont l'association avec le résultat est plus forte qu'avec l'exposition.6
  • Un ensemble de variantes libérale et conservatrice. La pléiotropie a généralement plus de chances de biaiser les estimations en les éloignant de l'hypothèse nulle ; par conséquent, un résultat nul dans une analyse libérale constitue une preuve plus convaincante d'une véritable hypothèse nulle.6

Chevauchement des échantillons et biais des instruments faibles

De nombreux consortiums de grande envergure partagent des participants, de sorte que les ensembles de données d'exposition et de résultats dans une analyse à deux échantillons peuvent se chevaucher. Burgess et ses collègues ont simulé ce phénomène pour un résultat continu et un effet causal nul : une analyse à un seul échantillon présentant un biais relatif de 10 % (correspondant à un paramètre F de 10) est tombée à 5 % avec un chevauchement de 50 % et à 3 % avec un chevauchement de 30 %, car le biais est une fonction linéaire de la proportion de chevauchement. L' item 10d de STROBE-MR demande aux auteurs d'études à deux échantillons d' indiquer le nombre d'individus communs aux études d'exposition et de résultats.

Graphique à barres du biais relatif d'un effet causal nul à une force d'instrument F de 10 : 3 % avec un chevauchement de participants de 30 %, 5 % avec un chevauchement de 50 % et 10 % avec un chevauchement de 100 % (un échantillon), d'après une étude de simulation.
Biais relatif à F = 10 dans une simulation. Source : Burgess et al. 2016 (CC BY 4.0) ; relation linéaire vérifiée sous R par Editverse. Il s’agit d’un résultat de simulation, et non d’un jeu de données réel.

Autres exemples publiés

Cholestérol LDL et maladie coronarienne

Ference et ses collègues ont combiné des études de randomisation mendélienne portant sur 9 polymorphismes dans 6 gènes, sans mettre en évidence d'hétérogénéité. Sur des données non chevauchantes issues de 312,321 3 participants, l'attribution aléatoire naturelle à un traitement à long terme par statines à faible taux de cholestérol LDL était associée à une réduction de 54.5 % (IC à 95 % : 48.8 % à 59.5 %) du risque de maladie coronarienne par mmol/l de cholestérol LDL en moins, soit environ trois fois la réduction observée lors d'un traitement par statines débuté plus tard dans la vie.<sup> 13</sup> En utilisant seulement cinq variants et des données synthétisées, Burgess et ses collègues ont estimé qu'une réduction de 30 % du cholestérol LDL diminue le risque de maladie coronarienne de 67 % (IC à 95 % : 54 % à 76 %).<sup> 8</sup>

randomisation mendélienne médicament-cible

Gagnon et ses collègues ont génotypé et séquencé l'ARN de 504 échantillons de foie humain et ont identifié un variant (rs472495) expliquant 5.6 % de l'expression hépatique de PCSK9 afin de mimer l'interférence ARN. Ils ont également utilisé PCSK9 R46L pour modéliser l'inhibition par anticorps. Pour chaque diminution d'un écart-type de l'apolipoprotéine B, les odds ratios de maladie coronarienne étaient respectivement de 0.40 (IC à 95 % : 0.31 à 0.51) et de 0.48 (0.43 à 0.55) .¹⁴

Vitamine D

Fang et ses collègues ont regroupé 133 publications sur la randomisation mendélienne, couvrant 275 critères d'évaluation jusqu'en septembre 2022. Un taux génétiquement élevé de 25-hydroxyvitamine D était associé à un risque plus faible de sclérose en plaques, entre autres, et à un risque plus élevé de certaines autres affections, comme la lithiase rénale. L'association avec la sclérose en plaques était constante quel que soit l'instrument utilisé, tandis que la plupart des autres associations n'apparaissaient qu'avec des variants non limités à la voie de la vitamine D, et la qualité des études était hétérogène.<sup> 15</sup> Zhao et ses collègues ont utilisé les données de 332 984 participants de la UK Biobank, dont 23 089 présentaient au moins une maladie auto-immune, et ont rapporté un odds ratio de 0.95 (IC à 95 % : 0.91 à 0.99) par tranche de 10 ng/ml de 25-hydroxycholécalciférol en plus pour le groupe présentant une autoinflammation, mais pas pour le groupe présentant une auto-immunité.<sup> 16</sup>

Alcool et maladies vasculaires en Chine

Millwood et ses collègues ont génotypé 161 498 participants de la biobanque chinoise Kadoorie pour les polymorphismes ALDH2 -rs671 et ADH1B -rs1229984. La consommation d'alcool autodéclarée présentait une association en forme de U avec les accidents vasculaires cérébraux (AVC) et les infarctus du myocarde chez les hommes, contrairement à la consommation prédite par le génotype. Le risque relatif pour 280 g par semaine était de 1.58 (1.36 à 1.84) pour l'hémorragie intracérébrale, de 1.27 (1.13 à 1.43) pour l'AVC ischémique et de 0.96 (0.78 à 1.18) pour l'infarctus du myocarde. Les auteurs ont conclu que les effets protecteurs apparemment observés d'une consommation modérée d'alcool contre les AVC sont en grande partie non causaux.<sup> 17</sup>

Quand faut-il utiliser la randomisation mendélienne ?

  • Un essai randomisé n'est pas réalisable. Cette méthode est particulièrement utile lorsque des essais randomisés ne peuvent être réalisés et que les études observationnelles sont biaisées par des facteurs de confusion ou une causalité inverse.2
  • Vous devez sonder une cible médicamenteuse. L’analyse de randomisation mendélienne a été appliquée pour prédire l’efficacité et l’innocuité des médicaments ciblant les facteurs de risque cardiovasculaires et pour explorer leur réutilisation.18
  • Des données résumées de taille adéquate existent. Les données de synthèse publiques des GWAS permettent une conception à deux échantillons sans génotypes individuels.6

Cette méthode est peu adaptée lorsqu'aucune variante génétique ne peut être justifiée comme instrument d'exposition, car l'hypothèse de pertinence n'est alors plus vérifiée, ou lorsque les données disponibles sont trop peu nombreuses, car les études de randomisation mendélienne ont souvent une faible puissance statistique.⁶ Si vous devez choisir entre une étude génétique et une analyse par enquête ou registre, consultez la base de données de santé appropriée à votre étude.

Comment mener une étude de randomisation mendélienne

  1. 1Énoncez l'hypothèse causale. Les questions 2 et 3 de STROBE-MR demandent la justification, pourquoi la RM est une méthode utile et les objectifs spécifiques, y compris les hypothèses causales prédéfinies.3
  2. 2Choisissez le design et les données. Choisissez entre un ou deux échantillons, et des données individuelles ou agrégées.6
  3. 3Sélectionnez les variantes. Une approche courante consiste à inclure les variants associés à l'exposition avec une signification à l'échelle du génome, généralement P < 0,05 5 × 10-8Sélectionner les données dans le même ensemble que celui utilisé pour l'analyse risque d'entraîner le biais du vainqueur et d'aggraver le biais lié à la faiblesse de l'instrument.6
  4. 4Harmoniser les allèles. Aligner les allèles d'exposition et de résultat. Pour les variants palindromiques (A/T ou C/G) dont la fréquence allélique est proche de 50 %, les analystes peuvent exclure le variant si l'orientation ne peut être vérifiée.6
  5. 5Effectuez les analyses principales et de sensibilité. IVW comme estimation principale pour de multiples variantes, puis estimateurs robustes, statistiques d'hétérogénéité et graphiques.6
  6. 6Rapport à STROBE-MR. La liste de contrôle comporte 20 éléments principaux et 30 sous-éléments, y compris les versions des logiciels et des packages (élément 9a), le statut de pré-enregistrement (élément 9b) et le partage des données et du code (élément 19).19,3

La déclaration STROBE-MR étend la logique générale de la directive de déclaration STROBE.

Sources de données et logiciels pour l'analyse IRM

Les descriptions ci-dessous sont tirées de la page de chaque ressource, telles que consultées le 4 novembre 2026.

Balayez latéralement pour afficher toutes les colonnes.

RessourcesCe que c'estUtilisation typique
OpenGWAS (MRC IEU)20Une base de données de plus de 50 000 ensembles de données récapitulatives GWAS, consultables ou téléchargeables.Statistiques récapitulatives de l'exposition et des résultats pour les plans à deux échantillons.
FinnGen21Un projet qui a permis de collecter et d'analyser les données génomiques et de santé de 500 000 donneurs de biobanques finlandaises.Associations génétiques entre la maladie et son évolution.
Catalogue NHGRI-EBI GWAS22Le catalogue NHGRI-EBI des études d'association pangénomiques humaines. Sa section consacrée aux statistiques descriptives offre la documentation et l'accès aux statistiques descriptives complètes des études, lorsqu'elles sont disponibles.Recherche et vérification croisée des associations entre variants et caractéristiques.
TwoSampleMR (package R)23Un package R pour l'analyse de données MR avec des données de synthèse GWAS qui peut obtenir des données d'OpenGWAS.Harmonisation, IVW, MR-Egger, médiane pondérée.
Randomisation mendélienne (package R)24Un package CRAN qui encode plusieurs méthodes MR pour les données résumées.Une implémentation alternative des estimateurs de base.
mrpresso (package R)6Répertorié dans les directives Burgess comme le logiciel pour MR-PRESSO.Détection des valeurs aberrantes ; voir la mise en garde ci-dessus.

Erreurs courantes dans la randomisation mendélienne

  • La puissance de l'instrument n'est pas communiquée. Indiquez le R² et la statistique F, et rappelez-vous que la règle empirique d'un F supérieur à 10 est trompeuse.6,7
  • Seul l'estimation IVW est indiquée. L'exemple du cholestérol HDL ci-dessus montre comment un seul estimateur peut induire en erreur.4
  • En ignorant le chevauchement des échantillons. Indiquez le nombre de personnes en commun et prévoyez que le biais variera en fonction du degré de chevauchement.9,3
  • Mélanger les populations sans précaution. Si les deux échantillons représentent des groupes ethniques différents, les schémas de déséquilibre de liaison peuvent différer, de sorte qu'une variante peut être moins fortement associée à l'exposition dans l'ensemble de données de résultats.6
  • Interpréter un large intervalle nul comme une absence d'effet. Dans le cas HDL, un zéro est apparu avec des intervalles d'environ 0.8 à 1.2, ce qui est compatible avec des effets modestes dans les deux sens.4
  • Utiliser le langage causal de manière approximative. L'élément 16 de STROBE-MR demande aux auteurs d'utiliser un langage causal avec soin et de préciser que les estimations ne peuvent donner d'effets causaux que sous certaines hypothèses.3

Randomisation mendélienne vs. autres méthodes d'inférence causale

Le tableau indique la caractéristique déterminante de chaque conception pour les deux problèmes que MR est censée résoudre.

Balayez latéralement pour afficher toutes les colonnes.

MéthodeLa confusionCausalité inverse
Essai contrôlé randomiséAttribution aléatoire de l'intervention.L'intervention est délibérément attribuée avant même que les résultats ne soient mesurés.
Randomisation mendélienneRéduite si la variante est indépendante des facteurs de confusion.6Le génotype est fixé dès la conception, il n'est donc généralement pas susceptible.1
Appariement du score de propensionÉquilibre uniquement les covariables mesurées.Non résolu par l'appariement sur les covariables de base.
Régression multivariéeAjustement prenant uniquement en compte les covariables mesurées.Non pris en compte par l'ajustement des covariables.

Étant donné que chaque modèle présente des sources de biais différentes, la triangulation des approches renforce la confiance lorsqu'elles concordent, et la randomisation mendélienne peut en constituer un volet. <sup> 25,5 </sup> Pour plus d'informations, consultez nos guides sur l'appariement par score de propension et l'inférence causale en épidémiologie.

Besoin d'une analyse ou d'une vérification ? Consultez Editverse.

Les experts d'Editverse travaillent conformément aux directives COPE, ICMJE et GPP 2022, dans le respect des normes éthiques institutionnelles et nationales.

Logo Editverse

Editverse

Étude de randomisation mendélienne

Besoin d'une étude RM complète à deux échantillons, conforme aux normes des revues scientifiques ?

Vous nous transmettez : votre exposition, votre résultat et la question causale. Les statistiques descriptives sont publiques ; nous les obtenons.

Vous obtenez : une étude MR à deux échantillons avec quantification de la force de l'instrument, filtrage de Steiger, quatre estimateurs robustes à la pléiotropie, détection des valeurs aberrantes MR-PRESSO, PheWAS de l'instrument et réplication indépendante, ainsi qu'un manuscrit complet, des graphiques de dispersion et en entonnoir, un code TwoSampleMR exécutable et une liste de contrôle STROBE-MR.

Quand : Vous souhaitez que l’étude complète soit réalisée et documentée. 15 jours ouvrables.

Étude de randomisation mendélienne · 2 900 $

Planifier mon étude IRM →

Logo Editverse

Editverse

Vérification de faisabilité

Je ne suis pas sûr qu'une conception MR puisse répondre à votre question ?

Vous envoyez : votre question de recherche.

Vous recevez une recommandation écrite indiquant si la question a déjà été résolue, si les données sont pertinentes et si votre étude est suffisamment puissante, notamment en ce qui concerne la puissance statistique des instruments pour une randomisation mendélienne. Cette recommandation est intégralement déductible de toute étude que vous commandez dans les six mois.

Quand : Avant de vous engager dans une étude. 5 jours ouvrables.

Évaluation de la faisabilité et du protocole · 450 $

Vérifier d'abord la faisabilité →

Logo Editverse

Editverse

Analyses statistiques

Vous avez vos données et vous avez besoin de les faire analyser avec R ?

Vous nous envoyez : vos données, vos questions de recherche et le logiciel que vous préférez.

Vous obtenez : une analyse statistique réalisée avec le logiciel de votre choix (SPSS, R, STATA ou SAS), avec un code annoté, des fichiers de sortie complets et un guide d'interprétation.

Quand : Vous avez besoin de résultats prêts à être publiés en 4 à 6 jours ouvrables.

Analyse statistique SPSS/R/STATA · 400 $

Lancer mon analyse →

Outils de recherche gratuits d'Editverse

Questions fréquemment posées sur la randomisation mendélienne

La randomisation mendélienne est-elle la même chose qu'un essai contrôlé randomisé ?

Non. La randomisation mendélienne s'applique aux données observationnelles et considère les variants génétiques hérités comme des instruments. Les allèles sont transmis des parents à la descendance par ségrégation aléatoire, ce qui s'apparente à l'attribution aléatoire d'un traitement dans un essai clinique et devrait atténuer les biais de confusion. L'estimation repose également sur des hypothèses non nécessaires à un essai clinique ; elle complète donc les données expérimentales sans les remplacer.

Quelles sont les trois hypothèses fondamentales de la randomisation mendélienne ?

Pertinence, indépendance et restriction d'exclusion. En clair, la variante est associée à l'exposition, n'est pas associée au résultat par le biais de facteurs de confusion et n'affecte pas le résultat, sauf potentiellement par l'intermédiaire de l'exposition. Le point 5 de la déclaration STROBE-MR demande aux auteurs de l'indiquer explicitement.

Ai-je besoin de données de génotype individuelles pour effectuer une randomisation mendélienne ?

Cette approche ne convient pas à une analyse à deux échantillons, qui peut utiliser les associations résumées publiées de chaque variant avec l'exposition et le résultat. Des données individuelles dans le cadre d'une analyse à un seul échantillon sont nécessaires pour étudier les effets non linéaires. Un avantage pratique des données résumées publiques est qu'un tiers peut reproduire l'analyse.

Quelle est la différence entre la randomisation mendélienne à un échantillon et la randomisation mendélienne à deux échantillons ?

Dans une analyse à un seul échantillon, les données relatives au facteur de risque et au résultat proviennent d'une source unique. Dans une analyse à deux échantillons, elles proviennent de deux ensembles de données distincts. Le sens du biais lié à la faiblesse de l'instrument diffère : il tend vers l'association biaisée dans le cas d'une analyse à un seul échantillon, et vers l'absence d'effet dans le cas d'une analyse à deux échantillons sans chevauchement.

Pourquoi présenter plus que l'estimation pondérée par l'inverse de la variance ?

La méthode de pondération par l'inverse de la variance ne fournit une estimation cohérente que si toutes les variantes sont valides ou si la pléiotropie est équilibrée. Dans l'exemple lipidique publié ci-dessus, le rapport de cotes IVW pour le cholestérol HDL était de 0.78, tandis que la médiane pondérée donnait 0.93 et ​​MR-Egger 0.99, avec des intervalles incluant 1. La présentation de plusieurs estimateurs permet aux lecteurs de déterminer si le résultat dépend d'une méthode particulière.

Que m'apprend l'interception MR-Egger ?

Dans la régression MR-Egger, l'ordonnée à l'origine estime l'effet pléiotropique moyen entre les variants, et la pente fournit l'estimation causale. Une ordonnée à l'origine différente de zéro indique une pléiotropie directionnelle. Cette méthode repose sur l'hypothèse InSIDE, selon laquelle les effets pléiotropiques sont indépendants des associations variant-exposition, et elle est souvent moins performante que d'autres estimateurs.

De quoi a besoin STROBE-MR ?

STROBE-MR est une directive de rédaction de rapports comportant 20 points principaux et 30 sous-points. Par exemple, il convient d'énoncer les trois hypothèses relatives aux variables instrumentales (point 5), de décrire comment ces hypothèses ont été évaluées (point 7), de présenter les analyses de sensibilité (points 8 et 13) et, pour les plans d'étude à deux échantillons, d'indiquer le nombre d'individus communs aux études d'exposition et de résultat (point 10d).

La randomisation mendélienne peut-elle prouver la causalité ?

À elle seule, la randomisation mendélienne ne peut être utilisée. Elle teste une hypothèse causale sous certaines conditions, et certaines de ces conditions ne peuvent être entièrement vérifiées. Il convient d'employer le langage causal avec précaution, de présenter les analyses de sensibilité et de considérer le résultat comme un élément de preuve parmi d'autres dans le cadre d'une triangulation avec d'autres modèles expérimentaux.

Références

  1. Davey Smith G, Ebrahim S. « Randomisation mendélienne » : l'épidémiologie génétique peut-elle contribuer à la compréhension des déterminants environnementaux des maladies ? Int J Epidémiol. 2003;32(1):1-22. PMID 12689998. doi.org/10.1093/ije/dyg070
  2. Sekula P, Del Greco MF, Pattaro C, Kottgen A. La randomisation mendélienne comme approche pour évaluer la causalité à l'aide de données observationnelles. J Am Soc Néphrol. 2016;27(11):3253-3265. PMID 27486138. doi.org/10.1681/ASN.2016010098
  3. Skrivankova VW, Richmond RC, Woolf BAR, et al. Renforcement de la communication des études observationnelles en épidémiologie à l'aide de la randomisation mendélienne (STROBE-MR) : explication et élaboration. BMJ. 2021;375:n2233. Accès libre, CC BY 4.0. doi.org/10.1136/bmj.n2233
  4. Bowden J, Davey Smith G, Haycock PC, Burgess S. Estimation cohérente dans la randomisation mendélienne avec certains instruments invalides à l'aide d'un estimateur de médiane pondérée. Génétique Épidémiol. 2016;40(4):304-314. Accès libre, CC BY 4.0; rapports de cotes, intervalles et valeurs p recalculés par Editverse dans R à partir du tableau 4. doi.org/10.1002/gepi.21965
  5. Sanderson E, Glymour MM, Holmes MV, et al. Randomisation mendélienne. Manuels de méthodes de revue naturelle. 2022;2:6. PMID 37325194. doi.org/10.1038/s43586-021-00092-5
  6. Burgess S, Davey Smith G, Davies NM, et al. Directives pour la réalisation d'études de randomisation mendélienne : mise à jour pour l'été 2023. Bienvenue Open Res. 2019;4:186 (version 3). Accès libre, CC BY 4.0. doi.org/10.12688/wellcomeopenres.15555.3
  7. Burgess S, Thompson SG. Éviter les biais liés à la faiblesse des instruments dans les études de randomisation mendélienne. Int J Epidémiol. 2011;40(3):755-764. PMID 21414999. doi.org/10.1093/ije/dyr036
  8. Burgess S, Butterworth A, Thompson SG. Analyse de randomisation mendélienne avec de multiples variants génétiques à l'aide de données résumées. Génétique Épidémiol. 2013;37(7):658-665. PMID 24114802. doi.org/10.1002/gepi.21758
  9. Burgess S, Davies NM, Thompson SG. Biais dû au chevauchement des participants dans la randomisation mendélienne à deux échantillons. Génétique Épidémiol. 2016;40(7):597-608. Accès libre, CC BY 4.0; relation linéaire vérifiée par Editverse dans R. doi.org/10.1002/gepi.21998
  10. Bowden J, Davey Smith G, Burgess S. Randomisation mendélienne avec des instruments invalides : estimation de l'effet et détection des biais par régression d'Egger. Int J Epidémiol. 2015;44(2):512-525. PMID 26050253. doi.org/10.1093/ije/dyv080
  11. Sanderson E. Randomisation et médiation mendéliennes multivariables. Printemps froid Harb Perspect Med. 2021;11(2):a038984. PMID 32341063. doi.org/10.1101/cshperspect.a038984
  12. Verbanck M, Chen CY, Neale B, Do R. Détection d'une pléiotropie horizontale généralisée dans les relations causales déduites de la randomisation mendélienne entre les traits complexes et les maladies. 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. Effet d'une exposition à long terme à un taux plus faible de cholestérol LDL commençant tôt dans la vie sur le risque de maladie coronarienne : une analyse de randomisation mendélienne. J Am 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. Interférence ARN versus inhibition de PCSK9 par anticorps pour la prévention des maladies cardiovasculaires : une étude de randomisation mendélienne médicament-cible. 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. Vitamine D et santé humaine : preuves issues d'études de randomisation mendélienne. 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. Associations entre la vitamine D et les maladies auto-immunes : analyse de randomisation mendélienne. Semin Arthrite Rhumatisme. 2023;62:152238. PMID 37437450. doi.org/10.1016/j.semarthrit.2023.152238
  17. Millwood IY, Walters RG, Mei XW, et al. Preuves conventionnelles et génétiques sur l'étiologie de l'alcool et des maladies vasculaires : une étude prospective de 500 000 hommes et femmes en Chine. Lancet. 2019;393(10183):1831-1842. Accès libre, CC BY 4.0. doi.org/10.1016/S0140-6736(18)31772-0
  18. Larsson SC, Butterworth AS, Burgess S. Randomisation mendélienne pour les maladies cardiovasculaires : principes et applications. 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. Renforcer la communication des études observationnelles en épidémiologie à l'aide de la randomisation mendélienne : la déclaration STROBE-MR. JAMA. 2021;326(16):1614-1621. PMID 34698778. est ce que je.org/10.1001/jama.2021.18236
  20. Unité d'épidémiologie intégrative du MRC. OpenGWAS (page d'accueil, consultée le 4 novembre 2026). gwas.mrcieu.ac.uk/
  21. Page d'accueil du projet FinnGen. (consultée le 4 novembre 2026). www.finngen.fi/fr
  22. Catalogue NHGRI-EBI GWAS. Page d'accueil (consultée le 4 novembre 2026). www.ebi.ac.uk/gwas/
  23. Unité d'épidémiologie intégrative du MRC. Documentation TwoSampleMR (version 0.7.13 affichée le 4 novembre 2026). mrcieu.github.io/TwoSampleMR/
  24. Page du package CRAN MendelianRandomization (version 0.10.0, publiée le 12 avril 2024, consultée le 4 novembre 2026). cran.r-project.org/package=MendelianRandomization
  25. Lawlor DA, Tilling K, Davey Smith G. Triangulation en épidémiologie étiologique. Int J Epidémiol. 2016;45(6):1866-1886. PMID 28108528. doi.org/10.1093/ije/dyw314

Équipe de recherche d'Editverse | Mise à jour : novembre 2026