Pubblicato | Ultimo aggiornamento

Risposta rapida: La randomizzazione mendeliana (RM) utilizza varianti genetiche ereditarie come variabili strumentali per verificare se un'esposizione causa un risultato, riducendo così i bias dovuti a fattori confondenti e invertendo la causalità.1,2 Un risultato è credibile solo se vengono rispettati tre presupposti: rilevanza, indipendenza e limitazione dell'esclusione.3 In un esempio pubblicato con licenza CC BY (185 varianti genetiche, lipidi nel sangue e malattia coronarica), la stima ponderata in base alla varianza inversa ha fatto apparire il colesterolo HDL protettivo (OR 0.78, IC 95% da 0.68 a 0.89), mentre la mediana ponderata (OR 0.93, IC 95% da 0.81 a 1.07) e MR-Egger (OR 0.99, IC 95% da 0.79 a 1.24) non lo hanno fatto.4 Abbiamo ricalcolato gli odds ratio e gli intervalli in R a partire dalle stime pubblicate; non abbiamo rianalizzato i dati a livello di variante. È necessario utilizzare diversi stimatori, non uno solo.

Che cos'è la randomizzazione mendeliana?

La randomizzazione mendeliana è un metodo che utilizza la variazione genetica ereditaria per stabilire se un'esposizione modificabile, come il colesterolo LDL, causi un esito come la malattia coronarica. Si basa sulle leggi dell'ereditarietà di Mendel e sulla stima con variabili strumentali, che permette di stimare gli effetti causali anche quando alcuni fattori confondenti non sono mai stati misurati.⁵ L'argomentazione originale era che l'assortimento casuale di geni dai genitori alla prole durante la formazione dei gameti e il concepimento implica che un polimorfismo che mima il legame biologico con un'esposizione non sia generalmente soggetto alla causalità inversa o al confondimento che distorcono gli studi osservazionali convenzionali.¹

In parole semplici: se una variante che influenza un fattore come il colesterolo LDL viene assegnata per caso, confrontare persone con e senza quella variante è come confrontare due gruppi il cui risultato è frutto del lancio di una moneta, a condizione che la variante influenzi l'esito solo attraverso quel fattore.

Ogni analisi è composta da tre elementi interconnessi.

  • Lo strumento. Una o più varianti genetiche associate all'esposizione.
  • L'esposizione. Il fattore di rischio modificabile oggetto di studio, ad esempio il colesterolo LDL.
  • Il risultato. La malattia o la caratteristica di interesse, ad esempio la malattia coronarica.

Il metodo presenta dei limiti, già evidenziati in una precedente revisione: la confusione dovuta a polimorfismi in disequilibrio di linkage con la variante, polimorfismi con molteplici effetti fenotipici, la mancanza di polimorfismi adatti per molte esposizioni e la canalizzazione, ovvero l'attenuazione degli effetti genetici durante lo sviluppo. 1

I tre presupposti fondamentali alla base di ogni studio di randomizzazione mendeliana

Il punto 5 del questionario STROBE-MR chiede agli autori di esplicitare i tre presupposti fondamentali relativi alle variabili strumentali per l'analisi principale, insieme ai presupposti di qualsiasi analisi aggiuntiva o di sensibilità. Il punto 7 chiede loro di descrivere i metodi o le conoscenze pregresse utilizzate per valutare tali presupposti. 3

Scorri lateralmente per visualizzare tutte le colonne.

AssunzioneIn parole sempliciCome viene indagato
RilevanzaLa variante è associata all'esposizione.Riportare la varianza spiegata (R²) e, in particolare in un contesto a campione singolo, la statistica F come misura della forza dello strumento.6
IndipendenzaLa variante non è associata all'esito attraverso meccanismi di confondimento.La validità si basa sull'indipendenza dai fattori confondenti a livello di popolazione; l'analisi intrafamiliare è un'opzione laddove i dati e la potenza statistica lo consentano.6
Restrizione di esclusioneLa variante non influisce sull'esito, se non potenzialmente attraverso l'esposizione.Verifiche di pleiotropia: MR-Egger, mediana ponderata, statistiche di eterogeneità e metodi per l'individuazione di valori anomali, descritti di seguito.

Le ipotesi sono le stesse elencate da Burgess e colleghi nelle loro linee guida: la variante è associata all'esposizione, non è associata all'esito a causa di percorsi confondenti e non influenza l'esito se non potenzialmente attraverso l'esposizione. 6

Strumenti deboli

Uno strumento debole distorce la stima nella direzione dell'associazione osservazionale confusa e l'entità della distorsione dipende dalla statistica F. Burgess e Thompson hanno anche dimostrato che la regola empirica comunemente citata secondo cui un valore di F superiore a 10 evita la distorsione è fuorviante. 7 In simulazioni con varianti non correlate e dati riassuntivi, Burgess e colleghi hanno scoperto che la distorsione dovuta a uno strumento debole era piccola quando ogni variante aveva un valore P inferiore a 0.00001 per la sua associazione con il fattore di rischio. 8 Il nostro articolo correlato sugli approcci con variabili strumentali tratta la logica generale al di fuori della genetica.

Disegni a campione singolo, a due campioni e multivariati, e relativi stimatori

In un'analisi a campione singolo , i dati sul fattore di rischio e sull'esito provengono da un'unica fonte. In un'analisi a due campioni, provengono da set di dati non sovrapposti.⁹ I dati pubblici riassuntivi rendono trasparente un'analisi a due campioni, perché una terza parte con gli stessi dati può riprodurla, mentre in un contesto a campione singolo sono necessari dati a livello individuale per studiare gli effetti non lineari.⁶ Anche il bias dovuto a strumenti deboli è diverso: in un contesto a campione singolo è verso l'associazione confusa, mentre in un contesto a due campioni senza sovrapposizione è verso il valore nullo.⁶

Solitamente, diversi stimatori vengono eseguiti in parallelo.

  • ponderazione inversa della varianza (IVW) è il metodo più comunemente utilizzato, con diverse varianti. È il più efficiente, ma presenta un bias se l'effetto pleiotropico medio è diverso da zero.6 Può essere ottenuto da dati riassuntivi come media ponderata inversamente alla varianza delle associazioni specifiche della variante.8
  • Regressione MR-Egger Prende la pendenza come stima causale e l'intercetta come effetto pleiotropico medio. Consente a ogni variante di essere pleiotropica, ma richiede l'ipotesi InSIDE ed è spesso meno efficiente.10,6
  • La mediana ponderata rimane coerente anche quando fino al 50% delle informazioni proviene da strumenti non validi.4
  • MR multivariabile Utilizza varianti associate a diverse esposizioni correlate per stimare l'effetto di ciascuna esposizione su un risultato e può essere utilizzato per stimare la mediazione all'interno del quadro MR.11

Per una simulazione che mette a confronto questi stimatori con diversi tipi di pleiotropia, consultare l'articolo di Editverse su cosa protegge effettivamente ciascuno dei quattro stimatori.

Un caso reale: colesterolo HDL e LDL e malattia coronarica

Bowden e colleghi hanno pubblicato un articolo ad accesso aperto (CC BY 4.0) che ha testato la mediana ponderata rispetto a IVW e MR-Egger su dati riassuntivi per 185 varianti genetiche di Do e colleghi, utilizzando associazioni lipidiche dal Global Lipids Genetics Consortium e associazioni con malattie coronariche dal consorzio CARDIoGRAM. 4 Le stime sono logaritmi dei rapporti di probabilità per 1 deviazione standard in più di lipidi. Abbiamo preso le stime e gli errori standard dalla loro Tabella 4 (la colonna per tutte le varianti associate all'esposizione con significatività a livello genomico) e abbiamo ricalcolato i rapporti di probabilità, gli intervalli al 95% e i valori p in R utilizzando un'approssimazione normale. 4

Grafico a foresta dei rapporti di probabilità per la malattia coronarica per ogni aumento di 1 DS dei lipidi mediante stimatore di randomizzazione mendeliana. Colesterolo LDL: IVW 1.62, mediana ponderata 1.58, MR-Egger 1.85. Colesterolo HDL: IVW 0.78, mediana ponderata 0.93, MR-Egger 0.99, con l'intercetta MR-Egger che segnala la pleiotropia.
Rapporto di probabilità di malattia coronarica per ogni aumento di 1 deviazione standard dei livelli lipidici. Fonte: Bowden et al. 2016 (CC BY 4.0), Tabella 4; rapporti di probabilità e intervalli calcolati in R da Editverse.

Scorri lateralmente per visualizzare tutte le colonne.

EstimatorColesterolo LDL, OR (95% CI)Colesterolo HDL, OR (95% CI)
ponderazione inversa della varianza1.62 (da 1.44 a 1.82)0.78 (da 0.68 a 0.89)
Mediana ponderata1.58 (da 1.39 a 1.80)0.93 (da 0.81 a 1.07)
Pendenza MR-Egger1.85 (da 1.51 a 2.27)0.99 (da 0.79 a 1.24)
Intercetta MR-Egger (SE), p calcolato-0.009 (0.005), p = 0.072-0.014 (0.005), p = 0.005

Il colesterolo LDL ha fornito una risposta coerente in tutti e tre gli stimatori, senza un forte segno di pleiotropia direzionale (intercetta MR-Egger p = 0.072). Per il colesterolo HDL l'intervallo IVW escludeva 1, mentre la mediana ponderata e gli intervalli MR-Egger includevano 1 e l'intercetta MR-Egger era diversa da zero (p = 0.005). Gli autori concludono che l'effetto causale IVW del colesterolo HDL è sospetto. 4 Quando hanno ristretto l'analisi alle varianti la cui associazione più forte era con il colesterolo HDL, il modello si è mantenuto: IVW OR 0.87 (0.77 a 0.99), mediana ponderata OR 0.94 (0.82 a 1.06), pendenza MR-Egger OR 1.10 (0.89 a 1.35) (calcolato da Editverse). 4

Questo caso dimostra che un referto basato esclusivamente sul metodo IVW avrebbe presentato il colesterolo HDL come protettivo, mentre gli stimatori aggiuntivi hanno modificato il risultato. Ciò che non dimostra è che il colesterolo HDL non abbia alcun effetto, poiché la mediana ponderata e gli intervalli di MR-Egger sono ampi; o che gli stimatori siano sempre corretti. Abbiamo ridisegnato i dati pubblicati e non abbiamo rieseguito i dati relativi alle 185 varianti, che non abbiamo ottenuto.

La pleiotropia, la principale minaccia alla validità

La pleiotropia orizzontale, in cui una variante raggiunge l'esito attraverso un percorso che bypassa l'esposizione, viola la restrizione di esclusione. Verbanck e colleghi hanno sviluppato MR-PRESSO per identificare outlier pleiotropici orizzontali nella randomizzazione mendeliana multi-strumento a livello di riepilogo e lo hanno applicato a tratti e malattie complessi. Hanno riscontrato pleiotropia orizzontale rilevabile in oltre il 48% delle relazioni causali significative, con distorsioni delle stime causali che vanno in media da -131% a 201% e relazioni causali falsi positivi fino al 10% delle relazioni. 12 La Tabella 1 delle linee guida di Burgess osserva che MR-PRESSO ha un tasso di falsi positivi molto elevato quando diversi strumenti non sono validi, quindi è un controllo tra diversi. 6

Un'analisi difendibile esegue diversi controlli contemporaneamente.

  • Intercettazione MR-Egger e la pendenza come stima di sensibilità.10
  • Mediana ponderata e altri stimatori robusti.4
  • Eterogeneità. Le linee guida raccomandano di riportare il valore Q di Cochran o la statistica I² per un'analisi poligenica.6
  • Eliminazione delle variabili senza verificarne la presenza (leave-one-out) e filtraggio di Steiger. STROBE-MR elenca i grafici leave-one-out tra i grafici aggiuntivi,3 Il filtro di Steiger rimuove le varianti la cui associazione con l'esito è più forte che con l'esposizione.6
  • Una serie di varianti liberali e una conservatrice. In genere, la pleiotropia tende a distorcere le stime allontanandole dal valore nullo, pertanto un risultato nullo in un'analisi liberale costituisce una prova più convincente di un vero valore nullo.6

Sovrapposizione dei campioni e distorsione dovuta allo strumento debole

Molti grandi consorzi condividono i partecipanti, quindi i set di dati relativi all'esposizione e all'esito in un'analisi a due campioni possono sovrapporsi. Burgess e colleghi hanno simulato questo per un esito continuo e un effetto causale nullo: un'analisi a un campione con un bias relativo del 10% (corrispondente a un parametro F di 10) è sceso al 5% con una sovrapposizione del 50% e al 3% con una sovrapposizione del 30%, perché il bias è una funzione lineare della proporzione di sovrapposizione. 9 L'elemento 10d dello STROBE-MR chiede agli autori di studi a due campioni di riportare il numero di individui che si sovrappongono tra gli studi di esposizione e di esito. 3

Grafico a barre della distorsione relativa di un effetto causale nullo con forza dello strumento F pari a 10: 3% con sovrapposizione dei partecipanti del 30%, 5% con sovrapposizione del 50% e 10% con sovrapposizione del 100% (campione singolo), da uno studio di simulazione.
Distorsione relativa a F = 10 in una simulazione. Fonte: Burgess et al. 2016 (CC BY 4.0); relazione lineare verificata in R da Editverse. Questo è il risultato di una simulazione, non di un set di dati reale.

Altri esempi pubblicati

colesterolo LDL e malattie coronariche

Ference e colleghi hanno combinato studi di randomizzazione mendeliana di 9 polimorfismi in 6 geni, senza evidenza di eterogeneità. In dati non sovrapposti di 312,321 partecipanti, l'assegnazione casuale naturale a livelli di colesterolo LDL più bassi a lungo termine è stata associata a una riduzione del 54.5% (IC 95% 48.8% - 59.5%) del rischio di cardiopatia coronarica per ogni mmol/l di colesterolo LDL in meno, circa 3 volte la riduzione osservata durante il trattamento con statine iniziato più tardi nella vita. 13 Utilizzando solo cinque varianti e dati riassuntivi, Burgess e colleghi hanno stimato che una riduzione del 30% del colesterolo LDL riduce il rischio di malattia coronarica del 67% (IC 95% 54% - 76%). 8

Randomizzazione mendeliana farmaco-bersaglio

Gagnon e colleghi hanno genotipizzato e sequenziato l'RNA di 504 campioni di fegato umano e identificato una variante (rs472495) che spiega il 5.6% dell'espressione di PCSK9 nel fegato per mimare l'interferenza dell'RNA e hanno utilizzato PCSK9 R46L per modellare l'inibizione basata su anticorpi. Per ogni diminuzione di una deviazione standard nell'apolipoproteina B, gli odds ratio per la malattia coronarica erano rispettivamente 0.40 (95% CI 0.31-0.51) e 0.48 (0.43-0.55). 14

Vitamina D

Fang e colleghi hanno raccolto 133 pubblicazioni di randomizzazione mendeliana che coprivano 275 esiti fino a settembre 2022. Livelli geneticamente elevati di 25-idrossivitamina D sono stati associati a un minor rischio di sclerosi multipla, tra gli altri esiti, e a un maggior rischio di alcuni, come la calcolosi renale. L'associazione con la sclerosi multipla è risultata coerente tra i diversi set di strumenti, mentre la maggior parte delle altre è apparsa solo con varianti non limitate al percorso della vitamina D e la qualità degli studi era eterogenea. 15 Zhao e colleghi hanno utilizzato 332,984 partecipanti alla UK Biobank, 23,089 con almeno una malattia autoimmune, e hanno riportato un odds ratio di 0.95 (IC 95% da 0.91 a 0.99) per ogni aumento di 10 ng/ml di 25-idrossicolecalciferolo per il gruppo con autoinfiammazione ma non per il gruppo con autoimmunità. 16

Alcol e malattie vascolari in Cina

Millwood e colleghi hanno genotipizzato 161,498 partecipanti della China Kadoorie Biobank per ALDH2 -rs671 e ADH1B -rs1229984. L'assunzione auto-riferita ha mostrato associazioni a forma di U con ictus e infarto miocardico negli uomini, ma l'assunzione prevista dal genotipo non le ha mostrate. Il rischio relativo per 280 g a settimana era di 1.58 (da 1.36 a 1.84) per emorragia intracerebrale, 1.27 (da 1.13 a 1.43) per ictus ischemico e 0.96 (da 0.78 a 1.18) per infarto miocardico. Gli autori hanno concluso che gli effetti apparentemente protettivi di un moderato consumo di alcol contro l'ictus sono in gran parte non causali. 17

Quando è opportuno utilizzare la randomizzazione mendeliana?

  • Uno studio randomizzato non è fattibile. Il metodo risulta particolarmente utile quando non è possibile condurre studi randomizzati e gli studi osservazionali sono viziati da fattori confondenti o da causalità inversa.2
  • È necessario analizzare un bersaglio farmacologico. La randomizzazione mendeliana è stata applicata per prevedere l'efficacia e la sicurezza dei farmaci che agiscono sui fattori di rischio cardiovascolare e per esplorare il loro potenziale riutilizzo.18
  • Sono disponibili dati riassuntivi di dimensioni adeguate. I dati riassuntivi pubblici degli studi GWAS consentono un disegno sperimentale a due campioni senza la necessità di genotipi individuali.6

Il metodo non è adatto quando non è possibile giustificare l'utilizzo di varianti genetiche come strumenti per l'esposizione, poiché in tal caso l'assunto di rilevanza non è valido, oppure quando i dati disponibili sono troppo esigui, dato che gli studi di randomizzazione mendeliana (MR) spesso hanno una bassa potenza statistica.⁶ Se si deve scegliere tra un disegno di studio genetico e un'analisi di indagine o di registro, è necessario verificare quale database sanitario dovrebbe essere utilizzato per lo studio.

Come condurre uno studio di randomizzazione mendeliana

  1. 1Enuncia l'ipotesi causale. Le domande 2 e 3 del questionario STROBE-MR chiedono la motivazione, il motivo per cui la randomizzazione mendeliana (MR) è un metodo utile e gli obiettivi specifici, comprese le ipotesi causali predefinite.3
  2. 2Scegli il design e i dati. Decidere se utilizzare un singolo campione o due campioni, e se utilizzare dati individuali o dati aggregati.6
  3. 3Seleziona le varianti. Un approccio comune è quello di includere varianti associate all'esposizione con significatività a livello genomico, tipicamente P inferiore a 5 × 10-8Selezionare i dati nello stesso set di dati utilizzato per l'analisi comporta il rischio di incorrere nella "maledizione del vincitore" e peggiora la distorsione dovuta a strumenti deboli.6
  4. 4Armonizzare gli alleli. Allineare gli alleli di esposizione e di esito. Per le varianti palindromiche (A/T o C/G) con frequenza allelica prossima al 50%, gli analisti possono escludere la variante se l'orientamento non può essere verificato.6
  5. 5Eseguire l'analisi primaria e l'analisi di sensibilità. IVW come stima primaria per varianti multiple, quindi stimatori robusti, statistiche di eterogeneità e grafici.6
  6. 6Segnalare a STROBE-MR. La checklist comprende 20 elementi principali e 30 sotto-elementi, tra cui le versioni del software e dei pacchetti (elemento 9a), lo stato di preregistrazione (elemento 9b) e la condivisione di dati e codice (elemento 19).19,3

La dichiarazione STROBE-MR estende la logica generale delle linee guida di segnalazione STROBE.

Fonti di dati e software per l'analisi di risonanza magnetica

Le descrizioni che seguono sono tratte dalla pagina di ciascuna risorsa, così come consultate il 4 novembre 2026.

Scorri lateralmente per visualizzare tutte le colonne.

GestioneCos'èUtilizzo tipico
OpenGWAS (MRC IEU)20Un database contenente oltre 50,000 set di dati riassuntivi di studi GWAS, consultabili o scaricabili.Statistiche riassuntive relative all'esposizione e all'esito per disegni sperimentali a due campioni.
FinnGen21Un progetto che ha raccolto e analizzato dati genomici e sanitari di 500,000 donatori di biobanche finlandesi.Associazioni genetiche tra esito della malattia e conseguenze genetiche.
Catalogo GWAS NHGRI-EBI22Il catalogo NHGRI-EBI degli studi di associazione a livello del genoma umano. La sua sezione dedicata alle statistiche riassuntive offre documentazione e accesso alle statistiche riassuntive complete degli studi, laddove disponibili.Individuazione e verifica incrociata delle associazioni tra varianti genetiche e tratti caratteristici.
TwoSampleMR (pacchetto R)23Un pacchetto R per la randomizzazione mendeliana con dati riassuntivi GWAS, in grado di ottenere dati da OpenGWAS.Armonizzazione, IVW, MR-Egger, mediana ponderata.
Randomizzazione mendeliana (pacchetto R)24Un pacchetto CRAN che codifica diversi metodi di randomizzazione mendeliana per dati riassuntivi.Un'implementazione alternativa degli stimatori principali.
mrpresso (pacchetto R)6Citato nelle linee guida Burgess come software per MR-PRESSO.Rilevamento di valori anomali; si veda l'avvertenza di cui sopra.

Errori comuni nella randomizzazione mendeliana

  • Mancata segnalazione della potenza dello strumento. Riporta R² e la statistica F, e ricorda che la regola empirica F superiore a 10 è fuorviante.6,7
  • Riportando solo la stima IVW. Il caso del colesterolo HDL riportato sopra dimostra come un singolo indicatore possa indurre in errore.4
  • Ignorando la sovrapposizione dei campioni. Riporta il numero di individui sovrapposti e tieni presente che la distorsione varierà in base al grado di sovrapposizione.9,3
  • Mescolare le popolazioni senza alcuna cura. Se i due campioni rappresentano gruppi etnici diversi, i modelli di squilibrio di linkage possono differire, pertanto una variante potrebbe essere meno fortemente associata all'esposizione nel set di dati dell'esito.6
  • Interpretare un intervallo nullo ampio come privo di effetto. Nel caso dell'HDL, il valore nullo è risultato compreso tra circa 0.8 e 1.2, il che è compatibile con effetti modesti in entrambe le direzioni.4
  • Utilizzo di un linguaggio causale in modo approssimativo. Il punto 16 dello STROBE-MR richiede agli autori di utilizzare un linguaggio causale con cautela e di chiarire che le stime possono fornire effetti causali solo in presenza di determinate ipotesi.3

Randomizzazione mendeliana vs. altri metodi di inferenza causale

La tabella indica la caratteristica distintiva di ciascun progetto per i due problemi che la risonanza magnetica (RM) si propone di risolvere.

Scorri lateralmente per visualizzare tutte le colonne.

MetodoconfondendoCausalità inversa
Esperimento casuale controllatoAssegnazione casuale dell'intervento.Per sua stessa natura, l'intervento viene assegnato prima che vengano misurati i risultati.
Randomizzazione mendelianaRidotto se la variante è indipendente dai fattori confondenti.6Il genotipo è determinato al momento del concepimento, quindi in genere non è soggetto a mutazioni.1
Corrispondenza del punteggio di propensioneI bilanci misuravano solo le covariate.Non risolto mediante l'abbinamento in base alle covariate di base.
Regressione multivariataEffettua le correzioni solo in base alle covariate misurate.Non affrontato mediante aggiustamento per covariate.

Poiché ogni disegno sperimentale presenta diverse fonti chiave di bias, la triangolazione tra i diversi approcci rafforza la fiducia quando questi concordano, e la randomizzazione mendeliana può fungere da elemento di tale triangolazione. 25 , 5 Per approfondimenti correlati, consultare le nostre guide sulla corrispondenza del punteggio di propensione e sull'inferenza causale in epidemiologia.

Hai bisogno che l'analisi venga eseguita o verificata? Consulta Editverse

Gli esperti di Editverse lavorano in conformità con le linee guida COPE, ICMJE e GPP 2022, nel rispetto dei principi etici istituzionali e specifici di ciascun paese.

Logo Editverse

Modificaverso

Studio di randomizzazione mendeliana

Hai bisogno di uno studio MR completo con due campioni, realizzato secondo gli standard della rivista?

Ci inviate: la vostra esposizione, l'esito e la domanda causale. Le statistiche riassuntive sono pubbliche; noi le otteniamo.

Riceverai: uno studio MR a due campioni con quantificazione della forza dello strumento, filtraggio di Steiger, quattro stimatori robusti alla pleiotropia, rilevamento di outlier MR-PRESSO, PheWAS strumentale e replicazione indipendente, oltre a un manoscritto completo, grafici a dispersione e a imbuto, codice eseguibile TwoSampleMR e una checklist STROBE-MR.

Quando: Desideri che lo studio completo venga eseguito e redatto. 15 giorni lavorativi.

Studio di randomizzazione mendeliana · $2,900

Pianifica il mio esame di risonanza magnetica →

Logo Editverse

Modificaverso

Verifica di fattibilità

Non sei sicuro che un modello di risonanza magnetica possa rispondere alla tua domanda?

Tu invii: la tua domanda di ricerca.

Riceverai: una raccomandazione scritta sull'eventuale presenza di una risposta al quesito, sulla validità dei dati a supporto della tesi e sulla potenza statistica necessaria, inclusa la robustezza dello strumento per un disegno di randomizzazione mendeliana. Il tutto verrà accreditato integralmente per qualsiasi studio commissionato entro sei mesi.

Quando: Prima di iscriversi a uno studio. 5 giorni lavorativi.

Valutazione di fattibilità e protocollo · 450 $

Verifica prima la fattibilità →

Logo Editverse

Modificaverso

Analisi statistica

Hai i tuoi dati e devi eseguire l'analisi in R?

Tu invii: i tuoi dati, le domande di ricerca e il software preferito.

Riceverai: analisi statistica utilizzando il software che preferisci (SPSS, R, STATA o SAS), con codice commentato, file di output completi e una guida all'interpretazione.

Quando: Hai bisogno di risultati pronti per la pubblicazione entro 4-6 giorni lavorativi.

Analisi statistica con SPSS/R/STATA · $400

Richiedi la mia analisi →

Strumenti di ricerca gratuiti da Editverse

Domande frequenti sulla randomizzazione mendeliana

La randomizzazione mendeliana è equivalente a uno studio clinico randomizzato controllato?

No. La randomizzazione mendeliana funziona con dati osservazionali e tratta le varianti genetiche ereditarie come strumenti. Gli alleli vengono trasmessi dai genitori alla prole tramite segregazione casuale, che assomiglia all'assegnazione casuale di un trattamento in una sperimentazione clinica e dovrebbe ridurre i fattori confondenti. La stima si basa inoltre su presupposti non necessari per una sperimentazione clinica, quindi integra le evidenze derivanti dalla sperimentazione e non le sostituisce.

Quali sono i tre presupposti fondamentali della randomizzazione mendeliana?

Rilevanza, indipendenza e restrizione di esclusione. In termini semplici, la variante è associata all'esposizione, non è associata all'esito attraverso percorsi confondenti e non influenza l'esito se non potenzialmente attraverso l'esposizione. Il punto 5 dello STROBE-MR richiede agli autori di dichiararlo esplicitamente.

Ho bisogno di dati genotipici a livello individuale per eseguire la randomizzazione mendeliana?

Non per un'analisi a due campioni, che può utilizzare le associazioni riassuntive pubblicate di ciascuna variante con l'esposizione e con l'esito. Per studiare gli effetti non lineari sono necessari dati a livello individuale in un contesto a campione singolo. Un vantaggio pratico dei dati riassuntivi pubblici è che una terza parte può riprodurre l'analisi.

Qual è la differenza tra randomizzazione mendeliana a un campione e randomizzazione a due campioni?

In un'analisi a campione singolo, i dati relativi al fattore di rischio e all'esito provengono da un'unica fonte. In un'analisi a due campioni, provengono da set di dati non sovrapposti. La direzione del bias dovuto alla debolezza dello strumento è diversa: verso l'associazione confusa in un contesto a campione singolo e verso il valore nullo in un contesto a due campioni senza sovrapposizione.

Perché riportare più della stima ponderata in base alla varianza inversa?

Poiché il metodo di ponderazione inversa della varianza fornisce una stima coerente solo se tutte le varianti sono valide o se la pleiotropia è bilanciata. Nell'esempio sui lipidi pubblicato sopra, l'odds ratio IVW per il colesterolo HDL era 0.78, mentre la mediana ponderata ha dato 0.93 e MR-Egger 0.99 con intervalli che includono 1. Riportare diversi stimatori mostra ai lettori se il risultato dipende da un metodo.

Cosa mi dice l'intercettazione dell'MR-Egger?

Nella regressione MR-Egger, l'intercetta stima l'effetto pleiotropico medio tra le varianti, mentre la pendenza fornisce la stima causale. Un'intercetta diversa da zero indica pleiotropia direzionale. Il metodo richiede l'assunzione InSIDE, secondo cui gli effetti pleiotropici sono indipendenti dalle associazioni tra varianti ed esposizione, ed è spesso meno efficiente di altri stimatori.

Quali sono i requisiti per la risonanza magnetica STROBE?

STROBE-MR è una linea guida per la rendicontazione con 20 elementi principali e 30 sotto-elementi. Esempi includono l'indicazione delle tre ipotesi sulle variabili strumentali (elemento 5), la descrizione di come sono state valutate le ipotesi (elemento 7), la rendicontazione delle analisi di sensibilità (elementi 8 e 13) e, per i disegni a due campioni, il numero di individui che si sovrappongono tra gli studi di esposizione e di esito (elemento 10d).

La randomizzazione mendeliana può dimostrare la causalità?

Non da sola. La randomizzazione mendeliana verifica un'ipotesi causale in base a presupposti specifici, e alcuni di questi presupposti non possono essere completamente verificati. Utilizzare con cautela il linguaggio causale, riportare le analisi di sensibilità e considerare il risultato come una linea di evidenza in una triangolazione con altri modelli.

Referenze

  1. Davey Smith G, Ebrahim S. 'Randomizzazione mendeliana': l'epidemiologia genetica può contribuire alla comprensione dei determinanti ambientali delle malattie? Epidemia Int J. 2003;32(1):1-22. PMID 12689998. doi.org/10.1093/ije/dyg070
  2. Sekula P, Del Greco MF, Pattaro C, Kottgen A. La randomizzazione mendeliana come approccio per valutare la causalità utilizzando dati osservazionali. 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. Rafforzamento della rendicontazione degli studi osservazionali in epidemiologia mediante randomizzazione mendeliana (STROBE-MR): spiegazione e approfondimento. BMJ. 2021;375:n2233. Accesso aperto, CC BY 4.0. doi.org/10.1136/bmj.n2233
  4. Bowden J, Davey Smith G, Haycock PC, Burgess S. Stima consistente nella randomizzazione mendeliana con alcuni strumenti non validi utilizzando uno stimatore mediano ponderato. Genetica ed epidemiologia. 2016;40(4):304-314. Accesso aperto, CC BY 4.0; odds ratio, intervalli e valori p ricalcolati da Editverse in R dalla Tabella 4. doi.org/10.1002/gepi.21965
  5. Sanderson E, Glymour MM, Holmes MV, et al. Randomizzazione mendeliana. Introduzione ai metodi della rivista National Rev. 2022;2:6. PMID 37325194. doi.org/10.1038/s43586-021-00092-5
  6. Burgess S, Davey Smith G, Davies NM, et al. Linee guida per l'esecuzione di studi di randomizzazione mendeliana: aggiornamento per l'estate 2023. Benvenuto Open Res. 2019;4:186 (versione 3). Accesso aperto, CC BY 4.0. doi.org/10.12688/wellcomeopenres.15555.3
  7. Burgess S, Thompson SG. Evitare distorsioni dovute a strumenti deboli negli studi di randomizzazione mendeliana. Epidemia Int J. 2011;40(3):755-764. PMID 21414999. doi.org/10.1093/ije/dyr036
  8. Burgess S, Butterworth A, Thompson SG. Analisi di randomizzazione mendeliana con varianti genetiche multiple utilizzando dati riassuntivi. Genetica ed epidemiologia. 2013;37(7):658-665. PMID 24114802. doi.org/10.1002/gepi.21758
  9. Burgess S, Davies NM, Thompson SG. Distorsione dovuta alla sovrapposizione dei partecipanti nella randomizzazione mendeliana a due campioni. Genetica ed epidemiologia. 2016;40(7):597-608. Accesso aperto, CC BY 4.0; relazione lineare verificata da Editverse in R. doi.org/10.1002/gepi.21998
  10. Bowden J, Davey Smith G, Burgess S. Randomizzazione mendeliana con strumenti non validi: stima dell'effetto e rilevamento del bias tramite regressione di Egger. Epidemia Int J. 2015;44(2):512-525. PMID 26050253. doi.org/10.1093/ije/dyv080
  11. Sanderson E. Randomizzazione mendeliana multivariata e mediazione. Cold Spring Harb Perspect Med. 2021;11(2):a038984. PMID 32341063. doi.org/10.1101/cshperspect.a038984
  12. Verbanck M, Chen CY, Neale B, Do R. Rilevamento di una diffusa pleiotropia orizzontale nelle relazioni causali inferite dalla randomizzazione mendeliana tra tratti complessi e malattie. 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. Effetto dell'esposizione a lungo termine a livelli più bassi di colesterolo LDL (lipoproteine ​​a bassa densità) a partire dalla prima infanzia sul rischio di cardiopatia coronarica: un'analisi di randomizzazione mendeliana. 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. Interferenza dell'RNA versus inibizione di PCSK9 basata su anticorpi per la prevenzione delle malattie cardiovascolari: uno studio di randomizzazione mendeliana farmaco-bersaglio. Rischio cardiovascolare. 2025;121(7):1066-1075. PMID 40347490. doi.org/10.1093/cvr/cvaf078
  15. Fang A, Zhao Y, Yang P, Zhang X, Giovannucci EL. Vitamina D e salute umana: evidenze da studi di randomizzazione mendeliana. 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. Associazioni tra vitamina D e malattie autoimmuni: analisi di randomizzazione mendeliana. 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. Evidenze convenzionali e genetiche sull'alcol e l'eziologia delle malattie vascolari: uno studio prospettico su 500.000 uomini e donne in Cina. Lancet. 2019;393(10183):1831-1842. Accesso aperto, CC BY 4.0. doi.org/10.1016/S0140-6736(18)31772-0
  18. Larsson SC, Butterworth AS, Burgess S. Randomizzazione mendeliana per le malattie cardiovascolari: principi e applicazioni. Eur Cuore J. 2023;44(47):4913-4924. PMID 37935836. doi.org/10.1093/eurheartj/ehad736
  19. Skrivankova VW, Richmond RC, Woolf BAR, et al. Rafforzamento della rendicontazione degli studi osservazionali in epidemiologia mediante randomizzazione mendeliana: la dichiarazione STROBE-MR. JAMA. 2021;326(16):1614-1621. PMID 34698778. doi.org/10.1001/jama.2021.18236
  20. Unità di epidemiologia integrativa del MRC. OpenGWAS (pagina iniziale, consultata il 4 novembre 2026). gwas.mrcieu.ac.uk/
  21. Pagina iniziale del progetto FinnGen (consultata il 4 novembre 2026). www.finngen.fi/en
  22. Catalogo GWAS NHGRI-EBI. Pagina iniziale (consultata il 4 novembre 2026). www.ebi.ac.uk/gwas/
  23. Unità di epidemiologia integrativa del MRC. Documentazione di TwoSampleMR (versione 0.7.13 mostrata il 4 novembre 2026). mrcieu.github.io/TwoSampleMR/
  24. CRAN. Pagina del pacchetto MendelianRandomization (versione 0.10.0, pubblicata il 12-04-2024, letta il 4 novembre 2026). cran.r-project.org/package=MendelianRandomization
  25. Lawlor DA, Tilling K, Davey Smith G. Triangolazione nell'epidemiologia eziologica. Epidemia Int J. 2016;45(6):1866-1886. PMID 28108528. doi.org/10.1093/ije/dyw314

Team di ricerca di Editverse | Aggiornato a novembre 2026