멘델 무작위화에서의 다면발현: 네 가지 추정량 각각이 실제로 무엇을 방지해주는가

멘델 무작위화 논문에서 다면발현을 방지하기 위한 표준적인 방법으로 네 가지 추정량을 실행 하고 그 결과가 일치하는지 확인하는 것이 자리 잡았습니다. 제목에는 역분산 가중치를 적용하고, 그 아래에 MR-Egger 추정치, 가중 중앙값, 가중 최빈값을 제시하며, 결과 부분에는 추정치가 여러 방법에서 일관성을 보였다는 문장을 추가합니다. Editverse는 1,100편 이상의 원고를 지원해 왔으며, 현재 이 방법은 Editverse 통계학자들이 제출된 멘델 무작위화 연구에서 가장 흔하게 접하는 민감도 분석 오류입니다.

또한 이는 저자들이 가장 설명하기 어려워하는 부분이기도 합니다. 네 가지 추정기가 각각 어떤 구체적인 가정을 완화하는지, 그리고 추정기 간의 일치가 무엇을 증명하고 무엇을 증명하지 못하는지 묻는 질문에 대부분은 제대로 답하지 못합니다. 그래서 우리는 직접 실험해 보았습니다. 서로 다른 6가지 다면발현 양상에 걸쳐 18,000개의 두 표본 멘델 무작위화 연구를 시뮬레이션하고, 두 개의 독립적으로 작성된 프로그램에서 전체 과정을 두 번씩 실행한 후 각 추정기의 결과를 관찰했습니다. 그 결과, 네 가지 추정기 각각은 하나의 실패 상황에서는 살아남고 다른 실패 상황에서는 살아남는 것으로 나타났습니다. 그리고 한 가지 양상에서는 네 가지 추정기 모두가 동시에 실패했는데, 모든 진단 도구에서 아무런 문제가 없다고 보고했습니다.

네 명의 예측가들이 실제로 무엇에 베팅하고 있는가

수평적 다면발현은 배제 제약 조건, 즉 도구변수 가설의 세 번째 조건(직접 검증할 수 없는 조건)이 충족되지 않는 경우를 말합니다. 변이체가 노출 경로를 거치지 않고 결과에 영향을 미치는 경우, 해당 변이체로부터 얻은 비율 추정치가 잘못됩니다. 세 가지 강력한 추정치가 존재하는 이유는 연구자들이 이러한 잘못된 비율의 분포에 대해 서로 다른 가정을 했기 때문입니다.

• 역분산 가중치 모든 도구가 유효하다고 가정합니다. 이는 현재 사용 가능한 가장 정확한 추정치이지만, 다면발현에 대한 방어책이 전혀 없습니다.
• MR-에거에서 보우든, 데이비 스미스, 버제스(2015)이 방법은 변이-노출 효과에 대한 변이-결과 회귀 분석에서 절편을 허용합니다. 이는 다면발현 효과가 도구 변수 강도와 독립적이라는 InSIDE 가정만을 전제로 합니다. InSIDE 가정 하에서는 모든 도구 변수가 유효하지 않더라도 일관성을 유지합니다.
• 가중 중앙값에서 보우든과 동료들(2016)이는 분석에서 최소한 절반의 가중치가 유효한 측정 도구에서 나온다고 가정합니다. 그 임계값 미만에서는 일관성이 유지되지만, 그 이상에서는 아무것도 보장할 수 없습니다.
• 가중 모드에서 Hartwig, Davey Smith 및 Bowden(2017)이는 유사한 비율 추정치의 가장 큰 단일 클러스터가 유효한 도구에서 나온다고 가정합니다. 이는 영모드 다면발현 가정이며, 유효하지 않은 도구들이 서로 일치하지 않는 경우라면 대다수의 도구가 유효하지 않더라도 성립할 수 있습니다.

이것들은 서로 다른 네 가지 조건이지, 동일한 조건의 네 가지 강도가 아닙니다. 설계 자체에 대한 배경은 멘델 무작위화란 무엇이며 어떻게 수행하는지에 대한 가이드 에서 확인할 수 있으며, 그 밑바탕에 있는 추정기 메커니즘은 도구 변수 및 2단계 최소 제곱법 에 대한 설명에서 다룹니다.

시뮬레이션 내용 및 검증 방법

각 시뮬레이션 연구에는 30개의 독립적인 도구 변수가 포함되어 있으며, 이는 잘 연구된 노출 요인에 대한 현실적인 변수 개수입니다. 실제 변이-노출 효과는 0.03에서 0.10 사이에서 0.005의 표준 오차로 균일하게 추출되었으므로, 모든 도구 변수는 강력하며 도구 변수의 약점은 여기서 검증 대상이 아닙니다. 변이-결과 효과의 표준 오차는 0.003입니다. 실제 인과 효과는 전체적으로 0.20입니다.

다면발현은 노출을 거치지 않고 결과에 추가적인 영향을 미치는 효과로 나타납니다. 우리는 6가지 실험 조건을 실행했습니다.

• 다면발현 없음. 모든 계측기가 유효합니다. 제어 조건입니다.
• 균형 잡힌 다면발현. 다면발현 효과는 0을 중심으로 하는 정규 분포에서 추출됩니다. 이러한 효과는 평균적으로 상쇄되므로 InSIDE가 성립합니다.
• 방향성 다면발현. 다면발현 효과는 모두 긍정적인 값을 중심으로 같은 방향으로 작용합니다. InSIDE는 여전히 유효합니다.
• 30%는 유효하지 않은 계측기입니다. 변이체 10개 중 7개는 무증상이고, 3개는 광범위한 다면발현 효과를 나타낸다.
• 60%는 유효하지 않은 계측기입니다. 가중 중앙값의 명시된 붕괴 지점을 넘어서도 마찬가지입니다.
• InSIDE가 위반했습니다. 다면발현 효과는 기기의 강도에 비례하므로, 더 강력한 기기일수록 상대적으로 더 많은 오염 물질을 운반합니다.

각 조건당 3,000개의 반복 연구, 각 엔진당 18,000개의 연구, 그리고 네 가지 방법을 통해 엔진당 72,000개의 인과 관계 추정치를 산출했습니다. 아래의 모든 수치는 두 번씩 계산되었습니다. 한 번은 R에서 가중 회귀 분석을 사용하여 계산했습니다. lm() 그리고 R 자신의 density() 최빈값 계산을 위해 한 번, 그리고 파이썬으로 다른 난수 생성기를 사용하여 충분 통계량 기반의 동일한 값을 계산하는 방식을 사용했으며, 코드는 공유하지 않았습니다. 두 방식은 코드를 작성하기 전에 비교되었습니다. 우리는 모든 데이터 수치를 이러한 기준에 따라 관리하며, 이는 데이터 분석 과정에서도 마찬가지입니다. NHANES 설문조사 가중치가 해결하는 부분과 해결하지 못하는 부분은 무엇일까요? 그리고 우리의 시뮬레이션 F 통계량이 실제로 무엇을 알려주는가.

균형 다면발현은 IVW에 편향을 주지 않습니다. 오히려 IVW의 간격을 파괴합니다.

대부분의 저자들이 무해하다고 여기는 체제부터 시작해 보겠습니다. 다면발현 효과가 0을 중심으로 대칭적으로 분포할 때, 역분산 가중치가 편향되지 않는다는 것이 일반적인 견해입니다. 이 견해는 옳지만, 동시에 매우 불완전합니다.

균형 잡힌 다면발현 효과를 고려한 3,000건의 연구에서 IVW 추정치의 중앙값은 0.200이었고, 실제 효과는 0.200이었습니다. 완벽하죠. 하지만 동일한 3,000건의 연구에서 95% 신뢰구간에 실제 효과가 포함된 연구의 비율은 다면발현 효과가 없을 때 94.5%에서 다면발현 효과가 없을 때는 42.8% 로 떨어졌습니다 . 즉, 논문 10편 중 거의 6편은 실제 효과를 제외한 신뢰구간을 제시한 셈입니다.

점추정치는 정확하지만 신뢰구간은 허구입니다. 균형 다면발현은 고정효과 표준오차가 고려하지 못한 분산을 추가하므로, 신뢰구간은 실제 존재하는 정보에 비해 지나치게 좁습니다. 한편, MR-Egger 절편 검정은 이 연구들 중 5.5%에서만 발생했는데, 이는 위양성률에 해당합니다. 방향성 요소가 없기 때문에 이 검정은 올바르게 작동하는 것입니다. 표준 민감도 분석 블록에서는 이 문제를 지적하지 않습니다. 네 가지 추정치는 일치하고, 다면발현 검정은 영(null)이며, 신뢰구간은 맞는 경우보다 틀린 경우가 더 많습니다.

이는 반대 방향에서 진행된 약한 도구 변수 시뮬레이션에서 얻은 교훈과 동일합니다. 그 시뮬레이션에서는 도구 변수의 강도가 낮아 신뢰구간이 지나치게 넓어졌습니다. 여기서는 모델링되지 않은 이질성 때문에 신뢰구간이 지나치게 좁아졌습니다. 두 경우 모두 점추정치는 양호해 보이지만, 불확실성 진술 부분에서 문제가 발생했습니다. 코크란 Q 통계량과 무작위 효과 IVW 모델은 이러한 문제에 대한 표준적인 대응 방법이며, 바로 이러한 문제를 해결하기 위해 만들어진 것입니다.

각 추정기는 서로 다른 실패 상황에서도 살아남는다

방향성 다면발현은 MR-Egger의 체계이며, 오직 MR-Egger의 체계만이 유효합니다.

모든 측정 도구가 동일한 방향으로 오염되었을 때, IVW는 실제 값 0.200에 대해 0.283을 반환하여 약 42% 과대평가했습니다. 가중 중앙값은 0.276, 가중 최빈값은 0.271을 반환했습니다. 세 가지 모두 심각하게 잘못되었으며, 함께 잘못된 결과를 보였는데, 이는 저자가 안심할 만한 일치로 해석할 수 있는 패턴입니다. MR-Egger는 0.188을 반환했습니다. 방향성 다면발현은 Egger 절편이 흡수하는 요소이기 때문에 이 경우에 맞게 개발된 유일한 추정량입니다.

절편 검정은 연구의 68.2%에서 문제를 감지했습니다. 이는 방향성 다면발현이 존재하여 주요 추정치를 42% 왜곡하는 연구가 약 3분의 1 정도인데도 이를 감지하도록 설계된 검정이 아무런 결과를 보여주지 못한다는 것을 의미합니다. MR-Egger 검정의 낮은 검정력은 이미 잘 알려져 있으며, 이것이 실제 사용에서 발생하는 문제점입니다.

유효하지 않은 도구 중 소수는 중앙값과 최빈값 체제입니다.

측정 도구의 30%가 유효하지 않은 경우, 상황은 완전히 반전됩니다. IVW는 여전히 0.283만큼 오차가 있습니다. 가중 중앙값은 0.222, 가중 최빈값은 0.201을 복구했는데, 이는 거의 정확한 수치입니다. 두 지표 모두 설계된 대로 작동하고 있습니다. Egger 교차 검사는 여기에서 17.1%의 연구에서만 발동했는데, 이는 위양성률을 약간 웃도는 수준입니다. 오염된 변이체가 집중적으로 분포되어 있다고 해서 측정 도구 전체에 걸쳐 방향성 변화로 해석되지 않기 때문입니다. 이전 체제를 포착했던 검사가 이번 체제에서는 거의 맹검법을 사용하고 있는 것입니다.

50%를 넘어서면 가중 중앙값은 단순히 실패하는 것이 아니라 IVW보다 훨씬 더 심각한 실패를 겪습니다.

측정 도구의 60%가 유효하지 않아 방법론 개발자들이 명확히 밝힌 한계점을 넘어섰을 때, 가중 중앙값은 0.374를 , IVW는 0.367을 반환했습니다. 강건 추정치는 오히려 단순 추정치보다 실제 값에서 더 멀리 떨어져 있었습니다. 이는 방법론 자체의 결함이 아니라, 명시된 조건을 벗어나 사용했을 때 나타나는 결과이며, 결과표에서 가중 중앙값을 보는 독자는 연구가 해당 임계값의 어느 쪽에 속하는지 알 수 없기 때문에 언급할 가치가 있습니다.

가중 모드는 점진적으로 성능이 저하되지 않고, 갑자기 뒤집힙니다.

결과에서 한 가지 수치가 재현되지 않았습니다. 60% 무효 조건에서 R 엔진은 가중 중앙값 최빈값을 0.352로, Python 엔진은 0.336으로 보고했습니다. 이 논문에 제시된 다른 모든 수치는 소수점 셋째 자리 또는 넷째 자리까지 엔진 간에 일치했습니다. 이 차이 때문에 우리는 추정량의 요약 분포가 ​​아닌 전체 표본 분포를 다시 살펴보게 되었습니다.

분포는 넓지 않고 이중봉분포를 보인다 . 연구의 27%에서 최빈값은 실제 효과의 0.05 이내에 위치했고, 48%에서는 0.35 이상, 즉 유효하지 않은 도구 변수들이 차지하는 군집에 위치했다. 추정치는 상황이 악화될수록 잘못된 답으로 수렴하는 것이 아니라, 두 가지 답 중에서 하나를 선택하는 것이며, 어떤 답을 반환할지는 추출 결과에 따라 달라진다.

반복 측정값 간의 사분위 범위는 수치적으로 동일한 점을 보여줍니다. 30% 무효값의 경우 사분위 범위는 0.016입니다. 60% 무효값의 경우 0.177로 11배나 급증하는 반면, 다른 모든 영역에서 최빈값의 사분위 범위는 0.016에서 0.030 사이에 있습니다. 두 개의 정직한 프로그램이 해당 분포의 중앙값에 대해 서로 다른 값을 나타내는 것은 조정해야 할 불일치가 아닙니다. 이는 안정적인 중심값이 없는 양을 올바르게 해석한 것이며, 약한 도구 변수 연구에서 비율 추정량의 평균이 수렴하지 않았을 때 우리가 기록했던 것과 동일한 현상입니다.

실질적인 결과는 직접적입니다. 이 체제에서는 단일 연구로 하나의 최빈값 추정치만 산출되는데, 어느 봉우리에서 나온 것인지 알 수 없습니다. 연구자가 이를 보고할 경우, 진실을 보고할 확률은 대략 4분의 1이고, 오염을 보고할 확률은 2분의 1이며, 그 수치 자체만으로는 어떤 일이 일어났는지 알 수 없습니다.

어떤 예측가도 포착하지 못하는 실패

지금까지의 모든 분석 방식에는 한 가지 공통점이 있습니다. 바로 다면발현 효과가 도구 변수의 강도와 무관하다는 것입니다. 이것이 InSIDE 연구의 핵심 가정이며, MR-Egger 분석 역시 ​​이 가정에 전적으로 의존합니다. 그런데 우리는 이 가정을 깨뜨렸습니다. 최종 분석 방식에서는 각 변이에 대한 다면발현 효과가 해당 변이가 노출에 미치는 영향에 비례합니다. 이는 도구 변수들이 서로 관련 없는 경로가 아닌 공통된 상위 생물학적 경로를 통해 작용할 때 나타나는 현상입니다.

실제 효과 크기가 0.200일 때, 네 가지 추정치는 각각 0.298, 0.283, 0.297, 0.296 을 나타냈습니다 . 이 추정치들은 모두 실제 효과 크기를 약 50% 정도 과대평가했습니다. 또한, 모든 추정치는 0.015 이내의 오차 범위 내에서 서로 일치했습니다. MR-Egger 절편 검정은 연구의 8.3%에서 유의미한 결과를 보였는데, 이는 다면발현이 전혀 없을 때 나타난 7.0%의 위양성률과 통계적으로 구별할 수 없는 수치입니다. Cochran's Q 통계량 역시 비율 추정치가 이질적이지 않기 때문에 아무런 결과를 나타내지 않았습니다. 즉, 모든 추정치가 일관되게 잘못된 것으로 나타났습니다.

이는 MR 논문 작성 방식에 가장 중요한 결과입니다. 표준 민감도 분석 블록은 네 가지 추정치를 제시하고, 그 일치도를 언급하며, 다면발현 검정의 영가설을 보고합니다. 이 분석 방식에서는 인과 추정치가 절반으로 부풀려진 것을 제외하면 정확히 위와 같은 결과가 나옵니다. 네 가지 추정치가 일치한다고 해서 도구 변수가 타당하다는 증거는 아닙니다. 이는 네 가지 추정치의 가정이 동시에 실패했거나, 모두 성립했다는 증거일 뿐입니다. 어느 경우든 결과는 동일하게 나타납니다.

이 두 가능성을 구분하는 것은 추정량의 차이가 아닙니다. 그것은 도구 변수 자체에 대한 생물학적 논쟁, 즉 도구 변수가 어떤 유전자에 위치하는지, 해당 유전자가 다른 어떤 기능을 하는지, 그리고 공통된 상위 경로가 타당한지 여부에 달려 있습니다. 이것이 바로 도구 변수 PheWAS의 목적이며, Verbanck와 동료들(2018) 이 테스트한 유의미한 인과 관계의 48% 이상에서 수평적 다면발현을 발견한 이유이기도 합니다. 또한 Slob과 Burgess(2020)가 광범위한 시뮬레이션 그리드에서 9가지 강력한 방법을 비교한 결과, 어떤 방법도 우월하지 않으며 특정 노출에 대해 어떤 위반이 타당한지에 따라 선택이 달라진다고 결론 내린 이유이기도 합니다.

견고함은 공짜가 아닙니다.

MR-Egger는 6가지 분석 방식 중 5가지에서 살아남았으므로, 이를 주요 분석 방법으로 사용해야 할 것처럼 보일 수 있습니다. 하지만 정밀도 수치는 그렇지 않다는 것을 보여줍니다.

3,000개의 반복 연구를 통해 얻은 추정치의 사분위 범위입니다. MR-Egger는 IVW보다 3~6배 더 큰 변동성을 감수하면서까지 견고성을 확보하며, 다면발현이 전혀 없는 경우에도 약간의 하향 편향을 보입니다. 예를 들어 대조 조건에서 실제 값인 0.200에 비해 0.190을 반환합니다. MR-Egger를 사용하는 분석은 편향 문제를 검정력 문제로 바꾸는 것인데, 이는 공짜 업그레이드가 아니라 실제적인 대가입니다. 또한 MR-Egger의 신뢰성은 측정 도구가 충분히 정확하게 측정되었는지 여부에 달려 있는데, 이는 Bowden 등(2016) 의 I-제곱-GX 통계량으로 측정됩니다. 이 값이 낮다는 것은 의존하는 Egger 추정치 자체가 신뢰할 수 없다는 것을 의미합니다.

"모든 방법에서 추정치가 일관적이었다"라는 표현 대신 어떻게 보고해야 할까요?

그 문장은 틀린 것은 아니지만, 정보가 부족합니다. 왜냐하면 우리의 최종 체계에서는 그 문장이 나오지만, 실제 답은 절반이나 부풀려져 있기 때문입니다. 방법론적 검토자가 찾는 것은 이와는 다릅니다.

• 각 방법이 어떤 가정을 전제로 하는지 설명하세요. 각각 하나의 조항으로 구성됩니다. IVW는 모든 도구가 유효하다고 가정하고, MR-Egger는 InSIDE를 가정하며, 가중 중앙값은 가중치의 절반 미만이 유효하지 않다고 가정하고, 최빈값은 가장 큰 클러스터가 유효하다고 가정합니다. 이는 독자에게 강건성 검증 범위가 실제로 어떤 부분을 포함하는지 알려줍니다.
• 귀하가 연루되었을 가능성이 있는 위반 행위가 무엇이라고 생각하는지, 그리고 그 이유는 무엇인지 설명하십시오. 이것은 통계적인 주장이 아니라 생물학적인 주장이며, 심사숙고한 분석과 틀에 박힌 분석을 구분 짓는 부분입니다.
• 이질성을 보고하고, 그에 따라 조치를 취하십시오. 무작위 효과 IVW 모델을 사용한 코크란의 Q 검정에서 Q 값은 유의미한 것으로 나타났습니다. 균형 다면발현 분석 결과, 고정 효과 구간이 실제 값을 42.8% 포함하는 것으로 나타났으며, 모든 점 추정치는 정확한 것으로 보입니다.
• I-제곱-GX 통계량과 MR-Egger 추정치를 함께 보고하십시오. 그것 없이는 에거 실험 결과를 해석할 수 없습니다.
• PheWAS라는 도구를 실행하고 그 결과를 보고하십시오. 이는 InSIDE 위반 체제를 다루는 단계이며, 제출된 대부분의 MR 논문이 건너뛰는 단계입니다.
• 의견 차이를 숨기기보다는 해석하십시오. IVW 값이 높고 중앙값과 최빈값이 서로 가까이 위치하는 것은 유효하지 않은 도구가 소수 존재함을 시사합니다. 네 가지 변수가 모두 함께 움직이는 동안 Egger 절편이 0으로 유지되는 것은 도구가 정확하거나 공통된 경로를 공유하고 있음을 시사하며, 이 둘을 구분하는 것은 생물학적 요인뿐입니다.
• 국가별 금융 상품의 강점도 고려해야 합니다. 위의 모든 내용은 강력한 계측기를 전제로 합니다. 저희의 관련 시뮬레이션은 다음과 같습니다. F 통계량이 실제로 무엇을 알려주는가 그것들이 그렇지 않을 때 어떤 일이 발생하는지를 다룹니다.

STROBE -MR 지침은 이미 이러한 사항 대부분을 요구하고 있습니다. 문제는 문서화 여부가 아니라 실제로 수행되는 내용에 있습니다. Rosas-Chavez와 Merriman(2025) 은 2016년부터 2024년 사이에 발표된 고요산혈증과 통풍에 대한 86건의 2표본 멘델 무작위 대조 연구를 평가한 결과, 17%가 세 가지 핵심 도구변수 가정을 모두 충족했고, 14%는 재현을 시도했으며, 2021년 이후 발표된 논문 중 11%만이 STROBE-MR을 준수했음을 발견했습니다. 저희의 관찰 연구에 대한 STROBE 보고 가이드는 기본 지침을 다루고 있으며, 역학에서의 인과 추론 개요에서는 이 연구 설계를 대안 중 하나로 제시하고 있습니다.

멘델 무작위화 연구에 대한 전문가 지원

위에서 설명한 배터리는 우리가 표준으로 사용하는 것이며, 가장 중요한 부분은 추정기가 포착하지 못하는 오류를 해결하는 부분입니다. 즉, 표현형 전체 자원에 대한 PheWAS 도구 변수 사용, Steiger 필터링, 그리고 독립적인 결과 GWAS에서의 재현성 검증입니다. 도구 변수들이 타당한 상위 경로를 공유하는 경우, 네 개의 일치하는 수치를 보고하고 독자가 문제가 해결되었다고 가정하도록 하는 대신, 논문에 명시적으로 언급합니다.

유전학적 설계와 설문 조사, 암 등록 또는 외상 등록 분석 중에서 여전히 고민 중이라면, 어떤 건강 데이터베이스를 연구에 활용해야 하는지 에 대한 저희 가이드를 참고하여 각 데이터베이스가 어떤 정보를 제공하고 어떤 정보를 제공하지 못하는지 확인해 보세요. 네 가지 추정 방법 모두에서 일치하는 견고성 검증 결과가 나온다고 하더라도, 연구가 애초에 효과를 감지할 만큼 충분한 검정력을 확보했는지 여부는 알 수 없습니다 . 이는 멘델 무작위화 논문이 왜 심사 단계에서 거절당하는지에 대한 저희 관련 글에서 자세히 다루고 있습니다.

멘델 무작위화에서 다면발현에 대한 자주 묻는 질문

네 명의 평가자 모두 동의한다면, 제 결과는 안전한 건가요?

아니요. 일치는 필요조건이지만 충분조건은 아닙니다. InSIDE 위반 환경에서 네 가지 추정기 모두 서로 0.015 이내의 값을 반환했으며, 네 가지 모두 실제 효과를 약 50% 과대평가했습니다. 반면 MR-Egger 절편 검정은 일반적인 오탐률과 동일한 수준으로 작동했습니다. 일치는 일부 실패 모드를 배제하지만 다른 실패 모드에 대해서는 언급하지 않습니다.

어떤 추정량을 주요 분석 기준으로 삼아야 할까요?

역분산 가중법(IVW)은 거의 모든 경우에 강건한 방법들을 민감도 분석에 활용하는 것이 좋습니다. IVW는 압도적으로 가장 정확한 방법이며, MR-Egger는 IVW보다 3~6배 높은 수익률을 제공합니다. MR-Egger는 방향성 다면발현을 예상할 만한 구체적인 이유가 있을 때만 사용하고, 그 이유를 명확히 밝히십시오.

IVW 값이 높지만 가중 중앙값과 최빈값이 낮을 경우 무슨 의미인가요?

해당 패턴은 소수의 매우 부적절한 도구 변수가 존재하는 상황과 일치하며, 이는 중앙값과 최빈값이 설계된 목적과 정확히 부합합니다. 이상치를 식별하기 위해 MR-PRESSO 분석을 수행하고, 특정 변이체가 원인이 아닌지 확인하기 위해 leave-one-out 분석을 추가로 실시하는 것이 좋습니다. 이상치가 표시된 변이체를 포함한 경우와 제외한 경우 모두 분석 결과를 보고하십시오.

균형 잡힌 다면발현은 정말 무해한 걸까요?

신뢰구간 계산에는 적용되지 않습니다. 시뮬레이션 결과, 균형 잡힌 다면발현 조건에서 IVW 점추정치는 편향되지 않았지만, 신뢰구간 포함률은 94.5%에서 42.8%로 감소했습니다. 코크란의 Q 통계량을 사용하여 이질성을 검정하고, 유의미한 경우 무작위 효과 모델을 사용하십시오. 그렇지 않으면 보고된 정밀도는 허구입니다.

실제로 InSIDE의 가정을 깨뜨리는 것은 무엇일까요?

공통된 상위 생물학적 경로를 통해 작용하는 도구들, 즉 노출에 더 강한 영향을 미치는 변이체가 다른 경로를 통해서도 비례적으로 더 강한 영향을 미치는 경우를 생각해 볼 수 있습니다. 이러한 현상은 도구들이 관련 기능이 있는 유전자들에 집중될 때 가장 가능성이 높고, 관련 없는 생물학적 영역에 흩어져 있을 때는 가능성이 가장 낮습니다. 이는 특정 도구들에 대한 질문이며, 통계적 검정으로는 도구들을 직접 살펴보는 것을 대체할 수 없습니다.

가중 중앙값은 유효하지 않은 측정 도구를 몇 개까지 허용할 ​​수 있습니까?

가중치는 개수의 절반이 아니라 최대 절반까지 적용됩니다. 가중치는 도구의 강도에 따라 달라지므로, 소수의 강력한 무효 도구가 변형 테이블에서는 소수처럼 보이더라도 전체 가중치의 절반 이상을 차지할 수 있습니다. 60% 무효 도구 환경에서 가중 중앙값은 실제 값인 0.200에 비해 0.374를 나타냈는데, 이는 IVW의 0.367보다 실제 값에서 더 멀리 떨어져 있습니다.

맺음말

72,000개의 모의 멘델 무작위화 추정치를 두 프로그램에서 독립적으로 재현한 결과, 네 가지 추정기 민감도 분석은 견고성 검증 단계라기보다는 네 가지 개별적인 예측에 더 가까운 양상을 보였습니다. MR-Egger는 방향성 다면발현을 견뎌낸 유일한 방법이었습니다. 가중 중앙값과 최빈값은 소수의 유효하지 않은 도구 변수를 견뎌낸 유일한 방법이었으며, 그 소수가 다수가 되자 중앙값은 IVW보다 성능이 더 떨어졌습니다. 최빈값은 한계점을 넘어서 성능이 저하되기보다는 두 가지 결과 사이에서 오락가락하는 양상을 보였는데, 이것이 바로 두 프로그램이 다른 모든 부분에서는 일치했지만 중앙값에 대해서는 의견이 일치하지 않았던 이유입니다.

논문에 포함시킬 가치가 있는 발견은 마지막 부분입니다. InSIDE 가정이 실패할 경우, 네 가지 추정치가 모두 일치하고, 다면발현 검정에서는 아무런 결과가 나오지 않으며, 인과관계 추정치는 절반으로 부풀려집니다. 출력 결과는 깔끔한 분석 결과와 구별할 수 없습니다. 추가적인 추정치를 사용해도 이 문제는 해결되지 않는데, 그 이유는 문제가 통계적인 것이 아니기 때문입니다. 핵심은 도구 변수들이 공통된 경로를 통해 결과에 도달할 가능성이 있는지 여부이며, 이에 대한 답을 얻으려면 유전자들이 실제로 어떤 역할을 하는지 살펴보아야 합니다. 추정치가 여러 방법에서 일관적이라는 문장은 소프트웨어 출력에 대한 설명일 뿐입니다. 심사자는 그 이면에 숨겨진 논증을 묻고 있는 것입니다.

참고자료

1. Bowden J, Davey Smith G, Burgess S. 유효하지 않은 도구를 사용한 멘델 무작위화: Egger 회귀를 통한 효과 추정 및 편향 감지. 역학의 국제 저널. 2015;44(2):512-525. doi:10.1093/ije/dyv080
2. Bowden J, Davey Smith G, Haycock PC, Burgess S. 가중 중앙값 추정기를 사용하여 일부 유효하지 않은 도구를 사용하는 멘델 무작위화에서 일관된 추정. 유전역학. 2016;40(4):304-314. doi:10.1002/gepi.21965
3. Hartwig FP, Davey Smith G, Bowden J. 영 모달 다면발현 가정을 통한 요약 데이터 멘델 무작위화의 견고한 추론. 역학의 국제 저널. 2017;46(6):1985-1998. doi:10.1093/ije/dyx102
4. Bowden J, Del Greco MF, Minelli C, Davey Smith G, Sheehan NA, Thompson JR. MR-Egger 회귀를 이용한 두 표본 멘델 무작위화 분석에 대한 요약 데이터의 적합성 평가: I-제곱 통계량의 역할. 역학의 국제 저널. 2016;45(6):1961-1974. doi:10.1093/ije/dyw220
5. Verbanck M, Chen CY, Neale B, Do R. 복잡한 형질과 질병 간의 멘델 무작위화를 통해 추론된 인과 관계에서 광범위한 수평적 다면발현의 탐지. 자연 유전학. 2018;50(5):693-698. doi:10.1038/s41588-018-0099-7 (PMID 29686387)
6. Slob EAW, Burgess S. 요약 데이터를 사용한 견고한 멘델 무작위화 방법 비교. 유전역학. 2020;44(4):313-329. doi:10.1002/gepi.22295 (PMID 32249995)
7. Skrivankova VW, Richmond RC, Woolf BAR 외. 멘델 무작위화를 이용한 역학 분야 관찰 연구 보고 강화: STROBE-MR 성명서. JAMA. 2021;326(16):1614-1621. doi:10.1001/jama.2021.18236
8. Rosas-Chavez F, Merriman TR. 멘델 무작위화 연구: 품질 평가를 위한 지표. 통풍, 요산 및 결정 침착 질환. 2025; 3 (2) : 8. doi:10.3390/gucdd3020008 (PMID 42487900)

시뮬레이션 세부 사항: 연구당 30개의 독립적인 도구 변수 사용; 실제 변이-노출 효과는 0.03에서 0.10까지 균일하게 분포하며 표준 오차는 0.005; 변이-결과 표준 오차는 0.003; 실제 인과 효과는 0.20; 각 조건당 3,000개의 반복 연구 수행. 균형 다면발현은 N(0, 0.010)에서, 방향성은 N(0.006, 0.003)에서 추출; 유효하지 않은 도구 변수 조건은 N(0.020, 0.005)에서 추출하여 변이의 30% 또는 60%에 무작위로 적용; InSIDE 위반 시 다면발현 효과는 각 변이의 노출 효과의 0.10배로 설정. 가중 모드는 Hartwig et al.의 커널 밀도 방법을 대역폭 매개변수 1로 사용하여 계산. R 4.3.3 및 Python 3(NumPy 사용)에서 각각 독립적으로 구현. 보고된 모든 수치는 몬테카를로 오차 범위 내에서 엔진 간에 일치했지만, 60% 무효 영역에서 중앙값 가중 모드는 예외였습니다. 해당 영역의 샘플링 분포는 이중 모드이며 위에서 설명했습니다.