การสุ่มแบบเมนเดล (Mendelian Randomization) อธิบายโดยละเอียด: คืออะไร ใช้เมื่อใด และวิธีการดำเนินการ

เผยแพร่เมื่อวันที่ 9 กรกฎาคม 2026 | อัปเดตล่าสุดเมื่อวันที่ 3 พฤศจิกายน 2026

การสุ่มแบบเมนเดลคืออะไร?

การสุ่มแบบเมนเดล (Mendelian randomization) เป็นวิธีการใช้ความแปรผันทางพันธุกรรมที่ถ่ายทอดมาเพื่อถามว่าปัจจัยเสี่ยงที่สามารถปรับเปลี่ยนได้ เช่น คอเลสเตอรอล LDL ก่อให้เกิดผลลัพธ์ เช่น โรคหลอดเลือดหัวใจหรือไม่ วิธีนี้สร้างขึ้นจากกฎการถ่ายทอดทางพันธุกรรมของเมนเดลและการประมาณค่าตัวแปรเครื่องมือ ซึ่งทำให้สามารถประมาณผลกระทบเชิงสาเหตุได้แม้ว่าจะไม่เคยมีการวัดตัวแปรแทรกซ้อนบางอย่างก็ตาม⁵ข้อโต้แย้งดั้งเดิมคือ การจัดเรียงยีนแบบสุ่มจากพ่อแม่สู่ลูกในระหว่างการสร้างเซลล์สืบพันธุ์และการปฏิสนธิ หมายความว่าโพลีมอร์ฟิซึมที่เลียนแบบความเชื่อมโยงทางชีวภาพกับปัจจัยเสี่ยงนั้น โดยทั่วไปจะไม่ไวต่อสาเหตุย้อนกลับหรือตัวแปรแทรกซ้อนที่บิดเบือนการศึกษาเชิงสังเกตแบบดั้งเดิม¹

กล่าวโดยง่ายคือ หากความแปรผันทางพันธุกรรมที่ส่งผลต่อระดับสารก่อภูมิแพ้ เช่น คอเลสเตอรอล LDL เกิดขึ้นโดยบังเอิญ การเปรียบเทียบผู้ที่มีและไม่มีความแปรผันทางพันธุกรรมนั้น ก็เหมือนกับการเปรียบเทียบสองกลุ่มที่ได้จากการโยนเหรียญ โดยมีเงื่อนไขว่าความแปรผันทางพันธุกรรมนั้นส่งผลต่อผลลัพธ์ผ่านทางสารก่อภูมิแพ้นั้นเท่านั้น

การวิเคราะห์ทุกครั้งสร้างขึ้นจากองค์ประกอบสามส่วนที่เชื่อมโยงกัน

• เครื่องดนตรี การกลายพันธุ์ทางพันธุกรรมอย่างน้อยหนึ่งอย่างที่เกี่ยวข้องกับการสัมผัสสารดังกล่าว
• การได้รับรังสี ปัจจัยเสี่ยงที่สามารถปรับเปลี่ยนได้ซึ่งอยู่ระหว่างการศึกษา เช่น ระดับคอเลสเตอรอลชนิด LDL
• ผลลัพธ์. โรคหรือลักษณะที่สนใจ เช่น โรคหลอดเลือดหัวใจตีบ

วิธีการนี้มีข้อจำกัดที่การทบทวนเบื้องต้นได้ระบุไว้แล้ว ได้แก่ การรบกวนจากโพลีมอร์ฟิซึมที่อยู่ในภาวะสมดุลการเชื่อมโยงกับตัวแปร โพลีมอร์ฟิซึมที่มีผลต่อฟีโนไทป์หลายอย่าง การขาดโพลีมอร์ฟิซึมที่เหมาะสมสำหรับการสัมผัสหลายอย่าง และการปรับสมดุล ซึ่งเป็นการลดทอนผลกระทบทางพันธุกรรมในระหว่างการพัฒนา¹

ข้อสมมติฐานหลักสามประการที่อยู่เบื้องหลังการศึกษาแบบสุ่มทางพันธุกรรมทุกครั้ง

ข้อ 5 ของ STROBE-MR ขอให้ผู้เขียนระบุสมมติฐานตัวแปรเครื่องมือหลักสามประการอย่างชัดเจนสำหรับการวิเคราะห์หลัก พร้อมทั้งสมมติฐานของการวิเคราะห์เพิ่มเติมหรือการวิเคราะห์ความไวใดๆ ข้อ 7 ขอให้พวกเขาอธิบายวิธีการหรือความรู้ก่อนหน้าที่ใช้ในการประเมินสมมติฐานเหล่านั้น³

เลื่อนไปด้านข้างเพื่อดูทุกคอลัมน์

ข้อสมมติฐานเหล่านี้เหมือนกับที่เบอร์เจสและเพื่อนร่วมงานระบุไว้ในแนวทางปฏิบัติของพวกเขา คือ ตัวแปรนั้นเกี่ยวข้องกับการสัมผัส ไม่เกี่ยวข้องกับผลลัพธ์เนื่องจากกลไกการรบกวน และไม่มีผลต่อผลลัพธ์ ยกเว้นอาจจะผ่านทางการสัมผัส⁶

เครื่องมือที่อ่อนแอ

เครื่องมือที่อ่อนแอจะทำให้การประมาณค่าเอนเอียงไปในทิศทางของความสัมพันธ์เชิงสังเกตที่สับสน และขนาดของความเอนเอียงขึ้นอยู่กับค่าสถิติ F เบอร์เจสและทอมป์สันยังแสดงให้เห็นว่ากฎทั่วไปที่อ้างถึงกันว่าค่า F มากกว่า 10 จะหลีกเลี่ยงความเอนเอียงได้นั้นเป็นสิ่งที่ทำให้เข้าใจผิด⁷ในการจำลองด้วยตัวแปรที่ไม่สัมพันธ์กันและข้อมูลสรุป เบอร์เจสและเพื่อนร่วมงานพบว่าความเอนเอียงของเครื่องมือที่อ่อนแอมีขนาดเล็กเมื่อแต่ละตัวแปรมีค่า P น้อยกว่า 0.00001 สำหรับความสัมพันธ์กับปัจจัยเสี่ยง⁸บทความที่เกี่ยวข้องของเราเกี่ยวกับแนวทางตัวแปรเครื่องมือครอบคลุมตรรกะทั่วไปนอกเหนือจากพันธุศาสตร์

การออกแบบการทดลองแบบตัวอย่างเดียว สองตัวอย่าง และหลายตัวแปร รวมถึงตัวประมาณค่า

ในการวิเคราะห์ตัวอย่างเดียว ข้อมูลเกี่ยวกับปัจจัยเสี่ยงและผลลัพธ์มาจากแหล่งข้อมูลเดียว ในการวิเคราะห์สองตัวอย่าง ข้อมูลมาจากชุดข้อมูลที่ไม่ทับซ้อนกัน⁹ข้อมูลสรุปสาธารณะทำให้การวิเคราะห์สองตัวอย่างมีความโปร่งใส เนื่องจากบุคคลที่สามที่มีข้อมูลเดียวกันสามารถทำซ้ำได้ ในขณะที่ข้อมูลระดับบุคคลในการตั้งค่าตัวอย่างเดียวจำเป็นสำหรับการตรวจสอบผลกระทบที่ไม่เป็นเชิงเส้น⁶อคติจากเครื่องมือที่อ่อนแอแตกต่างกันเช่นกัน: ในการตั้งค่าตัวอย่างเดียว อคติจะมุ่งไปสู่ความสัมพันธ์ที่สับสน และในการตั้งค่าสองตัวอย่างที่ไม่ทับซ้อนกัน อคติจะมุ่งไปสู่ค่าว่าง⁶

โดยปกติแล้วจะมีการเรียกใช้โปรแกรมประมาณการหลายโปรแกรมพร้อมกัน

• การถ่วงน้ำหนักแบบผกผันความแปรปรวน (IVW) เป็นวิธีที่ใช้กันทั่วไปมากที่สุด โดยมีหลายรูปแบบ เป็นวิธีที่มีประสิทธิภาพมากที่สุด แต่จะมีความคลาดเคลื่อนหากค่าเฉลี่ยของผลกระทบแบบหลายยีนแตกต่างจากศูนย์⁶ สามารถหาได้จากข้อมูลสรุปโดยใช้ค่าเฉลี่ยถ่วงน้ำหนักผกผันของความแปรปรวนของความสัมพันธ์เฉพาะตัวแปร⁸
• การถดถอย MR-Egger วิธีนี้ใช้ค่าความชันเป็นค่าประมาณเชิงสาเหตุ และค่าจุดตัดแกนเป็นค่าเฉลี่ยของผลกระทบแบบหลายยีน วิธีนี้อนุญาตให้ทุกตัวแปรมีผลกระทบแบบหลายยีนได้ แต่ต้องอาศัยข้อสมมติฐานของ InSIDE และมักจะมีประสิทธิภาพน้อยกว่า^10,6
• ค่ามัธยฐานถ่วงน้ำหนัก มีความสอดคล้องแม้ว่าข้อมูลมากถึง 50% จะมาจากเครื่องมือที่ไม่ถูกต้องก็ตาม⁴
• MR หลายตัวแปร วิธีนี้ใช้ตัวแปรที่เกี่ยวข้องกับการสัมผัสหลายอย่างที่สัมพันธ์กันเพื่อประเมินผลกระทบของการสัมผัสแต่ละครั้งต่อผลลัพธ์หนึ่งอย่าง และสามารถใช้เพื่อประเมินการเป็นตัวกลางภายในกรอบงาน MR ได้¹¹

สำหรับการจำลองที่นำตัวประมาณค่าเหล่านี้ไปใช้กับภาวะพลีโอโทรปีประเภทต่างๆ โปรดดูบทความของ Editverse เกี่ยวกับสิ่งที่ตัวประมาณค่าทั้งสี่ตัวนี้ช่วยปกป้องคุณจากอะไรบ้าง

กรณีศึกษาจริง: คอเลสเตอรอล HDL และ LDL กับโรคหลอดเลือดหัวใจ

Bowden และเพื่อนร่วมงานได้ตีพิมพ์บทความแบบเปิดเผย (CC BY 4.0) ที่ทดสอบค่ามัธยฐานถ่วงน้ำหนักเทียบกับ IVW และ MR-Egger บนข้อมูลสรุปสำหรับตัวแปรทางพันธุกรรม 185 ตัวจาก Do และเพื่อนร่วมงาน โดยใช้ความสัมพันธ์ของไขมันจาก Global Lipids Genetics Consortium และความสัมพันธ์ของโรคหลอดเลือดหัวใจจาก CARDIoGRAM consortium ⁴ค่าประมาณคืออัตราส่วนลอการิทึมของอัตราต่อรองต่อไขมันที่สูงขึ้น 1 ส่วนเบี่ยงเบนมาตรฐาน เราใช้ค่าประมาณและข้อผิดพลาดมาตรฐานจากตารางที่ 4 ของพวกเขา (คอลัมน์สำหรับตัวแปรทั้งหมดที่เกี่ยวข้องกับการสัมผัสที่ระดับนัยสำคัญทั่วทั้งจีโนม) และคำนวณอัตราส่วนอัตราต่อรอง ช่วงความเชื่อมั่น 95% และค่า p ใหม่ใน R โดยใช้การประมาณค่าปกติ⁴

เลื่อนไปด้านข้างเพื่อดูทุกคอลัมน์

ค่าคอเลสเตอรอล LDL ให้คำตอบที่สอดคล้องกันในตัวประมาณค่าทั้งสามตัว โดยไม่มีสัญญาณที่ชัดเจนของภาวะพลีโอโทรปีแบบมีทิศทาง (ค่าจุดตัด MR-Egger p = 0.072) สำหรับค่าคอเลสเตอรอล HDL ช่วง IVW ไม่รวม 1 ในขณะที่ช่วงค่ามัธยฐานถ่วงน้ำหนักและช่วง MR-Egger รวม 1 และค่าจุดตัด MR-Egger แตกต่างจากศูนย์ (p = 0.005) ผู้เขียนสรุปว่าผลกระทบเชิงสาเหตุของค่า IVW ของคอเลสเตอรอล HDL นั้นน่าสงสัย⁴เมื่อพวกเขาจำกัดการวิเคราะห์เฉพาะตัวแปรที่มีความสัมพันธ์ที่แข็งแกร่งที่สุดกับคอเลสเตอรอล HDL รูปแบบยังคงอยู่: IVW OR 0.87 (0.77 ถึง 0.99), ค่ามัธยฐานถ่วงน้ำหนัก OR 0.94 (0.82 ถึง 1.06), ค่าความชัน MR-Egger OR 1.10 (0.89 ถึง 1.35) (คำนวณโดย Editverse) ⁴

กรณีนี้แสดงให้เห็นว่า:รายงาน IVW เพียงอย่างเดียวจะแสดงผลว่าคอเลสเตอรอล HDL มีผลดีต่อสุขภาพ และตัวประมาณค่าเพิ่มเติมได้เปลี่ยนค่าที่ได้ แต่กรณีนี้ไม่ได้แสดงให้เห็นว่า:คอเลสเตอรอล HDL ไม่มีผลใดๆ เนื่องจากช่วงค่ามัธยฐานถ่วงน้ำหนักและช่วง MR-Egger นั้นกว้าง หรือว่าตัวประมาณค่าถูกต้องเสมอไป เราได้วาดกราฟใหม่จากตัวเลขที่ตีพิมพ์แล้ว และไม่ได้ทำการคำนวณข้อมูล 185 ตัวแปรซ้ำ เนื่องจากเราไม่ได้รับข้อมูลเหล่านั้น

พลีโอโทรปี ภัยคุกคามสำคัญต่อความถูกต้อง

ภาวะพลีโอโทรปีในแนวนอน ซึ่งตัวแปรหนึ่งส่งผลต่อผลลัพธ์โดยผ่านเส้นทางที่ข้ามการสัมผัส ทำให้ข้อจำกัดการยกเว้นถูกละเมิด Verbanck และคณะได้พัฒนา MR-PRESSO เพื่อระบุค่าผิดปกติของพลีโอโทรปีในแนวนอนใน MR ระดับสรุปแบบหลายเครื่องมือ และนำไปใช้กับลักษณะและโรคที่ซับซ้อน พวกเขาพบว่าสามารถตรวจพบพลีโอโทรปีในแนวนอนได้ในความสัมพันธ์เชิงสาเหตุที่มีนัยสำคัญมากกว่า 48% โดยมีการบิดเบือนของการประมาณค่าเชิงสาเหตุโดยเฉลี่ยตั้งแต่ -131% ถึง 201% และความสัมพันธ์เชิงสาเหตุที่เป็นผลบวกเท็จในความสัมพันธ์มากถึง 10% ¹²ตารางที่ 1 ของแนวทาง Burgess ระบุว่า MR-PRESSO มีอัตราผลบวกเท็จสูงมากเมื่อเครื่องมือหลายตัวไม่ถูกต้อง ดังนั้นจึงเป็นการตรวจสอบเพียงหนึ่งในหลายๆ วิธี⁶

การวิเคราะห์ที่น่าเชื่อถือจะต้องตรวจสอบหลายประเด็นร่วมกัน

• การสกัดกั้น MR-Egger และความชันเป็นค่าประมาณความไว¹⁰
• ค่ามัธยฐานถ่วงน้ำหนัก และวิธีการประมาณค่าที่มีประสิทธิภาพอื่นๆ⁴
• ความแตกต่างหลากหลาย แนวทางดังกล่าวแนะนำให้รายงานค่า Cochran's Q หรือค่าสถิติ I² สำหรับการวิเคราะห์แบบพหุพันธุกรรม⁶
• การกรองแบบ Leave-one-out และ Steiger STROBE-MR แสดงรายการกราฟแบบตัดออกหนึ่งรายการ (leave-one-out plots) ไว้ในกลุ่มกราฟเพิ่มเติม³ และการกรองแบบ Steiger จะกำจัดตัวแปรที่มีความสัมพันธ์กับผลลัพธ์มากกว่าความสัมพันธ์กับปัจจัยเสี่ยง⁶
• ชุดตัวเลือกแบบเสรีนิยมและแบบอนุรักษ์นิยม โดยทั่วไปแล้ว ปรากฏการณ์พลีโอโทรปีมีแนวโน้มที่จะทำให้การประมาณค่าเบี่ยงเบนไปจากสมมติฐานว่าง ดังนั้นผลลัพธ์ที่เป็นศูนย์ในการวิเคราะห์แบบเสรีนิยมจึงเป็นหลักฐานที่น่าเชื่อถือมากกว่าว่าสมมติฐานว่างนั้นเป็นจริง⁶

การทับซ้อนของตัวอย่างและอคติจากเครื่องมือที่ไม่แข็งแรง

กลุ่มวิจัยขนาดใหญ่หลายกลุ่มมีผู้เข้าร่วมวิจัยร่วมกัน ดังนั้นชุดข้อมูลการสัมผัสและผลลัพธ์ในการวิเคราะห์แบบสองกลุ่มตัวอย่างจึงอาจทับซ้อนกันได้ เบอร์เจสและคณะได้จำลองสถานการณ์นี้สำหรับผลลัพธ์แบบต่อเนื่องและผลกระทบเชิงสาเหตุที่เป็นศูนย์: การวิเคราะห์แบบกลุ่มตัวอย่างเดียวที่มีอคติสัมพัทธ์ 10% (ซึ่งสอดคล้องกับพารามิเตอร์ F เท่ากับ 10) ลดลงเหลือ 5% เมื่อมีการทับซ้อน 50% และ 3% เมื่อมีการทับซ้อน 30% เนื่องจากอคติเป็นฟังก์ชันเชิงเส้นของสัดส่วนการทับซ้อน⁹ข้อ 10d ของ STROBE-MR ขอให้ผู้เขียนงานวิจัยแบบสองกลุ่มตัวอย่างรายงานจำนวนบุคคลที่ทับซ้อนกันระหว่างการศึกษาการสัมผัสและผลลัพธ์³

ตัวอย่างที่ตีพิมพ์เพิ่มเติม

คอเลสเตอรอล LDL และโรคหลอดเลือดหัวใจ

เฟเรนซ์และคณะได้รวมการศึกษาแบบสุ่มทางพันธุกรรมของโพลีมอร์ฟิซึม 9 ตำแหน่งใน 6 ยีน โดยไม่พบหลักฐานของความแตกต่างกัน ในข้อมูลที่ไม่ซ้ำซ้อนจากผู้เข้าร่วม 312,321 คน การจัดสรรแบบสุ่มตามธรรมชาติให้มีระดับคอเลสเตอรอล LDL ต่ำในระยะยาวมีความสัมพันธ์กับการลดความเสี่ยงของโรคหลอดเลือดหัวใจลง 54.5% (ช่วงความเชื่อมั่น 95% 48.8% ถึง 59.5%) ต่อคอเลสเตอรอล LDL ที่ลดลง 1 มิลลิโมล/ลิตร ซึ่งประมาณ 3 เท่าของการลดลงที่พบระหว่างการรักษาด้วยยาสแตตินที่เริ่มในภายหลัง¹³เบอร์เจสและคณะใช้เพียง 5 ตัวแปรและข้อมูลสรุป ประมาณการว่าการลดคอเลสเตอรอล LDL ลง 30% จะช่วยลดความเสี่ยงของโรคหลอดเลือดหัวใจลง 67% (ช่วงความเชื่อมั่น 95% 54% ถึง 76%) ⁸

การสุ่มแบบเมนเดลของเป้าหมายยา

Gagnon และเพื่อนร่วมงานได้ทำการวิเคราะห์จีโนไทป์และลำดับอาร์เอ็นเอของตัวอย่างตับมนุษย์ 504 ตัวอย่าง และระบุตัวแปร (rs472495) ที่อธิบายการแสดงออกของPCSK9 ในตับได้ 5.6% เพื่อเลียนแบบการรบกวนอาร์เอ็นเอ และใช้PCSK9 R46L เพื่อจำลองการยับยั้งโดยใช้แอนติบอดี สำหรับการลดลงหนึ่งค่าเบี่ยงเบนมาตรฐานของอะโพลิโปโปรตีน B อัตราส่วนความเสี่ยงของโรคหลอดเลือดหัวใจจะอยู่ที่ 0.40 (95% CI 0.31 ถึง 0.51) และ 0.48 (0.43 ถึง 0.55) ตามลำดับ¹⁴

วิตามิน D

ฟางและคณะได้รวบรวมงานวิจัยแบบสุ่มทางพันธุกรรม (Mendelian randomization) จำนวน 133 ฉบับ ครอบคลุมผลลัพธ์ 275 รายการ จนถึงเดือนกันยายน 2022 พบว่าระดับ 25-ไฮดรอกซีวิตามินดีที่สูงในเชิงพันธุกรรมมีความสัมพันธ์กับความเสี่ยงที่ลดลงของโรคปลอกประสาทเสื่อมแข็ง (multiple sclerosis) และผลลัพธ์อื่นๆ รวมถึงความเสี่ยงที่สูงขึ้นของบางโรค เช่น โรคนิ่วในไต ความสัมพันธ์กับโรคปลอกประสาทเสื่อมแข็งมีความสอดคล้องกันในชุดเครื่องมือต่างๆ ในขณะที่ความสัมพันธ์อื่นๆ ส่วนใหญ่ปรากฏเฉพาะกับตัวแปรที่ไม่จำกัดเฉพาะวิถีทางของวิตามินดี และคุณภาพของการศึกษามีความหลากหลาย¹⁵จ้าวและคณะใช้ผู้เข้าร่วมจาก UK Biobank จำนวน 332,984 คน โดย 23,089 คนมีโรคภูมิต้านตนเองอย่างน้อยหนึ่งโรค และรายงานอัตราส่วนความเสี่ยง (odds ratio) ที่ 0.95 (95% CI 0.91 ถึง 0.99) ต่อ 25-ไฮดรอกซีโคลแคลซิเฟอรอลที่สูงขึ้น 10 ng/ml สำหรับกลุ่มที่มีการอักเสบจากภูมิคุ้มกันตนเอง แต่ไม่ใช่กลุ่มที่มีภูมิคุ้มกันตนเอง¹⁶

แอลกอฮอล์และโรคหลอดเลือดในประเทศจีน

มิลล์วูดและเพื่อนร่วมงานได้ทำการวิเคราะห์จีโนไทป์ของผู้เข้าร่วม 161,498 คนจากธนาคารชีวภาพจีนคาดูรี สำหรับ ยีน ALDH2 -rs671 และADH1B -rs1229984 การบริโภคที่รายงานด้วยตนเองมีความสัมพันธ์แบบรูปตัวยูกับโรคหลอดเลือดสมองและกล้ามเนื้อหัวใจตายในผู้ชาย แต่การบริโภคที่ทำนายจากจีโนไทป์ไม่มีความสัมพันธ์ดังกล่าว ความเสี่ยงสัมพัทธ์ต่อการบริโภค 280 กรัมต่อสัปดาห์อยู่ที่ 1.58 (1.36 ถึง 1.84) สำหรับภาวะเลือดออกในสมอง 1.27 (1.13 ถึง 1.43) สำหรับโรคหลอดเลือดสมองตีบ และ 0.96 (0.78 ถึง 1.18) สำหรับกล้ามเนื้อหัวใจตาย ผู้เขียนสรุปว่าผลที่เห็นได้ชัดว่าเป็นการป้องกันโรคหลอดเลือดสมองจากการดื่มแอลกอฮอล์ในปริมาณปานกลางนั้นส่วนใหญ่ไม่ใช่สาเหตุโดยตรง¹⁷

ควรใช้การสุ่มแบบเมนเดลเมื่อใด?

• การทดลองแบบสุ่มไม่สามารถทำได้จริง วิธีการนี้มีประโยชน์มากที่สุดเมื่อไม่สามารถทำการทดลองแบบสุ่มได้ และการศึกษาเชิงสังเกตมีอคติเนื่องจากตัวแปรแทรกซ้อนหรือสาเหตุย้อนกลับ²
• คุณจำเป็นต้องตรวจสอบเป้าหมายของยา มีการนำ MR มาใช้ในการทำนายประสิทธิภาพและความปลอดภัยของยาที่มุ่งเป้าไปที่ปัจจัยเสี่ยงของโรคหัวใจและหลอดเลือด รวมถึงการสำรวจการนำยาที่มีอยู่แล้วมาใช้ใหม่¹⁸
• มีข้อมูลสรุปที่มีขนาดเหมาะสมอยู่แล้ว ข้อมูลสรุป GWAS ที่เผยแพร่สู่สาธารณะช่วยให้สามารถใช้การออกแบบสองกลุ่มตัวอย่างได้โดยไม่ต้องระบุจีโนไทป์ของแต่ละบุคคล⁶

วิธีการนี้ไม่เหมาะสมเมื่อไม่สามารถหาเหตุผลสนับสนุนตัวแปรทางพันธุกรรมใดๆ มาใช้เป็นเครื่องมือในการประเมินความเสี่ยงได้ เนื่องจากสมมติฐานเรื่องความเกี่ยวข้องจะล้มเหลว หรือเมื่อข้อมูลที่มีอยู่มีน้อยเกินไป เพราะการศึกษาแบบ MR มักมีกำลังการทดสอบต่ำ⁶หากคุณกำลังเลือกระหว่างการออกแบบทางพันธุกรรมกับการวิเคราะห์แบบสำรวจหรือทะเบียนข้อมูล ให้ตรวจสอบว่าควรใช้ฐานข้อมูลสุขภาพใดในการศึกษาของคุณ

วิธีการดำเนินการศึกษาแบบสุ่มทางพันธุกรรม (Mendelian randomization)

1. 1ระบุสมมติฐานเชิงสาเหตุ ข้อ 2 และ 3 ของแบบสอบถาม STROBE-MR ถามถึงเหตุผลว่าทำไม MR จึงเป็นวิธีการที่มีประโยชน์ และวัตถุประสงค์เฉพาะ รวมถึงสมมติฐานเชิงสาเหตุที่กำหนดไว้ล่วงหน้า³
2. 2เลือกแบบและข้อมูล ตัดสินใจว่าจะใช้ข้อมูลตัวอย่างเดียวหรือสองตัวอย่าง และข้อมูลระดับบุคคลหรือข้อมูลสรุป⁶
3. 3เลือกตัวเลือกต่างๆ แนวทางทั่วไปคือการรวมตัวแปรที่เกี่ยวข้องกับการสัมผัสที่ระดับนัยสำคัญทั่วทั้งจีโนม โดยทั่วไปค่า P ต่ำกว่า 5 10 ×^-8การเลือกใช้ชุดข้อมูลเดียวกันกับการวิเคราะห์อาจก่อให้เกิดความเสี่ยงต่อปรากฏการณ์ "คำสาปของผู้ชนะ" และทำให้ความลำเอียงจากเครื่องมือที่อ่อนแอแย่ลงไปอีก⁶
4. 4ปรับสมดุลอัลลีล จัดเรียงอัลลีลที่เกี่ยวข้องกับการสัมผัสและผลลัพธ์ สำหรับตัวแปรแบบพาลินโดรม (A/T หรือ C/G) ที่มีความถี่ของอัลลีลใกล้เคียง 50% นักวิเคราะห์อาจตัดตัวแปรนั้นทิ้งหากไม่สามารถตรวจสอบทิศทางได้⁶
5. 5ดำเนินการวิเคราะห์ข้อมูลเบื้องต้นและการวิเคราะห์ความไว ใช้ IVW เป็นตัวประมาณค่าหลักสำหรับตัวแปรหลายตัว จากนั้นจึงใช้ตัวประมาณค่าที่แข็งแกร่ง สถิติความแปรปรวน และแผนภาพ⁶
6. 6รายงานถึง STROBE-MR. รายการตรวจสอบประกอบด้วยรายการหลัก 20 รายการ และรายการย่อย 30 รายการ รวมถึงเวอร์ชันซอฟต์แวร์และแพ็กเกจ (รายการ 9a) สถานะการลงทะเบียนล่วงหน้า (รายการ 9b) และการแบ่งปันข้อมูลและรหัส (รายการ 19)^19,3

คำแถลง STROBE-MR ขยายความตรรกะทั่วไปของแนวทางการรายงาน STROBE

แหล่งข้อมูลและซอฟต์แวร์สำหรับการวิเคราะห์ MR

คำอธิบายด้านล่างนี้คัดมาจากหน้าเว็บของแต่ละแหล่งข้อมูล โดยอ่านเมื่อวันที่ 4 พฤศจิกายน 2026

เลื่อนไปด้านข้างเพื่อดูทุกคอลัมน์

ข้อผิดพลาดทั่วไปในการสุ่มแบบเมนเดล

• ไม่ได้รายงานความแข็งแรงของเครื่องมือ รายงานค่า R² และค่าสถิติ F และโปรดจำไว้ว่ากฎทั่วไปที่ว่าค่า F มากกว่า 10 นั้นอาจทำให้เข้าใจผิดได้^6,7
• รายงานเฉพาะค่าประมาณ IVW เท่านั้น กรณีคอเลสเตอรอล HDL ข้างต้นแสดงให้เห็นว่าเครื่องมือประเมินเพียงตัวเดียวอาจทำให้เกิดความเข้าใจผิดได้⁴
• ไม่สนใจการทับซ้อนของตัวอย่าง รายงานจำนวนบุคคลที่มีข้อมูลซ้ำซ้อน และคาดว่าอคติจะแตกต่างกันไปตามระดับความซ้ำซ้อน^9,3
• การผสมผสานประชากรโดยไม่ระมัดระวัง หากตัวอย่างทั้งสองมาจากกลุ่มชาติพันธุ์ที่แตกต่างกัน รูปแบบของภาวะไม่สมดุลของการเชื่อมโยงทางพันธุกรรมก็อาจแตกต่างกันไปด้วย ดังนั้นตัวแปรทางพันธุกรรมอาจมีความสัมพันธ์กับปัจจัยเสี่ยงในชุดข้อมูลผลลัพธ์น้อยลง⁶
• การอ่านช่วงค่าว่างที่กว้างหมายถึงไม่มีผลกระทบใดๆ ค่าศูนย์ในกรณีของ HDL มาพร้อมกับช่วงตั้งแต่ประมาณ 0.8 ถึง 1.2 ซึ่งสอดคล้องกับผลกระทบเล็กน้อยในทั้งสองทิศทาง⁴
• ใช้ภาษาเชิงสาเหตุอย่างไม่เคร่งครัดนัก ข้อที่ 16 ของ STROBE-MR ขอให้ผู้เขียนใช้ภาษาที่แสดงถึงความสัมพันธ์เชิงสาเหตุอย่างระมัดระวัง และชี้แจงให้ชัดเจนว่าการประมาณค่าอาจแสดงผลกระทบเชิงสาเหตุได้ภายใต้สมมติฐานบางประการเท่านั้น³

การสุ่มแบบเมนเดลเทียบกับวิธีการอนุมานเชิงสาเหตุอื่นๆ

ตารางนี้แสดงคุณลักษณะเด่นของแต่ละการออกแบบสำหรับปัญหาทั้งสองที่ MR มุ่งหมายจะแก้ไข

เลื่อนไปด้านข้างเพื่อดูทุกคอลัมน์

เนื่องจากการออกแบบแต่ละแบบมีแหล่งที่มาของอคติที่แตกต่างกัน การใช้สามเหลี่ยมในการตรวจสอบจะช่วยเสริมความมั่นใจเมื่อวิธีการเหล่านั้นสอดคล้องกัน และ MR สามารถใช้เป็นส่วนหนึ่งของการตรวจสอบได้^{25 , 5}สำหรับข้อมูลพื้นฐานที่เกี่ยวข้อง โปรดดูคู่มือของเราเกี่ยวกับการจับคู่คะแนนความโน้มเอียงและการอนุมานเชิงสาเหตุในระบาดวิทยา

ต้องการดำเนินการวิเคราะห์หรือตรวจสอบผลหรือไม่? โปรดติดต่อ Editverse

ผู้เชี่ยวชาญเฉพาะด้านของ Editverse ทำงานโดยยึดหลักแนวทางของ COPE, ICMJE และ GPP 2022 พร้อมทั้งปฏิบัติตามหลักจริยธรรมเฉพาะสถาบันและเฉพาะประเทศด้วย

แก้ไข

การศึกษาแบบสุ่มเมนเดล

ต้องการงานวิจัย MR แบบสองกลุ่มตัวอย่างฉบับสมบูรณ์ที่สร้างขึ้นตามมาตรฐานวารสารวิชาการหรือไม่?

คุณส่งข้อมูลต่อไปนี้มาให้เรา:ข้อมูลเกี่ยวกับปัจจัยเสี่ยง ผลลัพธ์ และคำถามเกี่ยวกับสาเหตุ สถิติสรุปเป็นข้อมูลสาธารณะ เราเป็นผู้จัดหาให้

คุณจะได้รับ:การศึกษา MR สองกลุ่มตัวอย่างพร้อมการวัดความแรงของเครื่องมือ การกรองแบบ Steiger ตัวประมาณค่าที่ทนทานต่อภาวะพลีโอโทรปีสี่ตัว การตรวจจับค่าผิดปกติ MR-PRESSO การวิเคราะห์ PheWAS ของเครื่องมือ และการทำซ้ำอย่างอิสระ รวมถึงต้นฉบับที่สมบูรณ์ แผนภาพกระจายและแผนภาพกรวย โค้ด TwoSampleMR ที่สามารถใช้งานได้ และรายการตรวจสอบ STROBE-MR

กำหนดเวลา: เมื่อคุณต้องการให้ดำเนินการศึกษาทั้งหมดและจัดทำรายงาน 15 วันทำการ

การศึกษาแบบสุ่มทางพันธุกรรม (Mendelian Randomization Study) · 2,900 ดอลลาร์สหรัฐ

วางแผนการศึกษา MR ของฉัน →

แก้ไข

การตรวจสอบความเป็นไปได้

ไม่แน่ใจว่าการออกแบบ MR จะสามารถตอบคำถามของคุณได้หรือไม่?

คุณส่ง:คำถามวิจัยของคุณ

คุณจะได้รับ:คำแนะนำเป็นลายลักษณ์อักษรว่าคำถามนั้นได้รับการตอบแล้วหรือไม่ ข้อมูลสนับสนุนได้หรือไม่ และคุณมีกำลังการวิเคราะห์เพียงพอหรือไม่ รวมถึงความแข็งแกร่งของเครื่องมือสำหรับการออกแบบการสุ่มแบบเมนเดล (Mendelian randomization design) โดยจะได้รับเครดิตเต็มจำนวนสำหรับการศึกษาใดๆ ที่คุณว่าจ้างภายในหกเดือน

ช่วงเวลา:ก่อนที่คุณจะตัดสินใจเข้าร่วมการศึกษา 5 วันทำการ

การประเมินความเป็นไปได้และขั้นตอนการดำเนินงาน · 450 ดอลลาร์สหรัฐ

ตรวจสอบความเป็นไปได้ก่อน →

แก้ไข

การวิเคราะห์ทางสถิติ

มีข้อมูลอยู่แล้วและต้องการให้ทำการวิเคราะห์ใน R ใช่หรือไม่?

คุณส่งข้อมูลของคุณ คำถามวิจัย และซอฟต์แวร์ที่คุณต้องการใช้มาได้เลย

คุณจะได้รับ:การวิเคราะห์ทางสถิติโดยใช้ซอฟต์แวร์ที่คุณต้องการ (SPSS, R, STATA หรือ SAS) พร้อมโค้ดที่มีคำอธิบายประกอบ ไฟล์ผลลัพธ์ที่สมบูรณ์ และคู่มือการตีความ

เมื่อไหร่:คุณต้องการผลลัพธ์ที่พร้อมสำหรับการตีพิมพ์ภายใน 4-6 วันทำการ

การวิเคราะห์ทางสถิติด้วย SPSS/R/STATA · 400 ดอลลาร์สหรัฐ

เริ่มการวิเคราะห์ของฉัน →

คำถามที่พบบ่อยเกี่ยวกับการสุ่มแบบเมนเดล

การสุ่มแบบเมนเดล (Mendelian randomization) เหมือนกับการทดลองแบบสุ่มที่มีกลุ่มควบคุม (randomized controlled trial) หรือไม่?

ไม่ การสุ่มแบบเมนเดล (Mendelian randomization) ใช้ได้กับข้อมูลจากการสังเกต และถือว่าตัวแปรทางพันธุกรรมที่ถ่ายทอดทางกรรมพันธุ์เป็นเครื่องมือ อัลลีลถูกส่งต่อจากพ่อแม่ไปยังลูกหลานโดยการแยกตัวแบบสุ่ม ซึ่งคล้ายกับการจัดสรรการรักษาแบบสุ่มในการทดลอง และควรลดปัจจัยรบกวนลง การประมาณค่านี้ยังขึ้นอยู่กับสมมติฐานที่การทดลองไม่จำเป็นต้องใช้ ดังนั้นจึงเป็นการเสริมหลักฐานจากการทดลอง ไม่ใช่การแทนที่หลักฐานจากการทดลอง

ข้อสมมติฐานหลักสามประการของการสุ่มแบบเมนเดลคืออะไร?

ความเกี่ยวข้อง ความเป็นอิสระ และข้อจำกัดในการยกเว้น กล่าวโดยง่ายคือ ตัวแปรนั้นเกี่ยวข้องกับการสัมผัส ไม่ได้เกี่ยวข้องกับผลลัพธ์ผ่านกลไกการรบกวน และไม่ส่งผลต่อผลลัพธ์ ยกเว้นอาจจะผ่านการสัมผัส ข้อ 5 ของ STROBE-MR ขอให้ผู้เขียนระบุสิ่งเหล่านี้อย่างชัดเจน

ฉันจำเป็นต้องมีข้อมูลจีโนไทป์ระดับบุคคลเพื่อใช้ในการวิเคราะห์แบบเมนเดลแรนติเซชันหรือไม่?

ไม่เหมาะสำหรับการวิเคราะห์แบบสองกลุ่มตัวอย่าง ซึ่งสามารถใช้ข้อมูลสรุปที่เผยแพร่แล้วเกี่ยวกับความสัมพันธ์ของแต่ละตัวแปรกับปัจจัยเสี่ยงและผลลัพธ์ได้ จำเป็นต้องใช้ข้อมูลระดับบุคคลในการวิเคราะห์แบบกลุ่มตัวอย่างเดียวเพื่อตรวจสอบผลกระทบที่ไม่เป็นเชิงเส้น ข้อดีในทางปฏิบัติของข้อมูลสรุปที่เผยแพร่ต่อสาธารณะคือบุคคลที่สามสามารถทำการวิเคราะห์ซ้ำได้

การสุ่มแบบเมนเดลโดยใช้กลุ่มตัวอย่างเดียวกับการสุ่มแบบเมนเดลโดยใช้กลุ่มตัวอย่างสองกลุ่มแตกต่างกันอย่างไร?

ในการวิเคราะห์แบบกลุ่มตัวอย่างเดียว ข้อมูลเกี่ยวกับปัจจัยเสี่ยงและผลลัพธ์มาจากแหล่งข้อมูลเดียว ในการวิเคราะห์แบบสองกลุ่มตัวอย่าง ข้อมูลมาจากชุดข้อมูลที่ไม่ทับซ้อนกัน ทิศทางของอคติจากเครื่องมือที่ไม่แข็งแรงจึงแตกต่างกัน โดยจะเอนเอียงไปทางความสัมพันธ์ที่ซับซ้อนในกรณีการวิเคราะห์แบบกลุ่มตัวอย่างเดียว และเอนเอียงไปทางค่าว่างในกรณีการวิเคราะห์แบบสองกลุ่มตัวอย่างโดยไม่มีการทับซ้อนกันของกลุ่มตัวอย่าง

เหตุใดจึงต้องรายงานค่าประมาณที่มากกว่าค่าประมาณถ่วงน้ำหนักตามส่วนกลับของความแปรปรวน?

เนื่องจากวิธีการถ่วงน้ำหนักแบบผกผันความแปรปรวนจะให้ค่าประมาณที่สอดคล้องกันก็ต่อเมื่อตัวแปรทั้งหมดถูกต้องหรือภาวะพลีโอโทรปีสมดุลกัน ในตัวอย่างไขมันที่ตีพิมพ์ข้างต้น อัตราส่วนความน่าจะเป็นแบบ IVW สำหรับคอเลสเตอรอล HDL คือ 0.78 ในขณะที่ค่ามัธยฐานแบบถ่วงน้ำหนักให้ค่า 0.93 และ MR-Egger ให้ค่า 0.99 โดยมีช่วงความเชื่อมั่นที่รวม 1 การรายงานค่าประมาณหลายค่าช่วยให้ผู้อ่านเห็นว่าผลลัพธ์ขึ้นอยู่กับวิธีการใดวิธีการหนึ่ง

ค่า MR-Egger intercept บอกอะไรฉันบ้าง?

ในการวิเคราะห์การถดถอยแบบ MR-Egger ค่าจุดตัดจะประมาณค่าเฉลี่ยของผลกระทบแบบหลายยีน (pleiotropic effect) ในทุกตัวแปร และค่าความชันจะให้ค่าประมาณเชิงสาเหตุ ค่าจุดตัดที่แตกต่างจากศูนย์บ่งชี้ถึงผลกระทบแบบหลายยีนที่มีทิศทาง วิธีนี้จำเป็นต้องใช้สมมติฐาน InSIDE ที่ว่าผลกระทบแบบหลายยีนเป็นอิสระจากความสัมพันธ์ระหว่างตัวแปรและการสัมผัส และมักจะมีประสิทธิภาพน้อยกว่าวิธีการประมาณค่าอื่นๆ

STROBE-MR ต้องการอะไรบ้าง?

STROBE-MR เป็นแนวทางการรายงานที่มีรายการหลัก 20 รายการและรายการย่อย 30 รายการ ตัวอย่างเช่น การระบุข้อสมมติฐานตัวแปรเครื่องมือสามประการ (รายการที่ 5) การอธิบายวิธีการประเมินข้อสมมติฐาน (รายการที่ 7) การรายงานการวิเคราะห์ความไว (รายการที่ 8 และ 13) และสำหรับแบบแผนสองกลุ่มตัวอย่าง จำนวนบุคคลที่ซ้ำกันระหว่างการศึกษาการสัมผัสและการศึกษาผลลัพธ์ (รายการที่ 10d)

การสุ่มแบบเมนเดลสามารถพิสูจน์ความสัมพันธ์เชิงสาเหตุได้หรือไม่?

การทดสอบแบบสุ่มเมนเดล (Mendelian randomization) เพียงอย่างเดียวไม่เพียงพอ การทดสอบนี้ใช้สมมติฐานเชิงสาเหตุภายใต้ข้อสมมติเฉพาะบางประการ และข้อสมมติเหล่านั้นบางส่วนไม่สามารถตรวจสอบได้อย่างครบถ้วน จึงควรใช้ภาษาที่แสดงถึงสาเหตุอย่างระมัดระวัง รายงานการวิเคราะห์ความไว และถือว่าผลลัพธ์เป็นเพียงหลักฐานส่วนหนึ่งในการตรวจสอบความถูกต้องร่วมกับการออกแบบการวิจัยอื่นๆ

อ้างอิง

1. Davey Smith G, Ebrahim S. 'การสุ่มแบบเมนเดล': ระบาดวิทยาทางพันธุกรรมสามารถช่วยให้เข้าใจปัจจัยด้านสิ่งแวดล้อมที่ก่อให้เกิดโรคได้หรือไม่? วารสารระบาดวิทยานานาชาติ 2003;32(1):1-22. PMID 12689998. doi.org/10.1093/ije/dyg070
2. Sekula P, Del Greco MF, Pattaro C, Kottgen A. การสุ่มแบบเมนเดลเป็นแนวทางในการประเมินความสัมพันธ์เชิงสาเหตุโดยใช้ข้อมูลจากการสังเกต วารสารสมาคมโรคไตแห่งอเมริกา 2016;27(11):3253-3265. PMID 27486138. doi.org/10.1681/ASN.2016010098
3. Skrivankova VW, Richmond RC, Woolf BAR และคณะ การเสริมสร้างความเข้มแข็งในการรายงานการศึกษาเชิงสังเกตในระบาดวิทยาโดยใช้การสุ่มแบบเมนเดล (STROBE-MR): คำอธิบายและการขยายความ BMJ 2021;375:n2233. การเข้าถึงแบบเปิด, CC BY 4.0. doi.org/10.1136/bmj.n2233
4. Bowden J, Davey Smith G, Haycock PC, Burgess S. การประมาณค่าที่สอดคล้องกันในการสุ่มแบบเมนเดลด้วยเครื่องมือที่ไม่ถูกต้องบางส่วนโดยใช้ตัวประมาณค่ามัธยฐานแบบถ่วงน้ำหนัก Genet Epidemiol. 2016;40(4):304-314. การเข้าถึงแบบเปิด, CC BY 4.0; อัตราส่วนความน่าจะเป็น ช่วงความเชื่อมั่น และค่า p คำนวณใหม่โดย Editverse ใน R จากตารางที่ 4 doi.org/10.1002/gepi.21965
5. Sanderson E, Glymour MM, Holmes MV และคณะ การสุ่มแบบเมนเดล คู่มือเบื้องต้นเกี่ยวกับวิธีการ Nat Rev 2022;2:6. PMID 37325194. doi.org/10.1038/s43586-021-00092-5
6. Burgess S, Davey Smith G, Davies NM และคณะ แนวทางการดำเนินการวิจัยแบบสุ่มทางพันธุกรรม: ฉบับปรับปรุงสำหรับฤดูร้อนปี 2023 Wellcome เปิด Res. 2019;4:186 (เวอร์ชัน 3). การเข้าถึงแบบเปิด, CC BY 4.0. doi.org/10.12688/wellcomeopenres.15555.3
7. Burgess S, Thompson SG. การหลีกเลี่ยงอคติจากเครื่องมือที่ไม่แข็งแรงในการศึกษาแบบสุ่มทางพันธุกรรม (Mendelian randomization) วารสารระบาดวิทยานานาชาติ 2011;40(3):755-764. PMID 21414999. doi.org/10.1093/ije/dyr036
8. Burgess S, Butterworth A, Thompson SG. การวิเคราะห์แบบสุ่มทางพันธุกรรมด้วยตัวแปรทางพันธุกรรมหลายตัวโดยใช้ข้อมูลสรุป Genet Epidemiol. 2013;37(7):658-665. PMID 24114802. doi.org/10.1002/gepi.21758
9. Burgess S, Davies NM, Thompson SG. อคติเนื่องจากการทับซ้อนของผู้เข้าร่วมในการสุ่มแบบเมนเดลสองกลุ่มตัวอย่าง Genet Epidemiol. 2016;40(7):597-608. การเข้าถึงแบบเปิด, CC BY 4.0; ตรวจสอบความสัมพันธ์เชิงเส้นโดย Editverse ใน R. doi.org/10.1002/gepi.21998
10. Bowden J, Davey Smith G, Burgess S. การสุ่มแบบเมนเดลด้วยเครื่องมือที่ไม่ถูกต้อง: การประมาณผลกระทบและการตรวจจับอคติผ่านการถดถอยของ Egger วารสารระบาดวิทยานานาชาติ 2015;44(2):512-525. PMID 26050253. doi.org/10.1093/ije/dyv080
11. Sanderson E. การสุ่มแบบเมนเดลหลายตัวแปรและการไกล่เกลี่ย 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. การตรวจจับพลีโอโทรปีแนวนอนที่แพร่หลายในความสัมพันธ์เชิงสาเหตุที่อนุมานได้จากการสุ่มแบบเมนเดลระหว่างลักษณะที่ซับซ้อนและโรคต่างๆ Nat Genet 2018;50(5):693-698. PMID 29686387. doi.org/10.1038/s41588-018-0099-7
13. Ference BA, Yoo W, Alesh I และคณะ ผลกระทบของการได้รับคอเลสเตอรอลชนิดไลโปโปรตีนความหนาแน่นต่ำในระดับต่ำเป็นระยะเวลานานตั้งแต่ช่วงต้นของชีวิตต่อความเสี่ยงของโรคหลอดเลือดหัวใจ: การวิเคราะห์แบบสุ่มทางพันธุกรรม (Mendelian randomization analysis) 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 และคณะ การแทรกแซง RNA เทียบกับการยับยั้ง PCSK9 โดยใช้แอนติบอดีเพื่อป้องกันโรคหัวใจและหลอดเลือด: การศึกษาแบบสุ่มทางพันธุกรรมเป้าหมายยา 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. วิตามินดีและสุขภาพของมนุษย์: หลักฐานจากการศึกษาแบบสุ่มทางพันธุกรรม (Mendelian randomization studies) เออร์ เจ เอพิเดมิออล. 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. ความสัมพันธ์ระหว่างวิตามินดีและโรคภูมิต้านตนเอง: การวิเคราะห์แบบสุ่มทางพันธุกรรม (Mendelian randomization analysis) โรคข้ออักเสบเซมิน 2023;62:152238. PMID 37437450. doi.org/10.1016/j.semarthrit.2023.152238
17. Millwood IY, Walters RG, Mei XW และคณะ หลักฐานแบบดั้งเดิมและทางพันธุกรรมเกี่ยวกับสาเหตุของโรคหลอดเลือดที่เกิดจากแอลกอฮอล์: การศึกษาเชิงพยากรณ์ในผู้ชายและผู้หญิง 500,000 คนในประเทศจีน มีดหมอ 2019;393(10183):1831-1842. การเข้าถึงแบบเปิด, CC BY 4.0 doi.org/10.1016/S0140-6736(18)31772-0
18. Larsson SC, Butterworth AS, Burgess S. การสุ่มแบบเมนเดลสำหรับโรคหัวใจและหลอดเลือด: หลักการและการประยุกต์ใช้ Eur Heart J. 2023;44(47):4913-4924. PMID 37935836. doi.org/10.1093/eurheartj/ehad736
19. Skrivankova VW, Richmond RC, Woolf BAR และคณะ การเสริมสร้างความเข้มแข็งในการรายงานการศึกษาเชิงสังเกตในระบาดวิทยาโดยใช้การสุ่มแบบเมนเดล: คำแถลง STROBE-MR JAMA 2021;326(16):1614-1621. PMID 34698778. doi.org/10.1001/jama.2021.18236
20. หน่วยระบาดวิทยาเชิงบูรณาการ MRC. OpenGWAS (หน้าหลัก อ่านเมื่อวันที่ 4 พฤศจิกายน 2026) gwas.mrcieu.ac.uk/
21. FinnGen. หน้าหลักโครงการ (อ่านเมื่อ 4 พฤศจิกายน 2026) www.finngen.fi/en
22. แคตตาล็อก NHGRI-EBI GWAS หน้าหลัก (อ่านเมื่อ 4 พฤศจิกายน 2026) www.ebi.ac.uk/gwas/
23. หน่วยระบาดวิทยาเชิงบูรณาการ MRC เอกสารประกอบการใช้งาน TwoSampleMR (เวอร์ชัน 0.7.13 ณ วันที่ 4 พฤศจิกายน 2026) mrcieu.github.io/TwoSampleMR/
24. CRAN. หน้าแพ็กเกจ MendelianRandomization (เวอร์ชัน 0.10.0 เผยแพร่เมื่อ 12 เมษายน 2024 อ่านเมื่อ 4 พฤศจิกายน 2026) cran.r-project.org/package=MendelianRandomization
25. Lawlor DA, Tilling K, Davey Smith G. การใช้สามเหลี่ยมในการวิเคราะห์ระบาดวิทยาเชิงสาเหตุ วารสารระบาดวิทยานานาชาติ 2016;45(6):1866-1886. PMID 28108528. doi.org/10.1093/ije/dyw314

ทีมวิจัย Editverse | อัปเดต พฤศจิกายน 2026