孟德尔随机化：假设、方法和实际案例

发布日期：2026年7月9日|最后更新日期：2026年11月3日

快速回答： 孟德尔随机化 (MR) 使用遗传变异作为工具变量来检验暴露是否会导致结果，这可以减少混杂因素和反向因果关系造成的偏倚。¹^,² 一个结果的可信度取决于三个假设：相关性、独立性和排他性限制。³ 在已发表的 CC BY 示例（185 个基因变异、血脂和冠状动脉疾病）中，逆方差加权估计使 HDL 胆固醇看起来具有保护作用（OR 0.78，95% CI 0.68 至 0.89），但加权中位数（OR 0.93，95% CI 0.81 至 1.07）和 MR-Egger（OR 0.99，95% CI 0.79 至 1.24）则没有。⁴ 我们使用 R 语言根据已发表的估计值重新计算了比值比和区间；我们没有重新分析变异水平的数据。运行多个估计器，而不是一个。

什么是孟德尔随机化？

孟德尔随机化是一种利用遗传变异来探究可改变的暴露因素（例如低密度脂蛋白胆固醇）是否会导致冠状动脉疾病等结局的方法。它建立在孟德尔遗传定律和工具变量估计的基础上，即使某些混杂因素从未被测量，也能估计因果效应。 ^5最初的论点是，在配子形成和受孕过程中，基因从父母随机分配给后代，这意味着模拟与暴露因素生物学联系的多态性通常不易受到反向因果关系或混杂因素的影响，而这些因素会扭曲传统的观察性研究。 ^1

简单来说：如果偶然分配了一个影响低密度脂蛋白胆固醇等暴露的变异，那么比较有该变异的人和没有该变异的人，就像比较抛硬币得到的两组人一样，前提是该变异仅通过该暴露影响结果。

所有分析都由三个相互关联的部分构成。

该乐器。 与暴露相关的一个或多个基因变异。
曝光。 研究的可改变风险因素，例如低密度脂蛋白胆固醇。
结果。 感兴趣的疾病或特征，例如冠状动脉疾病。

该方法存在一些局限性，早期的综述已经指出：与变异体连锁不平衡的多态性造成的混淆、具有多种表型效应的多态性、许多暴露因素缺乏合适的多态性，以及发育过程中遗传效应的缓冲作用（即通道化）。 ^1

孟德尔随机化研究背后的三个核心假设

STROBE-MR 第 5 项要求作者明确陈述主要分析的三个核心工具变量假设，以及任何附加分析或敏感性分析的假设。第 7 项要求他们描述用于评估这些假设的方法或先验知识^。3

左右滑动即可查看每一列。

假设	简单来说	如何探测
相关性	该变异与暴露有关。	报告解释方差（R²），尤其是在单样本设置中，报告 F 统计量作为工具强度的度量。⁶
独立	该变异与结果之间不存在混杂因素。	有效性取决于与人群层面混杂因素的独立性；在数据和统计能力允许的情况下，可以进行家庭内部分析。⁶
排除限制	除可能通过暴露途径影响结果外，该变异不会影响结果。	多效性检查：MR-Egger、加权中位数、异质性统计和异常值方法，如下所述。

这些假设与伯吉斯及其同事在其指南中列出的假设相同：该变异与暴露相关，由于混杂途径，它与结局无关，并且它不会影响结局，除非可能通过暴露途径。 ^6

薄弱的工具

弱工具变量会使估计值偏向于混杂的观察关联，且偏差的大小取决于F统计量。Burgess和Thompson还指出，F值大于10即可避免偏差的常用经验法则具有误导性。 ⁷ 在对不相关变异和汇总数据进行模拟时，Burgess及其同事发现，当每个变异与风险因素关联的P值均小于0.00001时，弱工具变量的偏差很小。 ⁸ 我们关于工具变量方法的姊妹篇文章涵盖了遗传学以外的一般逻辑。

单样本、双样本和多变量设计及其估计量

在单样本分析中，风险因素和结果的数据均来自同一来源。在双样本分析中，它们来自互不重叠的数据集。9^公开的汇总数据使双样本分析更加透明，因为拥有相同数据的第三方可以复现该分析，而单样本分析则需要个体层面的数据来研究非线性效应。6^弱工具变量偏差也不同：在单样本分析中，它倾向于混淆关联；而在互不重叠的双样本分析中，它倾向于零假设^。6

通常会同时运行多个估算器。

逆方差加权（IVW） 是最常用的方法，并有多种变体。它是最有效的方法，但如果平均多效性效应不为零，则该方法存在偏差。⁶ 可以从汇总数据中获得，即变异特异性关联的逆方差加权平均值。⁸
MR-Egger回归 该方法将斜率作为因果估计值，截距作为平均多效性效应。它允许每个变异体都具有多效性，但需要 InSIDE 假设，而且通常效率较低。¹⁰^,⁶
加权中位数 即使高达 50% 的信息来自无效工具，结果仍然一致。⁴
多变量磁共振 使用与多个相关暴露相关的变异来估计每个暴露对一个结果的影响，并且可用于在 MR 框架内估计中介作用。¹¹

有关将这些估计器与不同类型的多效性进行比较的模拟，请参阅 Editverse 的文章，了解这四个估计器分别可以保护您免受哪些影响。

真实案例：高密度脂蛋白胆固醇和低密度脂蛋白胆固醇与冠状动脉疾病

Bowden及其同事发表了一篇开放获取论文（CC BY 4.0），该论文使用来自全球脂质遗传学联盟的脂质关联数据和来自CARDIoGRAM联盟的冠状动脉疾病关联数据，对Do及其同事提供的185个遗传变异的汇总数据进行了加权中位数与IVW和MR-Egger方法的比较。 ⁴ 估计值是每升高1个标准差的脂质水平的对数比值比。我们从他们的表4（所有与暴露相关的、达到全基因组显著性的变异列）中提取了估计值和标准误差，并使用R语言中的正态近似法重新计算了比值比、95%置信区间和p值。 ^{4 }

基于孟德尔随机化估计的冠状动脉疾病风险比（每升高1个标准差的血脂）森林图。低密度脂蛋白胆固醇：IVW 1.62，加权中位数 1.58，MR-Egger 1.85。高密度脂蛋白胆固醇：IVW 0.78，加权中位数 0.93，MR-Egger 0.99，MR-Egger 截距提示存在多效性。 — 每升高 1 个标准差的血脂，冠状动脉疾病的风险比。来源：Bowden 等人，2016 年（CC BY 4.0），表 4；风险比和区间由 Editverse 在 R 中计算。

左右滑动即可查看每一列。

估计	低密度脂蛋白胆固醇，OR（95% CI）	高密度脂蛋白胆固醇，OR（95% CI）
逆方差加权	1.62 (1.44 到 1.82)	0.78 (0.68 到 0.89)
加权中位数	1.58 (1.39 到 1.80)	0.93 (0.81 到 1.07)
MR-Egger斜率	1.85 (1.51 到 2.27)	0.99 (0.79 到 1.24)
MR-Egger截距（标准误），计算p值	-0.009 (0.005)，p = 0.072	-0.014 (0.005)，p = 0.005

在所有三种估计方法中，低密度脂蛋白胆固醇 (LDL-C) 的结果一致，未发现明显的方向性多效性（MR-Egger 截距 p = 0.072）。对于高密度脂蛋白胆固醇 (HDL-C)，IVW 区间不包含 1，而加权中位数区间和 MR-Egger 区间均包含 1，且 MR-Egger 截距与零存在显著差异 (p = 0.005)。作者由此得出结论，HDL-C 的 IVW 因果效应值得怀疑。 ^4当他们将分析限制在与 HDL-C 关联最强的变异位点时，结果仍然相同：IVW OR 为 0.87（0.77 至 0.99），加权中位数 OR 为 0.94（0.82 至 1.06），MR-Egger 斜率 OR 为 1.10（0.89 至 1.35）（由 Editverse 计算）。 ^{4 }

本案例表明：仅使用IVW（个体间变异系数）的报告会将高密度脂蛋白胆固醇（HDL-C）呈现为保护性因素，而额外的估计值改变了这一结果。本案例并未表明： HDL-C没有作用，因为加权中位数和MR-Egger区间较宽；或者估计值总是正确的。我们重新绘制了已发表的数据，但并未重新运行我们未获得的185个变异体的数据。

多效性，有效性的核心威胁

水平多效性是指变异体通过绕过暴露途径的通路影响结果，从而打破了排除限制。Verbanck 及其同事开发了 MR-PRESSO，用于识别多工具汇总水平孟德尔随机化分析中的水平多效性异常值，并将其应用于复杂性状和疾病。他们发现，在超过 48% 的显著因果关系中可以检测到水平多效性，因果估计值的偏差平均在 -131% 到 201% 之间，并且高达 10% 的关系存在假阳性因果关系。 ¹² Burgess 指南的表 1 指出，当多个工具无效时，MR-PRESSO 的假阳性率非常高，因此它只是众多检查方法之一。 ^6

一个站得住脚的分析会同时进行多项检查。

MR-Egger截距 并将斜率作为敏感性估计值。¹⁰
加权中位数 以及其他稳健估计器。⁴
异质性。 指南建议报告 Cochran's Q 或 I² 统计量以进行多基因分析。⁶
留一法和施泰格过滤法。 STROBE-MR 将留一法交叉验证图与其他图表一起列出，³ Steiger 过滤可以去除与结果关联性强于与暴露关联的变异。⁶
一套自由派和一套保守派的变体。 多效性通常更容易使估计值偏离零假设，因此，在宽松的分析中得出的零假设结果更有说服力地证明了真正的零假设。⁶

样本重叠和弱仪器偏差

许多大型研究联盟共享参与者，因此双样本分析中的暴露和结局数据集可能存在重叠。Burgess 及其同事针对连续结局和零因果效应进行了模拟：单样本分析的相对偏差为 10%（对应于 F 参数为 10），当重叠率为 50% 时，偏差降至 5%，当重叠率为 30% 时，偏差降至 3%，因为偏差是重叠比例的线性函数。 ^9 STROBE-MR 指南第 10d 项要求双样本研究的作者报告暴露研究和结局研究中重叠的个体数量。 ^3

模拟研究的条形图显示了工具强度 F 为 10 时零因果效应的相对偏差：3%（参与者重叠率为 30%）、5%（参与者重叠率为 50%）和 10%（参与者重叠率为 100%）（单样本）。 — 模拟中 F = 10 时的相对偏差。来源：Burgess 等人，2016 年（CC BY 4.0）；线性关系由 Editverse 在 R 中验证。这是模拟结果，并非真实数据集。

何时应该使用孟德尔随机化？

随机对照试验不可行。 当无法进行随机试验，且观察性研究受到混杂因素或反向因果关系的影响时，该方法最为有用。²
你需要探测药物靶点。 MR 已被应用于预测针对心血管危险因素的药物的疗效和安全性，并探索药物再利用。¹⁸
已存在足够规模的汇总数据。 公开的 GWAS 汇总数据允许进行双样本设计，而无需个体基因型。⁶

当无法证明任何遗传变异可作为暴露的工具变量时，或者当可用数据量过小时（因为孟德尔随机化研究通常统计效力较低），该方法适用性较差。 ^6如果您正在选择遗传设计方案还是调查或登记分析方案，请查看您的研究应该使用哪个健康数据库。

如何进行孟德尔随机化研究

1陈述因果假设。 STROBE-MR 第 2 项和第 3 项要求说明理由，为什么 MR 是一种有用的方法，以及具体目标，包括预先指定的因果假设。³
2选择设计和数据。决定采用单样本还是双样本，以及个体层面数据还是汇总数据。⁶
3选择变体。一种常见的方法是纳入与暴露相关的、具有全基因组显著性的变异，通常 P 值低于 1。 5×10^-8在与分析相同的数据集中进行选择会增加“赢家诅咒”的风险，并加剧弱工具变量偏差。⁶
4协调等位基因。对齐暴露等位基因和结局等位基因。对于等位基因频率接近 50% 的回文变异（A/T 或 C/G），如果无法验证其方向，分析人员可以剔除该变异。⁶
5进行主要分析和敏感性分析。 IVW 作为多个变体的主要估计值，然后是稳健估计值、异质性统计和图表。⁶
6向 STROBE-MR 报告。该清单包含 20 个主要项目和 30 个子项目，包括软件和软件包版本（项目 9a）、预注册状态（项目 9b）以及数据和代码共享（项目 19）。¹⁹^,³

STROBE-MR 声明扩展了STROBE 报告指南的一般逻辑。

磁共振分析的数据源和软件

以下描述摘自各资源的官方页面，日期为 2026 年 11 月 4 日。

左右滑动即可查看每一列。

更多相关资源	它是什么	典型用途
OpenGWAS（MRC IEU）²⁰	一个包含超过 50,000 个 GWAS 汇总数据集的数据库，可供查询或下载。	双样本设计的暴露和结果汇总统计量。
芬兰基因²¹	该项目收集并分析了来自 500,000 万芬兰生物库捐赠者的基因组和健康数据。	疾病结局的遗传关联。
NHGRI-EBI GWAS目录²²	NHGRI-EBI人类全基因组关联研究目录。其摘要统计部分提供研究文档，并可访问完整的摘要统计数据（如有）。	发现并交叉验证变异与性状之间的关联。
TwoSampleMR（R 包）²³	一个用于 MR 的 R 包，包含 GWAS 汇总数据，可以从 OpenGWAS 获取数据。	协调、IVW、MR-Egger、加权中位数。
孟德尔随机化（R 包）²⁴	一个 CRAN 包，其中包含几种用于汇总数据的 MR 方法。	核心估计器的另一种实现方式。
mrpresso（R 包）⁶	在 Burgess 指南中被列为 MR-PRESSO 的软件。	异常值检测；请参阅以上注意事项。

孟德尔随机化中的常见错误

未报告仪器强度。 报告 R² 和 F 统计量，并记住 F 值大于 10 的经验法则具有误导性。⁶^,⁷
仅报告 IVW 估算值。 以上高密度脂蛋白胆固醇的例子表明，单一的估算方法可能会产生误导。⁴
忽略样本重叠。 报告重叠个体的数量，并预期偏差会随着重叠程度的变化而变化。⁹^,³
不加注意地将不同人群混杂在一起。 如果两个样本代表不同的种族群体，则连锁不平衡的模式可能会有所不同，因此，变异体与结果数据集中的暴露的关联性可能较弱。⁶
将宽零区间解读为无影响。 HDL 案例中的零值出现在 0.8 到 1.2 左右的区间内，这与正反两方面的适度影响相符。⁴
随意使用因果语言。 STROBE-MR 第 16 项要求作者谨慎使用因果语言，并澄清估计值可能仅在某些假设下才能给出因果效应。³

孟德尔随机化与其他因果推断方法

该表列出了 MR 旨在解决的两个问题的每个设计的定义特征。

左右滑动即可查看每一列。

付款方式	混淆	反向因果关系
随机对照试验	随机分配干预措施。	根据设计，干预措施是在衡量结果之前分配的。
孟德尔随机化	如果该变异与混杂因素无关，则减少。⁶	基因型在受孕时就已固定，因此通常不会受到影响。¹
倾向得分匹配	仅平衡测量协变量。	通过匹配基线协变量无法解决。
多元回归	仅对已测量的协变量进行调整。	未通过协变量调整解决。

由于每种设计都有不同的主要偏差来源，因此，当不同方法的结果一致时，跨方法交叉验证可以增强置信度，而孟德尔随机化（MR）可以作为其中的一个环节。 ²⁵^,⁵ 相关背景信息，请参阅我们关于倾向评分匹配和流行病学中因果推断的指南。

需要运行或检查分析结果？请咨询 Editverse。

Editverse 的学科专家遵循 COPE、ICMJE 和 GPP 2022 指南，并遵守机构和国家特定的道德规范。

编辑宇宙

孟德尔随机化研究

需要一份符合期刊标准的完整双样本孟德尔随机化研究吗？

您需要提交：您的暴露情况、结果以及因果关系问题。汇总统计数据是公开的；我们会获取这些数据。

您将获得：量化工具强度的双样本 MR 研究、Steiger 滤波、四个多效性稳健估计器、MR-PRESSO 异常值检测、工具 PheWAS 和独立复制，以及完整的稿件、散点图和漏斗图、可运行的 TwoSampleMR 代码和 STROBE-MR 清单。

时间：您需要完整的调研流程和报告。15个工作日。

孟德尔随机化研究 · 2,900 美元

制定我的磁共振研究计划 →

编辑宇宙

可行性检查

不确定混合现实设计能否解答您的问题？

您提交的内容：您的研究问题。

您将获得：一份书面建议，内容包括：问题是否已有答案、数据是否支持该答案以及您是否具备足够的统计效力（包括孟德尔随机化设计的工具变量效力）。该建议可全额抵扣您在六个月内委托开展的任何研究的费用。

时间：在您决定参加研究之前。5个工作日。

可行性及方案评估 · 450 美元

先检查可行性 →

编辑宇宙

统计分析

你已经有了数据，需要用 R 语言进行分析吗？

您需要提交：您的数据、研究问题和您偏好的软件。

您将获得：使用您偏好的软件（SPSS、R、STATA 或 SAS）进行的统计分析，以及带注释的代码、完整的输出文件和解释指南。

时间：您需要在 4-6 个工作日内获得可用于出版的结果。

SPSS/R/STATA 统计分析 · 400 美元

获取我的分析结果 →

Editverse提供的免费研究工具

样本量和功效计算器：针对您计划进行的研究进行功效分析。
统计检验选择器：测试、其假设以及需要报告的内容。
面向医学研究人员的免费研究工具：全套基于浏览器的工具。

关于孟德尔随机化的常见问题

孟德尔随机化与随机对照试验相同吗？

不。孟德尔随机化方法适用于观察性数据，并将遗传变异视为工具变量。等位基因通过随机分离从父母传递给子代，这类似于试验中随机分配治疗方案，因此可以减少混杂因素。此外，该估计方法基于一些试验不需要的假设，因此它是对试验证据的补充，而非替代。

孟德尔随机化的三个核心假设是什么？

相关性、独立性和排除限制。简而言之，该变异与暴露因素相关，但并非通过混杂途径与结局相关，且除可能通过暴露因素外，不会直接影响结局。STROBE-MR 第 5 项要求作者明确阐述这些内容。

我需要个体水平的基因型数据才能进行孟德尔随机化吗？

对于双样本分析而言，情况并非如此，因为双样本分析可以使用已发表的各变异与暴露因素和结局因素关联的汇总数据。单样本分析则需要个体水平数据来研究非线性效应。公开汇总数据的一个实际优势在于，第三方可以复现该分析。

单样本孟德尔随机化和双样本孟德尔随机化有什么区别？

在单样本分析中，风险因素和结局的数据均来自同一来源。在双样本分析中，这些数据来自互不重叠的数据集。弱工具变量偏差的方向也不同：在单样本分析中，偏差倾向于混杂关联；而在无样本重叠的双样本分析中，偏差则倾向于零假设。

为什么要报告比逆方差加权估计值更多的数据？

因为逆方差加权法只有在所有变异均有效或多效性平衡的情况下才能给出一致的估计值。在上述已发表的脂质示例中，高密度脂蛋白胆固醇的逆方差加权比值比为 0.78，而加权中位数为 0.93，MR-Egger 为 0.99，且区间均包含 1。报告多个估计值可以帮助读者了解结果是否依赖于单一方法。

MR-Egger截距能告诉我什么？

在MR-Egger回归中，截距估计了所有变异位点的平均多效性效应，斜率则给出了因果估计值。截距不为零表明存在方向性多效性。该方法需要InSIDE假设，即多效性效应与变异位点-暴露关联无关，并且其效率通常低于其他估计方法。

STROBE-MR 需要哪些条件？

STROBE-MR 是一项报告指南，包含 20 个主要条目和 30 个子条目。例如，说明三个工具变量假设（条目 5），描述如何评估假设（条目 7），报告敏感性分析（条目 8 和 13），以及对于双样本设计，暴露研究和结果研究中重叠的个体数量（条目 10d）。

孟德尔随机化能证明因果关系吗？

不能单独使用。孟德尔随机化检验的是在特定假设下进行的因果假设检验，而其中一些假设无法完全验证。因此，应谨慎使用因果语言，报告敏感性分析结果，并将结果视为与其他研究设计进行三角验证时的证据之一。

案例

Davey Smith G, Ebrahim S.“孟德尔随机化”：遗传流行病学能否帮助理解疾病的环境决定因素？ 国际流行病学杂志。 2003;32(1):1-22. PMID 12689998. doi.org/10.1093/ije/dyg070
Sekula P、Del Greco MF、Pattaro C、Kottgen A.孟德尔随机化作为一种利用观察数据评估因果关系的方法。 美国肾脏病学会杂志 2016;27(11):3253-3265. PMID 27486138. doi.org/10.1681/ASN.2016010098
Skrivankova VW、Richmond RC、Woolf BAR 等。利用孟德尔随机化加强流行病学观察性研究的报告（STROBE-MR）：解释和阐述。 英国医学杂志。 2021;375:n2233。开放获取，CC BY 4.0。 doi.org/10.1136/bmj.n2233
Bowden J、Davey Smith G、Haycock PC、Burgess S. 使用加权中位数估计器对孟德尔随机化中的一些无效工具进行一致估计。 遗传流行病学 2016;40(4):304-314。开放获取，CC BY 4.0；比值比、区间和 p 值由 Editverse 在 R 中根据表 4 重新计算。 doi.org/10.1002/gepi.21965
Sanderson E、Glymour MM、Holmes MV 等。孟德尔随机化。 Nat Rev 方法入门。 2022;2:6。PMID 37325194。 doi.org/10.1038/s43586-021-00092-5
Burgess S、Davey Smith G、Davies NM 等。孟德尔随机化研究指南：2023 年夏季更新。 惠康开放资源。 2019;4:186（版本 3）。开放获取，CC BY 4.0。 doi.org/10.12688/wellcomeopenres.15555.3
Burgess S, Thompson SG.避免孟德尔随机化研究中弱工具变量的偏倚。 国际流行病学杂志。 2011;40(3):755-764. PMID 21414999. doi.org/10.1093/ije/dyr036
Burgess S、Butterworth A、Thompson SG。利用汇总数据对多个遗传变异进行孟德尔随机化分析。 遗传流行病学 2013;37(7):658-665. PMID 24114802. doi.org/10.1002/gepi.21758
Burgess S、Davies NM、Thompson SG。双样本孟德尔随机化中由于参与者重叠而产生的偏差。 遗传流行病学 2016;40(7):597-608。开放获取，CC BY 4.0；线性关系由 R 中的 Editverse 检查。 doi.org/10.1002/gepi.21998
Bowden J、Davey Smith G、Burgess S. 孟德尔随机化与无效工具：通过 Egger 回归进行效应估计和偏差检测。 国际流行病学杂志。 2015;44(2):512-525. PMID 26050253. doi.org/10.1093/ije/dyv080
Sanderson E. 多变量孟德尔随机化和中介作用。 冷泉Harb Perspect Med。 2021;11(2):a038984. PMID 32341063. doi.org/10.1101/cshperspect.a038984
Verbanck M、Chen CY、Neale B、Do R. 从孟德尔随机化推断的复杂性状和疾病之间的因果关系中检测广泛的水平多效性。 Nat Genet。 2018;50(5):693-698. PMID 29686387. doi.org/10.1038/s41588-018-0099-7
Ference BA、Yoo W、Alesh I 等。从生命早期开始长期暴露于较低的低密度脂蛋白胆固醇对冠心病风险的影响：孟德尔随机化分析。 J Am Coll Cardiol。 2012;60(25):2631-2639. PMID 23083789. doi.org/10.1016/j.jacc.2012.09.017
Gagnon E、Gill D、Bourgault J 等。RNA 干扰与基于抗体的 PCSK9 抑制在预防心血管疾病方面的比较：一项药物靶点孟德尔随机化研究。 Cardiovasc Res。 2025;121(7):1066-1075. PMID 40347490. doi.org/10.1093/cvr/cvaf078
方A、赵Y、杨P、张X、Giovannucci EL.维生素D与人类健康：来自孟德尔随机化研究的证据。 欧洲流行病学杂志。 2024;39(5):467-490. PMID 38214845. doi.org/10.1007/s10654-023-01075-4
Zhao SS、Mason A、Gjekmarkaj E、Yanaoka H、Burgess S. 维生素 D 与自身免疫性疾病之间的关联：孟德尔随机化分析。 关节炎风湿病研讨会。 2023;62:152238。PMID 37437450。 doi.org/10.1016/j.semarthrit.2023.152238
Millwood IY、Walters RG、Mei XW 等。关于酒精和血管疾病病因的传统和遗传证据：一项对中国 50 万名男性和女性的前瞻性研究。 Lancet. 2019;393(10183):1831-1842。开放获取，CC BY 4.0。 doi.org/10.1016/S0140-6736(18)31772-0
Larsson SC、Butterworth AS、Burgess S. 孟德尔随机化在心血管疾病中的应用：原理和应用。 Eur Heart J. 2023;44(47):4913-4924. PMID 37935836. doi.org/10.1093/eurheartj/ehad736
Skrivankova VW、Richmond RC、Woolf BAR 等。加强使用孟德尔随机化流行病学观察性研究的报告：STROBE-MR 声明。 1537-1538。 2021;326(16):1614-1621. PMID 34698778. doi.org/10.1001/jama.2021.18236
MRC 综合流行病学单元。OpenGWAS（主页，2026 年 11 月 4 日阅读）。 gwas.mrcieu.ac.uk/
FinnGen 项目主页（2026 年 11 月 4 日阅读）。 www.finngen.fi/en
NHGRI-EBI GWAS 目录。主页（2026 年 11 月 4 日阅读）。 www.ebi.ac.uk/gwas/
MRC 综合流行病学单元。TwoSampleMR 文档（版本 0.7.13，2026 年 11 月 4 日显示）。 mrcieu.github.io/TwoSampleMR/
CRAN.MendelianRandomization 包页面（版本 0.10.0，发布于 2024 年 4 月 12 日，阅读日期 2026 年 11 月 4 日）。 cran.r-project.org/package=MendelianRandomization
Lawlor DA、Tilling K、Davey Smith G.病因流行病学中的三角测量。 国际流行病学杂志。 2016;45(6):1866-1886. PMID 28108528. doi.org/10.1093/ije/dyw314

孟德尔随机化详解：它是什么，何时使用，以及如何进行一次随机化实验

什么是孟德尔随机化？

孟德尔随机化研究背后的三个核心假设

薄弱的工具

单样本、双样本和多变量设计及其估计量

真实案例：高密度脂蛋白胆固醇和低密度脂蛋白胆固醇与冠状动脉疾病

多效性，有效性的核心威胁

样本重叠和弱仪器偏差

更多已发布示例

低密度脂蛋白胆固醇与冠心病

药物靶点孟德尔随机化

维生素D

中国酒精与血管疾病

何时应该使用孟德尔随机化？

如何进行孟德尔随机化研究

磁共振分析的数据源和软件

孟德尔随机化中的常见错误

孟德尔随机化与其他因果推断方法

需要运行或检查分析结果？请咨询 Editverse。

关于孟德尔随机化的常见问题

孟德尔随机化与随机对照试验相同吗？

孟德尔随机化的三个核心假设是什么？

我需要个体水平的基因型数据才能进行孟德尔随机化吗？

单样本孟德尔随机化和双样本孟德尔随机化有什么区别？

为什么要报告比逆方差加权估计值更多的数据？

MR-Egger截距能告诉我什么？

STROBE-MR 需要哪些条件？

孟德尔随机化能证明因果关系吗？

案例