多变量孟德尔随机化分析调整了潜在混杂因素的影响。
1、调整哪些因素？参考以往文献。可以分别调整，也可以一起调整。
2、解决了什么问题？某个暴露相关的SNP，往往与某个或者某几个混杂因素相关。可以控制混杂偏倚。
3、如何解释结果？若该暴露的P值小于0.05，则可以说明该暴露独立于其他暴露对结局产生影响。否则是通过其他因素对结局产生影响。
#多变量孟德尔随机化（MVMR）
library(TwoSampleMR)
#提取多个暴露变量工具
#body mass index:ieu-b-40；
#hypertension:ebi-a-GCST90038604
#creatinine：ebi-a-GCST90025946
exposure_dat_mv<-mv_extract_exposures(c("ieu-b-40",
"ebi-a-GCST90038604",
"ebi-a-GCST90025946")) #Serum creatinine levels、Smoking initiation
#提取结局信息
outcome_dat_mv<-extract_outcome_data(exposure_dat_mv$SNP,"ebi-a-GCST90013862") #colorectal cancer
#整合数据
mvdat<-mv_harmonise_data(exposure_dat_mv,
outcome_dat_mv,
harmonise_strictness = 2)
#进行MVMR的分析
res <- mv_multiple(mvdat)
#提取结果
result<-res$result
#install package
# remotes::install_github("WSpiller/RMVMR",
# build_opts=c("--no-resave-data", "--no-manual"),
# build_vignettes = TRUE)
library(MVMR)
help(package="MVMR")
wer <- format_mvmr(BXGs = mvdat[["exposure_beta"]],
BYG = mvdat[["outcome_beta"]],
seBXGs = mvdat[["exposure_se"]],
seBYG = mvdat[["outcome_se"]],
RSID = rownames(mvdat[["exposure_beta"]]))
#IVW多变量孟德尔随机化结果
ivw_mvmr(wer)
#计算F值
Fz<- strength_mvmr(r_input = wer, gencov = 0)
#异质性检验
pres <- pleiotropy_mvmr(r_input = wer, gencov = 0)