亏了亏了!双向孟德尔随机化阴性结果居然发了SCI二区(IF=6.7)

82f50f5e9d61698067624d4206b35338.png

今天为诸位介绍的这篇文章是一项双向孟德尔随机化研究(MR),惊讶的是,双向因果均为阴性结果发了SCI二区!我们一起来看看!

2024年4月17日,广东医科大学附属医院的学者做了一项双向两样本孟德尔随机化研究,在期刊Thrombosis And Haemostasis(医学二区,IF=6.7)发表了题为:“The Association between Obstructive Sleep Apnea and Venous Thromboembolism: A Bidirectional Two-Sample Mendelian Randomization Study”的研究论文,本研究旨在利用大规模全基因组关联研究(GWAS)公开的汇总统计数据进行双向两样本孟德尔随机化分析,从遗传学角度评估阻塞性睡眠呼吸暂停(OSA)与静脉血栓栓塞(VTE)(包括深静脉血栓形成(DVT)和肺栓塞(PE))之间的确切关联。

bd5be0ff9179dbf0705f3015ea2fb767.png

本公众号回复“ 原文”即可获得文献PDF等资料

尽管之前的观察性研究已经调查了OSA和静脉血栓栓塞之间的潜在关联,但由于潜在混杂因素和反向因果偏倚的局限性,从这些研究中阐明这种关联的各个方面具有挑战性。

主要研究结果

1.研究设计

MR利用遗传变异,主要是SNPs作为工具变量(IVs)来研究暴露与结果之间的遗传关联。MR基于三个基本假设:

(1)遗传变异与暴露高度相关;

(2)遗传变异不受潜在混杂因素的影响;

(3)基因变异仅通过暴露影响结果。

只有当这些假设满足时,IVs才被认为是有效的。本研究采用双向两样本MR分析来评估OSA和VTE之间的遗传关联。

  • 首先,与OSA相关的SNP被用来检查它们对VTE的影响。

  • 随后,为了研究反向关联的可能性,采用符合条件的IVs来量化VTE对OSA的影响。

4849eba90466645cfef839091a8048db.png

阻塞性睡眠呼吸暂停(OSA)的定义基于主观症状、临床检查和睡眠登记,应用呼吸暂停低通气指数≥5/小时或呼吸事件指数≥5/小时。

静脉血栓栓塞(VTE)被定义为一种包括PE(肺动脉或其分支被栓塞)和DVT(深静脉血栓形成)的疾病。   

2.IVs的选择标准

  • VTE(包括PE和DVT)的全基因组显著SNP阈值设置为P<5.0×10-8,而OSA的阈值调整为P<1×10-5(因为无法使用P<5.0×10-8的显著性水平检测OSA相关SNP)。

  • 排除具有连锁不平衡效应的SNP(在10,000kb窗口内r2<0.001),以确保所选IVs的独立性

  • 使用F-statistic [F-statistic=(beta/se)2]来测量IVs与暴露之间的关联强度。保留f统计量>10的SNP,以避免弱工具偏倚的影响。

  • 在协调过程中,去除与结果不匹配的SNP以及等位基因频率不明确的回文SNP(0.42-0.58)。

  • 既往研究表明,肥胖是OSA和静脉血栓栓塞的危险因素。通过Phenoscanner (http://www.phenoscanner.medschl.cam.ac.uk/)查询并排除与体重指数(BMI)相关的SNP。

80075fb3c56fe5ea5fa4703a2a3af5d0.png

3.OSA与VTE、PE和DVT风险之间无显著关联

在初始MR分析中:

  • 随机效应IVW方法显示OSA与VTE、PE和DVT风险之间无显著关联。

  • Cochran Q检验未发现异质性,MR-Egger截距检验和MR-PRESSO全局检验均未发现任何多效性的证据。

使用OSA遗传变异的验证分析(Campos等)也得到了类似的结果。三种互补的MR方法均不支持OSA和VTE之间的遗传关联。

4192a276b836a464d9ddb2fcbab8eecd.png

4.VTE对OSA的影响

为了进一步评估VTE(包括PE和DVT)对OSA的影响,我们进行了反向MR分析。两种MR分析都得出了一致的结果,表明VTE、PE和DVT对OSA没有显著影响

Cochran Q检验未发现异质性, MR-Egger截距检验和MR-PRESSO全局检验均未发现多效性。

总之,一系列敏感性证实了MR结果的可靠性。

17bdd68b2b863b66f71f5bad5a7356d3.png

统计学方法

本文统计方法简单,就是双向孟德尔随机化:

  • 采用乘法随机效应逆方差加权(IVW)方法作为MR分析的主要方法,以评估OSA与VTE之间的遗传关联。

  • 为了确保结果的有效性和稳健性,使用另外三种MR方法进行敏感性分析,即MR- egger、加权中位数和MR多效性残差和异常值(MR- presso)。

b215d46889a85eb1303fb3ddc38a609e.png

  • IVW方法荟萃分析了每个SNP对结果的Wald比值估计值,当所有选择的SNP都是有效的IVs时,提供了对因果效应的精确估计。然而,IVW方法对因果效应的估计可能因多效IVs的影响而有偏差

  • 不同的是,即使在所有IVs无效的情况下,MR-Egger方法也能够产生可靠的因果估计。此外,MR-Egger提供了截距检验来检测水平多效性,显著性阈值P < 0.05表明存在水平多效性。

  • 与IVW和MR-Egger方法相比,加权中位数方法显示出更强的稳健性,并提供了一致的因果效应估计,即使高达50%的IVs是无效工具。

  • MR-PRESSO方法识别具有潜在水平多效性的异常值,并在去除异常值后提供估计,其中整体检验的P < 0.05表明存在具有水平多效性的异常值。

  • 采用Cochran Q检验检验异质性,P < 0.05为显著性阈值,异质性显著。

本公众号回复“ 原文”即可获得文献PDF等资料

后记

这项MR研究没有发现支持OSA和VTE(包括DVT和PE)之间关联的遗传证据。研究者认为,这意味着先前一些观察性研究中报道的OSA和VTE之间的关联可能依赖于其他功能途径,而不是与疾病本身直接相关。

本文的统计学方法步骤清晰,思路简单,研究者用随机效应IVW方法作为孟德尔随机化的主要方法,并且用MR- egger、加权中位数和MR多效性残差和异常值(MR- presso)作敏感性分析,来确保研究结果的稳健性和有效性。除此之外,研究者使用Campos等的数据作为验证数据集,得到了一样的结果!

不得不说,一般人不敢用阴性结果来写文章,想想自己的研究是不是觉得亏了!孟德尔随机化依旧是发文利器,郑老师从入门到高级的孟德尔随机化课程你值得一看!!

孟德尔随机化课程,入门到高级,郑老师团队主讲,一个月搞定,快速发表论文!

本公众提供各种科研服务了!

一、课程培训

2022年以来,我们召集了一批富有经验的高校专业队伍,着手举行短期统计课程培训班,包括R语言、meta分析、临床预测模型、真实世界临床研究、问卷与量表分析、医学统计与SPSS、临床试验数据分析、重复测量资料分析、nhanes、孟德尔随机化等10余门课。如果您有需求,不妨点击查看:

发文后退款:2024-2025年科研统计课程介绍

二、数据分析服务

浙江中医药大学郑老师团队接单各项医学研究数据分析的服务,提供高质量统计分析报告。有兴趣了解一下详情:

课题、论文、毕业数据分析 

 临床试验设计与分析 、公共数据库挖掘与统计

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mfbz.cn/a/597619.html

如若内容造成侵权/违法违规/事实不符,请联系我们进行投诉反馈qq邮箱809451989@qq.com,一经查实,立即删除!

相关文章

绝地求生:PUBG杜卡迪联名进入倒计时3天!

大家好&#xff0c;我是闲游盒。 杜卡迪联名已经进入倒计时3天&#xff01;喜欢的朋友要注意结束时间可千万别错过&#xff01; 杜卡迪6色车辆 随着五一小长假的结束&#xff0c;本次混沌漫彩通行证也即将结束&#xff0c;本次通行证31级之后没升1级可额外领取1500BP和挑战者纪…

Spring与Mybatis-增删改查(注解方式与配置文件方式)

Spring框架下Mybaits的使用 准备数据库配置application.propertiespom.xml添加lombok依赖创建Emp实体类准备Mapper接口&#xff1a;EmpMapper预编译SQL根据id查询数据Mapper接口方法配置application.properties开启自动结果映射单元测试 条件模糊查询Mapper接口方法单元测试 根…

大模型时序预测初步调研20240506

AI预测相关目录 AI预测流程&#xff0c;包括ETL、算法策略、算法模型、模型评估、可视化等相关内容 最好有基础的python算法预测经验 EEMD策略及踩坑VMD-CNN-LSTM时序预测对双向LSTM等模型添加自注意力机制K折叠交叉验证optuna超参数优化框架多任务学习-模型融合策略Transform…

目标检测常用评价指标详解

&#x1f380;个人主页&#xff1a; https://zhangxiaoshu.blog.csdn.net &#x1f4e2;欢迎大家&#xff1a;关注&#x1f50d;点赞&#x1f44d;评论&#x1f4dd;收藏⭐️&#xff0c;如有错误敬请指正! &#x1f495;未来很长&#xff0c;值得我们全力奔赴更美好的生活&…

数字孪生—物联网技术

数字孪生涉及到诸多技术领域&#xff0c;物联网技术在数据孪生项目中具有重要的应用价值&#xff0c;主要体现在以下几个方面&#xff1a; 1.数据采集和实时监测&#xff1a;物联网技术可以用于实时采集各种设备、传感器和设施的数据&#xff0c;包括温度、湿度、压力、振动等…

CMakeLists.txt语法规则:foreach循环的关键字

一. 简介 前一篇文章学习了 CMakeLists.txt语法中 foreach循环的基本用法。文章如下&#xff1a; CMakeLists.txt语法规则&#xff1a;foreach 循环基本用法-CSDN博客 本文继续 CMakeLists.txt语法中 foreach循环语句&#xff0c;主要学习 foreach循环中的关键字。 二. CM…

【OceanBase诊断调优】—— SQL 执行报错而不能计入 SQL_AUDIT 的情况

通常&#xff0c;执行成果的 SQL 都会计入 SQL_AUDIT 中&#xff0c;而执行报错的 SQL 则需要依据其执行报错的阶段来决定是否计入 SQL_AUDIT 中。 在 OceanBase 数据库中&#xff0c;SQL 请求的执行流程如图所示。 如果 SQL 在进入 Executor 阶段前发生报错&#xff0c;则该 …

java-Spring-Lombok-讲解-(一文一言)创伤是成熟的途径

高手都在孤独前进-致敬我们不悔的青春 我打算每篇文章下找一下文言警句-说不那天会用上&#x1f601;&#x1f601;&#x1f601;&#x1f601; 每篇一言 创伤是成熟的途径 希望经历过创伤的人,能更好享受当下, 爱自己胜过爱别人呀 目录 &#x1f3bb;Lombok简介 &#…

KIE关键信息抽取——SDMG-R

https://arxiv.org/pdf/2103.14470https://arxiv.org/pdf/2103.14470 1.概述 背景:传统的关键信息提取方法依赖于模板匹配,这使它们难以泛化到未见过的模板,且对文本识别错误不够鲁棒。SDMG-R方法:提出一种端到端的双模态图推理方法,通过构建双模态图(视觉和文本特征),…

Celery(分布式任务队列)入门学习笔记

Celery 的简单介绍 用 Celery 官方的介绍&#xff1a;它是一个分布式任务队列; 简单&#xff0c;灵活&#xff0c;可靠的处理大量消息的分布式系统; 它专注于实时处理&#xff0c;并支持任务调度。 Celery 如果使用 RabbitMQ 作为消息系统的话&#xff0c;整个应用体系就是下…

GStreamer日志调试笔记

1、查询所有分类 #gst-launch-1.0 --gst-debug-help 2、查询videotestsrc的日志 #gst-launch-1.0 --gst-debug-help | findstr videotestsrc 结果&#xff1a; 3、使用--gst-debug设置相应日志类型的相应等级&#xff0c;越大显示日志越多&#xff0c;排查内存泄露可以设置为9 …

【iOS】多线程

文章目录 前言一、多线程的选择方案二、GCD和NSOperation的比较二、多线程相关概念任务队列 三、死锁情况主队列加同步任务 四、任务队列组合主队列异步并发队列异步 前言 这两天将iOS的多线程的使用都看了一遍&#xff0c;iOS的多线程方案有许多&#xff0c;本篇博客主要总结…

打开深度学习的锁:(0)什么是神经网络?

PS&#xff1a;每每温故必而知新 什么是神经网络&#xff1f; 一、一个单神经元的神经网络二、多个单神经元的神经网络三、到底什么是机器学习&#xff1f;&#xff08;重点&#xff09;1&#xff1a;什么是机器学习的训练&#xff1f;2&#xff1a;什么是模型&#xff1f;权重…

python数据分析所需要的语法基础

Python语言基础——语法基础 前言语法基础变量标识符数据类型输入与输出代码缩进与注释 总结 前言 对于学过C语言的人来说&#xff0c;python其实很简单。学过一种语言&#xff0c;学习另一种语言&#xff0c;很显然的能感觉到&#xff0c;语言大体上都是相通的。当然&#xf…

【docker】常用的把springboot打包为docker镜像的maven插件

Spring Boot Maven Plugin: Spring Boot 自带的 Maven 插件 (spring-boot-maven-plugin) 支持直接生成 Docker 镜像。通过配置&#xff0c;可以在 Maven 构建过程中自动构建 Docker 镜像&#xff0c;而无需单独编写 Dockerfile。这种方法简化了将应用打包为 Docker 镜像的过程。…

武汉理工大学python123实验——流程控制结构

1.百分制成绩转换五分制#1707 n int(input())if n>90:print(A) elif n>80:print(B) elif n>70:print(C) elif n>60:print(D) else:print(E) 2.角古猜想#73963 n eval(input()) if n<0:print(ERROR) elif . in str(n):print(ERROR) else:print(n,end" …

Qt扫盲-Qt D-Bus概述

Qt D-Bus概述 一、概述二、总线三、相关概念1. 消息2. 服务名称3. 对象的路径4. 接口5. 备忘单 四、调试五、使用Qt D-Bus 适配器1. 在 D-Bus 适配器中声明槽函数1. 异步槽2. 只输入槽3. 输入输出槽4. 自动回复5. 延迟回复 一、概述 D-Bus是一种进程间通信(IPC)和远程过程调用…

Java面试题:多线程2

如何停止正在运行的线程 1,使用退出标志,使线程正常退出(run方法中循环对退出标志进行判断) 2,使用stop()方法强行终止(不推荐) 3,调用interrupt()方法中断线程 打断阻塞线程(sleep,wait,join),线程会抛出InterruptedException异常 打断正常的线程,可以根据打断状态来标记…

继承知识及扩展(C++)

1. 继承是什么&#xff1f; 继承是面向对象编程的三大特征之一&#xff0c;也是代码复用的手段之一。之前我们在很多的地方尝试函数的复用&#xff0c;而继承是为了类的复用提供了很好的方式。 &#xff08;1&#xff09;继承的代码怎么写 在一个类后面使用 &#xff1a;继承方…

知识图谱融入RAG模型:LinkedIn重塑智能客服新范式【附LeCun哈佛演讲PPT】

原文&#xff1a;Retrieval-Augmented Generation with Knowledge Graphs for Customer Service Question Answering 一、研究背景与问题 在客服领域,快速准确地匹配用户问题与历史工单,是提供优质回答的关键。传统的检索增强生成(Retrieval-Augmented Generation, RAG)方法虽…
最新文章