Mendelian Randomization 2

이번 포스팅에서는 앞서 Mendelian Randomization 1 포스팅에서 다뤘던 전반적인 내용에 대하여 좀 더 심화된 내용을 구체적인 코드와 함께 정리해보겠다.

 

[ 참고: Mendelian Randomization 1 포스팅 링크 ]

2024.03.12 - [Omics] - Mendelian Randomization 1

Mendelian Randomization 1

 

MR의 세 가지 가정

먼저 MR의 세 가지 가정을 다시 복습해보자면,

1. 관련성(Relevance)
2. 독립성(Independence)
3. 배제 제한 조건(Exclusion restriction)

이다.

 

이러한 가정을 위반할 수 있는 주요 이유들을 살펴보겠다.

 

Weak instrument

Weak instrument란, 1번 가정인 "관련성(Relevance)" 가정과 관계된 것으로, IV로 사용되는 SNP들이 exposure와의 연관성 정도가 약할 때 발생한다.

이를 방지하기 위해서는 IV의 exposure와의 연관성 유의성이 genome-wide significance level에서 유의한지, F-statistics가 일정 수준을 초과하는지, 해당 IV로 인해 설명되는 exposure의 변동성(variance)이 일정 수준 이상인지를 확인할 필요가 있다. Weak instrument일 경우, 통계적 검증력이 떨어져서 causal effect를 잡아내지 못할 수 있기 때문에, 이를 정확히 확인하는 과정이 요구된다.

 

Pleiotropy

이러한 가정을 위반할 수 있는 또 다른 주요 이유 중 하나는 바로 pleiotropy다. Pleiotropy란 하나의 유전적 변이가 두 개 이상의 특성이나 결과에 영향을 미치는 현상을 말한다. 즉, MR 분석에서 유의해야하는 이유는 한 변이가 여러가지 표현형에 영향을 미치기 때문에 confounder를 통해서 outcome에 영향을 미치거나, exposure를 거치지 않고 바로 outcome에 영향을 미칠 수 있기 때문이다.  pleiotropy는 주로 크게 두 가지 유형으로 구분된다.

1. Horizontal pleiotropy: Horizontal pleiotropy의 경우 하나의 변이가 같은 생물 내에서 여러 다른 특성이나 기능에 영향을 미치는 경우이다. 이는 유전적 변이의 영향이 '수평적'으로 여러 다른 경로나 생물학적 프로세스에 걸쳐 확산된다는 의미에서 붙은 이름이다. Horizontal pleiotropy는 한 변이나 유전자가 다양한 생물학적 경로에 관여하거나 여러 조직 및 시스템에서 중요한 역할을 할 때 나타난다.
2. Vertical pleiotropy: Vertical pleiotropy는 하나의 변이가 특정한 생물학적 경로나 프로세스 내에서 여러 단계에 영향을 미치는 경우를 말한다. 여기에서 변이의 영향은 '수직적'으로, 다시 말해, 특정한 경로나 과정의 여러 단계를 따라서 전파된다.

이 중 Horizontal pleiotropy는 Balanced pleiotropy와 Directional pleiotropy로 구분된다. Balanced pleiotropy와 Directional pleiotropy는 변이가 여러 특성에 미치는 영향의 방향성과 균형을 기준으로 구분이 된다.

1. Balanced pleiotropy: 한 변이가 여러 특성에 미치지만 그 영향이 서로 상쇄되는 방향으로 나타나는 경향이 있는 경우이다. 이 변이는 어떤 특성에는 긍정적인 영향을 미치고, 또 다른 특성에는 부정적인 영향을 미치는데, 이러한 영향들이 전반적으로 보면 균형을 이루어서 어떠한 방향성으로서의 전체적인 경향이 뚜렷하지 않게 되는 것이다.
2. Directional pleiotropy (Unbalanced pleiotropy): Directional pleiotropy는 마찬가지로 한 변이가 여러 특성에 영향을 미치지만, 그 영향이 일관된 방향으로 나타나는 경우이다. 즉, 여러 특성에 대하여 변이가 균형 잡히지 않은(서로 다른 크기의) 영향을 미치는 경우이다.

MR에서 문제가 되는 경우는 Directional pleiotropy의 경우이다. 만약 IV가 독립 변수를 통해서 결과 변수에 영향을 미치는 것이 아니라, 직접적으로 결과 변수에 영향을 미치는 경로가 존재한다면, IV 추정치는 결과 변수에 대한 독립 변수의 effect size 추정치보다 절댓값이 커지게 된다. 이에 대한 방법론적인 해결법은 MR-Egger 이다. MR-Egger 방법은 intercept를 허용하여 모델에 포함하여, intercept가 0이 아니라는 것이 유의하게 확인되면, directional pleiotropy가 존재하는 것으로 해석할 수 있다. MR-Egger 방법으로 IV의 종속 변수에 대한 effect가 directional pleiotropy에 의해 왜곡되었을 가능성을 감지하고 조정하는 것이다.

 

Heterogeneity test

메타 분석에서 여러 study 결과들 간의 이질성을 확인하는 것처럼, IVW 분석을 할 때 각 SNP들 간의 이질성을 확인함으로써 유효한 SNP인지 확인하는 과정이다. Cochran Q 값이 크면 이질성이 높다고 해석한다.

Single Variant analysis

SNP 각각의 effect를 확인하는 방법으로, forest plot의 형태로 한 눈에 확인해볼 수 있다.

Leave-one-out analysis

각 SNP의 effect를 확인하는 또 다른 방법으로, Single Variant analysis와는 반대로 SNP을 하나씩 넣고, 빼면서 확인해보는 방법이다. 마찬가지로 forest plot의 형태로 확인할 수 있다.

 

이러한 Outlier인 SNP들을 확인해보고, 이러한 SNP들을 제거하거나 다른 MR 분석을 할 수 있다.

 

Steiger Directionality test

Exposure에 대한 IV의 설명력이 Outcome에 대한 설명력보다 커야 더 타당하고 유효한 SNP이다. Steiger directionality test를 통해 이러한 방향성을 확인할 수 있다.

 

Outlier test

mean보다 Outlier에 덜 민감한 지표들을 활용함으로써 Outlier를 다각적으로 판단해볼 수 있다. 그러한 지표들로는 median, mode 등이 있다. 또한 MR-PRESSO 방법을 사용하여, Outlier를 제거 했을 때의 IVW를 계산함으로써 Outlier를 보정했을 때의 값을 게산할 수 있다.

 

Pleiotropy test

Balanced pleiotropy와 Directional pleiotropy에서의 접근 방법도 생각해볼 수 있다. Balanced pleiotropy의 경우 SNP들 간의 이질성이 크다면 Outlier를 제거하고 IVW를 할 수 있을 수도 있고, 제거하지 않고 할 수도 있다. Directional pleiotropy의 경우 앞서 언급했던 MR-Egger 방법을 사용해서 intercept가 확실히 0이 아니라면 분석 전략을 다시 생각해볼 수 있다.

 

마지막으로 코드를 통해 내용을 정리해보겠다.

install.packages("MendelianRandomization")
library(MendelianRandomization)

# Two-sample MR
mr(data)

# Heterogeneity test
mr_heterogeneity(data)

# Pleiotropy test
mr_pleiotropy_test(data)

# Single SNP test
mr_singlesnp(data)

# LOO test
mr_leaveoneout(data)

# Steiger test
directionality_test(data)

 

다음 포스팅에서는 MVMR(Multivariable MR)에 대해서 공부해보도록 하겠다.