孟德尔随机化结果图怎么看？用R语言TwoSampleMR包生成的散点图、森林图全解析

孟德尔随机化结果图全解析：从散点图到森林图的深度解读指南

当你在R语言中运行完TwoSampleMR包的分析代码，面对生成的各类图表时，是否曾感到困惑——这些散点图中的线条究竟代表什么？森林图里的置信区间又该如何解读？本文将带你深入理解每种可视化结果的统计含义与实用解读技巧。

1. 散点图：暴露与结果的因果关系可视化

散点图是孟德尔随机化分析中最直观的展示工具。图中每个点代表一个工具变量（通常是SNP），横轴显示该SNP对暴露因素的效应值（beta.exposure），纵轴显示对结局变量的效应值（beta.outcome）。

关键元素解读：

• MR-Egger回归线：这条线允许存在截距，用于检测是否存在水平多效性。如果截距与0有显著差异（p<0.05），提示可能存在工具变量偏倚
• IVW（逆方差加权）线：强制通过原点，代表在无多效性假设下的因果效应估计
• 加权中位数线：对SNP效应值排序后取中位数，可容忍部分无效工具变量

# 典型散点图生成代码 plot1 <- mr_scatter_plot(mr_results, dat) plot1[[1]] + theme_minimal() + labs(title = "MR分析散点图", x = "SNP对暴露的效应", y = "SNP对结局的效应")

提示：理想情况下，各SNP点应均匀分布在IVW线两侧。若出现明显偏离的离群点，可能需要进一步检查该SNP的可靠性。

2. 森林图：单SNP效应与整体估计对比

森林图直观展示每个工具变量的独立效应及其置信区间，同时呈现汇总效应。这是评估结果稳健性的重要工具。

解读要点：

# 生成森林图的代码示例 res_single <- mr_singlesnp(dat) mr_forest_plot(res_single)[[1]] + theme(axis.text.y = element_text(size = 8))

3. 留一法分析：识别关键影响点

留一法敏感性分析通过依次剔除每个SNP后重新计算效应值，帮助识别对整体结果影响过大的单个工具变量。

结果判读三步法：

1. 观察"All"行的汇总效应（通常位于底部）
2. 检查剔除任一SNP后的效应变化幅度
3. 标记使结果发生方向性改变的SNP

注意：若剔除某个SNP后效应值变化超过15%，应考虑该SNP可能存在问题，需检查其多效性。

4. 漏斗图：评估工具变量对称性

漏斗图通过展示效应值与精度的关系，帮助识别潜在的发表偏倚或工具变量异质性。

图形特征分析：

• 横轴：SNP的效应大小
• 纵轴：1/标准误（精度）
• 理想状态：呈对称漏斗形分布
• 异常信号：明显不对称或缺失区域

# 漏斗图优化代码 mr_funnel_plot(res_single)[[1]] + geom_vline(xintercept = 0, linetype = "dashed") + scale_y_continuous(trans = "reverse")

5. 高级诊断：从图表识别三大假设问题

通过组合分析各类图表，可系统评估孟德尔随机化的核心假设：

1. 相关性假设诊断：

• 检查散点图中SNP与暴露的关联强度（F统计量）
• 典型阈值：F>10为强工具变量

2. 独立性假设诊断：

• MR-Egger截距检验（p<0.05提示可能违反）
• 漏斗图不对称性检验

3. 排他性假设诊断：

• 留一法分析中的异常SNP
• 水平多效性检验结果

6. 实战案例：图表异常排查指南

当遇到以下常见图形异常时，可采取相应措施：

# MR-PRESSO异常值检测 presso <- mr_presso(BetaOutcome = "beta.outcome", BetaExposure = "beta.exposure", SdOutcome = "se.outcome", SdExposure = "se.exposure", data = dat)

掌握这些图表解读技巧后，你将能更自信地评估孟德尔随机化结果的质量，在论文中专业地呈现和讨论分析发现。记住，好的可视化不仅是展示结果，更是验证假设和发现问题的重要工具。