What does two-sample Mendelian randomization estimate when the exposure-outcome relationship is nonlinear?¶
作者: Eric J. Tchetgen Tchetgen
主题: 因果推断
相关性: 8/10
链接: https://arxiv.org/abs/2610.05134
一、领域脉络与小综述¶
这个方向是什么:孟德尔随机化(Mendelian randomization, MR)利用遗传变异作为工具变量(IV),在存在未测量混杂的情况下推断暴露对结局的因果效应。两样本 MR(two-sample MR)是其中应用最广的设计:从两个独立 GWAS 中分别获取变异-暴露关联(\(\gamma_{A,j}\))和变异-结局关联(\(\gamma_{Y,j}\)),取比值 \(\theta_j = \gamma_{Y,j}/\gamma_{A,j}\) 作为因果效应估计。本方向的核心问题是:当暴露-结局关系非线性时,这个比值到底估计了什么?它是否还有因果含义?本文(Tchetgen Tchetgen, 2026)系统回答了这个问题。
发展脉络:
- 奠基工作:Davey Smith & Ebrahim (2003) 提出 MR 的基本思想——利用 Mendel 定律的随机分配性质,遗传变异可作为暴露的无混杂工具。这是整个领域的起点。随后,Didelez & Sheehan (2007) 等给出了 IV 假设的形式化条件(相关性、排他性、无混杂)。
- 两样本设计的兴起:Pierce & Burgess (2013) 正式提出两样本 MR 设计,利用两个独立 GWAS 的汇总统计量进行因果推断,极大降低了数据获取成本。Burgess et al. (2013) 系统比较了比值法、两阶段法和似然法在汇总数据下的表现。这一设计成为后续十年 MR 应用的主流范式。
- 稳健估计方法:针对多效性(pleiotropy)问题,Bowden et al. (2015) 提出 MR-Egger 回归,允许所有工具变量存在与强度无关的多效性(InSIDE 假设);Bowden et al. (2016) 提出加权中位数估计,在最多 50% 工具无效时仍一致;Verbanck et al. (2018) 提出 MR-PRESSO,通过检测和剔除离群工具变量来缓解多效性偏倚。这些方法构成了当前"稳健 MR"的标准工具箱。
- 非线性 MR 的探索:Burgess et al. (2014) 通过分层方法估计非线性剂量反应关系,但该方法对工具变量假设要求更强,且已被证明在存在个体效应异质性时会产生偏倚(Burgess et al., 2024 的评论)。Staley & Burgess (2017) 提出分数多项式与分段线性方法,试图在汇总数据下估计非线性关系。Silverwood et al. (2019) 用二元基因型检验非线性因果效应。然而,这些方法大多依赖"常数遗传效应"或"线性暴露-结局关系"的隐含假设,缺乏对估计目标的严格刻画。
- IV 非线性效应的识别理论:Angrist & Imbens (1995) 在计量经济学中证明,在存在个体效应异质性时,IV 估计的是"依从者平均因果效应"(LATE),而非总体平均效应。Imbens & Newey (2009) 提出控制函数方法(control function approach)用于非参数 IV 识别。Wang & Tchetgen Tchetgen (2018) 和 Cui & Tchetgen Tchetgen (2021) 将 IV 识别推广到更一般的因果参数。Hartwig et al. (2023) 提出"无同时异质性"(NOSH)假设,在保留个体效应异质性的同时恢复 IV 估计的平均效应解释。本文(Tchetgen Tchetgen, 2026)在此基础上,将 NOSH 推广到非线性暴露-结局关系,提出了两个更一般的条件——NUCEM 和 ECoF。
子线索聚类:
- IV 估计的识别理论(Angrist & Imbens 1995; Imbens & Newey 2009; Wang & Tchetgen Tchetgen 2018; Cui & Tchetgen Tchetgen 2021; Hartwig et al. 2023):这条线索追问"IV 估计量在什么条件下、估计的是什么参数",是本文的直接理论背景。
- 汇总数据的稳健估计(Bowden et al. 2015, 2016; Verbanck et al. 2018):处理多效性偏倚的方法论分支,本文指出这些方法在非线性下会把非线性误判为多效性。
- 非线性 MR 方法(Burgess et al. 2014; Staley & Burgess 2017; Silverwood et al. 2019; Tian et al. 2023):试图估计非线性剂量反应关系的应用方法分支,本文指出这些方法大多隐含了常数遗传效应假设。
- 遗传流行病学中的效应异质性证据(Yang et al. 2012; Wang et al. 2019):vQTL 和 GxE 交互的实证证据表明,遗传变异对暴露的影响本身存在异质性,这为本文的核心论点——不同变异估计不同加权量——提供了经验基础。
这个方向在追问的核心问题:
- 当暴露-结局关系非线性时,单个变异的比值估计 \(\theta_j\) 的因果解释是什么?
- 多个变异的合并估计(IVW、MR-Egger、加权中位数等)在非线性下是否还有一致的目标参数?
- 非线性与多效性在汇总统计层面能否区分?
- 什么样的数据(个体水平 vs 汇总统计)能够解决这些问题?
⚠️ 作者的 framing(这是作者的说法):作者在引言和讨论中把缺口 frame 成——"两样本 MR 的比值估计在非线性下缺乏严格的目标参数刻画,现有稳健方法(MR-Egger 等)会把非线性误判为多效性,而这个问题在汇总统计层面不可检测"。他提出 NUCEM 和 ECoF 两个条件,在这两个条件下比值估计有明确的加权平均斜率解释,并证明"即使所有工具都有效,非线性也会导致异质性检验和 MR-Egger 的截距检验失效"。他淡化或回避的竞争路线包括:(1) 直接使用个体水平数据的非线性 IV 方法(如 Imbens & Newey 2009 的控制函数方法),这些方法在个体数据下可以识别整个曲线,但需要更强的假设;(2) 分层/分位数 MR 方法(如 Tian et al. 2023),作者认为这些方法"需要个体水平数据且对工具变量假设更敏感"(文中第 6 节)。什么明显该被引 / 该存在、却没出现在 intro 里:作者没有引用 Angrist, Imbens & Rubin (1996) 关于 IV 与潜在结果框架的经典论文,也没有引用 Abadie (2003) 关于半参数 LATE 估计的工作——这些是 IV 非线性效应识别的直接理论前驱。此外,作者没有讨论"工具变量对暴露分布的影响本身是否可检验"这一计量经济学文献中的经典问题(如 Kitagawa 2009 的检验)。
张力:未见明显对立引用。但值得注意的是,Hartwig et al. (2023) 的 NOSH 假设与本文的 NUCEM 条件在逻辑上存在微妙差异:NOSH 假设"暴露-结局关系的异质性与工具-暴露关联的异质性独立",而 NUCEM 要求"未测量的结局修饰因子与工具-暴露关联的协方差为零"。在可检验性上,NOSH 在个体数据下可通过异质性检验部分验证,而 NUCEM 本质上不可检验(作者在第 5 节承认这一点)。这构成一个潜在的理论张力:作者声称 NUCEM 是 NOSH 的推广,但实际上 NUCEM 比 NOSH 更难验证。
二、最核心、最简单的例子 / 数学问题¶
第一步:符号、模型、可观测数据
设 \(A\) 为连续暴露(如 BMI),\(Y\) 为结局(如血压),\(Z\) 为遗传变异(等位基因计数,取 0/1/2),\(U\) 为未测量的混杂因素(如社会经济地位)。记 \(Y(a)\) 为在暴露水平 \(a\) 下的潜在结局。定义:
- \(h(a,u) = E\{Y(a) \mid U = u\}\):在混杂层 \(u\) 内的剂量反应曲线
- \(h'(a,u) = \partial_a h(a,u)\):该曲线在剂量 \(a\) 处的斜率
- \(h'(a) = E\{h'(a,U)\}\):总体平均斜率(population slope)
- \(S(a \mid z) = \Pr(A > a \mid Z = z)\):给定基因型 \(z\) 时暴露超过 \(a\) 的条件生存函数
- \(g(a) = \text{cov}\{Z, \mathbf{1}(A > a)\}\):变异与"暴露超过 \(a\)"的协方差,即变异在剂量 \(a\) 处的"权重"
- \(\gamma_A = \text{cov}(Z,A)/\text{var}(Z)\),\(\gamma_Y = \text{cov}(Z,Y)/\text{var}(Z)\):变异-暴露和变异-结局的回归系数(两样本 MR 中的汇总统计量)
可观测数据:两样本 MR 中,研究者只能看到 \((\gamma_{A,j}, \gamma_{Y,j})\) 及其标准误——即每个变异 \(j\) 与暴露和结局的关联强度。个体水平的 \((A, Y, Z)\) 数据不可得。
第二步:最小内核
考虑最简单的设定:一个二值工具变量 \(Z \in \{0,1\}\)(如某个 SNP 的等位基因计数二分),连续暴露 \(A\),结局 \(Y\),未测量混杂 \(U\)。假设 IV 条件成立(\(Z \perp U\),\(Z \perp Y(a) \mid U\),\(Z\) 影响 \(A\)),但不假设暴露-结局关系线性。
核心问题:两样本 MR 的比值估计 \(\beta_{IV} = \gamma_Y / \gamma_A = \text{cov}(Z,Y)/\text{cov}(Z,A)\) 在非线性下估计的是什么?
答案(本文的核心定理):在"无未测量共同效应修饰因子"(NUCEM)条件下,
其中 \(g(a) = \text{cov}\{Z, \mathbf{1}(A > a)\}\)。
这个公式的直观含义:
- \(\beta_{IV}\) 是斜率 \(h'(a)\) 的加权平均,权重 \(g(a)\) 由变异如何移动暴露分布决定。
- 权重 \(g(a)\) 的符号可变。如果变异只在高剂量区间增加暴露(如只在重度饮酒者中起作用),则 \(g(a)\) 在高剂量处为正、低剂量处为零;如果变异增加暴露的离散度(方差),则 \(g(a)\) 在低剂量处为负、高剂量处为正。
- 当权重变号时,\(\beta_{IV}\) 可能落在所有个体斜率之外。例如,若 \(h'(a)\) 在低剂量处为正、高剂量处为负(倒 U 型关系),而变异增加暴露离散度,则 \(\beta_{IV}\) 可能是负的,尽管每个个体的斜率都是正的。这就是"非线性下 IV 估计可能超出个体效应范围"的机制。
为什么这个例子是"最小内核":它剥离了多变异、多效性、弱工具等所有复杂性,仅保留一个变异、一个连续暴露、一个结局,就足以展示核心洞见——非线性下 IV 估计的目标参数是变异特定的加权平均斜率,而非任何固定的总体参数。所有后续结果(多变异合并、MR-Egger 的行为、异质性检验的失效)都是这个基本事实的推论。
一个具体数值例子:设 \(A \sim \text{Uniform}(0,1)\),\(Z \in \{0,1\}\) 以等概率取值,且 \(A \mid Z=1\) 在 \([0.5, 1]\) 上均匀分布,\(A \mid Z=0\) 在 \([0, 0.5]\) 上均匀分布(即变异将暴露从低半段移到高半段)。设真实的剂量反应为 \(h(a) = a(1-a)\)(倒 U 型,在 \(a=0.5\) 处斜率由正变负)。则 \(g(a) = \text{cov}\{Z, \mathbf{1}(A>a)\}\) 在 \(a < 0.5\) 时为正(变异增加暴露超过低阈值的概率),在 \(a > 0.5\) 时为负(变异减少暴露超过高阈值的概率)。计算可得 \(\beta_{IV} = \int_0^1 (1-2a) g(a) da / \int_0^1 g(a) da\)。由于 \(g(a)\) 在低剂量处为正(此处 \(h' > 0\))且在高剂量处为负(此处 \(h' < 0\)),分子为正,但分母也可能为正,最终 \(\beta_{IV}\) 是某个加权平均。关键在于:如果变异只增加离散度(如 \(A \mid Z=1\) 在 \([0,1]\) 上均匀分布,\(A \mid Z=0\) 恒等于 0.5),则 \(g(a)\) 在 \(a < 0.5\) 时为负、\(a > 0.5\) 时为正,\(\beta_{IV}\) 可能为负,尽管每个个体的斜率 \(h'(a)\) 在 \(a < 0.5\) 时为正、\(a > 0.5\) 时为负。这就是"IV 估计超出个体效应范围"的机制。
三、这篇论文做了什么¶
三句话: 1. 研究了什么问题:当暴露-结局关系非线性时,两样本 MR 的比值估计、IVW 合并估计、MR-Egger 回归、加权中位数等标准工具各自估计的是什么参数,以及这些参数是否有因果含义。 2. 核心方法:在潜在结果框架下,通过两个可解释的结构条件——NUCEM(无未测量共同效应修饰因子)和 ECoF(暴露控制函数)——推导出每个变异比值估计的精确概率极限,并分析汇总统计层面各诊断统计量的行为。 3. 主要结论:非线性下每个变异的比值是剂量反应曲线斜率的加权平均,权重由该变异如何移动暴露分布决定;不同变异估计不同参数,因此 IVW 没有固定目标;异质性检验和 MR-Egger 会把非线性误判为多效性;汇总统计无法区分非线性和多效性;但个体水平暴露数据(混合设计)可以恢复权重并识别剂量反应曲线。
关键设定与假设:
- IV 条件(标准):\(Z \perp U\),\(Z \perp Y(a) \mid U\),\(Z\) 与 \(A\) 相关。
- NUCEM(条件 1):\(\int \text{cov}_U\{h'(a,U), g(a,U)\} \, da = 0\)。即未测量的结局修饰因子(影响斜率 \(h'\) 的 \(U\) 成分)与未测量的工具-暴露关联修饰因子(影响权重 \(g\) 的 \(U\) 成分)在积分意义下不相关。这是对 Hartwig et al. (2023) NOSH 假设的非线性推广。
- ECoF(条件 2):存在 \(T = T(A,Z)\) 使得 \(Y(a) \perp (A,Z) \mid T\),且 \(T \perp Z\),\(A = \kappa(T,Z)\) 可微。这是 Imbens & Newey (2009) 控制函数条件的变体。
- 关键放宽:不假设暴露-结局关系线性,不假设常数遗传效应,不假设工具变量对暴露的影响是同质的。
主要结果:
- 定理 1(公式 3):在 NUCEM 下,\(\beta_{IV} = \int h'(a) g(a) da / \int g(a) da\)。权重 \(g(a) = \text{cov}\{Z, \mathbf{1}(A>a)\}\) 仅由 \((Z,A)\) 的联合分布决定,可从个体水平暴露数据中估计。
- 定理 2(公式 7):在 ECoF 下,\(\beta_{IV} = E\{\omega(Z,T) \partial_a m(A,T)\} / E\{\omega(Z,T)\}\),其中 \(\omega(z,t) = \partial_z \kappa(t,z) \cdot w(z)/f_Z(z)\),\(w(z) = \text{cov}\{Z, \mathbf{1}(Z>z)\} \ge 0\)。权重由个体对工具的响应性 \(\partial_z \kappa\) 决定。
- 推论(公式 5, 8):在线性异质性结局下,\(\beta_{IV} - ACE = \text{cov}_U\{\beta_Y(U), \gamma_A(U)\} / E\{\gamma_A(U)\}\)。NUCEM 等价于 \(\beta_{IV} = ACE\),即 NOSH 是 NUCEM + 线性。
- 命题 1(汇总统计的不可区分性):任意一组汇总统计 \((\gamma_{A,j}, \gamma_{Y,j})\) 都可以由 (i) 满足 NUCEM 的非线性剂量反应 + 有效工具,或 (ii) 线性剂量反应 + 直接多效性,精确生成。因此,没有基于汇总统计的检验能区分非线性和多效性。
- 良性情形(公式 9):在位置平移 + 正态工具 + 小效应下,所有变异近似估计同一平均斜率 \(E\{h'(A,U)\}\),偏差为 \(O(\beta^2)\) 量级。
- 混合设计(公式 11):若暴露数据为个体水平,权重 \(g_j(a)\) 可估计,则可通过线性系统 \(\gamma_{Y,j} = \sum_k c_k \text{cov}\{G_j, \Phi_k(A)\}\) 识别剂量反应斜率的基展开系数 \(c_k\)。
证明路线与技术技巧:
- 整体路线:
- 从潜在结果框架出发,将 \(\text{cov}(Z,Y)\) 分解为对 \(U\) 和 \(A\) 的双重积分;
- 利用 \(Z \perp U\) 和 \(Z \perp Y(a) \mid U\) 消去 \(U\),得到 \(\text{cov}(Z,Y) = \int h'(a) g(a) da + \text{残差项}\);
- 证明 NUCEM 使残差项为零,得到定理 1;
- 对 ECoF,利用 \(T\) 的充分性将问题转化为条件独立结构,通过分部积分(integration by parts)得到权重 \(\omega\);
- 对命题 1,构造两种数据生成过程的显式例子,证明它们产生相同的 \((\gamma_{A,j}, \gamma_{Y,j})\);
-
对混合设计,将权重 \(g_j(a)\) 视为已知(从个体水平暴露数据估计),将 \(\gamma_{Y,j}\) 视为 \(h'\) 的线性泛函,通过矩条件求解。
-
关键跳跃点:
- 从 \(\text{cov}(Z,Y)\) 到 \(\int h' g\) 的分解:需要处理 \(h(a,u)\) 对 \(a\) 的偏导与 \(g(a,u)\) 的积分交换条件,作者用 Fubini 定理和紧支撑假设绕过;
- NUCEM 的充分性:证明 NUCEM 不仅充分而且"几乎必要"(在连续泛函的意义下),这是通过构造反例完成的;
-
命题 1 的构造:关键在于利用非线性函数的灵活性——给定任意 \((\gamma_{A,j}, \gamma_{Y,j})\),可以构造一个分段线性函数 \(h\) 使其精确匹配所有比值,同时满足 NUCEM。这个构造是建设性的,而非仅存在性。
-
技术技巧点名:
- 分部积分(integration by parts):用于 ECoF 框架下将 \(\text{cov}(Z, m(\kappa(T,Z),T))\) 转化为 \(\partial_z \kappa\) 的加权平均;
- Yitzhaki 恒等式:\(\text{cov}\{Z, \phi(Z)\} = \int \phi'(z) w(z) dz\),其中 \(w(z) = \text{cov}\{Z, \mathbf{1}(Z>z)\}\),用于处理工具变量的非线性变换;
- Stein 引理:在正态工具下简化权重表达式,得到良性情形的近似公式 (9);
- 构造性反例:用于命题 1 的不可区分性证明,以及 NUCEM 必要性的论证。
真实例子与应用:本文没有真实数据应用。所有数值结果来自模拟(第 4 节图 1 和表 2),使用四个假设的变异(位置平移、低剂量、高剂量、离散化)作用于 J 型和 S 型剂量反应曲线。模拟的目的是展示:(1) 不同变异的比值可以相差数倍甚至符号相反;(2) MR-Egger 的截距在纯非线性下非零;(3) 异质性检验的 \(I^2\) 统计量在无多效性时也拒绝。本文为纯理论/模拟论文,无真实数据例子。
🔎 结论是否比证明窄:
- 作者在第 5 节声称"汇总统计无法区分非线性和多效性"(命题 1),但命题 1 的证明依赖于所有变异都满足 NUCEM 这一条件。如果 NUCEM 不成立,则非线性 + 有效工具与线性 + 多效性的等价性可能被打破。作者在附录 D 中承认这一点,但正文的表述比证明更宽泛。
- 公式 (9) 的良性情形要求"正态工具 + 位置平移 + 小效应",但作者在第 4 节讨论中将其推广为"通常的 MR 分析"的近似描述,这一推广缺乏严格边界。
- 作者声称"个体水平暴露数据解决所有问题"(第 6 节),但公式 (11) 的识别要求权重 \(g_j(a)\) 的支撑覆盖整个剂量范围,且基函数 \(\Phi_k\) 的选择影响结果。作者没有讨论基函数维数 \(K\) 的选择偏差。
四、开放问题(点到为止)¶
-
NUCEM 的可检验性:作者在第 5 节承认 NUCEM 不可从汇总统计检验,但未讨论在个体水平数据下如何检验。扎根于第 5 节"Summary statistics cannot attribute the heterogeneity"的讨论。一个具体问题是:能否用个体水平数据构造 NUCEM 的检验统计量,其零分布不依赖于剂量反应函数的形式?
-
多变异合并的决策规则:如果每个变异估计不同的加权平均斜率,IVW 的固定效应模型在非线性下没有目标参数。作者建议"报告每个变异的权重和比值",但未给出如何从 \(L\) 个变异中提取有用汇总的决策规则。扎根于第 4 节对 IVW 的讨论。
-
非线性检测的替代设计:作者推荐混合设计(个体水平暴露 + 汇总结局),但未讨论样本量要求、功效分析或与现有分层 MR 方法的比较。扎根于第 6 节对混合设计的讨论。
-
半参数效率:公式 (11) 给出了矩条件估计,但未讨论半参数效率界。在 NUCEM 下,剂量反应斜率的基系数 \(c_k\) 的有效估计是否可以达到半参数效率界?这直接联系到研究者的效率理论专长。
-
与高维工具的交互:当工具变量数量 \(L\) 很大(如多基因评分)时,权重 \(g_j(a)\) 的估计误差如何传播到 \(c_k\) 的估计?是否存在类似高维 IV 的正则化方法?扎根于第 4 节对"多变异"的讨论。
提醒:要确认以上哪条是真 gap,建议去读近 5 年 Nonlinear MR 方向的文献(如 Burgess et al. 2024 的评论、Tian et al. 2023 的 PLOS Genetics 论文、以及 Hamilton et al. 2024 的负面结果论文),看它们是否已经解决了这些问题。如果多篇近期论文都指向同一个未解决问题,那就是共识性 gap;如果互相矛盾,则是机会。
Maintained by 陈星宇 · Homepage · Source on GitHub