Związek między mikroflorą jelitową a grypą: dwukierunkowe randomizowane badanie Mendla Choroby zakaźne BMC

Statystyki podsumowujące z badania asocjacyjnego całego genomu (GWAS)

Uzyskane podsumowanie danych dostarczyły publicznie dostępne badania GWAS. Podsumowanie informacji na temat mikroflory jelitowej pochodzi z badania GWAS przeprowadzonego przez międzynarodowy sojusz MiBioGen [13], obejmuje 24 grupy i 18 340 osób. W każdej grupie przeprowadzono analizę lokalizacji loci cech ilościowych mikrobiomu (mbQTL), biorąc pod uwagę tylko grupy taksonomiczne, które znaleziono w ponad 10% próbek. Analiza ta dała w sumie 211 grup taksonomicznych, w tym 35 rodzin, 20 rzędów, 16 klas, 9 typów i 131 rodzajów. Ponadto analiza mapowania loci cech binarnych (mbBTL) uwzględnia klasy taksonomiczne występujące w próbkach w zakresie 10–90%.

Konsorcjum FinnGen przeprowadziło badanie GWAS, które obejmowało dane dotyczące grypy (z wyłączeniem zapalenia płuc) w przypadku 4471 przypadków i 286 619 osób z grupy kontrolnej, a także dane dotyczące zapalenia płuc wywołanego grypą w przypadku 55 880 przypadków i 286 619 osób z grupy kontrolnej [14]. Grupę z grypą (inną niż zapalenie płuc) uważa się za grupę powszechną grypą, natomiast grupę z grypowym zapaleniem płuc uważa się za grupę z ciężką grypą.

Każda grupa włączona do badania GWAS uzyskała zgodę etyczną i zgodziła się na udział, a do analizy przesłano dane na poziomie podsumowania. Dokonano dostosowań ze względu na płeć, wiek, 10 najważniejszych składników i partie genotypowe. Obliczono współczynnik inflacji genomu i regresję wyniku nierównowagi powiązań H2 (LD) w celu oszacowania stratyfikacji populacji (patrz tabela uzupełniająca S1).

Kryteria wyboru zmiennych niezależnych (IV).

Analiza MRI wykorzystuje zmiany genetyczne jako IV do reprezentowania konkretnych ekspozycji, umożliwiając wnioskowanie przyczynowe między ekspozycjami a skutkami poprzez konwersję badań przyczynowych z fenotypu na genotyp na badania genotypu. Zalety MR obejmują: zmiany genetyczne poprzedzają skutki choroby, eliminując w ten sposób zakłócające uprzedzenia spowodowane przez odwrotną przyczynowość; Nowoczesne biotechnologie umożliwiają bardzo dokładny pomiar zmienności genetycznej, znacznie zmniejszając błędy szacunkowe związane z błędami pomiaru. Polimorfizmy pojedynczego nukleotydu (SNP) to najczęściej stosowane zmiany genetyczne w analizie MRI, odnoszące się do zmienności sekwencji DNA spowodowanej zmianami na poziomie nukleotydów (translokacje i transpozycje w stosunku 2:1) na poziomie genomu. Ogólnie rzecz biorąc, SNP odnoszą się do zmian pojedynczych nukleotydów z częstotliwością małych alleli (MAF) większą niż 1%. Na podstawie częstości występowania alleli SNP można podzielić na allele główne i allele mniejsze. Proporcja mniejszych alleli (lub alleli minimalnych) w danej populacji jest znana jako „częstotliwość mniejszych alleli (MAF)”, która jest zwykle stosowana jako kryterium selekcji SNP.

Poniżej znajdują się wytyczne dotyczące wyboru IV [15].

1. (1)

   Identyfikacja potencjalnych polimorfizmów pojedynczego nukleotydu (SNP): Potencjalne polimorfizmy IV dla każdego rodzaju zidentyfikowano poprzez wybranie SNP, które osiągnęły próg istotności P <5e-6 dla całego locus [16].

2. (2)

   Obliczanie LD między SNP: Aby zapewnić niezależność zidentyfikowanych zmian genetycznych, okno LD jest zwykle ustawiane na 10 000 kb z progiem r2 <0,01. LD wskazuje nielosowe powiązanie między allelami o różnych loci. Ocenia się go za pomocą dwóch parametrów, r2 i kb. Wartość r2 waha się od 0 do 1, przy czym mniejsze wartości wskazują na wyższy stopień całkowitej równowagi połączeń między dwoma SNP, co oznacza losowy rozkład SNP. kb reprezentuje długość regionu uwzględnianego w przypadku LD, ponieważ loci genomowe znajdujące się w bliskiej odległości od chromosomu są zwykle dziedziczone razem, co skutkuje dużym r2 pomiędzy pobliskimi loci. Odpowiedni rozmiar okna LD i próg r2 dobiera się tak, aby zapewnić niezależność, biorąc pod uwagę silne działanie LD. Wykluczyliśmy wszystkie inne SNP w promieniu 10 000 kb danego SNP, które spełniały kryteria LD r2 <0,001.

3. (3)

   Wykluczenie SNP z niską częstotliwością mniejszych alleli: SNP z MAF mniejszym lub równym 0,01 usunięto z rozważań.

4. (4)

   Wykluczenie SNP palindromowych: SNP palindromowe wykluczono na podstawie wnioskowania o allelach przed serią przy użyciu informacji o częstotliwości alleli.

Te kryteria wyboru zapewniają, że wybrane roztwory dożylne mają istotny związek z wynikami badań i spełniają określone cechy genetyczne niezbędne do wiarygodnej analizy.

Analiza statystyczna

W modelu MR zmienna instrumentalna reprezentująca zmienność genetyczną musi spełniać trzy podstawowe założenia [12, 17]: założenie dobroci dopasowania, wskazujące na silny i istotny związek pomiędzy wariancją genetyczną (Z) a współczynnikiem ekspozycji (X) (γ ≠ 0); założenie niezależności, które stwierdza, że ​​wariancja genetyczna (Z) jest niezależna od czynników zakłócających (U) wpływających na związek pomiędzy czynnikiem ekspozycji (X) a wynikiem (Y) (φ1 = 0); oraz założenie ograniczenia wykluczenia, które stwierdza, że ​​zmienność genetyczna wpływa jedynie na wynik poprzez czynnik narażenia, a nie w żaden inny sposób (φ2 = 0).

Analiza statystyczna obejmowała dwustronną analizę MRI w grupach MiBioGen i FinnGen, przy użyciu trzech różnych technik MR opartych na różnych założeniach: odwrotne ważenie wariancji (IVW), ważona mediana (WM) i regresja MR-Eggera. [12]. Głównym zastosowanym modelem statystycznym była technika IVW, która zapewniła zarówno efekty stałe, jak i efekty losowe. IVW to metoda grupowania dwóch lub większej liczby zmiennych losowych w celu zmniejszenia ogólnej wariancji. Waga przypisana każdej zmiennej losowej w sumie jest odwrotnie proporcjonalna do jej wariancji. Kontrast jest często używany do łączenia wyników niezależnych badań. Zastosowaliśmy metodę współczynnika Walda, aby obliczyć wielkość efektu ekspozycji i wynik dla każdego SNP. Początkowo do obliczenia szacunków przyczynowych poprzez metaanalizę szacunków współczynnika Walda dla każdej zmiennej instrumentalnej stosowano metodę IVW z efektami stałymi. W przypadku znacznej heterogeniczności (P < 0,05) stosowano podejście oparte na efektach losowych IVW [17]. Aby zapewnić dokładność wyników, zastosowano wiele metod, w tym regresję MR-Eggera i medianę ważoną.

Aby mieć pewność, że spełnione są trzy krytyczne założenia analizy MRI, musimy przeprowadzić następujące trzy aspekty analizy wrażliwości, aby ocenić siłę wyników, wiarygodność wniosków i obecność potencjalnych błędów, takich jak błąd plejotropii ( co odnosi się do genu wpływającego na wiele fenotypów) i heterogeniczności danych. Co więcej, oceniamy również, czy dana zmienna instrumentalna ma znaczący wpływ na zmienną wynikową, zazwyczaj stosując metodę „pomiń jedną”.

Do oceny heterogeniczności wykorzystano test Cochrana Q, a do określenia heterogeniczności oszacowań przyczynowych zastosowano zarówno podejście IVW z efektami stałymi, jak i regresję MR-Eggera [12]Iloraz szans (OR) otrzymano poprzez przekształcenie oszacowania efektu łącznego β za pomocą wzoru β = ln(OR). Następnie obliczono 95% przedział ufności (CI) dla OR. Do pomiaru heterogeniczności wykorzystano statystykę Q Cochrana, gdzie wartość P mniejszą niż 0,05 uznawano za wskazującą na znaczną heterogeniczność.

Do oceny potencjalnych efektów plejotropowych zmiennych instrumentalnych wykorzystano metodę regresji MR-Eggera. Zbadaliśmy obecność kierunkowego polimorfizmu poziomego w szacunkach przyczynowych, analizując człon przecięcia w regresji MR-Eggera. [17].

Ponadto przeprowadzono analizę typu „pomiń jeden element”, aby wykryć wszelkie potencjalne, odstające zmienne instrumentalne. Osiągnięto to poprzez wykluczenie każdego SNP jeden po drugim i przeprowadzenie analizy MR pozostałych SNP.

Do wszystkich analiz statystycznych użyto wersji R 4.2.2 (R Foundation for Statistical Computing, Wiedeń, Austria). Do przeprowadzenia analiz MR wykorzystano pakiety R twosampleMR (wersja 0.5.6), data.table (wersja 1.14.8), tidyverse (wersja 1.3.2), writexl i readxl R.