[论文解读] Debiased Inverse-Variance Weighted Estimator in Two-Sample Summary-Data Mendelian Randomization

Ting Ye, Jun Shao+1 more|arXiv (Cornell University)|Nov 22, 2019

Genetic Associations and Epidemiology参考文献 37被引用 26

一句话总结

本文提出了一种去偏倒方差加权（dIVW）估计器，用于两样本汇总数据孟德尔随机化，该估计器在无需筛选工具变量的情况下对大量弱工具变量具有鲁棒性。通过在标准IVW估计器上应用偏差校正因子，dIVW估计器即使在所有遗传工具变量均为弱工具变量时也能保持一致性和渐近正态性，从而消除了对额外选择数据集以缓解胜者诅咒偏差的需求。

ABSTRACT

Mendelian randomization (MR) has become a popular approach to study the effect of a modifiable exposure on an outcome by using genetic variants as instrumental variables. A challenge in MR is that each genetic variant explains a relatively small proportion of variance in the exposure and there are many such variants, a setting known as many weak instruments. To this end, we provide a theoretical characterization of the statistical properties of two popular estimators in MR, the inverse-variance weighted (IVW) estimator and the IVW estimator with screened instruments using an independent selection dataset, under many weak instruments. We then propose a debiased IVW estimator, a simple modification of the IVW estimator, that is robust to many weak instruments and doesn't require screening. Additionally, we present two instrument selection methods to improve the efficiency of the new estimator when a selection dataset is available. An extension of the debiased IVW estimator to handle balanced horizontal pleiotropy is also discussed. We conclude by demonstrating our results in simulated and real datasets.

研究动机与目标

• 解决在两样本汇总数据孟德尔随机化中，对大量弱工具变量下逆方差加权（IVW）估计器及其筛选变体缺乏理论理解的问题。
• 开发一种鲁棒估计器，即使在所有遗传工具变量均为弱工具变量时仍能保持一致性和渐近正态性，避免依赖外部选择数据集。
• 提出两种工具变量筛选方法，以在拥有选择数据集时提升新估计器的效率。
• 将去偏IVW估计器扩展至处理平衡性水平多效性，增强其在真实遗传研究中的适用性。
• 通过渐近相变分析和偏差校正，为估计器的性能提供理论依据。

提出的方法

• 提出去偏IVW（dIVW）估计器作为标准IVW估计器的改进版本，定义为标准IVW估计器乘以一个偏差校正因子。
• 通过解析推导偏差校正因子，以校正大量弱工具变量下IVW估计值的向上偏差。
• 在大量弱工具变量的渐近框架下，建立dIVW估计器的理论性质，包括一致性和渐近正态性。
• 引入两种基于第三方独立GWAS选择数据集的工具变量筛选方法，以提升dIVW估计器的效率。
• 通过在估计方程中引入校正项，将dIVW框架扩展以处理平衡性水平多效性。
• 利用渐近分布理论和泰勒展开，推导dIVW估计器的极限分布，并验证其鲁棒性。

实验结果

研究问题

• RQ1 在所有SNP均为弱工具变量的大量弱工具变量设定下，标准IVW估计器是否具有一致性和渐近正态性？
• RQ2 对IVW估计器进行简单修改是否可在不筛选强工具变量的情况下实现一致性和渐近正态性？
• RQ3 在有限样本下，当工具变量较弱时，dIVW估计器与标准IVW及筛选IVW估计器的性能如何比较？
• RQ4 使用选择数据集对dIVW估计器效率的影响在理论上如何？
• RQ5 dIVW估计器能否在保持对弱工具变量鲁棒性的同时，扩展以处理平衡性水平多效性？

主要发现

• 在大量弱工具变量设定下，标准IVW估计器不具有一致性，且其渐近分布在此情形下未被良好刻画。
• 所提出的dIVW估计器即使在所有工具变量均为弱工具变量时也具有一致性和渐近正态性，且无需依赖独立的选择数据集。
• dIVW估计器中的偏差校正因子能有效消除弱工具变量引起的向上偏差，从而改善有限样本下的表现。
• 与标准IVW或筛选IVW估计器不同，dIVW估计器在无需筛选的情况下仍对弱工具变量保持鲁棒性。
• 当存在选择数据集时，所提出的工具变量筛选方法能提升dIVW估计器的效率，且不损害其鲁棒性。
• 理论分析证实，dIVW估计器的渐近方差表现良好，并在大量弱工具变量渐近框架下收敛。