孟德尔随机化--初筛

image.png

各位观众老爷们大家好，欢迎来到蟹道人的生信小课堂！

本节内容我们主要讲解如何进行孟德尔随机化暴露与结局的快速初筛。

主要列举以下几个方法：

基于我自己写的一个小的R包：friendly2MR;

基于epigraphdb数据库开发epigraphdb包；

基于epigraphdb在线网站；

实用教程：

基于我自己写的一个小的R包：friendly2MR：

安装和加载：

if (!requireNamespace("remotes", quietly = TRUE))install.packages("remotes")
remotes::install_github("xiechengyong123/friendly2MR")
library(friendly2MR)

使用：

# 测试多个暴露对一个结局的阳性结果 ----------------------------------------------------------------------
#rm(list = ls())
library(TwoSampleMR)
library(friendly2MR)
# List available GWASs
ao <- available_outcomes(access_token = NULL)

ao1=ao[grep("ukb",ao$id),]
#IEU GWAS 数据ID
exposure <-ao1$id
exposure=exposure[1:20]

#调用函数，生成结果
mr_mul2one=find_anyexposur_outcome(exposure,"ieu-a-7",write=T)

# 测试一个暴露对多个结局的阳性结果 ----------------------------------------------------------------------
# rm(list = ls())
library(TwoSampleMR)
library(friendly2MR)
# List available GWASs
# ao <- available_outcomes(access_token =NULL)

ao1=ao[grep("ukb",ao$id),]
#IEU GWAS 数据ID
outcome <-ao1$id
outcome=outcome[1:20]
mr_one2mul=find_exposur_anyoutcome("ieu-a-7",outcome,write=T)

结果：

mr_mul2one：

mr_one2mul：

基于epigraphdb数据库开发epigraphdb包：

安装以及加载：

if (!requireNamespace("epigraphdb", quietly = TRUE))install.packages("epigraphdb")
library("epigraphdb")

封装函数调用：

# 筛选多个暴露和多个结局中的显著结果 -------------------------------------------------------
fast_screen=function(exposure = NULL, 
                     outcome = NULL, 
                     pval_threshold = 1e-05, 
                     write=T,
                     file="fast_screen.csv"){
  start=Sys.time()
  cat("##########################开始筛查######################################\n")
  #设置mr_fast_result_all
  mr_fast_result_all<-data.frame()
  #首先生成IEU的性状信息：
  if(!file.exists("IEU_ao.RData")){
    ao <- available_outcomes()
    write.csv(ao,file = "IEU_ao.csv")
    save(ao,file = "IEU_ao.RData")
  }
  load(file = "IEU_ao.RData")

  exposure_length=length(exposure)
  outcome_length=length(outcome)

  for (i in 1:exposure_length) {
    for (j in 1:outcome_length) {
      exposure_id = exposure[i]
      outcome_id = outcome[j]
      # #判断暴露id和性状是否在数据库中
      # if (sum((exposure_id %in% ao$trait),(exposure_id %in% ao$id))>0) {
      # }else{stop("\n##########################该暴露不在数据库中######################################\n")}
      # # #判断结局id和性状是否在数据库中
      # if (sum((outcome_id %in% ao$trait),(outcome_id %in% ao$id))>0) {
      # }else{stop("\n##########################该结局不在数据库中######################################\n")}
      #首先判断是ieu号还是性状名称：
      if (!is.null(exposure_id)) {
        if (exposure_id %in% ao$id) {
          exposure_trait <- ao[ao$id == exposure_id, ]$trait
        } else{
          exposure_trait = exposure_id
        }
      } else{
        exposure_trait = exposure_id
      }

      if (!is.null(outcome)) {
        if (outcome_id %in% ao$id) {
          outcome_trait <- ao[ao$id == outcome_id, ]$trait
        } else{
          outcome_trait = outcome_id
        }
      } else{
        outcome_trait = outcome_id
      }

      mr_fast_result = epigraphdb::mr(
        exposure_trait = exposure_trait,
        pval_threshold = pval_threshold,
        outcome_trait = outcome_trait,
        mode = "table"
      )

      #根据ieu号进行筛选：
      # mr_fast_result1<-data.frame()
      if (!is.null(exposure_id)) {
        if (exposure_id %in% ao$id) {
          mr_fast_result <-
            mr_fast_result[mr_fast_result$exposure.id == exposure_id, ]
        }else{mr_fast_result=mr_fast_result}
      }
      # mr_fast_result1 <- unique(rbind(mr_fast_result1, mr_fast_result1))

      # mr_fast_result2<-data.frame()
      if (!is.null(outcome_id)) {
        if (outcome_id %in% ao$id) {
          mr_fast_result <- mr_fast_result[mr_fast_result$outcome.id == outcome_id, ]
        }else{mr_fast_result=mr_fast_result}
      }
      # 多个结果合并
      # mr_fast_result2 <- unique(rbind(mr_fast_result2,mr_fast_result2))
      mr_fast_result_all<-unique(rbind(mr_fast_result,mr_fast_result_all))

    } 
  }
  # mr_fast_result_all<-unique(rbind(mr_fast_result_all,mr_fast_result_all))

  if (write) {
    write.csv(mr_fast_result_all,file=file,row.names = F)
  }
  end=Sys.time()
  print(end-start)
  cat("##########################筛查结束######################################\n")

  return(mr_fast_result_all)
}

#筛选一个暴露和所有结局中的显著结果
mv_mr_result=fast_screen(exposure="Body mass index")
mv_mr_result1=fast_screen(exposure="ieu-a-2")

#筛选所有暴露和一个结局中的显著结果
mv_mr_result2=fast_screen(outcome="Coronary heart disease")
mv_mr_result3=fast_screen(outcome="ieu-a-7")

#筛选一个暴露和一个结局中的显著结果
mv_mr_result4=fast_screen(exposure="Body mass index",outcome="Coronary heart disease")
mv_mr_result5=fast_screen(exposure="ieu-a-2",outcome="ieu-a-7")
mv_mr_result6=fast_screen(exposure="Body mass index",outcome="ieu-a-7")
mv_mr_result7=fast_screen(exposure="ieu-a-2",outcome="Coronary heart disease")

#筛选多个暴露和所有结局
mv_mr_result8=fast_screen(exposure=c("Body mass index","Coronary heart disease"))

mv_mr_result9=fast_screen(exposure=c("Coronary heart disease","ieu-a-2"))

mv_mr_result10=fast_screen(exposure=c("Body mass index","ieu-a-7"))

mv_mr_result11=fast_screen(exposure=c("ieu-a-2","ieu-a-7"))

#筛选所有暴露和多个结局
mv_mr_result12=fast_screen(outcome=c("Body mass index","Coronary heart disease"))

mv_mr_result3=fast_screen(outcome=c("ieu-a-2","Coronary heart disease"))

mv_mr_result14=fast_screen(outcome=c("Body mass index","ieu-a-7"))

mv_mr_result15=fast_screen(outcome=c("ieu-a-2","ieu-a-7"))

#筛选多个暴露和多个结局
mv_mr_result16=fast_screen(exposure=c("Body mass index","Coronary heart disease"),outcome=c("Body mass index","Coronary heart disease"))

mv_mr_result17=fast_screen(outcome=c("ieu-a-2","Coronary heart disease"))

mv_mr_result18=fast_screen(outcome=c("Body mass index","ieu-a-7"))

mv_mr_result19=fast_screen(outcome=c("ieu-a-2","ieu-a-7"))

mv_mr_result20=fast_screen(exposure=c("ieu-a-2","ieu-a-7"),outcome=c("ieu-a-2","ieu-a-7"))
mv_mr_result21=fast_screen(exposure="ieu-a-2",outcome="ieu-a-7")
mv_mr_result22=fast_screen(exposure="ieu-a-7",outcome="ieu-a-2")

结果：

mv_mr_result：

mv_mr_result1：

mv_mr_result2:

mv_mr_result3:

......后续有兴趣大家可以自己试试。

基于epigraphdb在线网站：

网站页面：

1679537219483.png

Network 3D图：

1679537113992.png

效果相当炸裂

列表：

与R代码跑出的结果一致

代码爬取：

他还非常贴心的列出了如何获取相关结果的R和python代码，相当nice！

1679537900519.png

注意：

请注意，epigraphdb在线数据库和R包筛选出的结果，都是使用自动算法产生的初步结果，所以应该始终通过使用进一步的方法进行分析来验证。大家有兴趣的话，可以去多多探索。。。

使用教程

b站链接（【孟德尔随机化--初筛2】 https://www.bilibili.com/video/BV1bm4y1k7Ca/?share_source=copy_web&vd_source=db46041789fa1bbf5497ce06b73f53d8）