Causal estimate obtained for a single instrumental variable (IV) by dividing the beta coefficient describing the association between the genetic variant being used as an IV and the outcome by the beta coefficient describing the association between the genetic variant and the exposure.
通过将描述用作工具变量（IV）的遗传变异与结局之间关联的β系数除以描述该遗传变异与暴露之间关联的β系数，获得单个工具变量（IV）的因果估计值。
To estimate a valid causal effect, genetic variants must satisfy the MR assumptions. The Wald ratio is equivalent to the two-stage least squares (TSLS) method where the exposure is associated with one IV.
为了估计有效的因果效应，遗传变异必须满足孟德尔随机化（MR）假设。 Wald 比率等同于两阶段最小二乘法（TSLS），其中暴露与一个工具变量（IV）相关联。
Wald ratio 的本质是 “比值估计”，前提是仅存在1 个有效 IV（即 1 个与暴露强相关、与混杂因素无关、仅通过暴露影响结局的 SNP），公式为：
因果效应（β_IV）= 结局与 IV 的关联效应（β_YZ） / 暴露与 IV 的关联效应（β_XZ）
β_YZ：从 GWAS 中提取的 “结局性状（如癫痫）” 与 IV（如某 SNP）的回归系数；
β_XZ：从 GWAS/eQTL/pQTL 中提取的 “暴露因素（如白质连接性、代谢物水平）” 与同一 IV 的回归系数。
二、适用场景与关键前提
适用场景：
单工具变量 MR（最核心场景，如仅找到 1 个与暴露强相关的 SNP）；
双样本 MR（暴露与结局的 GWAS 数据来自不同队列，需确保 IV 的等位基因频率一致）；
快速初步验证（如探索单个候选基因 / SNP 对 “暴露 - 结局” 的因果效应）。
关键前提（必须满足）：
IV 与暴露强相关（通常要求 F 统计量＞10，避免弱工具变量偏倚）；
IV 与混杂因素（如年龄、性别、生活方式）无关；
IV 仅通过暴露影响结局（无水平多效性）。
三、在癫痫 MR 研究中的实际应用示例
以 “白质连接性与癫痫” 的 MR 研究为例：
选择 IV：找到 1 个与 “白质连接性（如视觉网络连接强度）” 强相关的 SNP（如 rsXXXX）；
提取 β 值：
β_YZ：从癫痫 GWAS 中获取 rsXXXX 与癫痫发病风险的回归系数（如 β_YZ=0.32，P=0.001）；
β_XZ：从脑影像 GWAS 中获取 rsXXXX 与白质连接性的回归系数（如 β_XZ=0.58，P=5e-8）；
计算 Wald ratio：因果效应 = 0.32 / 0.58≈0.55，即白质连接性每增加 1 个标准差，癫痫风险增加约 55%（需结合 95% CI 判断显著性）。
四、优势与局限性
优势：
计算简单（无需复杂模型，直接通过比值获得因果效应）；
结果直观（可直接解释为 “暴露每变化 1 单位，结局的风险变化幅度”）；
数据需求低（仅需提取两个 GWAS 的 β 值、标准误，无需个体水平数据）。
局限性：
仅适用于单 IV（多 IV 需用 Inverse variance weighted 等方法）；
对水平多效性敏感（若 IV 同时影响其他通路，会导致因果效应估计偏倚）；
弱工具变量会放大偏倚（F 统计量＜10 时，结果不可靠）。
