基于eQTL数据库研究基因和疾病因果关系流程

链接：简析基因 - EzyGene 生物信息分析平台

第一步：注册一个github网站

通过GitHub · Change is constant. GitHub keeps you ahead. · GitHub进入官网

找到右上角的sign up,点击后如下

按照要求依次填上相关信息，点击下面绿色框Create account完成注册

第二步：从OpenGWAS获取token信息

通过链接进入网站

点击API下面的API account & docs，进入如下界面

点击Sign in with Github,输入刚才注册的github账号后进入如下界面

找到Token界面，点击Reset后，在value一行显示出你的token，将其复制下来，得到你的token

第三步：打开简析基因官网，输入你得到的token

通过简析基因 - EzyGene 生物信息分析平台进入简析基因官网

在上方的云平台找到转录组

点击进入后，找到孟德尔随机化后，点击第一个基于eQTL数据库研究基因和疾病因果关系

进入后的界面如下：

在输入token上将原本的token删除，输入你自己刚才复制得到token

第四步：输入结局变量

打开 OpenGWAS 进入Gwas网站

在Datasets下点击Explore datasets，进入如下界面

以乳腺癌为例，我们想要搜索的结局变量是乳腺癌，那我们就在Trait这一列输入breast cancer 进行搜索，如图所示得到的都是乳腺癌的数据：

挑选我们所需要的那组乳腺癌数据，在前面找到它的编号，如ieu-a-1168,填写在结局变量一行中

第五步：在上传关注的基因集一栏中上传你所挑选出的基因

上传的基因文档如下图所示（文件使用TXT格式）

将文档上传后，在后续的选项中我们通常将筛选与暴露因素强相关的snp的p阈值设置为5*10^-8(0.00000005),点击提交得到结果

第六步：结果解读

按照上述操作后我们得到的结果可以在历史任务中看到结果

点击下载得到压缩包，打开压缩包得到结果，如图所示：

孟德尔随机化分析的森林图：

1.横轴（X轴）：标注为“MR effect size for 'DBH' on 'Breast cancer'”，即“DBH对乳腺癌的孟德尔随机化效应量”。这个效应量通常是指基因预测的DBH水平每增加一个单位时，乳腺癌发生风险的对数比值比（log(OR)）或β系数。横轴上的数值（图中显示范围为-0.2到0.2）表示效应量的大小——正值提示DBH水平升高可能增加乳腺癌风险，负值提示可能降低风险，0表示无因果效应。

2.中心参考线：在效应量为0的位置通常会有一条垂直的虚线（图中虽未明确画出，但标准森林图均有此线），它是无效线。如果某个研究估计值的置信区间跨过这条线，说明该估计在统计学上不显著（P>0.05）。

3.点估计（中央方块）：图中应有一个方块或圆点，其位置对应横轴上的某个数值，代表本次MR分析得到的效应量点估计值（即最可能的真实效应大小）。方块的大小通常反映该估计值的精度（标准误越小，方块越大），但本图简化版可能未体现。

4.误差线（横线）：穿过方块的横向线段代表95%置信区间（CI）。它的长度表示效应量估计的不确定性——线段越长，说明结果越不精确；若整条线段完全位于0的同一侧（全为正或全为负），则通常认为效应在统计学上显著（P<0.05）。

5.图中的具体数值：本例中，图下方只显示了“0.2 0.0 0.2”的刻度，表明横轴范围从-0.2到+0.2。您需要找到方块的中心位置（比如假设在0.05附近）及其置信区间（例如从-0.03到0.13）。如果该区间包含0，则不能认为DBH对乳腺癌有显著的因果效应；如果全部在0的右侧，则提示DBH升高可能增加乳腺癌风险。

6.标题信息：“Breast cancer (GWAS) || id:ieu-a-1168”指明了乳腺癌的遗传关联数据来源——这是来自公开GWAS数据库（如IEU OpenGWAS）的特定数据集，ID为ieu-a-1168，确保结果的溯源性和可重复性。

孟德尔随机化散点图：

这是一张孟德尔随机化（Mendelian Randomization, MR）散点图，用于评估原发性胆汁性胆管炎（PBC）与胃癌（Gastric cancer）之间是否存在遗传层面的因果关联。为了让您轻松看懂，我为您分步解读：

1. 这张图想回答什么问题？
它想探究：如果一个人携带了“易患胆汁性胆管炎”的基因变异，是否也会增加或降低他患胃癌的风险？（即 PBC 对胃癌是否具有因果推动作用）。

2. 坐标轴怎么看（每个点代表什么）？

• X 轴（横轴）：表示每个工具变量（SNP）对“原发性胆汁性胆管炎”的遗传效应大小（即该基因让人更易得 PBC 的程度）。
• Y 轴（纵轴）：表示同一个SNP 对“胃癌”的遗传效应大小。
• 图中的每一个小圆点：代表一个独立的 SNP（基因位点）。如果一个点在图中明显偏离中心，说明该基因同时影响两种疾病。

3. 图中的五条线（五种方法）怎么看？
图例中的五种颜色/线条（IVW、MR Egger、Weighted median 等）是五种不同的统计学回归模型。

• 核心看“斜率（倾斜度）”：如果线条呈明显向上的趋势（正斜率），说明“易患 PBC”的基因效应越大，患胃癌的风险也越高，提示 PBC增加胃癌风险；如果向下倾斜（负斜率），则提示 PBC降低胃癌风险；如果线条基本水平（斜率接近 0），则提示两者没有明确的因果关系。
• 主要参考 IVW（逆方差加权）：图中通常将 IVW 作为主要结果（若标注为首位），它相当于综合所有 SNP 后给出的“最终平均因果效应”。

4. 如何快速判断结果是否可靠？

• 看所有点是否大致沿着某条线分布。如果五种方法的线方向高度一致（例如都是正斜率），说明结论稳健。
• 如果各条线方向互相冲突（例如 IVW 向上，MR Egger 向下），则说明可能存在基因多效性（即这些基因通过其他未知通路影响胃癌，导致结果不可靠）。