PheWAS 实操：mrasst 包

安装依赖包

# 安装 mrasst 包
devtools::install_github("MRCIEU/mrasst")

# 安装其他依赖
install.packages(c("TwoSampleMR", "ieugwasr", "data.table", "dplyr"))

首先读取风险位点信息，然后从 IEU 数据库获取相关表型信息。

library(readxl)
library(mrasst)
library(stats)
library(TwoSampleMR)

# 设置工作目录（替换为你的数据路径）
setwd("XXXXX/your-data-directory")

# 读取风险 loci 信息（CSV 格式，包含 SNP 列）
SNPinfo <- read.csv("your-snp-file.csv")

# 获取表型信息
# getAtlas 函数从 IEU GWAS 数据库获取表型元数据
Traitinfo <- getAtlas(SNPinfo)
Traitinfo$p.value <- as.numeric(Traitinfo$p.value)

# 保存表型信息
write.csv(Traitinfo, "Traitinfo.csv", row.names = FALSE)

使用 phewas_enrichment 函数进行全表型关联分析。

# 创建结果存储数据框
phewas_res <- data.frame(Trait = character(0), p_value = numeric(0))

# 执行 PheWAS 分析
# phewas_enrichment 会自动：
# 1. 提取每个表型的 SNP 效应
# 2. 进行关联检验
# 3. 返回显著性结果
phewas_res <- phewas_enrichment(Traitinfo, SNPinfo)

# FDR 校正（控制假阳性率）
phewas_res$P_Adjust <- p.adjust(phewas_res$P_Value, method = "fdr")

# 保存原始结果
write.csv(phewas_res, "phewas_res.csv", row.names = FALSE)

对 PheWAS 发现的显著表型进行 MR 分析，验证因果关系方向。

library(TwoSampleMR)

# 示例：对两个表型进行双向 MR 分析
# 表型1: ebi-a-GCST90002401（示例 ID）
# 表型2: ebi-a-GCST002245（示例 ID）

# 方向1: 表型1 → 表型2
iv <- extract_instruments("ebi-a-GCST90002401", clump = TRUE)
out <- extract_outcome_data(iv$SNP, "ebi-a-GCST002245", proxies = FALSE)
dat <- harmonise_data(iv, out)
mr_result_1 <- mr(dat)

# 方向2: 表型2 → 表型1 
iv <- extract_instruments("ebi-a-GCST002245", clump = TRUE)
out <- extract_outcome_data(iv$SNP, "ebi-a-GCST90002401", proxies = FALSE)
dat <- harmonise_data(iv, out)
mr_result_2 <- mr(dat)

# 查看双向结果
print(mr_result_1)
print(mr_result_2)

# ===== 完整 PheWAS + MR 工作流 =====
library(readxl)
library(mrasst)
library(TwoSampleMR)
library(data.table)
library(dplyr)

# 1. 初始化
setwd("XXXXX/your-data-directory")

# 2. 读取 SNP 信息
SNPinfo <- read.csv("your-snp-file.csv")

# 3. 获取表型元数据
Traitinfo <- getAtlas(SNPinfo)
write.csv(Traitinfo, "Traitinfo.csv", row.names = FALSE)

# 4. PheWAS 分析
phewas_res <- phewas_enrichment(Traitinfo, SNPinfo)
phewas_res$P_Adjust <- p.adjust(phewas_res$P_Value, method = "fdr")
write.csv(phewas_res, "phewas_res.csv", row.names = FALSE)

# 5. 筛选显著表型（可选）
significant_traits <- phewas_res[phewas_res$P_Adjust < 0.05, ]
cat("显著表型数量:", nrow(significant_traits), "\n")

# 6. MR 验证（对每个显著表型）
# 此处需要根据实际显著表型 ID 进行 MR 分析
# 详见 Step 3 代码