⚙️ 新手导读：2SMR是整套流程的主干
如果你只准备先学一页实操，优先掌握这页。它连接了数据协调、主分析和结果导出。
背景介绍
TwoSampleMR是目前最常用的MR分析工具链。通过统一的输入格式和方法集合，可以快速比较不同估计器的一致性。
备注（统一三段）
适用人群：已经准备好暴露/结局数据，准备进入主分析和结果导出的同学。
常见错误：忽略mr_keep与F统计量过滤，容易把弱工具变量带入主结果。
论文写法：结果建议同时给beta与OR（若二分类结局），并统一95%CI展示格式。
核心步骤
- 1️⃣ 使用 harmonise_data() 对齐暴露/结局效应方向
- 2️⃣ 计算每个 SNP 的 R² 和 F，剔除弱工具变量
- 3️⃣ 使用 mr() 一次性跑七种方法并导出 OR
完整代码模板（可直接复用）
library(TwoSampleMR)
library(data.table)
library(MRPRESSO)
library(foreach)
# 0) 初始化结果模板（注：模板文件建议在 ./input/ 目录预先准备）
OR_summary <- read.csv("./input/OR_summary_templete_for_multiSNPs.csv")
mr_presso_summary <- read.csv("./input/mr_presso_templete_for_multiSNPs.csv")
mr_heterogeneity_summary <- read.csv("./input/mr_heterogeneity_templete_for_multiSNPs.csv")
mr_pleiotropy_summary <- read.csv("./input/mr_pleiotropy_test_templete_for_multiSNPs.csv")
mr_leaveoneout_summary <- read.csv("./input/mr_leaveoneout_templete_for_multiSNPs.csv")
message("6. 准备进行孟德尔随机化")
# 1) 协调暴露/结局数据方向
dat <- harmonise_data(
exposure_dat = exposure_dat_mediation,
outcome_dat = outcome_dat_mediation
)
# 2) 计算 R² 与 F 统计量，并剔除弱工具变量（F <= 10）
harm_rt <- dat
harm_rt$R2 <- (2 * (harm_rt$beta.exposure^2) * harm_rt$eaf.exposure * (1 - harm_rt$eaf.exposure)) /
(2 * (harm_rt$beta.exposure^2) * harm_rt$eaf.exposure * (1 - harm_rt$eaf.exposure) +
2 * harm_rt$samplesize.exposure * harm_rt$eaf.exposure * (1 - harm_rt$eaf.exposure) * harm_rt$se.exposure^2)
harm_rt$F <- harm_rt$R2 * (harm_rt$samplesize.exposure - 2) / (1 - harm_rt$R2)
harm_rt$meanF <- mean(harm_rt$F, na.rm = TRUE)
dat <- harm_rt[harm_rt$F > 10, ]
# 3) 主MR分析 + OR转换（用于二分类结局展示）
res <- mr(dat)
OR <- generate_odds_ratios(res)
OR_summary <- rbind(OR_summary, OR)
# 4) 异质性检验（新增覆盖点）
heterogeneity_res <- TwoSampleMR::mr_heterogeneity(dat)
mr_heterogeneity_summary <- rbind(mr_heterogeneity_summary, heterogeneity_res)
# 5) 多效性检验（新增覆盖点）
pleiotropy_res <- mr_pleiotropy_test(dat)
mr_pleiotropy_summary <- rbind(mr_pleiotropy_summary, pleiotropy_res)
# 6) Leave-one-out 分析（新增覆盖点）
loo_res <- mr_leaveoneout(dat)
mr_leaveoneout_summary <- rbind(mr_leaveoneout_summary, loo_res)
# 7) 结果写出（建议每个模块单独文件，便于批量append）
fwrite(dat, "./output/harmonised_dat.tsv", sep = "\t")
fwrite(OR_summary, "./output/mr_or_summary.tsv", sep = "\t")
fwrite(mr_heterogeneity_summary, "./output/mr_heterogeneity.tsv", sep = "\t")
fwrite(mr_pleiotropy_summary, "./output/mr_pleiotropy_test.tsv", sep = "\t")
fwrite(mr_leaveoneout_summary, "./output/mr_leaveoneout.tsv", sep = "\t")
rm(outcome_dat_mediation)
if (exists("formatted_outcome_dat")) rm(formatted_outcome_dat)
gc()
message("7. 孟德尔随机化完成")七种方法速览
- mr_ivw：主分析，效率高。
- mr_egger_regression：允许方向性多效性，稳定性较低。
- mr_weighted_median：中位数法，抗异常值能力较好。
- mr_simple_mode / mr_weighted_mode：基于模式假设，作为补充。
- mr_raps：对弱工具变量更稳健。
- mr_wald_ratio：单SNP情形自动使用。