📌 آموزش اجرای Mendelian Randomization (MR) با R؛ از دریافت GWAS تا تحلیل و بررسی حساسیت🔴 توضیحات ◀️🔴 دوستان در "این پست"، در مورد MR توضیحات ابتدایی ارائه شد؛ تو یه ورک‌فلو استاندارد برای اجرای MR، ابتدا SNPهای مناسب به عنوان ابزار ژنتیکی برای Exposure انتخاب می‌شن، بعد اثر همین SNPها روی Outcome استخراج می‌شه؛ سپس، دو مجموعه داده از نظر آلل‌ها Harmonise می‌شن و در نهایت MR با روش‌هایی مثل IVW، MR-Egger، Weighted Median و Weighted Mode انجام می‌شه. در ادامه یک ورک‌فلو عملی برای بررسی رابطه BMI و Coronary Artery Disease/Heart Disease با استفاده از دیتابیس OpenGWAS و پکیج TwoSampleMR آورده شده.1️⃣ نصب و ایمپوت پکیج‌ها.remotes::install_github("MRCIEU/TwoSampleMR")library(TwoSampleMR)library(data.table)library(dplyr)library(ggplot2)library(forestploter)library(MRPRESSO)library(ieugwasr)2️⃣ اتصال به OpenGWAS؛ برای اتصال به دیتابیس OpenGWAS به ساخت اکانت و تولید یک API نیاز دارید. برای این کار ابتدا وارد سایت api.opengwas.io/profile/ بشید و با یک ایمیل آکادمیک، ثبت‌نام کنید؛ لینک تأیید به ایمیل‌تون ارسال می‌شه و با زدن این لینک، می‌تونید وارد پروفایل‌تون در OpenGWAS بشید. در قدم بعد، از قسمت Token (JWT)، توکن مخصوص خودتون رو کپی کنید. بعد با کد زیر، یک .Renviron بسازید و مراحل گفته شده رو انجام بدید.file.edit("~/.Renviron")OPENGWAS_JWT=copy your token!Save!Restart R!می‌تونید توکن خودتون رو چک کنید.ieugwasr::get_opengwas_jwt() ieugwasr::user()3️⃣ انتخاب GWAS مناسب؛ در این آموزش، BMI به عنوان Exposure و Coronary Artery Disease (CAD) به عنوان Outcome در نظر گرفته شده.ao <- available_outcomes() bmi_gwas <- ao[grepl("body mass index|BMI", ao$trait, ignore.case = TRUE), ] cad_gwas <- ao[grepl("coronary artery disease | coronary heart disease", ao$trait, ignore.case = TRUE), ] 4️⃣ انتخاب SNPهای Instrument؛ تو این مثال SNPهای مرتبط با BMI انتخاب می‌شن.exposure_dat <- extract_instruments(outcomes = "ieu-b-40", p1 = 5e-8, clump = 1, r2 = 0.001, kb = 10000)5️⃣ استخراج اثر SNPها روی Outcome؛ تو این مرحله اثر همون SNPهای انتخاب‌شده روی Outcome استخراج می‌شه.outcome_dat <- extract_outcome_data(snps = exposure_dat$SNP, outcomes = "ieu-a-8", proxies = TRUE)6️⃣ هماهنگ کردن آلل‌ها یا Harmonisation؛ این مرحله خیلی مهمه، چون باید اثر SNP روی Exposure و Outcome نسبت به یک آلل یکسان تعریف شده باشه.dat <- harmonise_data(exposure_dat = exposure_dat, outcome_dat = outcome_dat, action = 2) dat_mr <- dat[ dat$mr_keep == TRUE, ]7️⃣ اجرای MR.mr_results <- mr(dat = dat_mr, method_list = c( "mr_ivw", "mr_egger_regression", "mr_weighted_median", "mr_weighted_mode"))mr_results8️⃣ تبدیل β به Odds Ratio.mr_results$OR <- exp(mr_results$b)mr_results$OR_lower <- exp( mr_results$b - 1.96 * mr_results$se) mr_results$OR_upper <- exp( mr_results$b + 1.96 * mr_results$se)9️⃣ آنالیز Sensitivity؛ برای اینکه فقط به نتیجه اصلی MR اکتفا نکنیم، چندتا آنالیز حساسیت مهم انجام می‌دیم.# Leave-One-Out (LOO)loo <- mr_leaveoneout(dat_mr)mr_leaveoneout_plot(loo)# Heterogeneitymr_heterogeneity(dat_mr)# Horizontal Pleiotropymr_pleiotropy_test(dat_mr)0️⃣1️⃣ روش MR-PRESSO و بررسی Outlierها.mr_presso_result <- mr_presso(BetaOutcome = "beta.outcome", BetaExposure = "beta.exposure", SdOutcome = "se.outcome", SdExposure = "se.exposure", OUTLIERtest = TRUE, DISTORTIONtest = TRUE, data = dat_mr, NbDistribution = 1000, SignifThreshold = 0.05)🔴 دوستان آنالیز MR پیچیدگی‌ها و مفاهیم خاص خودش رو داره که تو این پست کاور نشد؛ اما این ورک‌فلو برای یه آنالیز استاندارد، کافیه. با این حال اگه به ارور خاصی برخورد کردید یا سوالی در مورد انتخاب دیتاست GWAS، گرفتن توکن OpenGWAS یا مفاهیم آنالیز حساسیت داشتید، می‌تونید از من بپرسید.✨ جهت ثبت‌نام در دوره برنامه‌ریزی و مشاوره ۱۴۰۶ و تهیه جزوات جامع و جمع‌بندی ژنتیک پزشکی امری، جرد، تامپسون و جزوه لغات زبان پزشکی پیام دهید: @Cyaxares💎 جهت مشاهده مصاحبه و کارنامه رتبه برترهایی که از مشاوره و جزوات من استفاده کردن، از این لینک‌ استفاده کنید: 🏆 رتبه‌ها - مصاحبه‌ها 🏆😢 کپی کردن مباحث و پست‌های کانال، تنها با ذکر نام کانال بلامانع است!➕ پست‌ها رو برای دوستانتون فوروارد کنید.#بیوانفورماتیککانال آموزشی آرش صفرزاده (@GeneticsAS 🌐)🔠🔠🔠🔠🔠🔠🔠🔠 ⚡️ 🔠🔠

برای دیدن این صفحه لطفا وارد شوید

برای دیدن این صفحه لطفا وارد شوید