欢迎点赞 收藏 关注[给你小心心]
没有条件做实验？嫌生信内卷？
小云给你墙裂推荐另外2条路，“临床公共数据库挖掘”和“孟德尔随机化”~ ~
这两个方向的文章小云已经推荐过了（ps：感兴趣的小伙伴可以移步文末点击链接观看哦），这次小云依然把目光聚焦在孟德尔随机化（MR）上，因为MR最近风头正盛，高分SCI文章频出，性价比超高，也是个不可多得的发文好途径呀！
大家应该都想过发表一篇CNS级别的文章吧？即使发不了正刊，发一篇CNS子刊文章也是不错的~
如果要通过纯实验去实现，可能时间会漫长一点。但我们也可以试试孟德尔随机化！
（没有思路、不知道怎么创新的找小云，超多个性化、创新性高的分析思路供你选择！）
今天小云要分享的这篇孟德尔随机化的文章就发表在了Nature子刊上，仅用7张主图就搞定了17分 的文章，而且不用做实验，性价比是相当高了，尤其适合零基础的小伙伴，所以感兴趣的一定要抓住这个快速发文机会，赶紧吃一波红利！
题目：系统孟德尔随机化使用人类血浆蛋白质组发现潜在的中风治疗靶点
杂志：nature communications
影响因子：17.694
发表时间：2022年10月
研究方法
为了确定潜在的卒中治疗靶点，作者在一个双样本孟德尔随机化中估计了308种血浆蛋白对卒中结局的因果影响，并评估了卒中危险因素的中介作用。
图1.流程图
（1）蛋白质组学分析和质量控制
纳入INTERVAL BioResource的4994名献血者，使用Olink Proseek®Multiplex平台，通过四种高通量、多重免疫分析进行蛋白质组学分析:炎症I (INF1)、心血管II (CVD2)、心血管III (CVD3)和神经I (NEURO)。
（2）蛋白质组GWAS
INTERVAL研究使用UK Biobank Affymetrix Axiom阵列进行基因分型。提取了约5000名参与者的Olink蛋白质组学分析的遗传数据，以测试遗传变异与血浆蛋白的关联。对最终的输入数据集进行了额外的输入质量过滤和Hardy-Weinberg平衡。363个蛋白中约有354个通过了质量控制。仅保留至少一个SNP关联值超过全基因组显著阈值的蛋白，共308个蛋白用于MR分析。
（3）与蛋白质相关的基因变异
对于每个血浆蛋白，使用其对应GWAS的顺式和反式pQTL作为遗传工具。
（4）与中风相关的基因变异及其危险因素
主要结果是卒中及其亚型的风险。卒中预后的遗传关联估计来自MEGASTROKE联盟。作者提取了工具变量（IVs）蛋白与中风及其亚型之间的关联，这些关联仅局限于欧洲血统的个体。本研究的主要结局是任何中风(包括缺血性和出血性中风;AS, N cases = 40,585)，任何缺血性卒中(IS, N cases = 34,217)和三种病因缺血性卒中亚型:大动脉卒中(LAS, N cases = 4373)，心脏栓塞性卒中(CES, N cases = 7193)和小血管卒中(SVS, N cases = 5386)。从MEGASTROKE GWAS中获得了五种卒中结果相关性的汇总数据(β系数和标准误差)。
（5）系统性磁共振筛查脑卒中致病蛋白及脑卒中危险因素
使用两个样本MR来估计基因预测蛋白水平与目标结局(卒中、卒中危险因素和潜在不良反应或其他适应症)之间的关联。
MR方法:(i)用作工具变量(IV)的遗传变异与目标暴露(即蛋白质水平)相关;(ii)基因变异与结果之间不存在未测量的混杂因素;(iii)基因变异仅通过暴露变化与结果相关，即无多效性。
在提取了变异与暴露或结果之间的关联估计值后，通过效应等位基因协调了估计值的方向，并应用Wald比值法在只有一个IV可用于目标暴露时估计因果效应。如果有多个IV可用，应用逆方差加权(IVW)方法，无论是在固定效应 (IVs≤3)还是在乘法随机效应(IVs＜3)中。
采用了双样本MR，包括初级MR(蛋白质→脑卒中结局)和两步MR(第一步MR:脑卒中危险因素→脑卒中结局; 第2步 MR:蛋白质→卒中危险因素)和Phe-MR(蛋白质→PheWAS)。
（6）多性状共定位分析
对与一种或多种中风结果相关的六种蛋白质进行了共定位分析，以调查蛋白质水平和中风结果的遗传关联是否由于相同的因果变异。使用多性状共定位(HyPrColoc)方法估计了多个性状同时具有相同因果SNP的后验概率(PP)。
（7）中介分析
对于与中风和危险因素都有因果关系的蛋白质，进行了中介分析，通过危险因素量化蛋白质对中风结局的影响。
（8）对目标蛋白的784种表型进行全表型MR (Phe-MR)分析
通过对一系列疾病进行Phe-MR分析，扩大了对六种卒中相关蛋白的副作用的探索，包括非卒中表型。
主要研究结果
1. 中风相关蛋白的鉴定
作者检测了308种血浆蛋白与卒中结局的因果关系。首先使用顺式pQTL作为工具变量进行了MR分析，并确定了6种与至少一种卒中结局相关的假定因果蛋白(图2、3):TFPI(组织因子途径抑制剂)、TMPRSS5(跨膜丝氨酸蛋白酶5)、CD40 (B细胞表面抗原CD40)、MMP12(基质金属肽酶12)、IL6RA(白细胞介素6受体)和CD6 (T细胞分化抗原CD6)。
图2. 已确定的中风亚型潜在致病蛋白的韦恩图
（ps：韦恩图可以用小云新开发的零代码生信分析小工具实现，云生信分析工具平台包含超多零代码分析和绘图小工具，上传数据一键出图，感兴趣的小伙伴欢迎来尝试哟，网址：http://www.biocloudservice.com/home.html ）。
图3. 六种潜在的致病蛋白对脑卒中结局的影响
2. 确定可能导致中风的危险因素
为了了解血浆蛋白与卒中之间的潜在因果机制，作者对常规卒中危险因素进行了两步MR分析。首先，进行了两样本MR分析，以表征卒中危险因素与所有卒中结局的因果关系。其次，评估了蛋白质对突出危险因素的因果影响。心房颤动(AF)、2型糖尿病(T2D)、吸烟、收缩压升高、舒张压升高、脉压、白质高强度(WMH)和体重指数(BMI)均增加卒中发生风险(图4)。
图4. 危险因素对脑卒中结局的因果影响
3. 卒中危险因素相关蛋白的鉴定
作者对所有308种血浆蛋白与6个突出的卒中危险因素(不包括酒精摄入，在上述MR分析中酒精摄入与卒中风险增加无关)进行了MR分析。经过多次检测校正，39种蛋白与至少一种卒中危险因素相。在六种卒中相关蛋白中，发现有三种蛋白与一种或多种卒中危险因素相关(图5)。
图5. 六种潜在因果蛋白对脑卒中结局和脑卒中因果危险因素的效应大小(Z-score)
4. 蛋白质通过危险因素对脑卒中预后的中介作用
为了研究蛋白质通过危险因素对卒中结局的间接影响，作者使用两步MR的效应估计和一次MR的总效应进行了中介分析。该分析仅限于三种蛋白质，即TFPI、TMPRSS5和IL6RA，这些蛋白质显示了对具有危险因素的MR和卒中结局的影响。用乘积法估计间接效应，用delta法估计标准误差(SE)和置信区间(CI)。TFPI通过WMH的中介效应占比约为五分之一(20.8%)，而BMI的中介效应较弱(3.8%)。TMPRSS5对通过房颤发生心源性卒中风险的间接影响占总效应的四分之一(24.7%)。同样，IL6RA通过AF介导卒中的比例为27.6%(图6)。
图6. 蛋白质通过危险因素对中风的中介作用
5. 脑卒中相关蛋白Phe-MR分析
作者评估这六种中风相关蛋白对其他适应症是否有有益或有害的影响，发现较高的血浆TFPI水平不仅与较低的中风风险相关，而且与涉及循环系统(脑血管疾病，其他动脉疾病)，代谢特征(高脂血症和高胆固醇血症，脂质代谢紊乱)和消化系统紊乱(急性胃炎)的其他疾病的较低风险相关。较高水平的血浆TMPRSS5与心脏栓塞性卒中的高风险以及蛋白质-卡路里营养不良(代谢特征)相关(图7)。
图7. 卒中相关蛋白的潜在靶效应
总结
这篇文章的研究结果强调了中风治疗的潜在靶点，并说明了蛋白质组学在确定药物靶点方面的相关性。
运用MR经典分析方法，只需公共数据挖掘 分析，就直接发17分 文章，性价比是相当高啦！如果你有大样本的分析需求，或者想在临床、流行病学方向发高分文章，不妨试试这个省钱省时又省力的思路吧！
如果你还苦恼于生信分析没有思路，或者嫌分析方法太过简单、太过老套，想要创新思路的，或者对孟德尔随机化感兴趣的小伙伴快来联系小云吧！
