TwoSampleMR包实战教程之MR结果可视化

今天是TwoSampleMR包的最后一期内容了，这里米老鼠将带大家学习如何实现孟德尔随机化结果的可视化，主要有4方面的内容：（1）绘制散点图；（2）绘制森林图；（3）绘制敏感性分析图；（4）绘制漏斗图。其中第3个已经在上一期内容中进行了详细介绍，这里就不赘述了。

首先，我们还是回顾一下往期代码：

library(TwoSampleMR)bmi_exp <- extract_instruments( outcomes='ieu-a-835', clump=TRUE, r2=0.01, kb=5000,access_token = NULL )dim(bmi_exp)# [1] 80 15t2d_out <- extract_outcome_data( snps=bmi_exp$SNP, outcomes='ieu-a-26', proxies = FALSE, maf_threshold = 0.01, access_token = NULL)dim(t2d_out)# [1] 80 16mydata <- harmonise_data( exposure_dat=bmi_exp, outcome_dat=t2d_out, action= 2 )res <- mr(mydata)reshet <- mr_heterogeneity(mydata)hetmr(mydata,method_list=c('mr_ivw_mre')) #使用随机效应模型pleio <- mr_pleiotropy_test(mydata)pleiosingle <- mr_leaveoneout(mydata)mr_leaveoneout_plot(single)

第一部分 绘制散点图

散点图的绘制其实非常简单，只需如下一行代码即可：

mr_scatter_plot(res,mydata)

这里的res就是函数mr()运行出来的MR结果，而mydata则是harmonise_data()函数的结果。

这幅图上每一个点其实代表的就是一个IV，每个点上的线实际反映的是95%置信区间，横坐标是SNP对暴露（BMI）的效应，纵坐标是SNP对结局（二型糖尿病）的效应，彩色的线表示的是MR拟合结果。从图中我们不难看出，随着BMI的升高，二型糖尿病的发病风险也在升高。

第二部分 绘制森林图

绘制森林图需要两行代码，具体如下：

res_single <- mr_singlesnp(mydata)mr_forest_plot(res_single)

上述森林图中的每一条水平实线反映的是单个SNP利用Wald ratio方法估计出来的结果：有的实线完全在0的左边，说明由这个SNP估计出来的结果是BMI增加能降低二型糖尿病的风险；有的实线完全在0的右边，说明由这个SNP估计出来的结果是BMI增加能升高二型糖尿病的发病风险；而那些跨过0的说明结果不显著。所以我们单看某一个SNP的结果可能是有问题的，只有把结果综合起来看才能得到合理结果，这就是最底下红线，它反映出IVW方法下BMI的升高增加糖尿病的发病风险。

第三部分 绘制敏感性分析图

这一部分就不赘述了，请参见往期内容TwoSampleMR包实战教程之敏感性分析

第四部分 绘制漏斗图

我们使用如下一行代码即可绘制出漏斗图：

mr_funnel_plot(res_single)

我们可以看到，这个漏斗图整体上还是比较对称的。当然，某些点明显偏离了总体（比如最左侧的那个点），这时候就可以把它们去除掉。其实，这和我们之前发现这些SNP间的异质性很大的结果相符。

至此，关于TwoSampleMR的实战教程就全部更新完毕了，米老鼠接下来打算更新全基因组关联研究（GWAS）的相关内容，敬请期待！

打赏