FA-MFMR：通过因子增强处理相关纵向暴露的多变量函数型孟德尔随机化方法
FA-MFMR: a multivariable functional Mendelian randomization method that accounts for correlated longitudinal exposures via factor augmentation.
一句话提出 FA-MFMR，用于估计多个相关纵向暴露的时变因果效应，并改善估计稳定性。
研究问题
数据与样本
分析流程
- 1表示纵向暴露：将暴露随时间变化的轨迹进行函数型表示，并结合遗传工具变量。
- 2提取共享结构：通过低维因子结构捕捉多个暴露共享的时间模式。
- 3估计时变效应：分离共同时间变异与暴露特异性成分，估计多个暴露的时变因果效应，并容纳全观察期无效应的暴露。
- 4开展模拟比较：与其他方法比较估计误差和不确定性量化表现，考察高度相关及观测稀疏的纵向暴露情境。
- 5进行队列应用：分析帕金森病队列的纵向生物标志物，刻画轨迹层面系数函数随年龄变化的模式及局部效应的不确定性。
关键方法与工具
- FA-MFMR
- 估计纵向暴露的时变因果效应
设计思路
主要发现
- FA-MFMR 通过分离共同时间变异与暴露特异性成分，减轻多重共线性并提高估计稳定性。
- 该方法可容纳部分暴露在整个观察期内均无效应的稀疏因果结构。
- 模拟中，FA-MFMR 比比较方法具有更低的估计误差和更高效的不确定性量化，尤其是在纵向暴露高度相关且观测稀疏时。
- 帕金森病队列应用刻画了轨迹层面系数函数随年龄变化的模式，同时显示局部效应仍存在不确定性。
可借鉴之处
- 分析多个相关纵向指标时，可借鉴本文先分离共享时间模式与指标特异性成分的思路，而不是将各次测量简单视为静态暴露。
- 方法评估可参照本文，针对暴露高度相关和观测稀疏的情境开展模拟，同时比较估计误差与不确定性量化表现。
- 呈现纵向效应时，可同时报告整体轨迹模式与局部效应的不确定性，避免仅凭局部变化作出过强解释。
数据与代码
局限
- 帕金森病队列应用中的局部效应存在不确定性，不能仅依据轨迹层面的年龄变化模式作出确定的局部效应判断。
摘要（中文翻译）
研究动机：孟德尔随机化（MR）广泛用于基于遗传数据的因果推断，但现有多数 MR 方法将暴露视为静态变量，分析纵向测量的能力有限。在许多生物医学研究中，多个暴露随时间变化、彼此高度相关，并共享未观测的时间结构。忽略这些特征可能导致估计不稳定和统计效能降低。
结果：我们提出因子增强多变量函数型孟德尔随机化（FA-MFMR），用于估计多个纵向暴露的时变因果效应。FA-MFMR 将遗传工具变量与暴露轨迹的函数型表示及低维因子结构相结合，以捕捉共享的时间模式。通过将共同时间变异与暴露特异性成分分离，该方法减轻多重共线性、提高估计稳定性，并适用于部分暴露在整个观察期内均无效应的稀疏因果结构。模拟表明，与比较方法相比，该方法的估计误差更低，不确定性量化更高效，尤其适用于高度相关且观测稀疏的纵向暴露。将 FA-MFMR 应用于一个帕金森病队列的纵向生物标志物后，该方法刻画了所估计的轨迹层面系数函数中随年龄变化的模式，同时突出了局部效应的不确定性。
可得性与实现：所开发的 R 软件包及复现全部结果的代码可在 https://github.com/YQHuFD/FA-MFMR 获取。
英文原文摘要
Motivation:Mendelian randomization (MR) is widely used for causal inference using genetic data, yet most existing MR methods treat exposures as static and have limited capacity to analyze longitudinal measurements. In many biomedical studies, multiple exposures evolve over time, are strongly correlated, and share unobserved temporal structure. Ignoring these features can lead to unstable estimation and reduced power.
Results:We propose factor-augmented multivariable functional Mendelian randomization (FA-MFMR) for estimating time-varying causal effects of multiple longitudinal exposures. FA-MFMR integrates genetic instruments with functional representations of exposure trajectories and a low-dimensional factor structure to capture shared temporal patterns. By separating common temporal variation from exposure-specific components, it mitigates multicollinearity, improves estimation stability, and accommodates sparse causal structures in which some exposures have no effect throughout the observation period. Simulations demonstrate lower estimation error and more efficient uncertainty quantification than competing approaches, particularly for highly correlated and sparsely observed longitudinal exposures. Applied to longitudinal biomarkers in a Parkinson's disease cohort, FA-MFMR characterizes age-dependent patterns in the estimated trajectory-level coefficient functions while highlighting uncertainty in localized effects.
Availability and implementation: The developed R package and code to reproduce all the results are available at https://github.com/YQHuFD/FA-MFMR.
摘要来自 PubMed。翻译与解读由模型根据摘要生成，可能有误，不构成诊疗建议；数据以原文为准，版权归原出版方所有。