遺伝的コホートデータの解析のための因果関係グラフ

Causal graphs for the analysis of genetic cohort data.

• Oliver Hines
• Karla Diaz-Ordaz
• Stijn Vansteelandt
• Yalda Jamshidi

抄録

遺伝的コホートデータの利用可能性が高まっていることから、多くのゲノムワイド関連研究（GWAS）が、拡大し続ける表現型形質のリストとの遺伝的関連を同定することに成功しています。しかし、関連性は因果関係を示唆するものではないため、因果関係の問題を研究するための方法が開発されてきました。追加の仮定の下で、メンデル無作為化（MR）研究は、2つの表現型間の因果関係を特定するためによく使われており、多くの場合、GWASの要約統計を使用しています。これらの方法が広く使用されていることを考えると、方法が透明であり、所見が臨床的に適切であるように、その根拠となる因果関係の仮定を理解し、伝達することがこれまで以上に重要になってきます。因果関係グラフは、因果関係の仮定をグラフィカルに表現するために使用することができ、異なる解析方法に関連する限界についての洞察を提供することができます。ここでは、因果関係の観点からGWASとMRをレビューし、遺伝的問題における因果関係図の直感を構築する。また、祖先による交絡の問題を検討し、そのような交絡に対処するためのアプローチについてコメントするとともに、研究デザインに起因する選択バイアスに対処するためのアプローチについても議論する。

The increasing availability of genetic cohort data has led to many Genome Wide Association Studies (GWASs) successfully identifying genetic associations with an ever-expanding list of phenotypic traits. Association, however, does not imply causation and therefore methods have been developed to study the issue of causality. Under additional assumptions, Mendelian Randomisation (MR) studies have proved popular in identifying causal effects between two phenotypes, often using GWAS summary statistics. Given the widespread use of these methods, it is more important than ever to understand, and communicate, the causal assumptions upon which they are based, so that methods are transparent, and findings are clinically relevant. Causal graphs can be used to represent causal assumptions graphically and provide insights into the limitations associated with different analysis methods. Here we review GWAS and MR from a causal perspective, to build up intuition for causal diagrams in genetic problems. We also examine issues of confounding by ancestry, and comment on approaches for dealing with such confounding, as well as discussing approaches for dealing with selection biases arising from study design.