IF31.7｜遗传数据改进目标试验模拟并优化多基因评分在RCT设计中的应用

用FinnGen模拟四项心血管RCT，发现PGS差异可追踪混杂控制水平，但PGS本身不能校正混杂，MR可识别残余混杂。

这篇按生信解读号的读法拆：先看背景和问题，再看作者怎么做、做出了哪几条硬发现，最后把数据和代码收走。

研究背景

随机对照试验（RCT）是评估医疗干预的金标准，但受伦理、成本等限制，常需依赖观察性数据和试验模拟。试验模拟在真实世界数据中应用日益广泛，但存在未测量混杂等偏倚。生物样本库如FinnGen包含丰富多组学数据，但样本量有限且与处方数据链接困难。遗传信息稳定、不受反向因果影响，多基因评分（PGS）可作为未测量混杂因素的代理变量，孟德尔随机化（MR）可用于检测混杂。然而，如何将遗传数据整合到试验模拟中，以及PGS在RCT设计中的价值尚待探索。

科学问题

卡在哪里： 此前研究未系统评估遗传数据在试验模拟中的作用，尤其是PGS能否作为混杂校正工具、MR如何用于混杂检测，以及PGS在富集策略中的适用性是否需在试验相关人群中验证。

本文要回答： 本文旨在利用FinnGen模拟四项心血管RCT，探讨遗传数据如何改进试验模拟设计，并评估PGS在RCT预后和预测富集中的应用价值。

技术路线

作者主要用了：目标试验模拟、倾向评分匹配、多基因评分、孟德尔随机化、Cox回归、模拟研究。

作者在FinnGen中模拟四项心血管RCT（Empareg、Tecos、Aristotle、Rocket），采用RCT-DUPLICATE框架，通过倾向评分匹配控制混杂。然后计算20个心血管代谢相关性状的PGS，比较不同模拟阶段治疗组间PGS差异，以评估混杂控制效果。进一步通过模拟研究检验PGS校正混杂的可行性，并利用MR识别潜在混杂因素。最后在模拟试验队列中评估PGS对结局的关联及富集策略的潜在收益。

图 1　Fig. 1。图1比较了四项RCT与其在FinnGen中模拟的HR及95%CI。所有模拟HR均落在原RCT的95%CI内且方向一致，但Rocket模拟中rivaroxaban与warfarin相比未达显著（HR=0.88, 95%CI=0.57–1.36），而原RCT显著（HR=0.79, 95%CI=0.66–0.96）。

核心亮点

亮点 1｜四项RCT成功模拟且PGS差异随混杂控制降低

在FinnGen中成功模拟四项心血管RCT，HR估计均落在原RCT的95%CI内且方向一致。以Empareg为例，在朴素观察性比较中，治疗组间多个PGS存在显著差异（如T2D PGS的SMD=0.56），应用入选标准并选择活性对照后差异减小，经1:1倾向评分匹配后所有PGS差异均不显著（P<2.5×10⁻³）。其他三项试验也观察到类似趋势，表明PGS差异可作为混杂控制水平的指标。

图 2　Fig. 2。图2展示Empareg模拟不同阶段治疗组间PGS的标准化均值差（SMD）。朴素观察性比较中多个PGS差异显著（如T2D SMD=0.56），应用入选标准和活性对照后差异减小，1:1倾向评分匹配后所有PGS差异均不显著，表明匹配有效降低了遗传推断的混杂。

亮点 2｜PGS不能有效校正未测量混杂

模拟研究显示，在PGS与混杂因素相关性（r²=0.01–0.5）和混杂效应大小变化下，仅调整PGS无法消除残余混杂偏倚。实证分析中，基于PGS匹配的队列在表型协变量上仍存在显著不平衡（SMD>0.1）。原因包括PGS对性状预测力有限以及可能存在的水平多效性，导致调整PGS可能引入额外偏倚。

图 3　Fig. 3。图3a为DAG展示PGS作为混杂因素C的代理变量与治疗X和结局Y的关系。图3b模拟显示在不同PGS与C相关性（r²）和混杂效应（bCX, bCY）下，调整PGS后X对Y的效应估计仍存在偏倚，且偏倚随混杂效应增大而增大，说明PGS不足以校正混杂。

亮点 3｜MR可用于识别试验模拟中的残余混杂

以Empareg模拟为例，两样本MR分析发现19个潜在混杂因素中有12个对empagliflozin治疗和CHD均有因果效应。应用入选标准并选择DPP4抑制剂作为对照后，仅HbA1c和CRP仍与两者显著相关。进一步分析排除通过结局介导的路径后，又识别出教育程度和天冬氨酸转氨酶为潜在混杂因素。MR在入选标准阶段可提示需纳入匹配的变量，匹配后可用于评估残余混杂。

图 4　Fig. 4。图4a为DAG展示遗传工具G通过混杂因素C影响治疗X和结局Y。图4b显示两样本MR结果：左图19个性状对CHD的因果效应，中图对empagliflozin治疗的效应，右图应用入选标准后仅HbA1c和CRP对两者均有显著效应，提示这些为残余混杂因素。

亮点 4｜PGS预后富集效果需在试验相关人群中验证

在Empareg和Tecos模拟队列中，CHD PGS与3P-MACE显著相关（HR分别为1.18和1.43），与全人群效应一致。但在Aristotle和Rocket模拟队列中，卒中PGS与复合终点无显著关联（HR=0.97和0.86），尽管在全人群中显著（HR=1.14）。若选择CHD PGS前25%个体进行富集，Empareg和Tecos模拟试验所需样本量可分别减少8.6%和26%。未发现PGS与治疗间的显著交互作用（P=0.99和0.24），提示预测富集证据不足。

图 5　Fig. 5。图5a森林图显示在Empareg和Tecos模拟队列中CHD PGS与3P-MACE显著相关，但在Aristotle和Rocket中卒中PGS与复合终点无显著关联。图5b显示选择CHD PGS前25%个体可使Empareg和Tecos模拟试验所需样本量分别减少8.6%和26%。

生信可带走

这一块是给做分析的人用的，不是科普点缀。

• 方法栈： 目标试验模拟、倾向评分匹配、多基因评分、孟德尔随机化、Cox回归、模拟研究
• 公开数据： 原文未给出公开组学登录号
• 代码： 原文未给出公开 GitHub/GitLab 仓库
• 谁该点开原文： 从事真实世界证据、药物流行病学、遗传流行病学或临床试验设计的研究者。

带走一句

做试验模拟时，PGS差异可作为匹配质量的辅助评估，但不能替代对表型混杂的调整；MR可用于识别残余混杂；PGS富集策略需在试验相关人群中验证。