科研工具与资源导航

概念

孟德尔随机化（Mendelian Randomization, MR）是一种利用遗传变异作为工具变量、估计暴露因素对结局因果效应的流行病学方法。其基本逻辑类比于随机对照试验（RCT）：等位基因在配子形成（减数分裂）时按孟德尔遗传定律随机分离并组合，这个过程独立于个体的生活方式、社会经济地位等混杂因素，也早于结局事件发生，因此天然规避了传统观察性研究中最难解决的两个问题：混杂偏倚和反向因果。

MR 的有效性依赖三个核心假设。相关性假设要求工具变量（通常是与暴露显著相关的 SNP，一般以全基因组显著性阈值 P<5×10⁻⁸ 筛选）与暴露之间存在强关联，可用 F 统计量评估工具变量强度，F<10 提示存在弱工具变量偏倚。独立性假设要求工具变量与已知或未知的混杂因素无关，实践中常通过在多个已知混杂因素上检验遗传变异分布是否均衡来间接验证。排他性假设（也称无多效性假设）要求工具变量只能通过暴露这一条路径影响结局，不存在其他独立于暴露的直接作用通路，这是三个假设里最难验证也最容易被违反的一个，水平多效性（horizontal pleiotropy）是 MR 分析中最主要的偏倚来源。

按研究设计可分为一样本 MR（暴露、结局数据来自同一队列）和两样本 MR（暴露、结局数据来自不同的独立 GWAS，样本量更大、更灵活，是目前主流做法，但需注意两个样本人群的遗传背景应尽量一致，避免群体分层偏倚，同时要警惕样本重叠带来的过拟合问题）。当工具变量被限定在暴露编码基因邻近区域（顺式作用）时称为 cis-MR，生物学解释更直接、多效性风险更低，常用于蛋白质组学 pQTL 数据的药物靶点验证场景。此外还有用于判断因果方向的双向 MR（bidirectional MR），以及同时纳入多个相关暴露、在相互校正的前提下估计各暴露独立效应的多变量 MR（multivariable MR）。

由于排他性假设无法被直接检验，实践中需要通过多种统计方法的交叉验证和敏感性分析来评估结果的稳健性，包括异质性检验（如 Cochran's Q）、多效性检验（如 MR-Egger 截距项、MR-PRESSO 异常值检测）、留一法（leave-one-out）等，只有在主要方法与多种敏感性分析结果方向一致时，因果推断才被认为相对可靠。

常用方法

概念

网络药理学（Network Pharmacology）是系统生物学视角下的药物作用机制研究方法，核心思想是从传统的"一个药物-一个靶点-一种疾病"线性研究模式，转向"多成分-多靶点-多通路"的整体网络分析。这一转变的现实背景是：绝大多数复杂疾病并非单一基因或蛋白异常导致，而是多个基因、蛋白、通路协同失调的结果；而中药复方、天然产物这类多成分体系本身也难以用单靶点思路解释其整体疗效，网络药理学恰好提供了一套系统性的分析框架。

一次完整的网络药理学分析通常包含五个环节。第一步是成分筛选，从中药/复方的化学成分库中，依据口服生物利用度（OB，常用阈值 OB≥30%）和类药性（DL，常用阈值 DL≥0.18）等 ADME 参数筛出具有成药潜力的活性成分。第二步是靶点预测，通过反向对接、药效团匹配或已有数据库注释，找出每个活性成分对应的作用靶点。第三步是疾病靶点交集，从疾病基因数据库中获取该疾病相关的已知靶点，与成分靶点取交集，得到"药物-疾病"的共同作用靶点集合，这是后续网络分析的核心节点集。第四步是构建蛋白互作（PPI）网络并进行拓扑分析，通过度值（degree）、介度中心性（betweenness centrality）等指标识别网络中的核心枢纽靶点（hub genes），这些通常被认为是药物发挥作用最关键的节点。第五步是通路富集分析（GO功能注释、KEGG通路富集），解释这些靶点在生物学功能和信号通路层面的意义，最后往往还需要通过分子对接甚至细胞/动物实验（如 Western blot 等）对预测的核心靶点进行实验验证，因为网络药理学本质上是一种基于已有数据库的预测性分析，结论需要实验证据支撑才能形成完整的证据链。

常用分析流程