生物医学研究的主要任务之一是识别疾病危险因素，并对其进行干预，以期达到疾病预防或治疗的目的，干预决策的制定必须基于因果证据，随机对照试验(randomized controlled trail, RCT)一直是因果推断不可撼动的金标准，随机化确保了各研究组在除感兴趣的暴露外的所有特征上均具有可比性，避免了众多混杂的影响，能准确估计出暴露对结局的因果效应。然而，由于医学伦理、受试者选择约束、研究期限、结果外推性差等原因，RCT在实际中往往难以开展。然而，观察性研究由于缺乏随机化难以有效控制混杂（尤其是未知混杂），暴露和结局的时序关系也常被混淆，使得病因解释存在争议。近年来，孟德尔随机化(mendelian randomization, MR)的提出，为观察性研究进行因果推断提供了有效途径。

大量GWAS汇总数据(summary data)的公开发布，助推了两样本MR蓬勃发展，且其分析大有模板化、流程化趋势。该研究针对当前两样本MR方法多数只依托独立工具变量、对水平多效性校正不足、模拟设计忽视工具变量生成过程、缺乏联合似然推断等问题，提出了两样本MR联合似然MRAID统计方法。

MRAID利用相关工具变量，着眼于工具变量所承载的多重效应，分层次对其加以表征，融入变量选择，用概率量化其不确定性，实现其自适应定位，充分校正水平多效性，实现联合似然一体化推断。与现有7种MR方法相比，统计模拟显示MRAID具有良好的统计学性能，且能控制假阳性。该研究将MRAID方法用于38种生活方式与11种心血管疾病相关性状间的双向MR分析，证实了其实用性，该方法已被封装成R包，供实践者应用，链接为：

https://github.com/yuanzhongshang/MRAID.

MRAID的提出丰富了MR统计分析方法体系，为筛选疾病病因、性状间因果链条剖析提供统计学支撑，减少实验盲目性。

相关论文信息：

DOI: 10.1126/sciadv.abl5744