417
Mendelian Randomization Applied to Neurology: Promises and Challenges
愈來愈多研究強調是用孟德爾隨機化Mendelian Randomization的方式進行，究竟是如何做，這種方式的強項為何，在研究和臨床上的意義為何，在這篇review中有很好的解說。
- 孟德爾隨機化提供了一種使用基因數據進行因果推斷的新模式。
- 孟德爾隨機化的應用能夠解開腦組織基因表達和腦影像及神經疾病相關的遺傳關聯的潛力。
- 孟德爾隨機化有助於釐清長期存在的流行病學爭議，深入瞭解神經條件的病理生理學，並為藥物定位和藥物的重新利用提供資訊。
- 隨著基因關聯數據的不斷擴大，孟德爾隨機化預計將成為神經科學領域研究和臨床進步的關鍵推動力。
- 學術界和臨床醫師都需要熟悉孟德爾隨機化方法，以便在未來的研究和臨床中有效利用這一工具。
Mendelian Randomization Applied to Neurology: Promises and Challenges
應用於神經學的孟德爾隨機化：前景與挑戰
文獻出處
背景
- 流行度：自2003年“孟德爾隨機化”一詞普及以來，關於孟德爾隨機化的理論和應用研究數量呈指數級增長。
- 核心優勢：
- 孟德爾隨機化用已公開的遺傳數據來解答因果問題。
- 已成功解答了神經學領域的多個臨床問題。
- 孟德爾隨機化為發掘藥物的潛在優先排序提供了框架。
- 方法學：過去二十年裡，儘管在方法學上取得了顯著進步，應用孟德爾隨機化仍然面臨著常見的分析和解釋陷阱。
文獻來源
- 搜尋基礎：
- 截至2023年7月24日，使用“Mendelian randomization”及以下與臨床相關的文字組合進行PubMed搜索，不受日期限制
- 臨床相關文字： “ischemic stroke,” “Parkinson,” “multiple sclerosis,” “migraine,” “Alzheimer disease,” and “drug development.”
何謂孟德爾隨機化
傳統研究方式
- 傳統觀察性研究的挑戰：傳統觀察性研究評估因果關係面臨兩個主要挑戰：因反向因果關係導致的偏差和干擾因素導致的偏差。
- 反向因果關係偏差：當觀察到的暴露與結果之間的關聯是由於結果對暴露的因果效應時，就會發生反向因果關係偏差。
- 干擾因素導致的偏差：當一個關聯其實被第三因素所解釋，該因素同時導致暴露和結果時，就會發生干擾因素導致的偏差。
孟德爾隨機化
- 目的：孟德爾隨機化是一種克服觀察性研究數據中因果推斷限制的流行病學研究方法。為此，孟德爾隨機化依賴於工具變量（instrumental variable, IV）的邏輯，這是一個特別用於克服上述偏差的統計模式。
- 以基因變異作為工具變量：在孟德爾隨機化中，以基因變異作為工具變量來調查暴露因子（例如，低密度脂蛋白膽固醇）與結果（例如，缺血性中風）之間是否存在因果聯繫。由於胚胎期獲得的基因變異是在受精時遺傳，且一般隨時間穩定不會被疾病的發展所修改，從而消除了反向因果偏差。
- 隨機遺傳克服干擾因素：因為胚胎期遺傳的基因變異是在受精時隨機遺傳的，它們大體上獨立於環境和生活方式的混淆因素。例如，一個人成年後的身體質量指數BMI並不會影響他們的基因造成的變異。
- 核心假設：為了讓孟德爾隨機化能夠得出有效的因果推論，基因工具必須滿足三個核心假設。
- 基因工具變量必須與暴露變量相關（即相關性）。
- 基因變異不得與暴露-結果關聯的干擾混淆因素相關（即可交換性）。
- 基因工具變量不能直接影響結果，而是僅通過暴露影響結果（即排除限制）。
- 計算因果效應：如果這三個假設成立，則在進一步的技術假設（例如，線性相關）下，可以通過將基因變異與結果的關聯估計值除以基因變異與風險因素的關聯估計值來計算風險因素對結果的因果效應。
- 只有第一假設可被驗證：在實踐中，通常只有第一個假設是可驗證的。第二個假設通常認為通過控制遺傳因素可能可以充分滿足，但仍可能因未控制的人口因素分層或“選擇性配對”而被推翻。第三個假設通常就是真的只是假設，也是最可能因多樣性而被推翻的。
- 垂直與水平影響的多型效力(pleiotropy)：垂直效力是基因變異對暴露有直接效應，並通過暴露對結果有間接效應。這不會引入偏差，孟德爾隨機化分析的工具性變量假設成立。相比之下，水平效力描述的是基因變量對暴露和可能影響結果的其他平行途徑有直接效應。這會引入偏差，影響並威脅孟德爾隨機化分析的因果推論的有效性。
- 謹慎的基因選擇和適當的研究設計：謹慎選擇基因工具變量和適當的孟德爾隨機化研究設計對於最小化這種偏差的影響至關重要。
工具選擇與敏感性分析（統計學與生物學方法）
- 關鍵決策：在孟德爾隨機化調查中，最關鍵的決策是選擇哪些基因變異作為工具變量（IV）。
- 選擇策略：選擇基因工具有兩種策略：一種是基於生物學的方法，另一種是基於統計學。
- 基於生物學的方法：在這種方法中，從與暴露有已知生物學聯繫的基因範圍中選擇變異。這種方法通常用到的基因工具較少（有時僅1個），這些工具不太可能有垂直和水平多種方向的影響效力的。例如，cis-孟德爾隨機化方法利用位於編碼蛋白質或基因轉錄產物的基因區域中的基因變異。這些基因變異可能更直接地垂真影響蛋白質濃度，因此更有可能是有效的工具變量。
- 缺點：這種方法的缺點是它需要有預先存在的生物學知識，通常提供的基因工具變量數胐比使用全組基因(gene-wide approach)的方法少，且無法做需要多個基因變異才能進行的敏感性分析。
- 統計學驅動的方法：相比之下，基於統計學的方法通常包括了整個基因組中與暴露有強烈關聯的所有變異（經常使用gene-wide analysis低於閾值5 × 10^−8的p值），即使它們的生物學功能未知。隨後再對符合條件的基因變異進行bt刪剪，以移除相關變異。統計學驅動的方法減少了對單一基因的依賴，包含了更多的變異，從而可能增加統計力。然而，它也增加了包含無效的、水平多型效力工具的機會，這可能會將偏差引入分析中。
- 敏感性分析：敏感性分析可用於校正包含無效工具變量的影響，通過執行需要較不嚴格模型假設來固化孟德爾隨機化方法，以做出有效的因果推論。
- 推薦使用多種方法：通常建議用不同方式且對多型效性的基本性質有不同假設的多種堅固孟德爾隨機化結果的方法。最常用的堅固方法包括MR-Egger、加權中位數、加權模式和MR-PRESSO方法。
- 模擬研究結果：可用逆方向加權法測試孟德爾隨機化分析的結果，以確定因果方向的正確性。
- 單一遺傳變異的建議：當使用單一遺傳變異時，建議進行colocalization共位分析作為敏感性分析，例如Coloc法。
- Coloc方法：Coloc是一種貝氏算法，用於評估兩個特徵共享單一因果變異的後驗概率。
- Coloc的用途：Coloc特別有用於評估一種特定形式的干擾，即暴露的因果遺傳變異與結果的因果遺傳變異不同，但兩種基因是一起遺傳的。
- 共位後驗概率colocalization posterior probability的意義：強共位後驗概率提供了因果關聯的額外證據，表明由於linkage disequilibrium的可能性不大，孟德爾隨機化推論是無偏差的。
- 生物學驅動方法的適用性：當調查接近基因產物如蛋白質或基因表達強度作為暴露時，生物學驅動方法可能會產生更有效的推斷。
- 統計驅動方法的適用性：當調查多基因特徵如身體質量指數BMI時，統計驅動方法可能更合適，特別是因為這些特徵具有異質性，有多個不同的潛在途徑。
- 可兩種方法都用：兩種工具選擇方法都有優點和缺點，它們的結合使用可以幫助定位出真正的因果估計。
- 樣本選擇
- 單一樣本one sample孟德爾隨機化的優勢：孟德爾隨機化研究可以在單一人群中進行，即所謂的單一樣本孟德爾隨機化。它確保了用於生成暴露和結果遺傳關聯的人群的同質性，因為這些數據來自同一人群。
- 雙樣本孟德爾隨機化的定義：如果暴露和結果的遺傳關聯估計來自兩個不同人群，則稱為“雙樣本孟德爾隨機化”。
- 雙樣本設計的使用趨勢：近年來，孟德爾隨機化研究越來越多地使用雙樣本設計，部分是因為這可以提供更大的統計效力。
- 樣本重疊的潛在限制：在雙樣本孟德爾隨機化中，若樣本有重疊會使孟德爾隨機化估計偏向觀察估計。
- 樣本重疊對偏差的影響：實際上，當基因工具變量強度夠強時，由於樣本重疊造成的偏差將是最小的。然而，當儀器弱且重疊顯著時，進行有無樣本重疊的分析可能是一種有用的敏感性分析，。
藥物標的的孟德爾隨機化研究
- 藥物試驗失敗的常見原因：缺乏藥效是導致臨床試驗終止的最常見原因，占了40%–50%。這意味著即使在前臨床研究和早期臨床試驗中取得了有希望的結果，藥物在人體中也未能展現預期的治療效果，因此被停止開發，凸顯了從動物模型到人類的研究結果轉換性並不好。
- 藥物-目標孟德爾隨機化：用cis-MR方法，其中遺傳工具性變量是從可脦的目標的基因範圍中獲得的，可以測試特定基因目標是否與特定疾病或狀態有因果關聯。
- 藥物目標孟德爾隨機化與藥物再利用：通過利用已發布安全性的藥物目標的遺傳預測因子，可能可以發現藥物的新用途。
- 個體層面的應用：通過孟德爾隨機化方法，可以測試2個藥物目標之間在個體中的交互作用。
神經學中孟德爾隨機化的應用
缺血性中風
- 孟德爾隨機化在缺血性中風亞型風險因素探索的改變：孟德爾隨機化已經革新了不同缺血性中風亞型風險因素的探索。以前中風的大型臨床試驗通常無法將中風案例按其病因亞型進行表型化分型。
- GWAS數據的可用性：由於近期所獲得中風亞型的基因廣泛關聯研究（GWAS）數據，現在可以使用孟德爾隨機化來解析它們的風險因素概況。
- 孟德爾隨機化分析的示例：例如，在孟德爾隨機化分析顯示，升高的低密度膽固醇選擇性的增加了大動脈粥樣硬化性中風的風險，但不增加心源性栓塞或小血管中風的風險。所以降血脂statin類藥物在中風治療的臨床試驗就可排除了心源性栓塞中風的收案。
- 藥物目標優先級：在進行了大型隨機對照試驗後，通過孟德爾隨機化研究回顧性地確定了降低血壓和膽固醇對於中風預防的益處。
- 藥物選擇：一項孟德爾隨機化研究發現，通過Ca channel blockers的血壓降低顯著降低了缺血性中風的風險，而β-blockers 對中風風險無影響。這些結果與當前治療高血壓的臨床指南相一致，該指南建議不要將β-blocker作為高血壓的一線治療，因為它們在降低缺血性中風風險方面的效果較差。
- IL-6孟德爾隨機化研究：
- 最新孟德爾隨機化數據：指出降低IL-6訊號的遺傳效應對大動脈粥樣硬化性中風的67%效果，可能通過降低循環CXCL10來介導。
- CXCL10作為潛在因果介質：這些結果表明CXCL10可能是動脈粥樣硬化的潛在因果介質，因此可能作為比IL-6訊號更具體的藥物目標，展現出前景。
- 孟德爾隨機化支持新藥物目標凝血因子XI（FXI）。
- FXI與缺血性中風風險增加：孟德爾隨機化分析顯示，較高的遺傳預測增加FXI會增加缺血性中風風險。
- 研究重申FXI對特定中風的影響：後續研究重申了這一發現，並證明這些效果特定於心源性栓塞中風。
- FXI抑制的安全性前景：遺傳預測的FXI抑制似乎不會增加顱內或顱外出血的風險，進一步支持FXI抑制可能是一種比現有抗凝藥物（如凝血因子Xa抑制劑）更安全的治療策略的假設。
阿茲海默症
- 使用GWAS數據集進行的孟德爾隨機化：
- Robins等進行的GWAS研究：在330名死後大腦捐獻者的背外側前額皮層中，通過液相色譜聯用質譜法測量了8,356種蛋白質
- 使用該數據集進行的孟德爾隨機化：用GWAS識別了13個基因與阿茲海默症相關。
- Yand等進行的GWAS研究：在腦脊髓液（CSF）（n=971）和頂葉皮質（n=458）中使用基於適配體的平台測量了1,305種蛋白質濃度。
- 利用孟德爾隨機化識別的蛋白質：作者在CSF中確定了3種與阿茲海默風險相關的蛋白質，在頂葉中確定了7種。
- Robins等進行的GWAS研究：在330名死後大腦捐獻者的背外側前額皮層中，通過液相色譜聯用質譜法測量了8,356種蛋白質
巴金森氏症
- 維生素D和尿酸與PD風險的關聯：
- 觀察性研究一致顯示血清維生素D和尿酸水平與PD風險成反比。
- 孟德爾隨機化分析對這些生物標誌的因果效應不支持：表明這些觀察到的關聯可能存在干擾或可歸因於反向因果關係。
- 孟德爾隨機化分析用於識別PD的新風險因素：例如血漿中的alpha-l-iduronidase（IDUA）水平。
- 利用無假設孟德爾隨機化分析分析的數據：在血漿、腦脊髓液和大腦蛋白質組中，IDUA與其他34種蛋白質一起被識別為與巴金森氏症具有潛在因果關聯。
- IDUA的功能：負責在溶酶體中分解糖胺聚糖glycosaminoglycans，溶酶體是在單基因形式的巴金森氏中影響到的細胞器。
多發性硬化症
- 維生素D水平與MS風險的關聯：孟德爾隨機化顯示，較高的維生素D水平因果降低多發性硬化症風險。
- 脂肪組織對MS風險的影響隨生命進程變化：孟德爾隨機化分析顯示，遺傳上接近的兒童時期脂肪程度adiposity，而非成年期，與增加的多發性硬化症風險因果相關。
- 對多發性硬他嚴重性影響的支持不足：但孟德爾隨機化分析未支持這些風險因素對多發性硬化症嚴重性的影響。
- 藥物再利用機會上的孟德爾隨機化分析：
- IL-6訊號為多發性硬化症的潛在因果風險因素。
- 後續的中介分析揭示：改變的IL-6訊號解釋了BMI指數對多發性硬化症風險觀察效應的40%以上。
- IL-6相關藥物可能的治療性。
偏頭痛
- 睡眠不良與偏頭痛的因果關聯探索：孟德爾隨機化分析確定了失眠和早晨難以覺醒作為潛在的因果風險因素。
- 凝血因子和偏頭痛研究的治療相關進展：
- 使用孟德爾隨機化分析確定了多個凝血因子與偏頭痛風險之間的潛在因果關係。
- 孟德爾隨機化的雙重作用展示：間接提供證據表明微血栓microemboli可能在偏頭痛的病因中發揮作用，並優先考慮某些凝血因子作為潛在的藥物目標。
其它神經疾病
- 許多神經疾病尚未進行孟德爾隨機化分析：由於某些表型的大型全基因關聯研究（GWAS）稀少，許多神經疾病還未在孟德爾隨機化分析中被研究。例如，具有先兆的偏頭痛、疾病嚴重度（例如，偏頭痛頻率）以及疾病進展或恢復（例如，中風後的運動恢復）。
- 來自神經系統組織的遺傳數據日益可用：如腦脊液和神經細胞，也為孟德爾隨機化在神經學的應用提供了機會。
- 性別分層遺傳數據日益可用：將促進更清晰地理解風險因素和疾病機制如何因性別而異。
應用孟德爾隨機化分析的常見陷阱
曝露和結果的設定
- 曝露因子與結果的精確定義至關重要：被工具變量化的曝光與感興趣的結果必須被全面且準確地定義。
- 曝露定義在孟德爾隨機化研究中尤為重要：特別是在研究二元化（例如，病例/對照組研究）的情況下。在這些情況下，孟德爾隨機化估計疾病責任（例如，中風風險）作為感興趣的曝露因子影響力。這與傳統的流行病學研究不同，傳統流行病學研究可能直接估計疾病狀態與結果的關聯。孟德爾隨機化將結果表達為基因對暴露因子與考慮的結果之間的關聯，而非曝露的效果。
工具變量的選擇
- 作為工具變量的遺傳變異應反映正在研究的曝露變化：
- 在一個研究抗糖尿病藥物metformin效果的孟德爾隨機化研究中，通過它們與生長分化因子15 growth differentiation factor 15.濃度的關聯選擇遺傳工具，這一問題引起了爭議。多人回應指出該孟德爾隨機化研究實際上是在調查生長分化因子15血液濃度的因果效應，而非metformin使用本身的效果。
- 最小化多型效性引起的偏差是選擇孟德爾隨機化工具變量時的重要考量：對於受環境和生活方式因素影響的曝露，多型效性途徑（非只有垂直方向的影響力）的混淆是工具選擇常見的問題，應適當解決。
- 在調查教育成就的孟德爾隨機化研究中，可能存在通過遺傳與智力關聯的多型效性：當這種多型效性已知且相關的遺傳關聯數據可用時，可以使用多變量孟德爾隨機化來調整潛在偏差。
- 生物學洞察可用於指引工具變量選擇：
- 例如，在研究咖啡因的效果時，使用預測血中咖啡因的遺傳變異（即影響咖啡因生物活性成分）作為工具比使用影響咖啡因消費行為的變異（即行為特徵）更為適當。後者生物學上可能較不相關，且更容易受到與多型效性途徑（如飲食偏好、社會經濟地位和生活方式）相關的偏差多型效性的影響。
- 通過選擇位於與咖啡因代謝相關的基因中的遺傳變異，而非全基因組方法，可以進一步優化工具的有效性。
共同病因與因果效應
- 區分共同病因與因果效應需要生物學知識：例如，如果作為曝露的遺傳變異與一個上游特徵相關，該特徵既導致曝露因子也導致研究中的結果，則任何明顯的孟德爾隨機化相關性可能歸因於曝露和結果的共同病因，而非曝露對結果的因果效應。
- 這種現象可能在調查 perivascular space burden 對小血管病風險的因果效應，或白質高信號體積對中風或阿茲海默病風險的因果效應的孟德爾隨機化分析中出現。在這些案例中，共同的風險因素可能是曝露和結果的基礎（基因遺傳因素同時對perivascular space burden 和小血管病有影響）。如果懷疑有共同的病因因素，可以使用多變量孟德爾隨機化測試其混淆干擾效應
疾病進展的研究
- 孟德爾隨機化研究曝露對疾病進展（或恢復）風險的影響：如果曝露同時影響疾病風險和進展，則這些研究容易受到碰撞偏差collider bias的影響。
- 碰撞偏差collider bias：當在“僅病例”數據集中進行分析時，可能會出現碰撞偏差。
- 關於中風後功能恢復的全基因組關聯摘要數據：數項孟德爾隨機化研究嘗試揭示可能有利於中風恢復的潛在介入措施，這些研究的結果應謹慎解釋：因為所描述的碰撞偏差可能產生假陽性發現。
- 儘管有針對檢測和校正碰撞偏差的方法，但它們的實際應用並不總是可行的，且方式也較少。
- 碰撞偏差collider bias：當在“僅病例”數據集中進行分析時，可能會出現碰撞偏差。
其它常見的限制
- 人口資料分層是孟德爾隨機化分析中的一種微妙偏差形式：例如，當特定人口亞組的表型特徵較高且特定遺傳變異頻率較高時，在表型特徵和遺傳變異之間就創建出現了相關性。
- 為了解決這一問題，孟德爾隨機化分析經常考慮相同遺傳血統的人群。
- 隨著GWAS變得更加多樣化：在不同血統中進行MR將具有重要性。例如，最近報告了不同血統組（歐洲、東亞、非洲、西班牙或拉丁美洲和南亞）以及跨血統的中風GWAS。
- 出版偏見：即正面研究的發現更有可能被發表，即使這些可能代表分析數據中的偶然關聯而非真實因果效應。因此，在進行孟德爾隨機化分析之前納入統計效力計算是重要的：以確保有足夠的statistic power用於研究的假設。
- 遵循共識標準：如流行病學觀察研究報告加強孟德爾隨機化指引中設定的標準，也可以幫助維持分析及其報告的質量和標準。
藥物目標研究中孟德爾隨機化考量
- 針對調查藥物目標的孟德爾隨機化分析特有的陷阱：一些藥物目標具有多種作用模式。
- 以GLP1R為例，GLP1R可能通過不同的機制對體重和血糖控制產生影響。
- 基於與第2型糖尿病易感性的統計關聯選擇與GLP1R相關的遺傳變異：可能只允許調查通過血糖控制機制介導的效應，排除了與GLP1R的其他效應相關的效應，如降低體重。
- 對藥物目標孟德爾隨機化的特別警告：這種方法不能用來研究化合物特定的藥理學效果，而只能研究對藥物目標的干擾效應。
- 以膽固醇酯轉移蛋白perturbing cholesteryl ester transfer protein的干擾為例：孟德爾隨機化分析支持膽固醇酯轉移蛋白的干擾降低心血管疾病風險的效果。然而，這一發現轉化為臨床試驗的成果將受到其研究設計的影響，包括目標人群、治療的持續時間和強度，以及被研究的藥理化合物及其對目標的影響程度。
- 在所有孟德爾隨機化分析中，反映出的是終身遺傳的累積效應：這與在短時間內進行的臨床介入形成對比，後者可能o使暴露強度發生更大的變化（例如，完全抑制一種蛋白質）。
- 因此，孟德爾隨機化分析的結果將不會精確預測臨床實際介入的效果大小。
未來展望
- 蛋白質組學技術、轉錄組學技術和影像分析方式的成本下降和可擴展性增加：為深入理解神經疾病機制提供了新機會。
- 大腦蛋白質、腦脊髓液蛋白質、大腦基因表達、大腦磁共振影像和大腦單細胞基因表達的GWAS：已經或將很快公開可用火，這些數據集可以用來了解神經病態生理學。但執行大量無預先假設的自由測試在某些測試中可能違反孟德爾隨機化所需假設的風險，這些可能問題應在此類研究報告中說明，且大收據多重測試multiple testing可能造成的第一型錯誤的風險也要考慮進來。
- 將孟德爾隨機化應用於以GWAS分析不常見神經疾病的結果可能會找到新的可修改風險因素。
- 孟德爾隨機化方法仍在迅速發展：例如，將孟德爾隨機化應用於疾病進展的同時校正碰撞偏差是一個正在密集發展的領域。同樣，減少由水平多型效性引起的偏差的方法也在發展中，以後將可得出更可靠的因果推斷。
結論
- 將孟德爾隨機化整合進神經學相關研究：孟德爾隨機化為識別因果風險因素提供了堅實基礎，推進了我們對神經病病理生理學的理解，並協助找出藥物優先考慮的目標。
- 研究人員必須謹慎進行孟德爾隨機化調查：並在分析的所有階段包含生物學知識。
- 神經學領域內孟德爾隨機化的研究不斷進步, 期待學術界和臨床醫生能夠充分利用其潛力來進行研究。
個人想法
- 統計學和研究的方式一直在進步中，研究和文章中能夠用較新較好的方式去做總是能增加一些機會，也較能得到真實的結果。
- 由於基因體，蛋白體，轉錄體學研究的進行，孟德爾隨機化這種將生物學資料放入研究分組控制中的研究法也愈來愈多，也是將這些生物學的資料轉譯到臨床醫學的應用方式。
- 只是對研究者而言如何選擇合適的基因組來做隨機化，選擇的基因對要研究的暴露因子有多強的影響，是否有除了垂直方向還有水平方向的多方影響力，對想要看的結果是否也有直接的影響力，都需要有許多的準備工作基本知識，才能做出真正的設計，研究者需要有更廣泛的知識做精準的判斷。
- 如果您看完全文還是看不懂究竟如何用孟德爾隨機化來做研究。請看下列一個簡單的說明
- 研究設計
- 選擇一組基因變異（作為工具變量），這些變異已知與特定的生理特徵（例如血中膽固醇濃度）相關，但與研究中其他潛在的混雜因素無關。
- 分析透過基因變異影響膽固醇是否造成某種健康結果 (如心血管疾病) ，以評估生理特徵對健康結果的因果影響。
- 通過統計模型來控制其他變量，確保結果的可靠性。
- 注意事項
- 工具變量的有效性：選擇作為工具變量的基因變異必須與研究的暴露因素強烈相關，但與結果只能通過暴露因素相關，不能直接影響結果，且不受混雜因素的影響。
- 不存在遺傳多型效性（Pleiotropy）：所選基因變異除了被研究的暴露途徑，不應透過其他路徑影響結果，例如這個基因不能影響血壓或血糖，這可能會導致估計的因果關係產生偏差。
- 大樣本量：由於基因效應通常較小，進行孟德爾隨機化分析需要足夠大的樣本量來確保統計功效，從而得出可靠的結果。
- 選擇合適的統計模型：應根據數據的特性和研究設計選擇適當的統計方法，以正確估計暴露和結果之間的因果關係。
- 敏感性分析：進行敏感性分析來評估結果的穩定性，特別是檢查結果是否對於選擇的工具變量、假設和潛在的干擾因素敏感。
- 詮釋結果時要謹慎：即使孟德爾隨機化提供了因果關係的證據，也需謹慎解釋結果，考慮可能的限制和偏差。特別是當研究結果與已知生物學機制不一致時，需進行深入分析。
- 多變量孟德爾隨機化：當研究多個相關暴露時，可以使用多變量孟德爾隨機化方法來考慮暴露之間的相互作用和聯合效應。
- 研究設計