XiaoMi-AI文件搜索系统
World File Search System随机化
单细胞门德尔人关于人脑疾病和行为的随机化
▶大多数药物在临床开发期间大多数药物失败▶最常见的原因是，由于目标验证不足，由于目标验证不足，在早期药物发现中的目标验证不足，因此在2011 - 2017年间进入德国市场的216个新药在2011- 2017年之间进入德国市场，有75％的人在现有的指标中没有任何适应性的药物，因此在官能上没有任何适应性的迹象。增加了对现有疗法的效果益处
孟德尔随机化研究药物作用的演变
蛋白质是大多数药物靶点；因此，影响编码这些蛋白质的基因功能或表达的遗传变异可用作研究药理学上扰乱相应蛋白质药物靶点的影响的替代指标 [1]。通过减数分裂和受孕随机分配遗传变异意味着个体遗传的基因型通常不受环境混杂因素或反向因果关系的影响，类似于随机对照试验中的治疗分配。假设遗传替代指标只能通过其对蛋白质药物靶点的影响而不是某些多效性途径来影响结果，那么与结果的遗传关联可以作为药物靶点扰动对该结果的潜在影响的证据。这一范式催生了“药物靶点孟德尔随机化”领域，十多年来，该领域一直用于确定临床试验设计的优先级 [2]。在 Yarmolinsky 和同事发表于 PLOS Medicine 的附带研究中 [ 3 ]，他们确定了基因变异来代表不同类别抗高血压药物的作用，并利用药物靶标孟德尔随机化分析来探索其对常见癌症亚型风险的影响。
管理孟德尔随机化研究的指数增长
1. Davey Smith G、Ebrahim S。“孟德尔随机化”：遗传流行病学能否有助于理解疾病的环境决定因素？Int J Epidemiol。2003；32(1)：1 – 22。https://doi.org/10.1093/ije/dyg070 2. Davey Smith G、Ebrahim S。20 年后孟德尔随机化：如何避免傲慢，同时取得更多成就？Lancet Diabetes Endocrinol。2024；12(1)：14 – 7。https://doi.org/10.1016/S2213-8587 (23)00348-0 3. Davies NM、Holmes MV、Davey Smith G。阅读孟德尔随机化研究：临床医生指南、词汇表和清单。BMJ。 2018；362：k601。https://doi.org/10.1136/bmj.k601 4. Wootton RE、Richmond RC、Stuijfzand BG、Lawn RB、Sallis HM、Taylor GMJ 等人。终生吸烟对抑郁和精神分裂症风险的因果关系证据：孟德尔随机化研究。心理医学。2020；50(14)：2435 – 43。https://doi.org/10. 1017/S0033291719002678 5. Liu Y、Elsworth B、Erola P、Haberland V、Hemani G、Lyon M 等人。EpiGraphDB：用于健康数据科学的数据库和数据挖掘平台。生物信息学。 2021；37(9)：1304 – 11。https://doi.org/10. 1093/bioinformatics/btaa961 6. Khouja JN、Wootton RE、Taylor AE、Davey Smith G、Munafò MR。吸烟遗传易感性与年轻人使用电子烟的关系：一项队列研究。PLoS Med。2021；18(3)：e1003555。https://doi.org/10.1371/journal.pmed.1003555 7. Lawlor DA、Tilling K、Davey SG。病因流行病学中的三角测量。Int J Epidemiol。2017；45(6)：1866 – 86。https://doi.org/ 10.1093/ije/dyw314
药物靶标孟德尔随机化分析支持降低血浆
此预印本的版权所有者此版本于 2024 年 1 月 23 日发布。；https://doi.org/10.1101/2024.01.23.24301541 doi: medRxiv preprint
强直性脊柱炎对糖尿病的危害：孟德尔随机化分析的新证据
方法：为了推断 AS 与各种糖尿病相关特征（包括 1 型糖尿病 (T1DM)、T2DM、血糖水平、空腹血糖、糖化血红蛋白和空腹胰岛素）之间的因果关系，我们采用了孟德尔随机化 (MR) 分析。我们从 IEU OpenGWAS 数据库、GWAS 目录和 FinnGen 数据库中获取了暴露和结果变量的 GWAS 汇总数据。为了综合 MR 分析的结果，我们应用了使用固定或随机效应模型的荟萃分析技术。为了识别和排除与结果表现出水平多效性的工具变异 (IV)，我们使用了 MR-PRESSO 方法。使用 MR-Egger 方法以及 Q 和 I^2 检验进行敏感性分析，以确保我们的研究结果的稳健性。
Mendelian随机化研究吸烟，酒精和咖啡与帕金森氏病有关
帕金森氏病（PD）被认为是一种多因素疾病，涉及遗传易感性和环境因素[1]。流行病学研究表明，一种引人注目的模式，其中几种生活方式行为，包括吸烟，酒精和咖啡，与PD相反[2]，这仍然是争议的，这些逆关联是否是因果关系。PD [3，4]中长期前代的存在增加了可能通过定义为结果先于和影响暴露的情况的反向因果关系来解释它们的可能性。例如，PD前阶段的特征是香烟的食欲不足[5]，而后来发展PD的患者可能会因在多巴胺奖励减少而在前驱阶段戒烟时可能更成功地戒烟[6]。
药物靶点孟德尔随机化支持载脂蛋白 C3 降低 1
此预印本的版权所有者此版本于 2023 年 11 月 5 日发布。；https://doi.org/10.1101/2023.11.04.23298088 doi: medRxiv preprint
消息随机化和基于量子稳定器的秘密共享的经典秘密共享
摘要我们通过在其编码过程中引入消息随机化来提高基于量子稳定器的秘密共享方案的访问结构的灵活性。我们概括了吉尔伯特 - 瓦尔沙莫夫（Gilbert -Varshamov）的确定性编码，以随机编码经典秘密。我们还提供了一个明确的示例，讲述了坡道秘密共享方案，该计划在其经典秘密中揭示了中间设置中的多个符号，并证明有必要纳入强有力的安全标准，以实现强大的安全标准。最后，我们提出了量子稳定器对坚固安全的坡道秘密共享计划的明确构造，该计划可以支撑两倍的古典秘密，就像McEliece -Sarwate强烈安全的坡道秘密共享方案，具有相同的股份规模和访问结构。
基因决定的代谢物对焦虑症的因果关系：双样本孟德尔随机化研究
摘要背景：焦虑症是最常见的精神障碍之一，但其潜在的生物学机制尚未完全阐明。近年来，遗传决定的代谢物（GDM）已被用来揭示精神障碍的生物学机制。然而，这种策略还没有应用于焦虑症。在此，我们通过孟德尔随机化研究探索了GDM与焦虑症的因果关系，总体目标是揭示生物学机制。方法：实施双样本孟德尔随机化（MR）分析以评估GDM与焦虑症的因果关系。以486种代谢物的全基因组关联研究（GWAS）为暴露对象，以焦虑症的四个不同的GWAS数据集为结果对象。值得注意的是，所有数据集均来自公开数据库。使用遗传工具变量（IV）探索每种代谢物的代谢物与焦虑症之间的因果关系。采用 MR Steiger 过滤法检验代谢物与焦虑症之间的因果关系。首先采用标准逆方差加权 (IVW) 方法进行因果关系分析，随后采用另外三种 MR 方法（MR-Egger、加权中值和 MR-PRESSO（多效性残差和与异常值）方法）进行 MR 分析的敏感性分析。使用 MR-Egger 截距和 Cochran's Q 统计分析评估可能的异质性和多效性。使用 Bonferroni 校正确定因果关联特征（P < 1.03 × 10 –4）。此外，使用基于网络的 MetaboAnalyst 5.0 软件进行代谢途径分析。所有统计分析均在 R 软件中完成。本研究使用了 STROBE-MR 清单来报告 MR 研究。结果：在 MR 分析中，确定了 85 个具有显著因果关系的 GDM。其中，4 个不同的焦虑症数据集中有 11 种代谢物相互重叠。Bonferroni 校正显示 1-亚油酰甘油磷酸乙醇胺（OR 固定效应 IVW = 1.04；95% CI 1.021–1.06；P 固定效应 IVW = 4.3 × 10 –5 ）是最可靠的因果代谢物。由于采用了“留一法”分析，即使没有单个 SNP，我们的结果仍然稳健。MR-Egger 截距检验表明遗传多效性对结果没有影响（截距 = − 0.0013，SE = 0.0006，P = 0.06）。Cochran Q 检验未检测到异质性（MR-Egger. Q = 7.68，P = 0.742；IVW. Q = 12.12，P = 0.436）。 MR Steiger 进行的方向性测试证实了我们对潜在因果方向的估计
用孟德尔随机化方法评估预防帕金森病的降脂药物靶点
流行病学研究发现他汀类药物的使用与帕金森病 (PD) 风险之间存在不一致的关联，这表明接触他汀类药物可能会提供神经保护 1 - 3 或增加 PD 风险。4,5 然而，这种观察性研究受到限制因果推断的偏差的影响，例如混杂和反向因果关系。在长期随机对照试验中稳健地评估他汀类药物或其他降脂药物对 PD 预防的潜力将具有挑战性，因此，有必要使用其他研究设计来检查接触降脂药物是否会减轻或增加 PD 风险。遗传变异可用于预测长期药物暴露对疾病风险的影响。蛋白质编码基因附近的变异可以影响蛋白质的产生或功能，其方式类似于药物对相同蛋白质的治疗调节。因此，这些基因的关联可能是可靠的。