MR代码#_r语言怎么实现mr presso检验并且得出or值

#TSMR分析

#对于暴露和结局的数据都来自Open GWAS,即存在暴露ID号
#以BMI和CHD为例：BMI的ID：ieu-a-2  CHD的ID：ieu-a-7
#首先在R里面安装TSMR包
install.packages("devtools")
devtools::install_github("MRCIEU/TwoSampleMR")

#运行TSMR
library(TwoSampleMR)
#提取暴露BMI的工具变量
bmi_exp_dat <- extract_instruments(outcomes = 'ieu-a-2')

#解释extract_instruments函数
#extract_instruments(outcomes,p1 = 5e-08,clump = TRUE,
p2 = 5e-08,r2 = 0.001,kb = 10000,access_token = ieugwasr::check_access_token(),
force_server = FALSE)

#如果想要调整clump参数
bmi <- extract_instruments(outcomes = 'ieu-a-2',
                           clump = TRUE, r2 = 0.01,
                           kb = 5000, access_token = NULL)

#如果想要调整P值
bmi_1 <- extract_instruments(outcomes = 'ieu-a-2',
                             p1 = 5e-06,
                             clump = TRUE, r2 = 0.001,
                             kb = 10000, access_token = NULL)


#提取工具变量在结局中的信息
chd_out_dat <- extract_outcome_data(snps = bmi_exp_dat$SNP, outcomes = 'ieu-a-7')

#将暴露和结局的数据进行合并，产生用于进行MR分析的数据
#第一种代码：
dat <- harmonise_data(bmi_exp_dat, chd_out_dat)
#第二种代码：
dat <- harmonise_data(
  exposure_dat=bmi_exp_dat,
  outcome_dat=chd_out_dat,
  action= 2
)

#MR分析的主要结果:默认用5种方法进行MR分析
res <- mr(dat)
res

#换算成OR值
OR <-generate_odds_ratios(res)
OR

#如果MR分析中限定方法，如只用mr_egger和mr_ivw
mr(dat, method_list = c("mr_egger_regression", "mr_ivw"))

#使用随机效应模型
RE <-mr(dat,method_list=c('mr_ivw_mre'))
REOR <-generate_odds_ratios(RE)

#固定效应模型
FE <-mr(dat,method_list=c('mr_ivw_fe'))
FEOR <-generate_odds_ratios(FE)

#离群值检验
#安装MRPRESSO包
devtools::install_github("rondolab/MR-PRESSO",force = TRUE)

#安装完运行
library(MRPRESSO)
mr_presso(BetaOutcome ="beta.outcome", BetaExposure = "beta.exposure", SdOutcome ="se.outcome", SdExposure = "se.exposure", 
          OUTLIERtest = TRUE,DISTORTIONtest = TRUE, data = dat, NbDistribution = 1000,  
          SignifThreshold = 0.05)

#单个snp分析-（三种方法）
#默认Wald比值
res_single <- mr_singlesnp(dat)
ORR <-generate_odds_ratios(res_single)

#数据敏感性分析
#异质性检验
het <- mr_heterogeneity(dat)
het
#多效性检验
pleio <- mr_pleiotropy_test(dat)
pleio
#逐个剔除检验
single <- mr_leaveoneout(dat)
mr_leaveoneout_plot(single)
#散点图
mr_scatter_plot(res,dat)
#森林图
res_single <- mr_singlesnp(dat)
mr_forest_plot(res_single)
#漏斗图
mr_funnel_plot(res_single)


#保存数据
#安装xlsx
install.packages('xlsx')
#运行xlsx
library(xlsx)
write.xlsx(ORR, "D:xx.xls")

#本地为暴露文件，结局为 CHD的ID：ieu-a-7
#运行TSMR
library(TwoSampleMR)
#读取暴露本地数据
exp_dat <- read_exposure_data(
  filename = 'Blood selenium.csv',
  sep= ",",
  snp_col = "SNP",
  beta_col = "Beta",
  se_col = "SE",
  effect_allele_col ="EA",
  other_allele_col = "NEA",
  eaf_col = "EAF",
  pval_col = "P"
)
exp_dat$exposure <- "Blood selenium"
#读取工具变量在结局当中的信息
CHD_out <- extract_outcome_data(
  snps=exp_dat$SNP,
  outcomes='ieu-a-7',
  proxies = FALSE,
  maf_threshold = 0.01,
  access_token = NULL
)
mydata <- harmonise_data(
  exposure_dat=exp_dat,
  outcome_dat=CHD_out,
  action= 2
)
res <- mr(mydata)
res
OR <-generate_odds_ratios(res)
OR
#异质性
het <- mr_heterogeneity(mydata)
het
#多效性
pleio <- mr_pleiotropy_test(mydata)
pleio
#逐个剔除检验
single <- mr_leaveoneout(mydata)
mr_leaveoneout_plot(single)
#散点图
mr_scatter_plot(res,mydata)
#森林图
res_single <- mr_singlesnp(mydata)
mr_forest_plot(res_single)
#漏斗图
mr_funnel_plot(res_single)

#结局为本地文件，怎么读取
#女性肾细胞癌GWAS数据读取
library(data.table)
t2d <-fread('RCC_Females.txt',header=T)
#看数据前六列
head(t2d)

#当将结局变量转换成我们可以使用的TSMR中结局的形式，应用函数format_data
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161