概念 ·因果（Causality）是指一种因果关系：改变暴露水平将改变结局（或改变结局的风险）。相反，“关联”并不一定意味着存在因果关系，而仅仅表明暴露和结局是相关的。 ·混杂（Confounding）是指当关注的危险因素与另一个对结局产生影响的因素相关联时，而发生的对估计危险因素-结局关联性的扭曲。例如，饮酒与冠心病风险之间的关联可能受到以下混杂影响：饮酒的人也更有可能吸烟，而吸烟对冠心病风险也具有因果影响。 ·全基因组关联研究（GWAS）：一种不设假设的研究设计，来检验数千或数百万种遗传变异与表型的关联性。GWAS的主要目的是识别与表型相关的变异，这些变异可用于识别与表型病因相关的基因，或为表型开发具有预测作用的多基因评分模型。 ·连锁不平衡（LD）是指遗传变异的非独立分离。同一染色体上邻近的基因变异可以一起遗传，如果等位基因频率相似，就会导致它们之间产生相关性。 ·孟德尔随机化（MR）：利用与暴露相关的遗传变异来了解暴露对健康结局的因果影响。 ·孟德尔随机化全表型关联研究（MR-PheWAS）：一项不设假设的研究设计，在广泛的结局范围内对危险因素进行孟德尔随机化。该方法的一个局限性是多重假设检验，这为在识别真正的关联和生物学关联方面带来了一定的挑战。 ·表型（Phenotype）是指个体的可观察特征，如眼睛颜色、血型和体重。个体的表型可能由基因型单独决定（如血型），也可能由基因型和环境因素共同决定（如体重）。 ·多效性（Pleiotropy）是指基因变异与多种表型的关联。水平多效性是指一个基因变异在不同的生物学通路上与一种以上的表型关联。这种多效性是值得关注的，因为它违反了排除限制假设，并可能扭曲结果。垂直多效性是指一个遗传变异与同一生物学通路上的多种表型关联，这并不能否定研究结果。 ·反向因果关系（Reverse causation）：结局（疾病）影响暴露水平（危险因素）的现象。这种偏倚在MR研究中被最小化，因为遗传变异是不可改变的，不受疾病状态的影响。 ·单核苷酸多态性（SNP）： DNA中的一个碱基发生了变化产生的一种常见的遗传变异，例如在基因序列的特定位置上，一个C取代了一个T。 统计方法 ·反方差加权法（Inverse-variance weighted method）：通常是MR研究中涉及多个遗传变异最有效（最大的统计把握度）也是最主要的分析方法，要求所有的遗传变异都是有效的工具变量。 ·加权中位数（Weighted median）：MR研究中常见的补充分析方法，通过取变异特异性估计的中位数来加权。对异常值稳健，但对遗传变异的增加或去除较为敏感。 ·多变量MR（Multivariable MR）：允许将遗传变异与多种危险因素的关联性纳入分析的一种统计方法。该方法可用于调整已知的混杂因素，或从感兴趣的危险因素到结局的因果路径中，探索因素的中介效应。 ·MR-Egger：MR研究中常见的补充分析方法，可以对多效性进行检验和调整，但对离群值敏感，与逆方差加权法相比效率较低。 ·MR-PRESSO：可以识别和去除异常值，但有几个无效的工具变量，导致假阳性率很高。 ·非线性MR（Non-linear MR）：用于评估暴露与结局之间因果关系形态的一种统计方法，特别是暴露对结局的因果效应是否在不同的暴露水平上有所不同。 | 
