导语
1. 工具变量的选择
对于乳腺癌症的工具变量，最初有8063个SNP达到全基因组显著性水平的阈值（P<5×10−8），与甲状腺癌症的GWAS匹配后，仅剩下65个SNP。此外，在使用PhenoScanner评估SNP数据集后，由于4个SNP与混杂变量有关，因此将其删除。因此，选择了61个SNP来评估乳腺癌患者甲状腺癌症的遗传风险。
关于TN乳腺癌症的工具变量，共有2018个SNP最初达到全基因组显著性阈值（P<5×10−8）。与甲状腺癌症的GWAS匹配后，仅剩下25个SNP。其中，4个SNPs（rs12472404、rs2735846、rs6585204和rs67397200）因其回文和歧义结构而被丢弃。最终，选择了19个SNP来评估TN乳腺癌症患者甲状腺癌症的遗传风险，所有F-统计量范围从250.29到1122.63，表明存在强大的工具。
2. 乳腺癌症与甲状腺癌症危险性的MR分析
具体而言，IVW方法的结果显示，乳腺癌症患者的甲状腺癌症风险显著升高，而MR-Egger加权中值法，加权模式产生了更保守的估计，但没有达到统计学显著性（图1）。研究结果表明，全乳腺癌症的估计因果效应在IVW、中位加权和全乳腺癌症加权模式中高度一致，尽管不同方法的显著性不同（图2）。然而，没有证据表明TN乳腺癌和甲状腺癌症之间存在因果关系（图1）。TN乳腺癌症和甲状腺癌症的估计因果效应在IVW、中位加权和全乳腺癌症加权模式中不一致，表明TN乳腺癌症和甲状腺癌症之间没有因果关系（图3）。
图1
图2 散点图显示SNP对乳腺癌症和甲状腺癌症的影响
图3 散点图显示SNP对三阴性乳腺癌症和甲状腺癌症的影响
此外，本研究中进行的敏感性分析支持所观察到的因果估计的稳健性，因为所有MR敏感性分析都产生了显著的结果，MR-Egger回归测试的截距表明在整个乳腺癌症人群中没有显著的定向多效性。此外，遗漏一个或单个SNP分析未显示任何给定SNP对因果估计的显著不成比例的影响的证据（图4）。结果表明，SNPs之间存在异质性。漏斗图也表明不存在水平多效性，因为变量的因果效应与其精度相对应。
图4 乳腺癌症和甲状腺癌症估计值的遗漏分析
然而，TN乳腺癌症和甲状腺癌症的敏感性分析显示出异质性。尽管如此，在整个乳腺癌症人群中没有显著的方向多效性，漏斗图表明，任何给定的SNP对因果估计都没有显著的不成比例的影响（图5）。
图5 三阴性乳腺癌症和甲状腺癌症估计值的遗漏分析
总结
MR分析的结果为ER阳性乳腺癌症风险升高和甲状腺癌症风险增加之间的因果关系提供了证据。今后有必要对这种关系进行进一步调查。然而，作者的数据并没有揭示TN乳腺癌和甲状腺癌症之间的直接联系，这表明用于处理甲状腺后变化的预防和控制措施可能不会给TN乳腺癌症患者带来益处。这项研究强调了这项分析技术在确定因果关系方面的有效性，这可能有助于确定未来与癌症相关的其他联系。
联系客服
