揭示细胞因子与脓毒症的秘密：孟德尔随机化研究的新发现

2024年3月5日，一篇题为Causal associations between circulating cytokines and risk of sepsis and related outcomes: a two-sample Mendelian randomization study的孟德尔随机化研究论文发表于《l》，作者为中国学者，文章属于中科院医学二区，IF=7.3。

这项研究从欧洲数据库中获得了细胞因子循环水平的全基因组关联统计，用两样本MR评估了循环细胞因子水平是否在脓毒症易感性中起因果作用。结果表明，遗传预测的白细胞介素-10水平降低与脓毒症风险增加有因果关系。单核细胞趋化蛋白-1与脓毒症诱导的死亡率呈负相关关系。相反，巨噬细胞炎症蛋白1β浓度升高与脓毒症发病率和相关死亡率呈正相关。这些发现强调了某些循环细胞因子对脓毒症易感性及其预后的因果影响，暗示了调节这些细胞因子水平的治疗潜力。

1.1 摘要

背景: 脓毒症是一种严重的疾病，由于宿主对感染的反应不平衡而引起。其病理生理学的核心是细胞因子。然而，探索循环细胞因子与脓毒症易感性之间相互关系的观察性研究经常遇到与混杂变量和反向因果关系相关的挑战。

方法: 为了阐明细胞因子对脓毒症风险的潜在因果影响，我们进行了双样本孟德尔随机化 （MR）分析。与循环细胞因子浓度相关的工具变量来自全基因组关联研究，包括8,293名芬兰参与者。然后，我们使用从英国生物样本库获得的摘要级数据评估了它们与脓毒症和相关结果的联系，这是一项涉及超过500,000名欧洲参与者的大型多中心队列研究。具体来说，我们的数据涵盖了11,643例脓毒症病例和474,841例对照，子集包括特定年龄组、28天死亡率和ICU相关结局。

结果与讨论: MR（Mendelian randomization）的结果表明，降低基因预测的白细胞介素-10（IL-10）水平与严重感染风险增加存在因果关系（比值比[OR] 0.68，95％置信区间[CI] 0.52-0.90，P = 0.006）。单核细胞趋化蛋白-1（MCP-1）与脓毒症导致的死亡率呈负相关关系。相反，升高的巨噬细胞炎性蛋白1β（MIP1B）浓度与脓毒症发病率和相关死亡率呈正相关。这些发现强调了某些循环细胞因子对脓毒症易感性及其预后的因果影响，并暗示调节这些细胞因子水平具有治疗潜力。需要进一步的研究来证实这些关联。

1.2 研究结果

28个细胞因子的工具变量的F统计量范围从28.56到789.2，表明它们中没有一个受到弱工具偏差的影响。如图2所示，我们在IVW方法中发现了与脓毒症及其相关特征有关的六种细胞因子。

简而言之，基因预测的IL-10在IVW方法中降低了32％（OR，0.68；95％CI = 0.52-0.90，P = 0.006）的脓毒症风险。我们还发现MCP-1水平对脓毒症（在75以下）特征具有负效应（OR，0.83；95％CI = 0.73-0.96，P = 0.010），并且这种因果关系在其他方法中也保持一致，如最大似然估计、加权中位数和简单中位数（图3）。

异质性检验和多效性检验表明没有影响因果效应。我们还发现MCP-1与脓毒症（重症监护中的28天死亡）之间存在反向关系（OR=0.42，95％CI = 0.19-0.95，P = 0.036）。此外，发现MIP1B与脓毒症（重症监护中的28天死亡）（OR=1.30，95％CI = 1.13-1.49，P < 0.001）、脓毒症（重症监护）（OR=1.12，95％CI = 1.03-1.23，P = 0.011）和脓毒症（28天死亡）（OR=1.09，95％CI = 1.02-1.15，P = 0.006）略微增加的风险相关。为了确认发现的因果关联，我们对上述统计显著结果进行了反向MR分析，但我们没有发现任何脓毒症及其相关特征会影响细胞因子水平。

2.1 结果来源

英国生物库（UK Biobank）研究在2006年至2010年期间，在英国的各个中心收集了超过50万名参与者。在这项研究中，脓毒症数据及其子组（包括75岁以下、28天死亡、重症监护病房（ICU）病例和ICU中的28天死亡病例）是通过使用源自英国生物库的总结水平数据从IEU Open GWAS中收集的。该数据集分别包括11,643、11,568、1,896、1,380和347个脓毒症病例，以及474,841、451,301、484,588、429,985和431,018个对照组。对GWAS数据的分析使用了Regenie 2.2.4版本，并进行了年龄、性别、芯片类型和前10个主成分的调整（https://gwas.mrcieu.ac.uk/datasets/ieu-b-4980/）。

2.2工具变量选择

如前所述，对于细胞因子的循环水平，摘要水平的数据来自于芬兰的Young Finns Study（YFS）和FINRISK（1997年和2002年调查），总共包括8,293名参与者。FINRISK研究中的参与者年龄较大（60岁），而YFS研究中的参与者年龄较小（36岁）。细胞因子定量的血液样本采集使用了FINRISK研究中的血浆和YFS研究中的血清。在这个GWAS研究中进行了48种细胞因子的全面分析，但由于超过90%的缺失值，其中七种细胞因子被排除在外。在MR分析中，需要满足三个假设。首先，工具变量应与暴露因素强相关。因此，鉴于13种细胞因子中没有达到全基因组显著性的遗传变异，我们选择了613个达到全基因组显著性（P < 5×10-8）的SNP来代表这28种细胞因子。此外，为了避免连锁不平衡的影响并确保SNP的独立性，我们在连锁不平衡阈值r2 < 0.01时保留具有最低P值的SNP，共得到183个SNP。其次，工具变量不能与影响暴露-结果关系的混杂因素有统计学关联。最后，遗传变异只能通过暴露因素影响结果的发生，因此我们排除了与一种或多种细胞因子相关的16个SNP。最终，我们确定了与剩余的28种细胞因子相关的167个SNP，随后在MR分析中使用这些SNP。在排除了19个在结果摘要水平数据中缺失的SNP后，我们使用148个SNP作为主要MR分析的工具变量。

2.3 孟德尔随机化

对于每种细胞因子，我们确定了与之相关的主要工具变量所解释的方差比例，并使用F统计量评估所选工具变量的强度。在提取循环细胞因子和脓毒症的效应大小和标准误差估计后，我们使用Wald比和Delta方法计算了个体MR估计值。为了评估遗传确定的循环细胞因子水平与脓毒症之间的关联，我们使用逆方差加权（IVW）方法将MR估计结果汇总到个体SNP上。IVW方法在假设遗传变异的多向效应平均为零且与遗传变异-暴露关联无关的情况下，产生准确的因果效应估计值。Cochran's Q检验被用来衡量工具变量之间的异质性。在IVW分析中，如果在工具变量之间检测到显著的异质性（Cochran's Q检验P值<0.05），我们采用随机效应模型评估因果关联；否则，使用固定效应模型。为了确保结果的稳健性，我们进行了敏感性分析，包括样本中位数法、加权中位数法、MR-Egger回归和最大似然法。值得注意的是，当不到50%的信息来自无效工具时，加权中位数估计器提供可靠的因果效应估计。此外，MR-Egger回归的截距用于评估定向多向性的存在（截距的P值<0.05表示统计显著）。此外，最大似然法通过直接最大化似然函数来估计因果效应，假设暴露和结果之间存在线性关系。

所有MR分析均使用R软件（版本3.6.3）进行，使用了TwoSampleMR、MendelianRandomization和MRPRESSO软件包。