目前不少文章用到了孟德尔随机化+meta分析，在上一章咱们简单介绍了一下meta分析的基础知识。咱们今天来介绍一篇11分文章，由文章看看孟德尔随机化+meta分析如何进行，文章的题目是：Appraising the causal role of smoking in multiple diseases: A systematic review and meta-analysis of Mendelian randomization studies（评估吸烟在多种疾病中的因果作用：孟德尔随机研究的系统回顾和荟萃分析）
吸烟其实没什么创意，唯一的新意就是加入了孟德尔随机化和meta分析。我们可以看到文章的类型就是meta分析，说明孟德尔随机化+meta分析的本质就是个meta分析。作者先是介绍说吸烟与多种疾病之间的因果关系仍然不明确，目的是通过总结孟德尔随机化 (MR) 研究的证据来评估吸烟在多种疾病中的因果作用。
咱们看下它的方法学是怎么做的：
完全是meta分析的套路，分两步提取数据，
第一步：是搜索各大数据库“孟德尔随机化”与“吸烟”的相关文章，把文章中吸烟和疾病的关系的数据提取出来。纳入标准：原始全文文章，介绍了吸烟或终身吸烟的遗传易感性与一种或多种循环、消化、神经和肌肉骨骼系统疾病、内分泌、代谢和眼部疾病或肿瘤风险的关联结果。一共纳入了385篇文章。排除标准：基于相同或重叠研究样本的重复出版物，以及仅使用单一或少数（<10）尼古丁依赖或吸烟行为或数量的工具变量的研究。作者这里提取了年份，样本量，关系的比值比OR。经过排除后适合分析的有29篇。
第二步：有一部分数据就是芬兰基因研究（FinnGen）作者通过检索没有检索到资料，他就自己来做，他使用了 R6版本中的数据进行孟德尔随机化分析，其中包括 260 405 名芬兰人，但剔除了性别不明确、非芬兰血统、基因型缺失率超过 5%、或杂合度过高（±4 个标准差）的数据。此外，作者还利用 GWAS meta 分析中公开的汇总统计数据，对骨关节炎、痛风和原发性开角型青光眼进行了从头开始的 MR 分析。第二部分提取到的数据应该是27篇，因为最后供56篇文章。
下面是他的流程图：
流程图：
通过流程图咱们可以知道最后作者得到14篇循环疾病的文章，消化疾病8篇，神经系统疾病5篇，肌肉骨骼系统4篇，2篇内分泌，3篇眼科疾病，21篇关于肿瘤的文章。整个过程处理起来还是挺花时间的，毕竟要一篇篇的读，提取数据。
接下来咱们看看作者提供的数据，附表1是作者自己做的孟德尔随机化的结果，它的结果有两个，一个是刚开始吸烟，还有一个是终生吸烟。作者也是根据这两个结果进行meta分析的。
接下来就是作者的两个主表了，表2是开始吸烟的人的疾病分析，表3是终生吸烟的人的疾病分析，作者就是根据这两个表来做meta分析的，下面我把数据提取出来跑一下。
下面我把数据提取出来跑一下，数据量挺大的我就提取刚开始吸烟的患者循环疾病这部分举个例子，其他疾病的都是一样的。这里我们要注意一下，循环系统是有很多疾病的，就拿心房颤动这个疾病来说，作者的数据很多很大，他是把GWAS meta-analysis、FinnGen这2个数据库的结果进行相加，再来做meta分析，如果你的数据没有这么大，你把每个数据库先分别做，然后再汇总也是可以的。
bc<-read.csv("E:/r/test/smokemeta.csv",sep=',',header=TRUE)
names(bc)
数据提取出来后下图这个样子，这个数据可以按作者的方法进行提取，如果你想偷懒一点，使用我提取好的数据，公众号回复：代码，可以得到。
既往咱们已经介绍了《R语言forestploter包优雅的绘制孟德尔随机化研究森林图》，需要的可以自己看一下。今天咱们来介绍一下forestplot包绘制这个森林图，这个包相对简单一点，容易上手。
library(forestplot)
咱们先生成个可信区间
bc$`OR (95% CI)` <- sprintf("%.2f (%.2f to %.2f)", bc$OR, bc$LB, bc$UB)
生成可信区间后我们需要生成一个绘图区间，选择你需要的变量就可以了，我这里选1,2,6
dt1<-as.matrix(bc[,c(1,2,6)])
这里注意一下，dt这个数据是矩阵没有列名，我们还要生成一个列名
dt1 <- rbind(c("outcome","Cases","OR (95% CI)"),dt1)
这样的数据就可以绘图了
forestplot(labeltext=dt1,graph.pos="right", mean=c(NA,bc$OR),lower=c(NA,bc$LB),upper=c(NA,bc$UB),graphwidth = unit(60,"mm"),#设置图片位置和宽度boxsize =0.2,line.margin = unit(5,"mm"),#对散点和线条进行设置lineheight = unit(5,"mm"),#设置图形行距col=fpColors(box = "grey0",lines = "grey0",summary = "grey0"),colgap = unit(1,"mm"),#图形列间距zero = 1,#参照值xticks = c(0,1,2))#X轴的定义标签
咱们可以看到和作者做的几乎一模一样
为什么我说几乎一模一样，因为还是有点不一样的，作者没有11278肺栓塞这个数据，但是它的原数据是有的，估计绘图时忘记加进去了
绘图出来了，还有一个东西没有解决。有些论文是有报meta分析的I（异质性）和P值的，这个怎么求出来呢？
这个两个值作者文章推荐使用stata来计算，stata做meta分析简单了许多， 使用metan函数就行
metan or lb ub
图片还可以修改，我这里不弄了。最终算得I为80.6%，P为0.00，可能和作者有点不同，因为他少加了一个研究。最后作者还做了敏感性分析，是通过孟德尔随机化来做的，不是所有的文章都做，下面这篇文章就没做敏感性分析。
我这里就不弄了，有兴趣看我既往的文章。
