骨性關節炎（osteoarthritis，OA）是一種臨床常見的慢性關節組織疾病[1]，以膝關節骨性關節炎（knee osteoarthritis，KOA）最為常見，常引起疼痛、功能喪失及生活質量下降，是導致老年人殘疾的主要原因之一[2]。目前全球約有3.44億OA患者[3]，其中40歲以上人群患病率約為22%，KOA的年均發病率呈明顯的上升趨勢[4]。盡管OA已成為全球性的公共衛生問題，但目前尚無有效治療或治愈OA軟骨損傷的方法，臨床上只能通過對癥治療以減少疼痛，改善關節活動[5]。究其原因，可能與對該病發病機制及危險因素了解欠深入有關。已有文獻報道了一些OA相關的危險因素[6]，包括年齡、性別和肥胖等，但與這些因素相關的世界老齡化和肥胖人口增加并不能完全解釋OA發病率的快速增加[7]。因此探討OA潛在危險因素十分必要，其中代謝綜合征（metabolic syndrome，MetS）是關注的熱點之一[8]。
MetS為一組常見的代謝失調狀態[9]。盡管其診斷定義或標準不盡相同，但一般都以中心性肥胖、血壓異常、血糖異常、血脂異常等進行判定[10]。一項橫斷面研究顯示，MetS患者OA發病率更高，提示MetS可能是OA的危險因素之一[11]。但目前相關研究結論不一，MetS各組成部分是否為OA的獨立危險因素仍是一個重點問題[12]。
孟德爾隨機化（Mendelian randomization，MR）是一種以遺傳變異作為工具變量的統計模型[13]，它能規避觀察性研究帶來的潛在混雜、反向因果等偏倚風險，在一定程度上與隨機對照研究相似[14]。該分析方法可用于評估暴露因素與結局因素間因果關系[15]。本研究采用MR分析方法，探討MetS其組成部分與KOA的因果關系，為減輕和延緩OA發展提供依據。
1 資料與方法
1.1 研究設計
MR分析有3個關鍵假設：① 關聯性假設：遺傳工具變量與暴露因素密切相關；② 獨立性假設：遺傳工具變量不應與潛在的混雜因素有關；③ 排他性假設：遺傳工具變量應該完全通過暴露因素影響結局因素。本研究采用MR評估MetS組成部分與KOA的因果關聯，采用腰圍水平（waist circumference，WC）、高血壓、2型糖尿病（type 2 diabetes，T2DM）、甘油三酯水平（triglyceride，TG）、高密度脂蛋白膽固醇水平（high-density lipoprotein cholesterol，HDL-C）5項MetS組成部分作為暴露因素；在常見的OA中，選擇KOA作為結局因素。
1.2 數據來源
暴露因素及結局因素的遺傳數據來自全基因組關聯研究（genome-wide association study，GWAS），該平臺支持統計數據下載及進行系統性因果推斷研究[16-18]。暴露因素中的WC及高血壓遺傳數據來自英國生物銀行的Meta分析[19]，其中WC數據包含462 166個樣本、9 851 867個單核苷酸多態性（single nucleotide polymorphisms，SNPs），高血壓數據包含461 880個樣本，9 851 867個SNPs。T2DM遺傳數據來自Xue等[20]的研究，包含62 892個樣本、5 030 727個SNPs；TG和HDL-C遺傳數據來自于Richardson等[21]的研究，TG數據包含441 016個樣本、12 321 875個SNPs，HDL-C數據包含403 932個樣本及12 321 875個SNPs。結局因素中，KOA遺傳數據來源于Zengini等[22]的研究，包含22 347個樣本、15 708 690個SNPs。見表1。
表1
樣本數據集基本信息
1.3 工具變量選擇
與MetS組成成分有關的工具變量應該符合以下要求：① 所有工具變量應具有全基因組意義（P<5×10?8）；② 連鎖不平衡參數（R2）<0.001，且區域范圍在10 000 kb內；③ F值代表了MR的強度，其數值>10是統計穩定性的指標，其公式為：R2（N?2）/（1?R2）；④ 與混雜因素相關的SNPs需要被排除，通過檢查PhenoScanner數據庫，排除與性別或年齡相關的SNPs。將通過篩選的SNPs作為本研究的工具變量。
1.4 MR分析
分析本研究主要采用逆方差加權法（inverse-variance weighted，IVW），原因是IVW法可以在不存在多態性的條件下獲得一個穩健的結果。同時使用MR-Egger法、Simple Mode法、加權中位數法（weighted median，WM）和Weighted Mode法作為補充方法檢測主分析的穩健性。通過逐一排除法及異常值（MR-PRESSO）方法進行敏感性分析。異常值法可識別和解釋可能的重要離群點，這些離群點數值會增加分析的異質性及水平多態性。逐一排除法則可探討單個SNP對因果關系的影響。通過敏感性分析對每個SNP進行檢驗，以排除可能對結果產生嚴重影響的變量。多效性分析通過ME-Egger截距測試，如果P<0.05則說明數據存在多效性。通過IVW和MR-Egger檢驗評估異質性，P<0.05說明研究存在異質性。當研究存在異質性時，則采用隨機效應IVW法進行MR分析。MR分析通過R軟件（4.2.3版本）的“TwoSampleMR”、“VariantAnnotation”及“gwasglue”程序包實現。
2 結果
2.1 工具變量選擇
篩選得到與暴露因素有較強關聯的SNPs（圖1）。為了避免出現連鎖不平衡現象，減少弱工具等問題造成的偏倚，進一步根據工具變量篩選條件進行篩選，最終結果見表2。根據ME-Egger截距測試說明數據均不存在多效性（P>0.05），可進行MR分析。
圖1
篩選的SNPs及其染色體位置
A：腰圍水平；B：高血壓；C：2型糖尿病；D：甘油三酯水平；E：高密度脂蛋白膽固醇水平。
表2
暴露因素的工具變量特征
2.2 WC分析結果
MR結果顯示五種分析結果方向一致（表3和圖2），IVW法結果顯示WC是KOA的強相關因素［OR=3.088，95%CI（2.574，3.704），P<0.01］。異質性檢驗提示不存在異質性（P>0.05）。逐一排除法及MR-PRESSO方法進行敏感性分析未發現對因果關聯影響較大的SNPs。
表3
孟德爾隨機化分析結果
圖2
孟德爾隨機化分析結果散點圖
A：腰圍水平；B：高血壓；C：2型糖尿病；D：甘油三酯水平；E：高密度脂蛋白膽固醇水平。
2.3 高血壓分析結果
MR結果顯示5種分析結果方向一致（表3和圖2），IVW法結果顯示高血壓不是KOA的獨立危險因素（P=0.369）。異質性檢驗提示不存在異質性（P>0.05）。逐一排除法及MR-PRESSO方法進行敏感性分析未發現對因果關聯影響較大的SNPs。
2.4 T2DM分析結果
異質性檢驗提示存在異質性（P<0.001），采用隨機效應IVW法進行MR分析（表3和圖2），結果顯示T2DM不是KOA的獨立危險因素（P>0.05）。逐一排除法及MR-PRESSO方法進行敏感性分析未發現對因果關聯影響較大的SNPs。
2.5 TG分析結果
異質性檢驗提示存在異質性（P<0.001），采用隨機效應IVW法進行MR分析（表3和圖2），結果顯示TG不是KOA的獨立危險因素（P>0.05）。逐一排除法及MR-PRESSO方法進行敏感性分析未發現對因果關聯影響較大的SNPs。
2.6 HDL-C分析結果
異質性檢驗提示存在異質性（P<0.01），采用隨機效應IVW法進行MR分析（表3和圖2），結果顯示HDL-C是KOA的強相關因素［OR=0.877，95%CI（0.779，0.989），P<0.05］。逐一排除法及MR-PRESSO方法進行敏感性分析，未發現對因果關聯影響較大的SNPs。
3 討論
MetS是否為OA的獨立危險因素一直存在爭議。最早認為MetS和OA之間有一定關聯[12]。近年有Meta分析顯示二者之間存在雙向關聯性，MetS會通過影響血管，在軟骨下缺血、缺氧的環境中導致OA發生[23]。病理生理學研究提示，MetS的組成部分（包括血糖紊亂、高血壓、動脈粥樣硬化、血脂異常）可能共同或單獨參與OA發生。在多數研究認為MetS及其組成部分與OA具有一定關聯性的同時，也有研究提出這種關聯可能是由混雜因素造成的偏倚[24]。BMI參數改變會影響MetS與OA之間的關聯[24]，KOA的嚴重程度與MetS因素不存在關系[25]。分析爭議原因，可能源于MetS及其組成部分對KOA的影響受到了如年齡和性別等混雜因素的影響。
MR是一種能規避觀察性研究帶來的潛在混雜、反向因果等缺點的評估暴露因素與結局因素間因果關系的統計模型[26]。本研究采用MR方法，分析了MetS組成部分與最常見OA（KOA）的因果關系。結果提示WC增大和HDL-C降低可能增加KOA發病風險，未發現高血壓、T2DM和TG與KOA的因果關系。
WC是中心性肥胖的主要指標。既往研究主要以BMI為指標，研究肥胖與OA之間關系，認為肥胖是OA最公認的可預防性風險因素[9,27]。近年有學者提出還需考慮肥胖可能導致的社會心理學、生理學和組織結構的變化[28]。本研究發現WC是KOA的獨立危險因素，在KOA診斷或治療時需考慮WC的影響。
本研究結果提示TG不是KOA的獨立危險因素，而HDL-C是其危險因素。血脂異常患者中有較高的OA發病率（30%）[29]。但血脂異常和OA之間的關系尚存爭議[23,30-31]，究其原因可能與研究方法的不同有關。MR研究結果的不同可能是因為所選結局因素的樣本來源和大小不同導致[32-33]。因此未來仍需擴大樣本進一步探討血脂水平與KOA的因果關系。
本研究未發現高血壓及T2DM與KOA的獨立因果關系。近年研究指出高血壓可通過影響血管導致OA的發生[34]。然而在一項前瞻性研究中，雖然高血壓與KOA風險增加有關，但在調整BMI后發現二者并無明顯關系[35]。一項MR分析結果認為收縮壓是KOA的獨立保護因素，從而得出高血壓是KOA獨立危險因素的結論[36]。該研究與本研究結果不同，可能與選取的暴露因素不同有關。本研究使用高血壓患病率，而該研究使用收縮壓數據，且未使用舒張壓數據。另一項MR研究[37]證實收縮壓與OA并不相關，提示高血壓與KOA的關系尚無定論。
老齡人群中，近一半（47.3%）的T2DM患者存在某種形式的關節炎[38]。一項大樣本Meta分析也得出OA與T2DM顯著關聯[39]，但T2DM是否為OA的獨立危險因素一直存有爭議[40]。由于超過四分之三的T2DM患者均為MetS患者[41]，單純的橫斷面研究無法很好地排除混雜因素的存在。本研究未發現T2DM與KOA之間的相關性，提示仍需更多證據。
本研究的局限性：① 由于缺乏亞洲人群的GWAS數據，所得結論在我國人群推廣時應慎重；② 在T2DM及血脂水平的分析中存在異質性，考慮因原始研究中研究人群不同及樣本量限制所導致，采用隨機效應IVW法進行分析，影響結論的準確性；③ 受GWAS數據庫限制，種族、疾病嚴重程度等詳盡數據無法獲取。
綜上所述，本研究采用MR分析MetS組成部分與KOA的因果關系，發現中心性肥胖及低高密度脂蛋白膽固醇血癥是膝關節骨性關節炎的獨立危險因素，甘油三酯水平、高血壓和2型糖尿病與膝關節骨性關節炎因果關系尚不確定。
骨性關節炎（osteoarthritis，OA）是一種臨床常見的慢性關節組織疾病[1]，以膝關節骨性關節炎（knee osteoarthritis，KOA）最為常見，常引起疼痛、功能喪失及生活質量下降，是導致老年人殘疾的主要原因之一[2]。目前全球約有3.44億OA患者[3]，其中40歲以上人群患病率約為22%，KOA的年均發病率呈明顯的上升趨勢[4]。盡管OA已成為全球性的公共衛生問題，但目前尚無有效治療或治愈OA軟骨損傷的方法，臨床上只能通過對癥治療以減少疼痛，改善關節活動[5]。究其原因，可能與對該病發病機制及危險因素了解欠深入有關。已有文獻報道了一些OA相關的危險因素[6]，包括年齡、性別和肥胖等，但與這些因素相關的世界老齡化和肥胖人口增加并不能完全解釋OA發病率的快速增加[7]。因此探討OA潛在危險因素十分必要，其中代謝綜合征（metabolic syndrome，MetS）是關注的熱點之一[8]。
MetS為一組常見的代謝失調狀態[9]。盡管其診斷定義或標準不盡相同，但一般都以中心性肥胖、血壓異常、血糖異常、血脂異常等進行判定[10]。一項橫斷面研究顯示，MetS患者OA發病率更高，提示MetS可能是OA的危險因素之一[11]。但目前相關研究結論不一，MetS各組成部分是否為OA的獨立危險因素仍是一個重點問題[12]。
孟德爾隨機化（Mendelian randomization，MR）是一種以遺傳變異作為工具變量的統計模型[13]，它能規避觀察性研究帶來的潛在混雜、反向因果等偏倚風險，在一定程度上與隨機對照研究相似[14]。該分析方法可用于評估暴露因素與結局因素間因果關系[15]。本研究采用MR分析方法，探討MetS其組成部分與KOA的因果關系，為減輕和延緩OA發展提供依據。
1 資料與方法
1.1 研究設計
MR分析有3個關鍵假設：① 關聯性假設：遺傳工具變量與暴露因素密切相關；② 獨立性假設：遺傳工具變量不應與潛在的混雜因素有關；③ 排他性假設：遺傳工具變量應該完全通過暴露因素影響結局因素。本研究采用MR評估MetS組成部分與KOA的因果關聯，采用腰圍水平（waist circumference，WC）、高血壓、2型糖尿病（type 2 diabetes，T2DM）、甘油三酯水平（triglyceride，TG）、高密度脂蛋白膽固醇水平（high-density lipoprotein cholesterol，HDL-C）5項MetS組成部分作為暴露因素；在常見的OA中，選擇KOA作為結局因素。
1.2 數據來源
暴露因素及結局因素的遺傳數據來自全基因組關聯研究（genome-wide association study，GWAS），該平臺支持統計數據下載及進行系統性因果推斷研究[16-18]。暴露因素中的WC及高血壓遺傳數據來自英國生物銀行的Meta分析[19]，其中WC數據包含462 166個樣本、9 851 867個單核苷酸多態性（single nucleotide polymorphisms，SNPs），高血壓數據包含461 880個樣本，9 851 867個SNPs。T2DM遺傳數據來自Xue等[20]的研究，包含62 892個樣本、5 030 727個SNPs；TG和HDL-C遺傳數據來自于Richardson等[21]的研究，TG數據包含441 016個樣本、12 321 875個SNPs，HDL-C數據包含403 932個樣本及12 321 875個SNPs。結局因素中，KOA遺傳數據來源于Zengini等[22]的研究，包含22 347個樣本、15 708 690個SNPs。見表1。
表1
樣本數據集基本信息
1.3 工具變量選擇
與MetS組成成分有關的工具變量應該符合以下要求：① 所有工具變量應具有全基因組意義（P<5×10?8）；② 連鎖不平衡參數（R2）<0.001，且區域范圍在10 000 kb內；③ F值代表了MR的強度，其數值>10是統計穩定性的指標，其公式為：R2（N?2）/（1?R2）；④ 與混雜因素相關的SNPs需要被排除，通過檢查PhenoScanner數據庫，排除與性別或年齡相關的SNPs。將通過篩選的SNPs作為本研究的工具變量。
1.4 MR分析
分析本研究主要采用逆方差加權法（inverse-variance weighted，IVW），原因是IVW法可以在不存在多態性的條件下獲得一個穩健的結果。同時使用MR-Egger法、Simple Mode法、加權中位數法（weighted median，WM）和Weighted Mode法作為補充方法檢測主分析的穩健性。通過逐一排除法及異常值（MR-PRESSO）方法進行敏感性分析。異常值法可識別和解釋可能的重要離群點，這些離群點數值會增加分析的異質性及水平多態性。逐一排除法則可探討單個SNP對因果關系的影響。通過敏感性分析對每個SNP進行檢驗，以排除可能對結果產生嚴重影響的變量。多效性分析通過ME-Egger截距測試，如果P<0.05則說明數據存在多效性。通過IVW和MR-Egger檢驗評估異質性，P<0.05說明研究存在異質性。當研究存在異質性時，則采用隨機效應IVW法進行MR分析。MR分析通過R軟件（4.2.3版本）的“TwoSampleMR”、“VariantAnnotation”及“gwasglue”程序包實現。
2 結果
2.1 工具變量選擇
篩選得到與暴露因素有較強關聯的SNPs（圖1）。為了避免出現連鎖不平衡現象，減少弱工具等問題造成的偏倚，進一步根據工具變量篩選條件進行篩選，最終結果見表2。根據ME-Egger截距測試說明數據均不存在多效性（P>0.05），可進行MR分析。
圖1
篩選的SNPs及其染色體位置
A：腰圍水平；B：高血壓；C：2型糖尿病；D：甘油三酯水平；E：高密度脂蛋白膽固醇水平。
表2
暴露因素的工具變量特征
2.2 WC分析結果
MR結果顯示五種分析結果方向一致（表3和圖2），IVW法結果顯示WC是KOA的強相關因素［OR=3.088，95%CI（2.574，3.704），P<0.01］。異質性檢驗提示不存在異質性（P>0.05）。逐一排除法及MR-PRESSO方法進行敏感性分析未發現對因果關聯影響較大的SNPs。
表3
孟德爾隨機化分析結果
圖2
孟德爾隨機化分析結果散點圖
A：腰圍水平；B：高血壓；C：2型糖尿病；D：甘油三酯水平；E：高密度脂蛋白膽固醇水平。
2.3 高血壓分析結果
MR結果顯示5種分析結果方向一致（表3和圖2），IVW法結果顯示高血壓不是KOA的獨立危險因素（P=0.369）。異質性檢驗提示不存在異質性（P>0.05）。逐一排除法及MR-PRESSO方法進行敏感性分析未發現對因果關聯影響較大的SNPs。
2.4 T2DM分析結果
異質性檢驗提示存在異質性（P<0.001），采用隨機效應IVW法進行MR分析（表3和圖2），結果顯示T2DM不是KOA的獨立危險因素（P>0.05）。逐一排除法及MR-PRESSO方法進行敏感性分析未發現對因果關聯影響較大的SNPs。
2.5 TG分析結果
異質性檢驗提示存在異質性（P<0.001），采用隨機效應IVW法進行MR分析（表3和圖2），結果顯示TG不是KOA的獨立危險因素（P>0.05）。逐一排除法及MR-PRESSO方法進行敏感性分析未發現對因果關聯影響較大的SNPs。
2.6 HDL-C分析結果
異質性檢驗提示存在異質性（P<0.01），采用隨機效應IVW法進行MR分析（表3和圖2），結果顯示HDL-C是KOA的強相關因素［OR=0.877，95%CI（0.779，0.989），P<0.05］。逐一排除法及MR-PRESSO方法進行敏感性分析，未發現對因果關聯影響較大的SNPs。
3 討論
MetS是否為OA的獨立危險因素一直存在爭議。最早認為MetS和OA之間有一定關聯[12]。近年有Meta分析顯示二者之間存在雙向關聯性，MetS會通過影響血管，在軟骨下缺血、缺氧的環境中導致OA發生[23]。病理生理學研究提示，MetS的組成部分（包括血糖紊亂、高血壓、動脈粥樣硬化、血脂異常）可能共同或單獨參與OA發生。在多數研究認為MetS及其組成部分與OA具有一定關聯性的同時，也有研究提出這種關聯可能是由混雜因素造成的偏倚[24]。BMI參數改變會影響MetS與OA之間的關聯[24]，KOA的嚴重程度與MetS因素不存在關系[25]。分析爭議原因，可能源于MetS及其組成部分對KOA的影響受到了如年齡和性別等混雜因素的影響。
MR是一種能規避觀察性研究帶來的潛在混雜、反向因果等缺點的評估暴露因素與結局因素間因果關系的統計模型[26]。本研究采用MR方法，分析了MetS組成部分與最常見OA（KOA）的因果關系。結果提示WC增大和HDL-C降低可能增加KOA發病風險，未發現高血壓、T2DM和TG與KOA的因果關系。
WC是中心性肥胖的主要指標。既往研究主要以BMI為指標，研究肥胖與OA之間關系，認為肥胖是OA最公認的可預防性風險因素[9,27]。近年有學者提出還需考慮肥胖可能導致的社會心理學、生理學和組織結構的變化[28]。本研究發現WC是KOA的獨立危險因素，在KOA診斷或治療時需考慮WC的影響。
本研究結果提示TG不是KOA的獨立危險因素，而HDL-C是其危險因素。血脂異常患者中有較高的OA發病率（30%）[29]。但血脂異常和OA之間的關系尚存爭議[23,30-31]，究其原因可能與研究方法的不同有關。MR研究結果的不同可能是因為所選結局因素的樣本來源和大小不同導致[32-33]。因此未來仍需擴大樣本進一步探討血脂水平與KOA的因果關系。
本研究未發現高血壓及T2DM與KOA的獨立因果關系。近年研究指出高血壓可通過影響血管導致OA的發生[34]。然而在一項前瞻性研究中，雖然高血壓與KOA風險增加有關，但在調整BMI后發現二者并無明顯關系[35]。一項MR分析結果認為收縮壓是KOA的獨立保護因素，從而得出高血壓是KOA獨立危險因素的結論[36]。該研究與本研究結果不同，可能與選取的暴露因素不同有關。本研究使用高血壓患病率，而該研究使用收縮壓數據，且未使用舒張壓數據。另一項MR研究[37]證實收縮壓與OA并不相關，提示高血壓與KOA的關系尚無定論。
老齡人群中，近一半（47.3%）的T2DM患者存在某種形式的關節炎[38]。一項大樣本Meta分析也得出OA與T2DM顯著關聯[39]，但T2DM是否為OA的獨立危險因素一直存有爭議[40]。由于超過四分之三的T2DM患者均為MetS患者[41]，單純的橫斷面研究無法很好地排除混雜因素的存在。本研究未發現T2DM與KOA之間的相關性，提示仍需更多證據。
本研究的局限性：① 由于缺乏亞洲人群的GWAS數據，所得結論在我國人群推廣時應慎重；② 在T2DM及血脂水平的分析中存在異質性，考慮因原始研究中研究人群不同及樣本量限制所導致，采用隨機效應IVW法進行分析，影響結論的準確性；③ 受GWAS數據庫限制，種族、疾病嚴重程度等詳盡數據無法獲取。
綜上所述，本研究采用MR分析MetS組成部分與KOA的因果關系，發現中心性肥胖及低高密度脂蛋白膽固醇血癥是膝關節骨性關節炎的獨立危險因素，甘油三酯水平、高血壓和2型糖尿病與膝關節骨性關節炎因果關系尚不確定。
