️ 9: Grafos Causais Bayesianos — MrDAG: Modelo para Randomização Mendeliana Multivariada

Notas do episódio

️ Episódio 9: Grafos Causais Bayesianos — MrDAG: Modelo para Randomização Mendeliana Multivariada Neste episódio do Base por Base, exploramos o artigo de Zuber et al. (2025) publicado no The American Journal of Human Genetics, que apresenta o MrDAG, um modelo gráfico causal bayesiano para análise conjunta de múltiplas exposições e múltiplos desfechos em estudos de randomização mendeliana. Esse framework inovador usa estatísticas sumárias de GWAS para aprender, sem viés de confundidores, as dependências dentro das exposições, dentro dos desfechos e entre eles, fornecendo estimativas de efeitos causais com quantificação rigorosa de incerteza . Destaques do estudo: O MrDAG integra três estratégias de inferência causal: o uso de variantes genéticas como instrumentos para controlar confundidores não observados; o aprendizado de estrutura de grafos direcionados acíclicos sob a restrição de que exposições só causam desfechos; e o cálculo intervencional para derivar estimativas de efeito principlizadas em cada caminho causal; simulações extensas demonstram que o MrDAG supera abordagens univariadas e multivariadas convencionais ao detectar verdadeiras relações causais e reduzir falsos positivos em cenários complexos de pleiotropia; a aplicação real sobre seis exposições de estilo de vida e sete fenótipos de saúde mental revela redes de causalidade biologicamente plausíveis, apontando educação e tabagismo como intervenções de maior impacto; além disso, a inferência bayesiana possibilita avaliar a confiabilidade de cada aresta da rede, ampliando a robustez interpretativa em contextos clínicos e epidemiológicos . Conclusão: O MrDAG inaugura uma nova era na randomização mendeliana multivariada ao permitir a modelagem simultânea e não enviesada de exposições e desfechos em grande escala, integrando dependências estruturais e incertezas de forma coesa, o que o torna uma ferramenta poderosa para desvendar mecanismos causais na genômica humana e orientar estratégias de prevenção mais eficazes . Referência: Zuber, V., Cronjé, T., Cai, N., Gill, D., & Bottolo, L. (2025). Bayesian causal graphical model for joint Mendelian randomization analysis of multiple exposures and outcomes. The American Journal of Human Genetics, 112(5), 1173–1198. https://doi.org/10.1016/j.ajhg.2025.03.005 Licença: Este episódio baseia-se em artigo de acesso aberto publicado sob a licença Creative Commons Attribution 4.0 International (CC BY 4.0) – http://creativecommons.org/licenses/by/4.0/