上一期我和大家简单介绍了一下"MR-PRESSO“包的基本原理，今天我将和大家讲讲这个包如何使用。
首先说一句，这个包的使用非常简单！！！
安装R包
代码语言：javascript复制devtools::install_github("rondolab/MR-PRESSO")# 先安装好devtools这个包，不必多说 这里我们使用它提供的数据集
代码语言：javascript复制data(SummaryStats) # 加载数据集
head(SummaryStats) # 查看数据集
从上面的结果可以看出，我么只要给出SNP对应的beta，se和P值就行了。
“MR-PRESSO”包很贴心，提供了两种计算模式
第一种就是普通的一对一Two Sample MR，代码如下：
代码语言：javascript复制mr_presso(BetaOutcome ="Y_effect", BetaExposure = "E1_effect", SdOutcome ="Y_se", SdExposure = "E1_se",
OUTLIERtest = TRUE,DISTORTIONtest = TRUE, data = SummaryStats, NbDistribution = 1000,
SignifThreshold = 0.05)接下来我给大家介绍一下相关参数：
BetaOutcome是指outcome的beta值列名;
BetaExposure是指exposure的beta值列名;
SdOutcome是指outcome的se值列名;
SdExposure是指exposure的se值列名;
OUTLIERtest用于指定是否进行MR-PRESSO outlier test;
DISTORTIONtest用于指定是否进行MR-PRESSO distortion test;
data是指输入的数据框名称;
NbDistribution是指模拟计算的次数，它对经验P值影响较大，一般建议至少大于1000;
SignifThreshold是指判断SNP是否为outlier的P值阈。
具体结果如下：
从输出的结果我们不难看出，第46，48，49和50个SNP都是outliers，它们的存在使得整体存在水平多效性，去掉后MR的结果更加显著了（Main results里的Outlier-corrected的P值更小了）。另外，我们也可以看出，这4个SNP去除后的结果和原始结果的差异显著（distortion test P值小于0.05）。
第二种是基于多变量MR下的水平多效性检验
代码语言：javascript复制mr_presso(BetaOutcome ="Y_effect", BetaExposure = c("E1_effect","E2_effect"), SdOutcome = "Y_se", SdExposure =c("E1_se", "E2_se"),
OUTLIERtest = TRUE, DISTORTIONtest =TRUE, data = SummaryStats, NbDistribution = 1000, SignifThreshold = 0.05)从这里可以看出，我们只需要把BetaExposure和SdExposure变成一个储存多个变量名的向量即可。
从结果来看，多变量MR并没有显示存在水平多效性的问题。
以上就是“MR-PRESSO”的使用说明，感兴趣的小伙伴赶快动手试试吧！
