通过表征学习处理孟德尔随机化中的工具变量—结局混杂

基于摘要分析。本文研究孟德尔随机化（MR）中遗传工具变量与未观测混杂因素相关、进而导致工具变量—结局混杂的问题，提出利用多环境或多群体数据的表征学习框架，恢复可用于因果推断的遗传工具变量潜在外生成分。 MR 使用遗传变异作为工具变量（IV）估计因果效应，但有效 IV 所需的关键假设，尤其是工具变量与未观测混杂因素之间的独立性，通常无法直接检验。摘要指出，群体分层和择偶等因素可能使遗传变异与环境因素相关，从而破坏这一假设。该方法的核心思路不是直接假定原始遗传变量有效，而是借助多环境数据学习潜在成分，并分析这些成分何时、如何能够充当有效工具变量。 作者报告提供了相关理论分析，并通过模拟实验及基于 All of Us Biobank 遗传数据的半合成实验展示方法有效性。摘要未给出效应估计误差、对照方法、样本规模或量化结果，因此目前无法判断改善幅度及适用边界。潜在成分的可识别条件、环境间变化所需满足的假设、具体学习目标、实验协议、消融及统计信息尚未验证；半合成结果也不能直接等同于真实观察数据中因果效应的验证。 本文的主要对象是遗传流行病学中的因果识别，而非神经信号解码。现有材料未提供其与 EEG/BCI 的具体机制对应关系，不据此生成迁移效果判断或复现实验建议；相关 EEG 工作尚未检索确认。