研究说了什么
孟德尔随机化用遗传变异当工具，三条假设与一般工具变量一致：关联性要求变异与暴露强相关，通常以 F 统计量大于十为门槛；独立性要求变异与暴露以外的混杂因素无关；排他性要求变异只通过暴露影响结局，不能走别的通路。基因在减数分裂时的随机分配让独立性看起来可信，但人群分层、选型交配与连锁不平衡都会破坏它，全基因组关联研究因此需要校正主成分。排他性对应水平多效性，是最常被违反的一条：同一个变异既影响体重又影响血压，用它估计体重对血压的效应就会混入另一条路径。检测手段包括 MR-Egger 截距、加权中位数、MR-PRESSO 离群值检验与留一法，但这些方法各有前提，Egger 在工具数量少时功效很低。二样本设计还要注意样本重叠与人群匹配，暴露与结局的全基因组关联研究若来自同一队列，偏倚会被放大。多效性也分垂直与水平，垂直多效性指变异通过暴露下游的同一通路影响结局，通常不构成致命威胁，判断时需要生物学知识而非仅看统计检验。
为什么重要
观察性研究里，饮酒、睡眠、维生素 D 与疾病的关系几乎都受混杂与反向因果困扰，孟德尔随机化提供了另一种问法。它估计的是终生暴露的效应，适合回答方向性问题：低密度脂蛋白与冠心病、白细胞介素六受体与炎症、体重与静脉血栓，都在这类设计下得到过较稳的结论。对读者，它的价值在于把「某指标低的人更容易生病」与「让指标升高能否减少生病」分开。抗衰领域大量补剂宣称建立在横断面关联上，孟德尔随机化往往给出更保守的答案，这种不一致本身就是信息。另一个现实含义是药物靶点验证：如果影响某个靶点的变异与疾病风险相关，针对该靶点的药物更可能有效，这在药物开发中被用作优先级排序的工具。它不能替代随机试验，但能在试验之前筛掉一部分方向错误，也能为试验选择人群与剂量提供线索。另一个常见用途是阴性对照：若某暴露的遗传工具给出与观察性研究一致的强关联，而该暴露在生物学上不可能影响结局，说明两者共享同一混杂结构，观察性结果因此更可疑。
证据与边界
边界首先在假设本身。排他性无法用数据证明，只能靠生物学知识排查，而多数基因的功能并未完全弄清，所谓候选基因研究尤其脆弱。弱工具偏倚会让估计偏向观察性结果，工具数量少时 MR-Egger 与加权中位数都不稳定。赢家诅咒是另一个坑：从发现样本中挑出的显著变异，在独立样本中效应往往缩小，直接拿来当工具会高估。人群分层在混合血统样本中很常见，校正不充分时，工具与结局的关联可能来自祖先差异。压缩偏倚也值得注意，终生暴露的效应不能换算成短期干预的效应，把基因预测的差值当成服药几年的收益，是常见的误读。一个典型失败案例是用单个变异研究咖啡与心血管病，后来发现该变异同时影响吸烟行为，排他性不成立。另一个问题是结局的异质性，同一暴露对不同亚型疾病的作用可能相反，把亚型合并会得到接近零的平均效应。看到这类论文，先看工具数量、F 值、多效性检验与人群构成，再看结论。另一个边界是性别与年龄，同一变异在不同人群中的效应量可以差出一倍，把男性为主的结果直接用于女性并不稳妥。