Mendelse randomisatie: hoe DNA helpt bepalen wat écht ziekte veroorzaakt
Stel dat onderzoekers zien dat mensen met een hoger cholesterolgehalte vaker een hartinfarct krijgen. Betekent dat dat het cholesterol de oorzaak is? Niet per se: misschien eten deze mensen ook vetter, roken ze meer, of bewegen ze minder — allemaal zaken die zowel het cholesterol als het hartinfarct-risico kunnen beïnvloeden. Zulke verstorende factoren heten in de wetenschap confounders, en ze maken het lastig om oorzaak en gevolg uit elkaar te houden op basis van louter waarnemingen.
Mendelse randomisatie is een slimme onderzoeksmethode die dit probleem omzeilt door gebruik te maken van iets wat niemand kan kiezen of beïnvloeden: je DNA. Bij de bevruchting krijgt ieder mens willekeurig een mix van genetische varianten van beide ouders mee — een soort natuurlijke loting. Onderzoekers gebruiken die 'loting' als vervanging voor het toewijzen van proefpersonen aan groepen, zoals in een klinische trial. Als een genetische variant die het cholesterolgehalte verhoogt óók samenhangt met meer hartinfarcten, is dat een sterke aanwijzing dat cholesterol wél degelijk een oorzakelijke rol speelt — want die variant staat al vast bij de geboorte, ver voordat iemand gaat roken, sporten of ongezond eten.
Wat is het precies?
De naam verwijst naar Gregor Mendel, de negentiende-eeuwse monnik die de basisregels van overerving ontdekte. Een van die regels is dat genetische varianten willekeurig, min of meer als bij het opgooien van een muntje, van ouder op kind worden doorgegeven. Die willekeur is het hart van de methode.
In een klassiek medisch experiment, de randomized controlled trial (RCT, gerandomiseerde gecontroleerde trial), worden proefpersonen door loting verdeeld over een behandel- en een controlegroep. Omdat het toeval bepaalt wie wat krijgt, verschillen de groepen gemiddeld nergens in behalve in de behandeling zelf — waardoor een gevonden verschil in uitkomst met vertrouwen aan die behandeling kan worden toegeschreven. Mendelse randomisatie benut een vergelijkbaar toevalsmechanisme, maar dan een dat de natuur zelf al bij de geboorte heeft uitgevoerd.
In de praktijk werkt het zo. Onderzoekers zoeken eerst een genetische variant — meestal een klein verschil van één DNA-letter op een specifieke plek, een zogeheten SNP (single nucleotide polymorphism) — die betrouwbaar samenhangt met de blootstelling die ze willen onderzoeken, bijvoorbeeld het cholesterolgehalte. Zo'n variant fungeert als instrumentele variabele: een soort tussenpersoon die de blootstelling 'aanstuurt' zonder zelf rechtstreeks door andere factoren beïnvloed te worden. Vervolgens wordt gekeken of mensen met die variant ook vaker de onderzochte uitkomst hebben, zoals een hartinfarct.
Voor een geldig instrument moet aan drie voorwaarden zijn voldaan. Ten eerste relevantie: de variant moet daadwerkelijk gekoppeld zijn aan de blootstelling. Ten tweede onafhankelijkheid: de variant mag niet samenhangen met andere confounders. Ten derde de exclusierestrictie: de variant mag de uitkomst alléén via de onderzochte blootstelling beïnvloeden, niet via een ander, onbekend pad. Die laatste voorwaarde is lastig te garanderen, omdat genen soms meerdere, ogenschijnlijk losstaande effecten hebben — een verschijnsel dat pleiotropie heet en de achilleshiel van de methode vormt.
Wat wil men ermee bereiken?
Het uiteindelijke doel is simpel: onderscheid maken tussen verbanden die louter statistisch zijn en verbanden die daadwerkelijk oorzakelijk zijn. Dat onderscheid is cruciaal voor de volksgezondheid en de geneesmiddelenontwikkeling. Als een risicofactor alleen toevallig samenhangt met een ziekte, heeft het geen zin — en kost het bovendien geld en vertrouwen — om er beleid of medicijnen op te richten.
Klinische trials zijn de gouden standaard om causaliteit vast te stellen, maar ze zijn vaak duur, langdurig, en soms ronduit onethisch of onpraktisch. Je kunt mensen bijvoorbeeld niet jarenlang gedwongen laten roken om het effect op longkanker te meten. Observationeel onderzoek — het simpelweg volgen van mensen in het dagelijks leven — is wel haalbaar, maar loopt voortdurend tegen confounders aan. Mendelse randomisatie belooft een middenweg: met bestaande, vaak al verzamelde genetische data toch iets over causaliteit kunnen zeggen, zonder de kosten en beperkingen van een echte trial.
Daarnaast wordt de methode steeds vaker ingezet om vroeg in het ontwikkelproces van geneesmiddelen te toetsen of een beoogd aangrijpingspunt (het eiwit dat een nieuw medicijn wil beïnvloeden) wel degelijk een causale rol speelt in de ziekte. Dat kan helpen voorkomen dat een bedrijf tientallen miljoenen euro's investeert in een medicijn dat uiteindelijk, laat in het traject, geen effect blijkt te hebben.
Voorbeelden uit de praktijk
Een van de bekendste toepassingen betreft LDL-cholesterol, vaak het 'slechte cholesterol' genoemd. Genetische varianten in genen als PCSK9 en LDLR, die het LDL-gehalte beïnvloeden, hangen consistent samen met het risico op coronaire hartziekte. Dat sluit goed aan bij de resultaten van cholesterolverlagende medicijnen zoals statines, en versterkte het vertrouwen dat LDL-cholesterol daadwerkelijk bijdraagt aan hart- en vaatziekten.
Het tegenovergestelde gebeurde met HDL-cholesterol, het 'goede cholesterol'. Observationele studies suggereerden decennialang dat een hoger HDL beschermend werkte tegen hartziekte. Mendelse-randomisatiestudies, waaronder een veelgeciteerd onderzoek gepubliceerd in The Lancet rond 2012, vonden echter geen bewijs dat genetisch bepaald hoger HDL het hartrisico verlaagt. Dat kwam opvallend overeen met de teleurstellende uitkomst van klinische trials met HDL-verhogende medicijnen zoals torcetrapib, waarvan de ontwikkeling in 2006 zelfs werd stopgezet nadat bleek dat het de sterfte juist verhoogde.
Een vergelijkbaar verhaal geldt voor CRP (C-reactief proteïne), een stofje dat vrijkomt bij ontstekingen. Observationeel hing een hoger CRP samen met meer hartziekte, maar grote Mendelse-randomisatiestudies rond 2011 lieten zien dat dit verband waarschijnlijk niet causaal is: CRP lijkt eerder een signaal van onderliggende ontsteking dan een zelfstandige oorzaak van hartziekte.
Een elegant 'natuurlijk experiment' vinden onderzoekers in het ALDH2-gen. Een variant van dit gen, die vooral voorkomt in Oost-Aziatische bevolkingsgroepen zoals in Japan, Korea en China, vertraagt de afbraak van alcohol. Mensen met deze variant krijgen bij het drinken van alcohol onaangename reacties zoals blozen en misselijkheid, waardoor ze structureel veel minder drinken. Omdat deze variant het drinkgedrag als het ware 'toevallig' verlaagt, kunnen onderzoekers hiermee het effect van alcoholgebruik op bijvoorbeeld bloeddruk bestuderen, zonder dat leefstijl- of sociaaleconomische confounders daarbij storen.
Ook lichaamsgewicht (BMI) is veelvuldig onderzocht met deze methode, met behulp van genetische risicoscores die zijn opgebouwd uit tientallen tot honderden BMI-gerelateerde varianten. Zulke studies hebben bijgedragen aan het bewijs dat een hogere BMI causaal bijdraagt aan onder meer diabetes type 2 en bepaalde vormen van kanker.
Hoe ver is de techniek?
Mendelse randomisatie is inmiddels een gevestigde, veelgebruikte methode binnen de epidemiologie, niet langer een experimentele nieuwigheid. De belangrijkste theoretische fundamenten werden begin jaren 2000 uitgewerkt, met een veelgeciteerd overzichtsartikel van George Davey Smith en Shah Ebrahim uit 2003 in het International Journal of Epidemiology. Het achterliggende idee — genen gebruiken als instrument om causaliteit te testen — was overigens al eerder geopperd, onder meer door de Nederlandse onderzoeker Martijn Katan in een veelbesproken brief in The Lancet uit 1986. Voor dit soort historische details en exacte publicatiejaren is het altijd verstandig de oorspronkelijke vakliteratuur te raadplegen, aangezien secundaire bronnen soms van elkaar afwijken.
Een belangrijke ontwikkeling is de overgang van studies met één genetische variant naar studies met tientallen of honderden varianten tegelijk, gecombineerd in een aanpak die two-sample MR heet: de relatie tussen variant en blootstelling wordt geschat in de ene grote dataset, en de relatie tussen variant en uitkomst in een andere. Dat vergroot de statistische power aanzienlijk en maakt gebruik van de enorme hoeveelheden data die inmiddels beschikbaar zijn uit GWAS-studies (genome-wide association studies), grootschalig onderzoek dat het hele genoom afspeurt naar varianten die met een bepaalde eigenschap samenhangen.
Om het probleem van pleiotropie beter te beheersen, zijn statistische technieken ontwikkeld zoals MR-Egger-regressie en de weighted median-methode, die elk net iets andere aannames maken. Komen verschillende methoden tot dezelfde conclusie, dan geeft dat meer vertrouwen in het resultaat; lopen ze uiteen, dan is voorzichtigheid geboden.
Toch blijven er reële beperkingen. Pleiotropie is nooit volledig uit te sluiten. Bij een zwak instrument — een genetische variant die maar een heel klein deel van de variatie in de blootstelling verklaart — kunnen schattingen vertekend raken. Verschillen in genetische achtergrond tussen bevolkingsgroepen (populatiestratificatie) kunnen eveneens voor vertekening zorgen, wat onderzoekers proberen te ondervangen door analyses te beperken tot mensen met vergelijkbare voorouders. Bovendien meet Mendelse randomisatie doorgaans het cumulatieve effect van een levenslange, subtiele blootstelling, terwijl een medicijn juist een kortdurend, groter effect op latere leeftijd beoogt — die twee zijn niet altijd één-op-één vergelijkbaar. Om die reden wordt de methode meestal niet gezien als vervanging van klinische trials, maar als aanvullend bewijs binnen wat onderzoekers 'triangulatie' noemen: het combineren van verschillende methoden met uiteenlopende zwaktes om samen tot een robuuster beeld te komen.
Wie werken eraan?
Een van de meest vooraanstaande centra wereldwijd is de MRC Integrative Epidemiology Unit (IEU) van de University of Bristol in het Verenigd Koninkrijk, waar onderzoekers als George Davey Smith en Debbie Lawlor werkzaam zijn. Deze groep beheert ook de IEU OpenGWAS-database (voorheen bekend als MR-Base), een publiek toegankelijke verzameling van duizenden GWAS-datasets die specifiek is opgezet om Mendelse-randomisatieanalyses te vergemakkelijken.
Daarnaast wordt de methode toegepast door grote internationale GWAS-consortia, samenwerkingsverbanden tussen honderden onderzoeksgroepen die gezamenlijk genetische data verzamelen over bijvoorbeeld cholesterol, bloeddruk of lichaamsgewicht. De UK Biobank, een Britse biobank met gegevens van ruim vijfhonderdduizend deelnemers, vormt een belangrijke databron voor dit type onderzoek.
Mendelse randomisatie is geen technologie van één bedrijf of land, maar een methode die inmiddels op universiteiten en onderzoeksinstituten wereldwijd wordt toegepast, in vakgebieden variërend van cardiologie en oncologie tot psychiatrie en voedingswetenschap. Ook farmaceutische bedrijven gebruiken de methode in toenemende mate, met name om vroeg in het ontwikkelproces in te schatten of een beoogd geneesmiddel-target waarschijnlijk causaal aan een ziekte bijdraagt.