因果基因组学高阶应用：bioSkills教你用孟德尔随机化与coloc做GWAS因果推断-北京尧图网络

【免费下载链接】bioSkillsa set of SKILLS.md for doing bioinformatics with agents like claude code项目地址https://gitcode.com/gh_mirrors/bio/bioSkills点击查看免费下载GWAS 只告诉你哪个位点与疾病相关却回答不了它是不是真的在起作用。bioSkills 是一个面向 AI Agent如 Claude Code、OpenAI Codex的生物信息学技能库其中 causal-genomics 类别内置了孟德尔随机化Mendelian Randomization, MR与coloc 共定位分析的完整专家知识——从工具选型、方法决策树到审稿人级别的报告规范帮你用 GWAS 汇总统计完成严谨的因果推断并自动规避弱工具变量、水平多效性、LD 不匹配等常见陷阱。为什么关联不等于因果传统 GWAS 发现的基因-疾病关联经常受混杂因素干扰生活方式、社会经济地位、样本选择偏差都可能让两个本无因果关系的性状看起来相关。**孟德尔随机化MR**的核心思想很直观等位基因在受孕时随机分配之后终身不变——所以与暴露因素强相关的 SNP可以充当工具变量像一场天然的随机对照试验从而估计暴露对结局的因果效应。而coloc 共定位分析回答另一个关键问题疾病 GWAS 信号与分子 QTL如 eQTL/pQTL是否由同一个因果变异驱动还是仅仅因为连锁不平衡LD恰好重叠两者结合常称三角验证是目前从 GWAS 位点锁定因果基因、验证药物靶点的黄金标准流程。 bioSkills给 AI Agent 装上因果基因组学专家大脑bioSkills 的每个技能目录包含一份SKILL.md专家知识、决策树、失败模式清单和示例代码AI Agent 安装后即可照章办事。安装只需两步git clone https://gitcode.com/gh_mirrors/bio/bioSkills cd bioSkills ./install-claude.sh --categories causal-genomicsCodex CLI、Antigravity、OpenCode 等也有对应的install-codex.sh等脚本支持--categories按类别安装、--list查看全部技能、--update增量更新见 install-common.sh 的统一参数定义。官方在 Bio-Task Bench 上评测了加载 bioSkills 前后 AI Agent 的表现加载后Claude Code 与 Codex CLI 在基础与中级任务上的得分均提升到 96%~99.9%显著优于未加载基线孟德尔随机化实操从工具变量到敏感性分析bioSkills 的 MR 技能位于 causal-genomics/mendelian-randomization/SKILL.md配套示例包括 two_sample_mr.R 和 mr_visualization.R。它把标准流程沉淀为一条清晰管线选工具变量从暴露 GWAS 中提取全基因组显著 SNPP 5e-8并用 F 统计量 ≥ 10 过滤弱工具注意F 值必须来自暴露GWAS这是新手最常犯的错误LD 剪枝r² 0.001、10 Mb 窗口做连锁不平衡去冗余等位基因协调处理 A/T、C/G 回文 SNP避免效应方向静默翻转主分析以 IVW逆方差加权为主方法敏感性分析MR-Egger检测方向性多效性、加权中位数/加权众数容忍部分无效工具、MR-PRESSO离群值探测、Steiger 方向性检验排除反向因果。技能文档里最有价值的部分是方法选择决策表——不同实验设计对应不同主方法场景推荐主方法原因标准两样本、独立队列IVW随机效应默认选择配合完整敏感性分析组同一生物样本库如 UKB on UKBMR-RAPS / MRlap样本重叠会引入单向偏差需联合校正药物靶点验证cis-pQTL/cis-eQTL窗口内 cis-IVW coloc蛋白质直接介导效应可放宽排他性假设多变量设计如 LDL 校正 HDLMVMR需报告每个暴露的条件 F值潜在相关水平多效性如 BMI→冠心病CAUSE显式建模共享因子需 ≥100 个显著 SNP完整的失败模式对照表如 Egger 的 NOME 违反、Steiger 在混杂下的误报、赢家诅咒膨胀等与逐条修复建议都收录在 mendelian-randomization/SKILL.md 的 Per-Method Failure Modes 章节。 coloc 共定位看懂 PP.H4避开四大陷阱coloc 技能位于 causal-genomics/colocalization-analysis/SKILL.md示例含 coloc_analysis.R单因果与 coloc_susie.R多因果。它基于贝叶斯框架检验 5 个假设其中你最关心的是PP.H4两个性状共享同一因果变异的概率H0两个性状在该区域均无信号H1 / H2仅性状 1 / 仅性状 2 有信号H3两者各有一个不同的因果变异LD 导致的假重叠H4两者共享同一因果变异 ✅解读时建议对照技能内置的阈值阶梯PP.H4 区间定位0.5 – 0.7提示性证据仅供假说生成≥ 0.7三角验证层级TWAS cis-MR coloc 交叉证据≥ 0.8标准发表级共定位结论≥ 0.95药物靶点/临床决策级新手最容易踩的四个坑技能文档均给出了诊断与修复方案单因果假设失效位点存在 ≥2 个独立信号时 PP.H3 会虚高——改用coloc.susie或 eCAVIARLD 参考面板不匹配祖源/样本量不一致会产出虚假可信集先用estimate_s_rss做 λ 0.05 诊断p12 先验过宽trans-eQTL 场景应把 p12 降到 5e-6~1e-6并跑sensitivity()报告 PP.H4 在整个 p12 网格上是否稳健MHC 区域chr6:25-35Mb 的长程 LD 会让标准 coloc 完全失效应使用 HLA 单倍型水平的共定位或明确排除。高阶应用cis-MR coloc 三角验证药物靶点基因型下调某血浆蛋白能否模拟药物抑制效果并改变疾病风险——这正是蛋白组学 MR 的核心问题。技能 proteome-mr-drug-target/SKILL.md 提供了完整的药物靶点验证框架cis-pQTL 数据源覆盖 UKB-PPP、deCODE、Fenland 等蛋白组研究提取基因 ±500 kb 窗口内的 cis-pQTL 作为工具变量r² 0.1 剪枝运行 cis-IVW 主分析估计降低蛋白 → 疾病风险的因果效应在同一窗口做 coloc 三角验证要求 PP.H4 ≥ 0.7发表级要求 ≥ 0.8标记并剔除蛋白质改变变异PAV的干扰跨平台复现Olink vs SomaScan注意约 15-30% 的平台间不一致。单条显著的 cis-MR 只是必要条件MR coloc 跨平台一致性 PAV 敏感性分析齐了才构成发表级的靶点声明。配套示例见 cis_pqtl_mr.R。️ 试试这些 Prompt技能自带的 usage-guide如 colocalization-analysis/usage-guide.md给出了可直接使用的自然语言指令例如用 TwoSampleMR 测试 BMI 是否因果影响 2 型糖尿病主方法 IVW附 MR-Egger、加权中位数、MR-PRESSO 与 Steiger 方向性检验并标注多效性风险;条件分析发现该位点有 2 个独立 GWAS 信号用 coloc.susie 重跑并报告所有可信集对的 PP;用 UKB-PPP 的 PCSK9 cis-pQTL 做冠心病 cis-MR并用 coloc PP.H4 交叉验证;我的 GWAS 是 FinnGeneQTL 来自 GTExEURLD 不匹配时该怎么处理。进阶学习路线causal-genomics 类别还有 9 个互补技能可与 MR coloc 组成完整工作流fine-mapping/SKILL.mdSuSiE/FINEMAP 可信集构建为 coloc.susie 提供输入;pleiotropy-detection/SKILL.mdCAUSE/MR-PRESSO 深度诊断 STROBE-MR 报告规范;mediation-analysis/SKILL.mdX → M → Y 两步 MR 中介分析;transcriptome-wide-association/SKILL.mdTWAS 基因级推断与 TWAS-MR-coloc 三角验证;effector-gene-prioritization/SKILL.md从 SNP 到基因的多证据整合;总览入口causal-genomics/README.md✅ 小结用一句话概括本文方法论MR 回答有没有因果coloc 回答是不是同一个变异两者三角互证才能锁定真正的因果基因与药物靶点。借助 bioSkills你无需逐字背诵方法学细节——AI Agent 会按照沉淀好的决策树、阈值表与失败模式清单执行分析并生成合规报告。安装 bioSkills把关联升级为可发表的因果。赞分享【免费下载链接】bioSkillsa set of SKILLS.md for doing bioinformatics with agents like claude code项目地址https://gitcode.com/gh_mirrors/bio/bioSkills点击查看免费下载相关推荐孟德尔随机化分析终极指南从GWAS数据到因果推断的完整流程孟德尔随机化分析终极指南从GWAS数据到因果推断的完整流程孟德尔随机化分析Mendelian Randomization, MR是一种利用遗传变异作为工RPCS3 中文界面 3 步配齐从语言切换到手调皮肤RPCS3 中文界面 3 步配齐从语言切换到手调皮肤 RPCS3 是 PS3 模拟器装完默认是英文界面。按下面 3 步把 language 字段一改、重启一虚拟化图形学调试器EBAZ4205存储系统解析128MB NAND Flash与256MB DDR3内存管理EBAZ4205存储系统解析128MB NAND Flash与256MB DDR3内存管理 EBAZ4205是一款基于Xilinx Zynq 7010芯片的5硬件开发嵌入式创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考

因果基因组学高阶应用：bioSkills教你用孟德尔随机化与coloc做GWAS因果推断

相关推荐

MCD19A2气溶胶数据处理：从HDF到可分析栅格的Python实战

JavaWeb集成Hadoop构建网盘的架构陷阱与破局方案

C#嵌入资源实战：从原理到避坑的完整指南

更多资讯

AI驱动测试用例生成：从需求描述到可执行自动化脚本的完整实践指南

三阶RC低通滤波器定点化与移位优化：无FPU MCU的高效实现

为什么两台电脑直连都无法通信

高效图论图像分割：并查集与贪心合并的实现原理详解

SpringBoot+Vue全栈开发实战：游戏管理平台构建指南

JTT 697.7交通地理信息数据元标准：从字段定义到建表落地的实操指南

今日更新

小波包能量谱原理与MATLAB实现：从频带分解到故障特征提取

基于LSTM的网易云音乐评论情感分析：数据清洗与模型调优实战

Alpha-Beta剪枝与极大极小值算法：博弈树搜索原理与实战优化

本周精选

交通拥堵预测毕设：基于Python+LSTM的车辆流量预测系统全流程解析

MATLAB/Simulink搭建10机39节点电力系统暂态稳定仿真实战

无人机航拍三维重建全流程：从SfM到网格生成的避坑指南

本月热门

我发现了一个新思路：用 Remotion + Claude Code 像写代码一样自动化生成短视频

Windows下 Codex 中 Chrome 和 Computer Use 插件不可用问题排查及解决参考方式：TaoToken 统一 Key 配置与验证

2026 大模型集体涨价：用 Python 做企业 Token 成本测算与选型避坑（附配置）

读完文章，想聊聊您的网站？