技能介绍

要解决什么问题

孟德尔随机化（MR）用遗传变异作工具变量，在 GWAS 汇总统计层面做因果推断。实际开题时，暴露/结局怎么框、该两样本 MR 还是双向/MVMR/共定位延伸、IV 稀疏时怎么降级主张，往往比「跑哪个 R 包」更早卡住。本技能面向研究设计规划，输出可执行的协议框架，而不是文献综述、工具清单或普通观察性关联分析。

技能如何工作

输入通常是 暴露（或暴露族）+ 结局（或结局族），可附带人群祖源、仅公开数据、双向检验、中介/共定位/MVMR 等偏好。技能按固定八步执行：推断因果问题 → 从参考库选最佳研究模式 → 定义 GWAS 数据架构与祖源/重叠风险 → 设计 IV 筛选、LD clumping、弱工具与稀疏 IV 回退 → 选定主估计量（默认 IVW）与敏感性模块 → 仅在问题支持时加入扩展模块 → 定义证据层级与主张边界 → 输出 Lite / Standard / Advanced / Publication+ 四档工作量并推荐主路径。

交付物按 A–L 结构组织：研究框定、工作量表、推荐方案与模式、逐步工作流、数据与 IV 计划、核心分析模块及理由、验证策略、偏倚与失效点、可声明/不可声明的结论、图表交付、文献检索计划、最小可执行版本与升级路径。各节需对照 references/ 下的 workload、study-patterns、method-library 等模块生成，缺一则视为不完整。

适用边界

范围内：基于 GWAS 汇总统计的 MR 方案设计（因果筛查、机制优先、转化解读等不同主张强度需区分）。范围外：个体诊疗/用药建议、无 IV 设计的纯队列病例对照、PRS 部署与个体预测、无 GWAS 骨干的纯湿实验、非生物医学话题——会按模板说明并停止。未核实的数据集只标为候选来源类型，不编造 PMID、样本量或队列名称。