技能介绍

要解决什么问题

常规非肿瘤疾病的诊断机器学习研究，往往卡在「选题有了、流程散着」：公共表达数据怎么选、机制相关基因集要不要 intersect、特征选择与 ROC/校准/DCA 如何串成一条可写进方法学的链路，而不是堆工具名或照抄某篇 anchor paper。本技能面向 article 型生物信息学设计——从 GEO 等公开数据到候选集收缩、诊断模型与免疫/调控解读——输出的是 可执行的研究方案，不是文献综述清单。

技能如何工作

输入通常是 疾病/条件 + 目标，可选机制通路/基因家族、验证方向（仅公开数据、外部队列等）。技能会先推断研究类型与资源约束，再匹配五种模式之一或组合，例如：

机制导向候选收缩：DEG 与机制基因家族取交
诊断模型构建：特征筛选与显式建模
临床效用评估：ROC、校准曲线、DCA 等作为独立证据层
调控/免疫解读：TF、miRNA 网络与浸润分析（需上游候选基因上下文）

固定产出包括 四档工作量配置（Lite / Standard / Advanced / Publication+）、一条 推荐主路径、分步 workflow、图表与验证层级、最小可执行版本，以及 经核验的参考文献包（无法核实则明确标注证据缺口）。输出前会做依赖一致性检查：未声明的数据集、未定义的模型或机制，不会悄悄出现在下游结论里。

适用边界

不在范围内的请求会直接拒答并重定向：临床用药/个体化诊断建议、纯影像 AI 且无分子标志物层、纯肿瘤生存模型逻辑、只做湿实验且无生信整合、非生物医学话题。若方案限定为 仅公开生信，则不应出现实验验证、临床部署或过度机制确定性表述；各 endpoint 选择步骤需写明逻辑公式（如 DEG ∩ 机制基因 → 特征选择 → 诊断模型 → ROC/校准/DCA）。