前言¶

做双样本孟德尔随机化（Mendelian randomization, MR）分析的人，遇到的麻烦往往不在主分析那一行代码，而在分析前后：仪器变量（instrument）怎么选、两套 summary statistics 怎么 harmonisation、主估计用 IVW 之外还要补哪些互补估计量、离群值和水平 pleiotropy 的敏感性分析怎么排、证据强度怎么保守表述。把这些写成一个研究设计文档时，最容易出问题的是文献部分——模型能编出看起来合理的引用格式，但 DOI 和结论对不上。

下面介绍的这个 Skill，就是把上面这套设计生成工作固化下来。它不替代你跑 MR 分析，而是在分析开始前，产出一份可直接落地的方案。

这是什么¶

Two Sample Mr Exposure Screening Reference Grounded 是一个社区（community）来源的 Skill，坐标 @user_c7479c7a/two-sample-mr-exposure-screening-reference-grounded，版本 1.0.0，分类为 professional，发布者为 user_c7479c7a。

定位一句话：给定结局（outcome）、暴露或暴露家族（exposure / exposure family）和稳健性方向（robustness direction），它生成一份完整的双样本 MR 研究设计。它面向的是以 summary-statistics 因果推断为中心的研究，覆盖仪器选择、数据协调、IVW 主估计、互补估计量、敏感性分析和可选的多变量升级。

官方地址：https://api.skillhub.cn/user_c7479c7a/two-sample-mr-exposure-screening-reference-grounded
SkillHub 页面：https://www.skillhub.cn/skills/user_c7479c7a/two-sample-mr-exposure-screening-reference-grounded

输入与输出¶

按官方简介，运行时需要提供三项输入：

1、结局（outcome）。
2、暴露，或暴露家族（exposure family）。
3、稳健性方向（robustness direction）。

输出不是一段话，而是一组固定结构的交付物：

• 推荐采用的主方案（recommended primary plan）。
• 分步工作流（stepwise workflow）。
• 图（figure）方案。
• 验证层级（validation hierarchy）。
• 最小可执行版本（minimal executable version）。
• 发表级升级路径（publication upgrade path）。

简介里提到输出分为 Lite / Standard / Advanced / Publication+ 四档，具体每档包含哪些内容以官方页面为准。

核心能力¶

以下能力均直接来自官方简介，按主题归纳。

仪器选择与数据协调：处理 instrument selection 与 harmonization 两个环节，也就是先定工具变量、再把两套 summary statistics 对齐到同一组 SNP。

估计策略：IVW 作为主估计（IVW-primary estimation），同时配套互补估计器（complementary estimators），避免只报一个汇总结果。

敏感性分析：覆盖离群值、水平 pleiotropy 等常规 MR 稳健性检查，并以 validation hierarchy 的形式给出分层验证。

可选升级：多变量（multivariable）升级是可选项，不是默认项。

证据解读：强调 conservative evidence interpretation，即结论表述要保守，不把关联强度说过头。

文献检索：简介中写明 strictly verified literature retrieval，即文献部分要求严格核实。这是这份 Skill 与直接让模型写方案的主要差别——引用需要逐条核对，而不是生成后直接放进稿子。

覆盖范围：官方称覆盖五种研究模式（five study patterns）。五种模式的具体清单没有在简介中列出，使用前需要到官方页面确认。

获取与启用¶

Skill 通过 SkillHub 分发，坐标为 @user_c7479c7a/two-sample-mr-exposure-screening-reference-grounded，需要在该平台上检索这个坐标来获取。元数据中的标签为 requires_api_key=false，即不需要额外配置 API key。

抓取到的元数据里没有提供 git clone 命令或命令行安装入口，所以这里不写具体的安装命令。建议先打开官方页面，按页面上的获取方式把 Skill 放进项目，再按你所用的 Agent 环境（Cursor / Codex CLI / Claude Code 等）加载该 Skill 目录。

典型用法¶

资料中没有给出官方示例输出，下面这段只说明输入应当怎么组织，方便你验证 Skill 是否正常工作。

运行时按简介描述的三项输入提供信息即可，例如：结局是某种疾病的 summary-statistics 研究，暴露是某个风险因素（或某个暴露家族），稳健性方向指定为偏保守的方向。运行后先检查输出的结构是否完整：主方案、分步工作流、图方案、验证层级、最小可执行版本、发表升级路径这几项是否都出现。

文献部分要单独核对。即便 Skill 输出的是 strictly verified literature retrieval，发布前仍需逐条确认每条引用的 DOI 与结论与原文一致。

适用场景与注意¶

适合的人：已经有 summary statistics，需要在动代码之前把研究设计写清楚的人；以及需要把 MR 分析流程规范化的团队。

不适合的场景：如果你的研究问题不是基于 summary statistics 的因果推断，而是单样本 MR、或者数据需要从个体层面开始处理，这个 Skill 的覆盖范围不匹配。

注意三点：

1、它产出的是研究设计方案，不是分析结果本身。跑 MR 分析仍需要你自己的代码和工具链。
2、五种研究模式的具体清单、四档输出的具体差异未在简介中说明，使用前需要确认，不要凭经验假设。
3、代码、数据路径、估计量名称要与你实际使用的数据集和软件包版本对齐，方案里的参数不能直接当成默认值用。

结尾¶

这个 Skill 的价值在于把双样本 MR 研究的前置设计工作收敛到一套固定结构里，并把文献核实作为硬要求。版本 1.0.0，社区来源，目前抓取到的元数据显示评分 100000、下载 550 次、安装 0 次（安装数为 0 与下载数不一致，以官方页面实时数据为准）。

官方地址：https://api.skillhub.cn/user_c7479c7a/two-sample-mr-exposure-screening-reference-grounded