1. 基本信息
| 项目 | 内容 |
|---|---|
| 名称 | biomarker-discovery-awslabs-hcls-agent-skills |
| 作者/维护者 | AWS Labs（GitHub 认证组织 awslabs） |
| 来源链接 | https://github.com/awslabs/hcls-agent-skills/tree/main/skills/biomarker-discovery |
| 许可证 | MIT-0（GitHub API 确认，仓库根 LICENSE 文件） |
| GitHub Stars | 12（合集仓库整体数字，来自 GitHub API；该数字属整个 40 技能合集，不代表本技能自身热度） |
| Forks | 4（同上，合集整体） |
| 最新版本 | SKILL.md 标注 version 1.0.0 |
| 安装方式 | 见第 10 章 |
2. 功能介绍与亮点
biomarker-discovery 教 agent 如何审视一个生物标志物候选从发现到验证的全链条，核心是“先分类、再设计、后校验”：
- 意图分类先行：强制先把候选标志物分为 prognostic（预后）/predictive（预测性）/diagnostic（诊断）三类，并给出每类对应的最小研究设计与关键统计量（如 C-index、治疗×标志物交互项、敏感度/特异度），错分是肿瘤生物标志物论文中最常见的错误。
- 特征选择决策树：按 n<p、特征相关性、是否存在非线性关系三个岔口，在 LASSO/弹性网/随机森林重要性/稳定性选择间给出取舍依据。
- 嵌套交叉验证纪律：明确“外层估计泛化性能、内层做特征选择与调参”的双层结构，并列出病人级切分、按结局分层等具体规则。
- 六类数据泄漏清单：从“全数据集先选特征再做 CV”到“时间泄漏”“结局即特征”逐条给出识别方法。
- 四级验证金字塔：内部验证 → 内部-外部（留一中心）→ 外部验证 → 前瞻性验证，明确“验证”二字的门槛（模型与阈值须锁定后再见外部数据）。
- 多组学整合策略：按样本量给出早/中/晚期整合方式的取舍（小样本默认晚期整合）。
- 临床效用判定：借助决策曲线分析强制回答“这个标志物改变了哪个决策”“净获益是多少”。
- 收尾附 14 条 Wrong / Right / Why 结构的常见错误，并引用 5 篇同行评审文献（Steyerberg《临床预测模型》、Vickers 决策曲线分析原始论文等）。
亮点：AWS Labs 官方出品、MIT-0 完全开源；纯提示词推理技能，零代码执行；在同一 40 技能合集中，本技能文档篇幅（约 2 万字节）与常见错误条目数（14 条）均居前列，是同合集内少数附带正式学术引用的子技能。
3. 适用场景
所属分类：数据分析与可视化（该技能的产出物是对候选标志物研究设计方案的统计学判定与验证路径规划，属数据分析范畴）。
适用人群：药企/生物技术公司的转化医学与生物统计团队、学术医学中心的临床研究人员，在设计或审查生物标志物发现与验证方案时用它识别泄漏风险、选对交叉验证方式、判断“验证”是否真的达标——避免把内部交叉验证的高 AUC 误当作已验证的临床证据。
4. 跨 Agent 兼容性
| Agent 生态 | 结论 | 依据 |
|---|---|---|
| Claude Code | 原生支持 | README「Platform Compatibility」列出 ./install.sh --target claude-code，通过 symlink 安装到 .claude/skills/ |
| Codex | 原生支持 | README 列出通用 CLI npx skills add .，明确覆盖 Codex、GitHub Copilot、Cursor、Gemini CLI 等 50+ 平台 |
| OpenClaw | 未验证 | README 兼容性表未点名列出；技能遵循开放的 Agent Skills 标准（SKILL.md + YAML front matter），理论上可通用安装，但未见针对该平台的验证说明 |
| Hermes Agent | 未验证 | 同上，README 未点名，无直接证据 |
5. 推荐理由
该技能把生物统计学家审查生物标志物提案时的直觉——“先问这是预后还是预测”“特征选择有没有在 CV 循环外做”“外部验证的模型有没有锁定”——编码成一套可执行的诘问框架。核心价值在于把“内部交叉验证表现好”和“已验证可用于临床”两件事严格分开，帮助用户在投入昂贵的外部队列验证前，系统性排查方法论上的薄弱环节。
6. 评分
| 维度 | 分数 | 说明 |
|---|---|---|
| 受欢迎程度 | 7 | 发布方为 AWS Labs（GitHub 认证组织）；仓库整体星数 12（该数字属整个 40 技能合集，不代表本技能自身热度） |
| 可用性 | 8 | 单文件 SKILL.md 复制即用，零外部依赖、零付费依赖；文档含完整决策树与判定表，但缺少从头到尾的完整实操算例走查 |
| 安全性 | 9 | 纯提示词推理技能，无代码执行、无网络外发、无凭据索取；MIT-0 许可证明确；仓库 2026-07-22 有提交，维护活跃 |
安全检查清单： ① 是否执行 shell 命令：无 ② 运行时是否联网外发数据：无（技能只指导统计学设计与判定，不代替用户访问数据或外发信息） ③ 是否要求 API key/凭据：不需要 ④ 可疑指令：未发现 ⑤ 作者/组织信誉：AWS Labs，GitHub 认证组织 ⑥ License：MIT-0，明确 ⑦ 最近维护时间：仓库 2026-07-22 有提交，在近 3 个月维护窗口内
7. 跟同类 Skills 相比的优势
| 竞品 | 定位 | 与本技能的差异 |
|---|---|---|
同合集的 quantitative-proteomics |
聚焦蛋白质组学单一模态的定量策略选择（LFQ/TMT/DIA）、缺失值插补与差异表达统计 | 服务候选标志物发现的某一上游数据模态，不覆盖标志物意图分类、跨模态整合与临床效用判定等下游全链条 |
同合集的 risk-stratification-indices |
帮助选择与解读已有的临床风险分层量表（LACE、Charlson、Elixhauser） | 面向“套用哪个现成量表”，本技能面向“从头设计并验证一个新标志物”，两者解决的是标志物生命周期的不同阶段 |
同合集的 cell-type-annotation |
生成单细胞聚类的细胞类型标注代码（CellTypist/SingleR 等） | 是产出可执行代码的 pipeline 型技能，服务数据预处理阶段；本技能是不生成代码的 reasoning 型技能，服务研究设计与证据审查阶段 |
8. 用户评价
该技能目前在第三方平台尚无具名用户评价。发布方在仓库内附带一份覆盖全部 40 个技能、410 组提示词的头对头评测报告（Claude Opus 4.7 评判，胜率 70%–86%），但这是发布方自评，不属独立第三方评价。
9. 其他补充
技能明确划定了适用边界：已在临床指南中确立的标志物（如 HER2、BRCA1/2）、伴随诊断开发的监管/生产问题均不在本技能范围内；遇到需要生物统计师签字或伦理审查的场景，技能会提示“升级给人类专家”而非代为决策。仓库为 Kiro 平台提供可选的“多 Agent 模式”，将 40 个技能路由到 8 个领域专家，其中 hcls-omics 专家整合了本技能与单细胞、蛋白质组学、多组学相关技能；该模式为可选架构，不影响本技能在 Claude Code / Codex 下的独立安装与使用。仓库创建于 2026-05-04，首次公开发布即含 38 个技能（本技能在列），此后陆续扩充至当前 40 个技能、13 个领域。
10. 安装使用方式
- Claude Code（推荐）：克隆仓库
git clone https://github.com/awslabs/hcls-agent-skills.git后运行./install.sh --target claude-code，脚本会将全部技能以 symlink 方式安装到.claude/skills/；若只想安装本技能，可手动将skills/biomarker-discovery/目录复制到.claude/skills/biomarker-discovery/ - Codex 及其他 50+ 平台：在仓库目录下运行通用 CLI
npx skills add .（该 CLI 由 vercel-labs/skills 提供） - 安装后注意事项：纯提示词技能，无需安装额外依赖包、无需重启 agent；触发依赖用户提问中出现相关关键词（如 “biomarker validation”、“feature selection”、“nested cross-validation”）或直接引用该技能
11. 注意事项
- 该技能提供的是统计学设计判定框架，不直接运行特征选择或交叉验证代码——实际建模仍需 agent 借助 Python/R 等工具完成
- 技能内容基于 2026-06-09 的公开发布版本；引用的 5 篇文献均为已发表的方法学经典，但生物标志物验证领域的具体统计实践仍在演进
- 合集仓库整体 12★ 不代表该子技能个体的采用热度；该子技能本身尚无独立的第三方用户反馈