1. 基本信息
| 字段 | 内容 | 数据来源 |
|---|---|---|
| 名称 | association-testing-gptomics-bioskills | — |
| 作者/维护者 | GPTomics | GitHub API |
| 来源链接 | https://github.com/GPTomics/bioSkills/tree/main/population-genetics/association-testing | — |
| 许可证 | MIT（整仓库统一许可） | GitHub API |
| GitHub Stars | 1,126（合集仓库整体；不代表本技能个体热度，见下方评分说明） | GitHub API |
| Forks | 193（合集仓库整体） | GitHub API |
| 最新版本 | 无独立版本号，随仓库滚动更新；该子目录最近一次提交 2026-07-10 | GitHub API |
| 安装方式 | 仓库自带多平台安装脚本 / OpenClaw ClawHub / Hermes 官方网关 / LobeHub 第三方市场 | GitHub 仓库、Hermes 网关文档、LobeHub |
2. 功能介绍与亮点
该技能面向“对基因型数据执行单变异 GWAS 关联检验”这一任务，系统覆盖 plink2 --glm（线性/逻辑回归、Firth 校正）与四种混合线性模型引擎——GEMMA、BOLT-LMM、SAIGE、regenie（含鞍点近似 SPA）。
核心亮点是把“一个 GWAS 统计量只有在所选协变量与随机效应把基因型与未建模的表型驱动因素隔离开之后才成立”这一统计学原则，转化为可执行的引擎选型逻辑：主成分协变量能吸收连续祖源结构但无法消除亲缘关系（这需要混合模型的协方差结构）；多基因性状下基因组膨胀系数（lambda）大于 1 大多是真实多基因信号而非混杂，LDSC 截距而非 lambda 才是混杂诊断指标；LOCO（留一染色体法）避免邻近污染；SPA/Firth 在极端病例对照失衡与低等位基因计数下保持尾部统计量校准。正文附带按场景分支的工具选型决策树、逐失败模式表（触发条件/机制/症状/修复，覆盖多基因性状误用基因组校正、亲缘样本误用 PC 校正、混合模型漏用 LOCO、可遗传协变量对撞偏差等真实存在的方法学陷阱）、定量阈值参考表，以及 11 篇带 DOI 的学术文献支撑（Devlin & Roeder 1999、Zhou & Stephens 2012、Bulik-Sullivan 2015、Zhou 2018、Mbatchou 2021 等关联检验领域的经典与近年方法论文献）。
3. 适用场景
所属分类：数据分析与可视化（对基因型/表型数据执行统计回归建模与结果诊断，与库内同类的群体遗传学与变异分析技能同属一类）。
适用于：处理全基因组测序或基因型芯片数据、需要执行单变异 GWAS 关联分析的群体遗传学与流行病学研究者；在有亲缘关系或病例对照失衡样本中需要在 plink2 GLM 与 GEMMA/BOLT-LMM/SAIGE/regenie 之间做出正确选型的生物信息学工程师；以及需要避免“对多基因性状做基因组校正误删真实信号”“对亲缘样本只用 PC 协变量而不换混合模型”“混合模型漏开 LOCO 导致功效损失”等常见方法学错误的初中级用户。
4. 跨 Agent 兼容性
| Agent | 支持情况 | 依据 |
|---|---|---|
| Claude Code | 原生支持 | 仓库提供 install-claude.sh，支持全局/项目/按分类安装 |
| Codex | 原生支持 | 仓库提供 install-codex.sh，用法与 Claude Code 版本一致 |
| OpenClaw | 原生支持 | 仓库提供专用 install-openclaw.sh；亦可直接经 ClawHub（clawhub.ai/djemec/bioskills）安装 |
| Hermes Agent | 原生支持 | Hermes 官方生物信息学技能网关文档在“Population Genetics & GWAS”类目下按名列出 association-testing (PLINK GWAS)，用户经 hermes skills install official/research/bioinformatics 安装该网关后可直接取用 |
5. 推荐理由
它把单变异 GWAS “统计量是否有效取决于混杂是否被恰当建模”这一核心判据，拆解成引擎选型决策树、逐失败模式表与定量阈值参考，帮助使用者在 plink2 GLM 与 GEMMA/BOLT-LMM/SAIGE/regenie 等易混淆的工具间做出正确选择，并规避基因组校正误用、LOCO 遗漏、可遗传协变量对撞偏差等真实存在的方法学错误。
6. 评分
| 维度 | 分数 | 说明 |
|---|---|---|
| 受欢迎程度 | 7 | GPTomics 为专注生物信息学技能的小型专业团队，非广为人知的一线厂商；该子技能被 Hermes Agent 官方生物信息学网关在“Population Genetics & GWAS”类目按名收录并直链源仓库，且在 LobeHub 第三方技能市场拥有独立收录页，构成技能自身可查证的独立第三方证据（合集仓库 1,126 星为整仓库共享数字，不计入本技能个体热度） |
| 可用性 | 8 | 文档详实（工具分类表 + 场景决策树 + 逐引擎失败模式表 + 定量阈值表 + 11 篇学术引用），该路径近期仍有独立提交（最近一次 2026-07-10，约一个月前）；但需额外安装 plink2、GEMMA、BOLT-LMM、SAIGE、regenie 等外部工具并准备主成分/亲缘矩阵等输入文件，非纯复制即用 |
| 安全性 | 9 | 全文仅为本地 CLI 命令与 Python 诊断代码模式，未见任何网络外发、API Key 索取或可疑指令，MIT 许可证明确 |
安全检查清单：①仅调用本地 CLI 工具（plink2、GEMMA、BOLT-LMM、SAIGE、regenie）与 Python/scipy 诊断代码，无远程代码执行 ②运行时不联网外发数据，全部为本地文件读写 ③不涉及任何 API Key 或凭据索取 ④全文未见可疑指令或混淆代码 ⑤作者信誉一般，为专业领域技能维护团队 ⑥MIT 许可证明确 ⑦该子目录约一个月前仍有提交，维护活跃。
综合评分 = 三项均值 = 8.0。
7. 跟同类 Skills 相比的优势
| 对比对象 | 定位 | 与本技能的差异 |
|---|---|---|
| plink2 / GEMMA / SAIGE 官方文档 | 各工具自身的命令行与参数参考 | 只是单个工具的文档，不是可安装的 agent skill；不包含跨工具选型决策树、失败模式表与诊断阈值等封装知识 |
| population-structure（同仓库姊妹技能） | 群体结构推断：PCA、ADMIXTURE、FST、f 统计量 | 回答“这批样本的祖源与亲缘结构是什么”；本技能回答“给定这个结构，该用哪个引擎跑关联检验”，二者是同一分析流水线上的前后环节而非功能重叠 |
| rare-variant-association（同仓库姊妹技能） | 罕见变异基因层面聚合检验（burden、SKAT、SKAT-O、ACAT） | 处理低等位基因计数下单变异检验功效不足的场景；本技能专注常见变异的单变异检验，二者按变异频谱互补而非重叠 |
| genomic-variant-interpretation 类临床变异解读技能 | 单变异层面的致病性/临床意义判读 | 面向临床变异分类，不涉及群体层面的统计关联检验与混杂控制 |
8. 用户评价
该技能目前在第三方平台尚无具名文字评价。LobeHub 技能市场为其提供独立收录页（标识符 gptomics-bioskills-association-testing）。
9. 其他补充
同一仓库的 population-genetics/ 子目录内还有 selection-statistics（选择性清除扫描）、population-structure（群体结构推断）、plink-basics（PLINK 格式与 QC）、linkage-disequilibrium（连锁不平衡）、rare-variant-association（罕见变异聚合检验）、scikit-allel-analysis（Python 群体遗传学计算）等姊妹技能；相邻的 phasing-imputation/ 子目录另有 genotype-imputation（基因型插补）、haplotype-phasing（单倍型分相）、imputation-qc（插补质量过滤）、reference-panels（参考面板选择）等技能，二者共同覆盖“分相插补 → 关联检验”的上下游流程，可按需组合安装。
10. 安装使用方式
- Claude Code：
git clone git@github.com:GPTomics/bioSkills.git cd bioSkills ./install-claude.sh --categories "population-genetics" - Codex：同一仓库下运行
./install-codex.sh --categories "population-genetics" - OpenClaw：运行
./install-openclaw.sh --categories "population-genetics"，或直接从 ClawHub（clawhub.ai/djemec/bioskills）安装 - Hermes Agent：运行
hermes skills install official/research/bioinformatics安装官方生物信息学网关后即可取用 - 第三方市场：LobeHub 收录页
gptomics-bioskills-association-testing - 安装后注意事项：技能本身零额外安装，但运行其推荐代码需预先安装
plink2（https://www.cog-genomics.org/plink/2.0/）以及按引擎选择安装GEMMA、BOLT-LMM、SAIGE（R 包）、regenie中的一个或多个；跑混合模型前需准备好主成分文件与（如需要）亲缘矩阵/稀疏 GRM；无需重启 agent，对话中出现“GWAS”“关联检验”“plink2 –glm”“SAIGE”“BOLT-LMM”“regenie”等关键词或直接引用技能名即可触发。
11. 注意事项
- 该技能是方法论与代码模式的封装，本身不提供关联检验的图形界面或托管计算资源，仍需使用者自行安装并运行底层工具（plink2、GEMMA、BOLT-LMM、SAIGE、regenie）；
- 混合线性模型引擎（GEMMA/BOLT-LMM/SAIGE/regenie）对样本量、性状类型（数量性状 vs 二元性状）与病例对照比例有不同的适用边界，正文明确指出 BOLT-LMM 仅对数量性状在大样本下校准良好，不应用于二元性状；
- 罕见变异（低等位基因计数）场景下单变异检验统计功效不足，正文建议转向姊妹技能 rare-variant-association 做基因层面聚合检验，而非强行套用本技能的单变异方法。