selection-statistics-gptomics-bioskills

1. 基本信息

2. 功能介绍与亮点

该技能面向“在群体基因组数据中扫描自然选择信号”这一任务，系统性覆盖三大类统计量：

• 位点频谱（SFS）检验：Tajima’s D、Fay & Wu H、Zeng E，以及基于复合似然比的 SweepFinder2 CLR；
• 单倍型检验：iHS、nSL（检测未固定的进行中清除）、XP-EHH、Rsb（检测已固定清除）、H12（检测软清除）；
• 群体分化：FST（Hudson / Weir-Cockerham 两种估计量）与三群体的 PBS。

核心亮点是把“没有任何单一统计量能在单个位点上把自然选择和群体历史（瓶颈、扩张、群体结构）区分开”这一方法论共识，转化为可执行的工程约束：要求按基因组尺度的经验分位数取异常值、交叉验证多个正交信号、并用人口统计学模型模拟校准，而不是套用固定阈值。正文附有工具选型决策树、逐统计量的失败模式表（触发条件/机制/症状/修复）、定量阈值参考表，以及 15 篇带 DOI 的学术文献支撑（Tajima 1989、Voight 2006、Sabeti 2007、DeGiorgio 2016 等选择性清除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（对群体基因组数据执行统计计算与结果解读，与库内同类的群体遗传学/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、需要执行选择性清除扫描的群体遗传学与进化生物学研究者；在 1000 Genomes 或同类队列数据上运行 iHS/XP-EHH/FST 分析的生物信息学工程师；以及需要避免“用固定 D<-2 判定清除”“iHS 与 XP-EHH 标准化方法搞混”“单外群极化伪造信号”等常见方法学错误的初中级用户。

4. 跨 Agent 兼容性

5. 推荐理由

它把选择性清除扫描领域“没有万能统计量”这一共识，拆解成场景决策树、标准化陷阱清单与失败模式表，帮助使用者在 iHS/nSL/XP-EHH/FST 等一组容易互相混淆的工具间做出正确选择，并规避未标准化、绝对阈值、极化偏差等真实存在的方法学错误。

6. 评分

安全检查清单：①仅调用本地 CLI 工具（selscan、SweepFinder2、norm）与 Python 库，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该子目录约两个月前仍有提交，维护活跃。

综合评分 = 三项均值 = 8.0。

7. 跟同类 Skills 相比的优势

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-selection-statistics，分类 data-analytics），页面显示已有 13 次安装记录，但评分栏为空、尚无用户打分。

9. 其他补充

同一仓库的 population-genetics/ 子目录内还有 association-testing（GWAS 关联检验）、plink-basics（PLINK 格式与 QC）、linkage-disequilibrium（连锁不平衡）、population-structure（群体结构）、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，覆盖群体遗传学全流程的不同环节，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-selection-statistics
• 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 scikit-allel、numpy（pip install scikit-allel numpy）以及 selscan（conda install -c bioconda selscan）与 SweepFinder2；单倍型类统计量（iHS/nSL/XP-EHH）还需要预先完成分相（phasing）并准备遗传图谱；无需重启 agent，对话中出现“选择性清除”“iHS”“XP-EHH”“FST”“Tajima’s D”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，本身不提供选择扫描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（scikit-allel、selscan、SweepFinder2）；
• 单倍型类统计量（iHS、nSL、XP-EHH、Rsb、H12）要求输入数据已完成分相，未分相数据需先经配套的 phasing 技能处理，否则结果会因 switch error 而失真；
• 正文明确指出：Tajima’s D 等 SFS 检验的结果会与群体历史（瓶颈、扩张、群体结构）混淆，不能脱离基因组尺度背景单独解读为选择信号。