用途：该技能用于审视生物标志物（基因、蛋白、影像特征、EHR 变量、复合评分）的开发与验证提案，在编写代码前发现方法学缺陷，并引导用户形成正确设计。适用于高维数据（转录组、蛋白组、影像组、甲基化）特征选择、交叉验证方案与样本量选择、多组学整合、是否可用于临床或监管提交等提问。
主要能力：1）强制先区分意图——预后（单臂或观察队列，估计风险比、C 指数、校准）、预测（需 RCT 或目标试验模拟，考察治疗×标志物交互）、诊断（需覆盖全疾病谱，关注灵敏度、特异度、PPV/NPV）。2）按问题形态推荐特征筛选：n<p 用 LASSO/弹性网或稳定性选择，强相关特征用弹性网或组 LASSO，非线性用随机森林/梯度提升并配合置换重要性，发表级可重复性用稳定性选择（子样本中被选 ≥60%）。3）强调嵌套交叉验证不可省略：外层估泛化，内层做特征选择与调参；按患者划分、按结局（及中心/批次）分层；插补、归一化、批次校正、PCA 等均在训练折内拟合；报告各折分布而非仅均值。4）列出常见泄漏：全数据特征选择、时间泄漏、结局包含在特征中、预处理泄漏、批次/中心泄漏、代理变量泄漏。5）按意图给出评价指标：预后用 C 指数、时间依赖 AUC、校准；预测用交互项与亚组效应；诊断用预设阈值下的灵敏度/特异度、AUROC/AUPRC、PPV/NPV（需按部署患病率重估）。6）验证层级：内部验证→内部-外部（留一中心/批次）→外部验证（独立队列、锁定模型与阈值）→前瞻性验证；外部数据上调参只能算发现而非验证。7）样本量与事件数：Cox/Logistic 建议每个候选变量 10–20 个事件（按建模时全部候选变量计，而非 LASSO 之后），高维场景用惩罚、稳定性选择与 bootstrap 乐观校正。8）多组学整合：小样本默认后期整合（各层单独建模后堆叠或平均），样本量足够且关注共享生物学时用中期（MOFA、典型相关、核方法）或早期整合。9）临床效用：要求回答改变什么决策、阈值如何预设、相对全治/不治的净获益（决策曲线分析）、假阳/假阴的受害人群与可接受率。
使用方式与限制：该技能面向推理与方案审查，不执行具体流程。当用户声称“有效性”仅基于单一队列单一 AUC、询问交叉验证/指标/样本量、或问能否用于临床或监管时调用。不适合已进入指南的成熟标志物、CLIA/CAP 实验室验证、伴随诊断开发；涉及临床试验治疗选择、分析验证或伦理审查时应转交人类专家。输出建议首句给出直接建议或分类（≤3 句），结构为建议→依据→注意事项，200–400 词，内部决策树不对外复述。产品安装方式与收费信息暂未提供。