用途：在生物信息学或数据分析流程中，评估拟用方法能否回答生物学问题，审核结果是否具有生物学意义，并给出工具选择与解读建议。
主要能力：
- 方法验证：判断分析是否适合数据类型与生物学问题，是否有成熟最佳实践与生物体特异性考量。
- 工具推荐：给出当前领域常用工具及替代方案，提示过时工具。资料中的示例：bulk RNA-seq 差异表达常用 DESeq2，单细胞常用 Scanpy（Python）或 Seurat（R），ChIP-seq peak calling 常用 MACS2，胚系变异检测常用 GATK best practices，RNA-seq 比对常用 STAR，GO 富集常用 GSEA、topGO、g:Profiler。
- 结果验证：检查效应量是否合理，是否重现已知生物学，是否存在明显解读错误，统计显著是否等于生物学显著。
- 解读审核：判断结论是否有数据支持，是否考虑替代解释，是否由相关误推因果，是否说明局限。
使用方式：该技能通常嵌入开发或分析流程。一是在需求阶段评估方法适当性并把验证后的需求交给系统架构环节；二是在分析完成后评估结果合理性并向项目负责人或生物信息人员反馈。它附有验证清单、方法选择流程图与常见误读参考。
适用场景：RNA-seq 差异表达、单细胞分析、ChIP-seq、变异检测、富集分析等生物信息学工作的方法审查与结果合理性检查；也可用于软件设计前确认生物学需求。
限制：资料未提供具体安装命令、价格、平台支持或性能数据。该技能不负责代码正确性，代码正确性属于其他工具职责；分析工具推荐需结合具体物种、样本量与实验设计判断。常见误读包括相关当因果、统计显著误当生物学显著、批次效应误当生物学亚型、低表达基因技术噪声误当信号。