用途
该技能用于在计算分析产生显著结果之后，把统计结果与生物学理解衔接起来。它强调“计算，而非描述”：当分析需要计算（统计、数据处理、打分、富集）时，应通过 Bash 编写并运行 Python 代码，而不是只描述打算做什么；先调用 ToolUniverse 工具检索数据，再用 Python（pandas、scipy、statsmodels、matplotlib）进行分析。其核心目标是在任何计算分析产出显著发现后，使用 ToolUniverse 的生物学知识工具来解读这些发现。
使用时机
适用情形包括：统计分析产生了一列显著基因、变异、代谢物或暴露；用户希望超越 p 值去理解某结果为何显著；把计算结果与已发表证据结合；对差异表达、GWAS 命中或关联研究结果进行生物学解读；用户在分析后询问“这个结果意味着什么”。 不适用情形（应使用其他技能）：运行统计分析本身（改用 tooluniverse-statistical-modeling 或 tooluniverse-rnaseq-deseq2）；没有前置分析的纯基因富集（改用 tooluniverse-gene-enrichment）；纯文献综述（改用 tooluniverse-literature-deep-research）；单变异解读（改用 tooluniverse-variant-interpretation）。 注意：调用工具时始终使用英文术语（基因名、通路名、物种名），即使用户使用其他语言；回复使用用户的语言。
主要能力
第 1 步：从统计结果到生物学问题
把每类显著发现映射到对应的生物学问题与工具发现查询：
- 显著基因列表：哪些通路被富集？哪些功能汇聚？查询 find_tools("gene enrichment pathway analysis")
- 显著变异（rsID）：功能影响是什么？影响哪个基因？查询 find_tools("variant annotation functional impact")
- 显著暴露/化学物：生物学机制是什么？涉及哪些通路？查询 find_tools("chemical gene pathway toxicology")
- 显著药物关联：分子靶点是什么？作用机制是什么？查询 find_tools("drug target mechanism action")
- 显著代谢物：哪条代谢通路被扰动？查询 find_tools("metabolite pathway identification") 关键原则：不要停留在“基因 X 显著”，要追问：在什么背景下显著？通过什么机制？有什么下游后果？
第 2 步：多数据库证据整合
对每个显著发现查询多个来源并综合。模式为：文献证据（检索 PubMed/EuropePMC，优先关注荟萃分析与系统综述）；遗传关联证据（查询 GWAS Catalog 或 OpenTargets，检查遗传证据是否独立支持该关联）；通路背景（查询 KEGG、Reactome 或 WikiPathways，识别上游调控因子与下游效应因子）；互作网络（查询 STRING 或 BioGRID 的蛋白互作，查看显著基因是否聚集于同一网络邻域）；临床相关性（检查 ClinVar 的变异临床意义、DGIdb 或 ChEMBL 的可成药性、ClinicalTrials.gov 的进行中干预）。 证据分级：T1（强）随机临床试验、孟德尔随机化；T2（中）大型队列研究、有重复验证的 GWAS；T3（提示性）病例对照研究、动物模型；T4（假设）计算机预测、通路推断。
第 3 步：因果推理
统计关联不等于因果。使用以下框架：构建 DAG（识别混杂因素、中介因素、对撞因素，注意对撞因素条件化会引入偏倚）；三角验证（不同方法、不同偏倚支持同一发现可增强因果推断，例如观察性关联＋孟德尔随机化＋动物实验；若 MR 与观察数据矛盾，怀疑观察研究存在混杂）；孟德尔随机化逻辑（遗传变异在受孕时分配，不受生活方式混杂或反向因果影响；需检查工具强度 F 统计量 > 10、排他性限制、多效性 MR-Egger 截距）；中介分析（若基因 G 同时与暴露和结局相关，询问暴露对结局的效应是否经由 G）。
第 4 步：交叉验证
在把发现报告为稳健之前尝试证伪：复制（在文献与数据集 DataCite、GEO、ArrayExpress 中寻找独立数据集验证）；生物学合理性（动物或细胞模型是否支持，检索如 "[gene] knockout [phenotype]" 或 "[chemical] exposure [cell type]"）；遗传支持（GWAS 证据是否支持效应方向，若矛盾需解决）；剂量反应（效应是否随剂量增加而增强）；阴性对照（对预期无关联的发现执行同样分析，若阴性对照也出现关联，则怀疑方法学假象）。
第 5 步：可执行报告
整合报告结构包括：证据汇总表（每条显著发现一行，字段为 Finding、Statistical Evidence、Biological Mechanism、Literature Support、Genetic Support、Evidence Grade）；强度评估（Strong：统计显著＋生物学机制＋独立复制＋遗传支持；Moderate：统计显著＋生物学机制＋部分复制；Weak：统计显著＋合理机制但无独立支持；Suggestive：统计趋势＋仅计算预测）；知识缺口与后续步骤（哪些发现缺乏复制，哪些机制为推断而未实验验证，哪些发现证据冲突，并提出可检验假设，如“若发现 X 是因果的，则[实验预测]”）；临床或公共卫生意义（该发现现在是否可行动或需进一步验证；若可成药，识别现有疗法及其研发阶段；若为生物标志物，评估其临床效用的敏感度/特异度）。
使用方式
技能以引导流程的方式使用：先根据结果类型选择查询，再跨数据库检索并综合证据，进行证据分级与因果推理，执行交叉验证，最后生成结构化报告。分析中强调实际运行代码而非描述步骤。
适用场景
适用于组学差异表达、GWAS、关联研究等产生显著结果后的生物学解读与证据整合场景。
限制
资料明确该技能不用于运行统计建模、纯基因富集、纯文献综述或单变异解读。关于具体工具的参数、收费、平台支持等细节，资料中暂未提供。