Genome Atlas

Genome Atlas — 个人基因组芯片数据分析 skill

你（AI agent）的任务是运行一条已经审计过的流水线，然后诚实地写结论。脚本负责数字，你负责把数字变成分层可信度的、大众能读懂的句子。不要跳过审计规则去"让报告更有趣"。

适用与不适用

• 适用：WeGene、23andMe 等消费级芯片导出的文本文件（rsid / 染色体 / 位置 / 基因型，GRCh37）。约 50–100 万位点。
• 不适用：FASTQ / BAM / WGS VCF（用专门流程）；GRCh38 坐标的导出（先 liftover 到 GRCh37 或改参考）；医学诊断、用药剂量决定。
• 输出：work/report/report.html（单文件、中英切换）+ work/results*/、work/audit/ 的全部中间表。

第一步：环境与配置

cp config.example.yaml config.yaml          # 填 sample_id / name_zh / name_en / sex / input 路径
pip install -r requirements.txt
bash setup/download_references.sh           # 1000G phase3 (plink2 bundle + VCF), HGDP, ClinVar, rCRS, chain, Beagle, haplogrep3 ≈ 45 GB
# plink2: x86_64 直接下载；ARM64 见 setup/build_plink2_arm64.sh

config.yaml 与 work/ 已在 .gitignore。个人数据只能出现在 work/ 里。

第二步：按顺序运行（每步失败就停，不要绕过）

一键：bash run_all.sh（第 19 步会停下来等你写文案）。

第三步：写结论（这是你的工作，脚本不替你写）

复制 example/report_text.yaml 到 work/report_text.yaml，逐句重写。示例是一位东亚样本的真实文案，只用来看格式和语气，不能沿用其结论。每个值是 [中文, English]。

必须遵守的写法（来自审计，违反即返工）：

1. 分三层写摘要：很可靠（直接分型、意义明确）/ 比较可靠（多位点推断、单倍群、ABO 预测）/ 仅供参考（PRS、行为/运动/长寿位点、低频等位基因、染色体级指数）。
2. "没测到" ≠ "没有"。凡写"未检出"，必须带"在测过的位点里"；HLA、CYP2D6、G6PD、罕见变异、CNV 一律注明未覆盖。
3. PGx 只写等位基因，不写表型，除非该基因所有主要等位基因都在芯片上（NUDT15、VKORC1、ALDH2 可以）。CYP2C19 缺 *17 → 不能写"代谢正常"。DPYD rs1801159 是 *5 正常功能，不是可操作变异。HLA 标签 SNP 不是 HLA 分型。
4. 单 SNP 不推单倍型：TAS2R38 要三位点；ABO 只能写"常见等位基因模型预测 X 型，以血清学为准"；ACE 优先用 rs1799752 插缺本身。
5. 祖源只写参考面板内的相对位置："最近的参考人群中心是 X"，不写籍贯、民族、"证明是 X 人"。轴指数是坐标，不是百分比。
6. PRS 只用填补后结果（prs_imputed.tsv），子集结果作附录并画实测误差。百分位写明"在 1000G 的 N 个参考人中"，不写"在所有中国人中"。90 以上或 10 以下才值得提；填补版、子集版、GP 敏感性三者方向不一致的评分不进正文。
7. 行为、认知、运动、长寿、睡眠位点统一为"部分研究提过，效应小，个人看不出"；不写"你更擅长""你的性格是"。删除智力、人格、政治倾向、性取向、犯罪相关位点。
8. APOE：写基因型与"人群水平风险因素"，不写致病、不写固定倍数。MTHFR：只写基因型与酶活性，不推同型半胱氨酸、不建议补叶酸。ROH：写"未见提示近亲婚配的长片段"，不写"父母无亲缘"。
9. 每条读数标证据等级 A/B/C/D（docs/EVIDENCE_LEVELS.md）和来源 DIRECT / TAG / INDEL / HAPLOTYPE / IMPUTED / PRS。
10. 通俗：目标读者是没学过遗传学的人。先说这意味着什么，再说可信到什么程度，一到两句。

trait_readings 按 rsid 写观察到的基因型的解读；pgx_readings 按基因写；y 块填 YFull 交叉核对的路径（docs/AUDIT_CHECKLIST.md 有做法）；mt.lines_* 填定义位点与私有变异。

第四步：自检后再交付

• node --check 或用 jsdom 渲染 report.html 两种语言无报错。
• 页面里每个数字都能在 work/results*/ 找到来源；不要在 yaml 里手打数字，用 {占位符}（见 templates/ui_generic.json 的键）。
• 对照 docs/AUDIT_CHECKLIST.md 的 26 个问题逐条回答一遍，写进 work/audit/00_executive_summary.md。
• 报告末尾保留免责声明；涉及用药的每一句都带"用药前经临床级检测确认"。

已知陷阱（都踩过）

• 单样本 Beagle 输出的 DR2 / AF 是目标样本基因型的函数（纯合参考位点 DR2≈0）。绝不能按 DR2 过滤填补变异，否则 PRS 系统性虚高；只按参考人群 MAF 过滤。
• 1000G phase 3 VCF 含重复标记，Beagle 会中止；先 dedup_ref.sh。
• plink2 PCA 只接受常染色体（X 需改名）；--pmerge 不支持不同样本集合并（用投影）；带剂量的多等位 VCF 需 --import-max-alleles 2。
• 男性 X 在 WeGene 导出中被强制纯合（PAR 也是），X 零杂合不是独立的性别证据；看 Y 检出率。
• yhaplo 自身的搜索可能停在树根附近；只用它生成位点表，单倍群由 02_y_haplogroup.py 判定，并用 YFull 当前树核对命名。
• "最近群体"用特征值加权欧氏距离，不用按群体标准差标准化的距离（后者偏向离散度大的群体）。

视觉规范

报告模板遵循 Lieflat Charts（larashero3-dotcom/lieflat-charts）的报告版式与图库语法：结论式标题 + 副标题图例 + 图 + 大写来源行；可数量用 tick rows；青瓷蓝单色相；不要改成其他图表库的默认样式。改文案改 yaml，改数字改脚本，不要手改 HTML。