用遗传变异推断因果，有点像请一组证人还原现场：如果几名证人私下受别的因素影响，结论就可能被带偏。孟德尔随机化（MR）正是把出生时随机分配的遗传变异当作“证人”，即工具变量；但同一变异也可能绕开目标暴露、直接影响结局，这种水平多效性会使工具失效。
Qasim、Wang 和 Bhatt提出 MR-ALasso：它不再对所有遗传变异一视同仁，而是用数据决定不同惩罚权重，压缩各变异疑似直接影响结局的部分，以更好地区分有效与无效工具。更值得注意的是 MR-ALasso-B：它在一批批 SNP（单核苷酸多态性，即常见遗传差异）的 bootstrap 重抽样中反复筛选并估计，再把结果平滑汇总，把“先挑工具、再做推断”额外引入的不稳定性算进去。
作者称，模拟实验中 MR-ALasso 通常比 MR-Lasso 更准地估计并识别无效工具；加入 bootstrap 后，置信区间覆盖率和一类错误控制也优于直接使用单次筛选结果。论文还提供了 R 包 MRAlasso，但现有材料未给出具体提升幅度。