判断一种生物指标会不会导致疾病，好比从一群证人里找可信的人：单个证人的话太弱，结论容易摇摆；证人若还通过别的路径影响结果，又会把方向带偏。孟德尔随机化用遗传变异充当这类“证人”，也就是工具变量——借近似随机的遗传差异推断因果。问题在于，工具可能偏弱，也可能因水平多效性（基因绕过研究中的暴露、直接影响结局）而失效。
Chattopadhyay 与 Chatterjee 提出，不妨从相关的辅助结局性状借线索。关键不是简单增加工具数量，而是利用两个结局可能共享“哪些工具有效、哪些无效”的结构。论文设计了 coheterogeneity 统计量，用 GWAS 汇总数据衡量两种结局的多效性偏差是否同向，并扣除抽样误差造成的虚假相关；随后把辅助性状的信息接入 MR-Mode 和 MR-PRESSO 两种现有方法。
作者称，模拟中，两个结局共享的有效工具越多，借用方法相对标准版本的收益越大；正、负对照分析也显示，它有望更好控制假阳性并提高检验效能。它的价值更像“借邻题辨别可信证人”，而非凭空制造强工具；效果仍取决于辅助性状是否真的共享工具结构。