Etika, Biotəhlükəsizlik, Məxfilik və Elmi Dürüstlük

Qazanclar:

• KVKK, GDPR və etika komitəsi qaydalarına uyğun olaraq həssas insan/genetik məlumatları qorumaq və onları açıq modelə verməkdən çəkinmək bacarığı
• Biotəhlükəsizlik/ikili istifadə və əhalinin qərəzliliyi risklərini qiymətləndirərək nəticələrin etibarlılığını şübhə altına almaq bacarığı
• Etik məsuliyyətin nəqliyyat vasitəsinə həvalə edilə bilməyəcəyini və mənalı insan-in-the-loop zəruri olduğunu başa düşmək

Süni intellektin biologiyada güclü şəkildə istifadəsi ondan məsuliyyətlə istifadə etməklə tamamlanır. Biologiya insan sağlamlığına, genetik məxfiliyə, ətraf mühitə və hətta biotəhlükəsizliyə toxunan həssas bir sahədir. Bu bölmədə bioloji tədqiqatlarda süni intellektdən istifadə edərkən qarşılaşacağınız etik, hüquqi və təhlükəsizlik məsuliyyətlərini müzakirə edəcəyik. Bu bölmə bütün əvvəlki bölmələrdə yoxlama və dürüstlük prinsipləri əsasında qurulmuş çərçivədir.

Əsas prinsip: AI bir vasitədir; Etik məsuliyyət həmişə insanların üzərinə düşür. “Təklif olunan model” bəhanə deyil.

Dörd məsuliyyət sahəsi

1. Məlumatların məxfiliyi və insan məlumatları

İnsan iştirakçılarının genetik, klinik və ya sağlamlıq məlumatları son dərəcə həssasdır. Bir insanın DNT ardıcıllığı onların və yaxınlarının xəstəlik riskini və şəxsiyyətini aşkar edə bilər; Hətta anonim olduğu düşünülən genomik məlumatlar da yenidən müəyyən edilə bilər. Bu məlumatların ictimaiyyətə açıq olan AI modelinə yerləşdirilməsi məlumatların mühafizəsi qanunlarını (Türkiyədə KVKK, Avropada GDPR) və etika şurasının (IRB/etik komitə) təsdiqlərini poza bilər.

• Açıq modelə şəxsi/klinik məlumatları təqdim etməyin.
• Razılıq çərçivəsindən kənar istifadədən çəkinin; İştirakçı nəyə razılıq verdi?
• Müəssisə/yerli (yerli) və ya məlumat emal müqaviləsi alətlərinə üstünlük verin.

2. Biotəhlükəsizlik və ikili istifadə

Bəzi bioloji məlumatlar "ikili istifadə"dir: həm faydalı, həm də zərərli ola bilər; məsələn, patogen (xəstəlik törədən) ardıcıllıqlar, toksin istehsalı. Təhlükəli patogenləri gücləndirmək və ya zərərli bioloji agentləri layihələndirmək üçün AI-dən məlumat istəmək əksər yerlərdə qeyri-etik və qanunsuzdur.

• Təhlükəli ikili istifadə sorğuları etməyin.
• Təşkilatınızın biotəhlükəsizlik şurasının (IBC) təlimatlarına əməl edin.

3. Elmi dürüstlük

Əvvəlki bölmələrdə gördüyümüz hər şey burada birləşir: saxta atribut, məlumatların gözəlləşdirilməsi, p-hacking, seçmə hesabat yoxdur. Süni intellekt bunları asanlaşdıra və ya çətinləşdirə bilər; Fərq sizin dürüstlüyünüzdədir.

• Bütün nəticələri (mənfi olanlar da daxil olmaqla) bildirin.
• Süni intellektdən istifadəni bəyan edin.
• Xam məlumatları və kodu (mümkünsə) paylaşmaqla təkrar istehsal qabiliyyətini dəstəkləyin.

4. Qərəz və ədalətlilik

Süni intellekt modelləri öyrədildikləri məlumatların qərəzlərini daşıyır. Genomik məlumat bazaları əsasən Avropa mənşəli populyasiyalardan gəlir; bu, digər populyasiyalarda daha zəif proqnozlara gətirib çıxarır. Şəkil modeli təlim məlumatlarında kifayət qədər göstərilməyən bir vəziyyətdə zəif çıxış edə bilər.

• Modelin hansı əhali/məlumat üzərində təlim keçdiyini soruşun.
• Nəticələrin bütün qruplar üçün uyğun olub olmadığını qiymətləndirin.

İpucu: Özünüzdən soruşun: "Mən bu məlumatları modelə verirəmsə, o kimə məxsusdur və həmin şəxs icazə verib?" Cavab qeyri-müəyyəndirsə, verməyin. Məxfiliyin pozulması geri dönməzdir.

Addım-addım: məsul AI nəzarəti

1. Məlumat mənbəyini təsnif edin: Şəxsi/həssas və ya ictimai?
2. Razılıq və icazələri yoxlayın: Bu istifadə əhatə olunurmu?
3. Doğru aləti seçin: Həssas məlumatlar üçün təhlükəsiz/doğma mühit.
4. İkili istifadə riskini nəzərə alın.
5. Sualın qərəzi: Nəticə bütün qruplarda etibarlıdırmı?
6. İstifadəsini sənədləşdirin və bəyan edin.

Kopyalana bilən sorğu şablonları

Aşağıdakı təhlil planımı etik baxımdan nəzərdən keçirin: məlumatların məxfiliyi, iştirakçının razılığı, potensial qərəzlilik və ikili istifadə riski ilə bağlı xəbərdarlıqları sadalayın. Plan: [mətn] (Qeyd: Mən faktiki xəstə məlumatlarını paylaşmıram, sadəcə planı.)

Bu genomik məlumat dəstindən istifadə etməzdən əvvəl hansı məxfilik və razılıq suallarına cavab verməliyəm? KVKK/GDPR və etika komitəsi baxımından yoxlama siyahısı hazırlanır.

Məqaləmin metod bölməsində istifadə etdiyim süni intellekt alətini şəffaf şəkildə necə bəyan etməliyəm? Deklarativ cümlə nümunəsi yazın; hansı məlumatları (alət, versiya, istifadə sahəsi) ehtiva etməlidir?

Bu modelin nəticələrinin əhali arasında qərəzli olub-olmadığını necə qiymətləndirə bilərəm? Təlim məlumatları və yoxlama addımları ilə bağlı verməli olduğum sualları sadalayın.

Zəif məlumat / Güclü göstəriş

Zəif: "Aşağıdakı xəstənin genetik məlumatlarını təhlil edin: [real məlumat]."

Güçlü: "Klinik genomik məlumatlarla işləyən bir analiz planı qururam, lakin real xəstə məlumatlarını paylaşmıram. Yalnız metodoloji baxımdan: hansı məxfilik tədbirləri görməliyəm, məlumatları hansı mühitdə işləməliyəm, hansı təsdiq və etik komitə şərtlərinə cavab verməliyəm? Akışı dummy/nümunə məlumatları ilə göstərə bilərsiniz."

Fərq: Güclü sorğuda heç bir faktiki həssas məlumat paylaşılmır; Yalnız üsul soruşulur. Məxfilik qorunur, model hələ də kömək edir.

üç mini qutu

1-ci hal - Məxfiliyin pozulması: Tədqiqatçı anonim olduğunu düşündüyü xəstə exome məlumatlarını təhlil etmək üçün açıq modelə yapışdırdı. Etika komitəsi bundan xəbər tutanda tədqiqat dayandırıldı; Məlumatların emalı ilə bağlı heç bir razılaşma yox idi. Dərs: həssas məlumatlar heç vaxt açıq modelə daxil olmur.

2-ci hal — Əhalinin qərəzliliyi: Avropa mənşəli məlumatlar üzrə poligenik risk hesablama aləti hazırlanmışdır; Başqa bir populyasiyada risk təxminləri əhəmiyyətli dərəcədə qeyri-dəqiq idi. Model təlim məlumatlarının tərkibini sorğulamağı təklif etdikdə, komanda həmin kütlədə alətdən istifadə etməmək qərarına gəldi. Dərs: qərəz həyatları xilas edir və ya zərər verir.

Case 3 — Açıqlama və şəffaflıq: Komanda AI ilə məlumatların təmizlənməsi kodu yazdı və bunu metod bölməsində aydın şəkildə ifadə etdi; O, kodu da paylaşıb. Rəyçilər bunu alqışladılar, çünki təkrarlanma qabiliyyəti güclü idi. Dərs: şəffaflıq inam doğurur.

müqayisə diaqramı

sahə

təhlükəsiz davranış

riskli davranış

xəstə məlumatları

Yerli/təhlükəsiz mühit

Modeli açmaq üçün yapışdırın

razılıq

Əhatə daxilində istifadə edin

Həddi aşmayın

Biotəhlükəsizlik

İkili istifadədən qaçınmaq

təhlükəli tələb

bütövlük

Bütün nəticələri bildirin

seçmə hesabat

qərəz

Əhalidən soruşun

Kor-koranə tətbiq edin

şəffaflıq

İstifadəsini elan edin

gizlənmək

Ümumi səhvlər

• Açıq modelə həssas məlumatların verilməsi: Geri dönməz məxfilik pozuntusu.
• Razılıq həddini aşmaq: İştirakçı tərəfindən icazə verilməyən istifadə.
• Qərəzlərə məhəl qoymamaq: Nəticələrin bütün qruplar üçün ümumiləşdirilməsi.
• Gizli istifadə: AI töhfəsini bəyan etməmək.
• "Təklif edilən model" müdafiəsi: Məsuliyyətin nəqliyyat vasitəsinə aid edilməsi.

Diqqət: Yüksək nəticəli bioloji işlərdə (klinik qərar, biotəhlükəsizlik, insan məlumatları) AI çıxışı səlahiyyətli ekspert yoxlamasını və etik nəzarəti əvəz etmir; yalnız sürətləndirir. Qərarın etik və elmi nəticələri ilə yanaşı, son məsuliyyət həmişə insanın üzərinə düşür.

Ətraf mühit, ekologiya və ənənəvi biliklər

Etik məsuliyyət yalnız insan məlumatları ilə məhdudlaşmır. Ekologiya və təbiəti mühafizə biologiyasında süni intellektdən istifadə edərkən də diqqətli olmaq lazımdır. Məsələn, nəsli kəsilməkdə olan növün dəqiq yer məlumatları (kamera tələsinin koordinatları) brakonyerlik riski səbəbindən həssasdır; Bu məlumatların açıq modelə və ya ictimaiyyətə açıqlanması növlərə zərər verə bilər. Eynilə, yerli icmaların ənənəvi bioloji bilikləri (məsələn, bitkinin istifadəsi) icazəsiz istifadə edildikdə, etik və hüquqi (məsələn, Naqoya Protokolu) problemlər yaranır. Məlumatlardan istifadə etməzdən əvvəl "bu məlumat kimə məxsusdur və onun açıqlanmasından kim zərər görəcək?" Həmişə sual verin.

İnsan nəzarəti və yekun qərar

Bütün bu modulun mahiyyəti bir prinsipə əsaslanır: mənalı insan nəzarəti. Süni intellekt təklif yaradır, qaralama yazır, nümunə göstərir; Lakin bioloji, klinik və ya etik qərar heç vaxt birbaşa model çıxışına əsaslanmır. Xüsusilə yüksək riskli sahələrdə (diaqnoz, müalicə, növlərin qorunması qərarı, buraxılış) modelin rolu qərar vermək deyil, ekspert qərarını sürətləndirməkdir. “İnsan-in-the-loop” yanaşması şüar deyil, zərurətdir.

Bu nəzarətin işləməsi üçün nəzarətçi səlahiyyətli olmalıdır. Kor razılıq (“model deyildi, qəbul”) nəzarət deyil. Həqiqi nəzarət, nəticəni sorğulaya bilən, səhvini tuta bilən və lazım gəldikdə rədd edə bilən təcrübə tələb edir. Ona görə də süni intellekt eksperti əvəz etmir; Bu, mütəxəssisi daha da vazkeçilməz edir. Nəqliyyat vasitəsini ən yaxşı istifadə edən, onu ən yaxşı idarə edə biləndir.

Xülasə

Biologiyada AI-nin məsuliyyətli istifadəsi dörd sahəni əhatə edir: məlumat məxfiliyi (həssas insan məlumatlarının qorunması), biotəhlükəsizlik (ikiqat istifadədən yayınma), elmi dürüstlük (dürüst və tam hesabat) və qərəzli məlumatlılıq (bütün qruplar üzrə nəticələrin etibarlılığı). Açıq modelə həssas məlumatları təqdim etməyin, istifadəni şəffaf şəkildə bəyan edin, əhalinin qərəzliliyinə şübhə edin. Etik məsuliyyət heç vaxt agentə həvalə edilə bilməz; Həmişə insanlarda olur.

Tətbiq tapşırığı

Öz iş yerinizdən bir ssenari nəzərdən keçirin (məsələn, insan məlumat dəsti və ya şəkil modelindən istifadə etməklə). Süni intellekt bu ssenarinin etik yoxlama siyahısını (məxfilik, razılıq, qərəzlilik, ikili istifadə, şəffaflıq) real məlumatları paylaşmadan hazırlasın. Hər bir maddə üçün vəziyyətinizdə “uyğun/riskli/qeyri-müəyyən” kimi qeyd edin və riskli/qeyri-müəyyən olanlar üçün fəaliyyət planı yazın. Məqaləniz üçün hazırlanmış süni intellektdən istifadə bəyanatı da hazırlayın.

yoxlama siyahısı

• [ ] Mən açıq modelə həssas/şəxsi məlumatları təqdim etməmişəm.
• [ ] Mən razılıq və etika komitəsinin əhatə dairəsini yoxladım.
• [ ] Mən ikili istifadə/bioloji təhlükəsizlik riskini qiymətləndirmişəm.
• [ ] Mən bütün nəticələri vicdanla bildirdim.
• [ ] Mən əhali/məlumat qərəzliliyini sorğuladım.
• [ ] Mən süni intellektdən istifadəni şəffaf şəkildə bəyan etmişəm və məsuliyyəti öz üzərimə götürmüşəm.

Modul imtahanı

1. Tələbə dil modelindən “bu FASTA faylında neçə sətir var?” deyə soruşdu. deyə soruşur və model “48” cavabını verir. Ən doğru yanaşma hansıdır?

• A) Modelin verdiyi 48 rəqəmindən birbaşa istifadə etməklə; Model faylı gördüyü üçün etibarlıdır
• B) Nömrəni bir daha soruşun və iki cavab eynidirsə, onu düzgün qəbul edin
• C) Faylın Biopython ilə oxunması, kodla ardıcıllıqların sayı və çıxışdan istifadə ✔
• D) Faylın əl ilə açılması və göz qərarı ilə sayılması

İzahat: Sayma və ölçmə kimi deterministik tapşırıqlar dil modelinə deyil, işlətdiyiniz koda buraxılmalıdır. Model nömrəni "yadda saxlamır", ehtimal dəyəri yaradır və səhv edə bilər; Biopython kimi alətlə saymaq dəqiq və təkrarlana bilən nəticələr verir.

2. Mikroskop şəklindəki hüceyrələri saymaq və hər birinin sahəsini ölçmək istəyirsiniz. Bu vəzifə üçün ən uyğun yanaşma hansıdır?

• A) Cellpose/StarDist kimi ekspert seqmentasiya alətindən istifadə etmək və nəticəni əl ilə yoxlamaq ✔
• B) Şəkli ümumi dil modelinə yapışdırın və 'neçə xana var' deyə soruşun.
• C) Şəkli modelə təsvir edin və təxmini rəqəmi soruşun
• D) Heç bir kalibrləmə olmadan piksellərin sayının xanaların sayı kimi qəbul edilməsi

İzahat: Hüceyrə seqmentasiyası və ölçülməsi ümumi dil modelinin sahəsi deyil, bu iş üçün xüsusi hazırlanmış xüsusi təsvir modellərinin (Cellpose, StarDist) sahəsidir. Dil modeli bu alətləri çağıran kodu yazır; Ekspert model ölçmə aparır, bioloq isə nəticəni yoxlayır.

3. Magistr tələbəsi öz dissertasiyasının girişinə dil modelinin yaratdığı 8 mənbə əlavə edir. Məsləhətçi hesab edir ki, bunlardan 3-ü ümumiyyətlə yoxdur. Bu vəziyyətin qarşısını necə almaq olardı?

• A) Modeldən bir daha resurs istehsal etməsini xahiş etməklə
• B) Yalnız DOI ilə sitatları seçməklə (DOI varsa, o, realdır)
• C) Modelə 'uyğunlaşma' göstərişi verməklə siyahını tələb etmək
• D) PubMed/doi.org saytında hər bir sitatı müstəqil şəkildə yoxlamaq və yalnız oxuduğu məqalələrə istinad etmək ✔

İzahat: Ümumi dil modelləri ədəbiyyat bazası deyil; Həqiqi qeydləri axtarmaq əvəzinə, o, real səslənən atribusiyalar (uydurma atribusiya) “yaratır”. Hər bir sətir və DOI PubMed/doi.org kimi mənbələrdə müstəqil yoxlanılmadan və yalnız həqiqətən oxunmuş məqalələrə istinad edilmədən istifadə edilməməlidir.

4. Süni intellekt tərəfindən yazılmış məlumatların təmizlənməsi kodunun düzgünlüyünü təmin etməyin ən güclü yolu hansıdır?

• A) Əgər kod səhvsiz işləyirsə, onu düzgün qəbul edin.
• B) Nəticənin kiçik məlum nümunə ilə sınaqdan keçirilməsi və gözləntilərin təsdiqlə təsdiqlənməsi ✔
• C) Modeldən “kod düzgündür?” sualını verin. soruşmaq və "bəli" cavabına etibar etmək
• D) Kodu bir neçə dəfə işlədin və hər dəfə eyni nəticəni əldə edin

Qeyd: Kodun səhvsiz işləməsi onun düzgün olması demək deyil; 'səhvsiz kod işləmək' biologiyada ən təhlükəli vəziyyətdir. Nəticəsini əvvəlcədən bildiyiniz kiçik bir nümunə ilə sınaqdan keçirmək və gözləntiləri təsdiqlə koda daxil etmək səssiz yanlış nəticələrə qarşı ən güclü qalxandır.

5. RNT-seq analizində 20.000 gen sınaqdan keçirilir və 3.800 genin düzəliş edilmədən p<0.05 ilə "əhəmiyyətli" olduğu müəyyən edilir. Bu nəticə ilə bağlı əsas problem nədir?

• A) Nümunələrin sayı çoxdur, onu azaltmaq lazımdır
• B) p həddi çox yüksəkdir, 0,10 istifadə edilməli idi
• C) Çoxsaylı müqayisə korreksiyası (FDR) aparılmadı; Çoxlu yalan pozitivlər var✔
• D) Nümunələr gen əvəzinə sınaqdan keçirilməli idi

İzahat: Minlərlə geni eyni vaxtda sınadığınızda, bir çox gen, real fərq olmasa belə, təsadüfən "əhəmiyyətli" görünür; Buna çoxlu müqayisə problemi deyilir. Həll yolu, Benjamini-Hochberg kimi bir üsulla FDR (yanlış kəşf dərəcəsi) korreksiyasını tətbiq etməkdir; Düzəlişlə, siyahı adətən onlarla bir neçə yüz genə qədər azalır.

6. BLAST nəticəsində ən yaxşı uyğunluğun E-qiyməti 2.0-dır. Bu nə deməkdir?

• A) Qarşılaşma çox güman ki, təsadüfidir; ✔ etibarlı uyğunluq deyil
• B) Birləşmə çox möhkəmdir; Elektron dəyər nə qədər böyükdürsə, bir o qədər yaxşıdır
• C) Ardıcıllıq 2% nisbətində uyğun gəlir
• D) İki ardıcıllıq arasında 2 əsas fərq var

İzahat: E-dəyər uyğunluğun təsadüfi olmasını göstərir; Kiçik olmaq daha yaxşıdır. 1-dən böyük e-qiymət uyğunluğun təsadüfi olduğunu göstərir. Etibarlı uyğunluqlar üçün ümumiyyətlə e < 1e-5 kimi çox kiçik həddlər axtarılır.

7. AlphaFold modelində zülalın terminal bölgəsi aşağı pLDDT balı (<50) göstərir. Bu bölgəni necə şərh etmək lazımdır?

• A) AlphaFold bu bölgədə səhv etdi, bölgə analizdən çıxarılmalıdır
• B) Bu bölgə mütləq alfa spiraldır
• C) Model tamamilə etibarsızdır, strukturdan istifadə edilməməlidir
• D) Regionun qeyri-müntəzəm/elastik olması ehtimal olunur; 'yanlış' deyil, 'anlaşılmaz' kimi şərh edilməlidir ✔

Təsvir: pLDDT hər bir amin turşusu üçün yerli güvən balıdır; 50-dən aşağı olan dəyərlər çox vaxt həqiqətən qeyri-müntəzəm (çevik, sabit olmayan) bölgələri əks etdirir. Bu bölgələri “yanlış təxminlər” kimi avtomatik silmək yanlışdır; Aşağı bal “qeyri-müəyyən/çevik” kimi oxunmalı və onun bioloji əhəmiyyəti qiymətləndirilməlidir.

8. Tədqiqatçı hüceyrə sahələrini yalnız piksellərlə bildirir və nəticələr ədəbiyyatla uyğun gəlmir. Çatışmayan addım nədir?

• A) Daha çox hüceyrə sayılmalı idi
• B) Şkala kalibrlənməsi (piksel-mikrometrə çevirmə) aparılmadı, nəticələr fiziki vahidlərə çevrilmədi ✔
• C) Seqmentləşdirmə aləti səhv seçilmişdir
• D) Şəklin ayırdetmə qabiliyyəti çox yüksəkdir

İzahat: Şəkildən fiziki ölçü çıxarmaq üçün miqyasın kalibrlənməsi (bir pikselə neçə mikrometr) vacibdir. Bu addım atlanırsa, dəyərlər mikroskop parametrindən asılı olaraq müqayisə olunmaz olaraq qalır. Sahələr kvadrat mikrometrlər kimi fiziki vahidlərə çevrilməlidir.

9. Şagird bir siçandan 10 toxuma nümunəsi götürür və statistikada 'n=10' istifadə edir. Niyə bu yanlışdır?

• A) Statistika üçün 10 nümunə çox azdır, ən azı 30 nümunə lazımdır
• B) Müxtəlif orqanlardan toxuma nümunələri götürülməli idi
• C) Bu 10 nümunə texniki təkrarlardır; bioloji n hələ 1-dir, bu sözdə təkrardır ✔
• D) Nümunələr eyni gündə götürüldüyü üçün etibarsızdır

İzahat: Eyni şəxsdən alınan təkrar ölçmələr texniki təkrarlardır; burada statistik n bioloji vahidlərin sayıdır (burada siçanlar). Texniki təkrarı bioloji (psevdoroplikasiya) hesab etmək yanlış əhəmiyyət kəsb edir. Düzgün dizayn bir neçə şəxslə işləmək deməkdir.

10. Bir analiz tapıldı p=0,03. Bu dəyərin düzgün təfsiri nədir?

• A) Reallıqda heç bir fərq olmadığı halda bu və ya daha çox ekstremal nəticəni görmək şansı 3% var ✔
• B) Təsirinin real olma ehtimalı 97%
• C) Sıfır fərziyyənin doğru olma ehtimalı 3%-dir
• D) Nəticə 97% təkrarlanır

İzahat: p-qiyməti 'fərziyyənin doğru olma ehtimalı' və ya 'təsiri doğru olma ehtimalı' deyil. P-dəyəri, fərqin əslində heç bir fərq olmadığı zaman müşahidə ediləndən daha çox və ya daha çox görünməsi ehtimalıdır. Buna görə də p=0,03 “təsir 97% realdır” demək deyil; nəticələr həmçinin təsir ölçüsü və inam intervalı ilə qiymətləndirilməlidir.

11. Təqdimatda iki qrup arasında 3% fərq y oxunu 95-100 diapazonuna sıxmaqla böyük olaraq göstərilir. Bu nəyin nümunəsidir?

• A) Yaxşı vizuallaşdırma texnikası; fərqi vurğulayır
• B) Colorblind dost palitra problemi
• C) Məqbul üslub seçimi
• D) Kəsilmiş ox ilə fərqi şişirdən yanıltıcı və vicdansız qrafik ✔

İzahat: Oxun sıfırdan başlamaması (kəsilmiş ox) kiçik bir fərqi vizual olaraq şişirdərək izləyicini çaşdırır. Bu, dürüstlük prinsipinin pozulmasıdır; Xüsusilə bar diaqramlarında ox sıfırdan başlamalı və fərq faktiki ölçüsü ilə göstərilməlidir.

12. Tədqiqatçı anonim xəstə hesab etdiyi məlumatları təhlil etmək üçün ictimai dil modelinə yapışdırır. Niyə bu davranış problemlidir?

• A) Heç bir problem yoxdur; anonim olduqda məlumatlar paylaşıla bilər
• B) Açıq modelə həssas xəstə məlumatlarının təqdim edilməsi məxfilik və etik/hüquqi (KVKK/GDPR) pozuntusudur və geri qaytarıla bilməz ✔
• C) Yalnız təhlil ləng olacağı üçün problemlidir
• D) Model verilənləri anlaya bilmədiyi üçün problemlidir

Təsvir: Xəstənin genetik/klinik məlumatları son dərəcə həssasdır; Hətta anonim olduğu düşünülən genomik məlumatlar da yenidən müəyyən edilə bilər. Bu məlumatların ictimai modelə təqdim edilməsi KVKK/GDPR və etika komitəsinin (IRB) təsdiqlərini pozur və məxfiliyin geri dönməz pozulmasıdır. Həssas məlumatlar yerli/təhlükəsiz, müqaviləli mühitlərdə işlənməlidir.

13. Bir araşdırmada onların 'xəstəyə qarşı nəzarət' olduğunu düşündükləri fərq əslində nümunələrin iki fərqli gündə işlənməsi ilə əlaqədar idi. Bu vəziyyət necə adlanır və necə idarə olunur?

• A) kənar təsirdir; nöqtələr silinməlidir
• B) Normallaşmanın olmamasıdır; yalnız miqyasda düzəliş kifayətdir
• C) Partiya effektidir; dizaynda balanslaşdırılmalı və toplu dəyişən kimi modelə əlavə edilməlidir ✔
• D) p-hacking; test dəyişdirilməlidir

İzahat: Nümunə götürmə partiyası/emal günü ilə əlaqədar yaranan texniki fərq partiya effekti adlanır və bioloji fərqlə qarışdırıla bilər. Düzgün yanaşma dizaynda partiyaları tarazlaşdırmaq və partiya dəyişənini statistik modelə əlavə etməkdir (məsələn, '~top + vəziyyət'), beləliklə, texniki siqnalı bioloji siqnaldan ayırmaq.

14. Siz DNT ardıcıllığının GC nisbətini hesablamaq istəyirsiniz. Hansı düzgün və təkrarlanan yanaşmadır?

• A) Biopython ilə GC dərəcəsini hesablayan kodu çap edin, onu işə salın və çıxışdan istifadə edin ✔
• B) Modelə ardıcıllığı verin və ondan GC dərəcəsini şifahi şəkildə söyləməsini xahiş edin
• C) Modelin verdiyi nisbətin başqa modellə təsdiqlənməsi
• D) Seriyanın ilk 100 hərfinə baxmaq və gözlə təxmin etmək

İzahat: GC dərəcəsi deterministik hesablamadır; dil modelinin “xatırladığı” dəyərə deyil, massivi emal edən koda əsaslanmalıdır. Modelin onu hesablamasını təmin etmək əvəzinə, hesablama kodunu Biopython kimi alətlə çap edib özünüz işə salmaq onu hər dəfə işlətdiyiniz zaman eyni nəticəni verən dəqiq nəticə verəcəkdir.