লাভ:
- একটি একক এন্ড-টু-এন্ড এআই-সমর্থিত ওয়ার্কফ্লোতে মডিউল (ক্রম, বৈকল্পিক, কাঠামো, সাহিত্য, ক্লিনিকাল) জুড়ে শেখা সমস্ত অংশ একত্রিত করার ক্ষমতা
- 'কৃত্রিম বুদ্ধিমত্তা তৈরি করে, মানুষের যাচাইকরণ এবং ভাউচ' নীতি প্রয়োগ করার ক্ষমতা এবং প্রতিটি ধাপে প্রাথমিক উত্স যাচাইকরণ
- এন্ড-টু-এন্ড ক্ষেত্রে গোপনীয়তা এবং চূড়ান্ত বিশেষজ্ঞের অনুমোদন নথিভুক্ত করে যাচাইকরণ চেইন পরিচালনা করার ক্ষমতা
এই মডিউলে, আমরা ক্রম বিশ্লেষণ থেকে প্রোটিন গঠন, CRISPR থেকে omics, সাহিত্য থেকে নীতিশাস্ত্র এবং গোপনীয়তা পর্যন্ত প্রতিটি পর্যায় আলাদাভাবে আলোচনা করেছি। এই চূড়ান্ত ইউনিটে, আমরা সেগুলিকে একটি বাস্তবসম্মত কর্মপ্রবাহে একত্রিত করি: একটি রোগীর মধ্যে পাওয়া একটি বৈকল্পিকের যাত্রা, কাঁচা ডেটা থেকে একটি অনুমোদিত ক্লিনিকাল রিপোর্ট পর্যন্ত। লক্ষ্য হল কিভাবে কৃত্রিম বুদ্ধিমত্তা (AI) কে এন্ড-টু-এন্ড অ্যাসিস্ট্যান্ট হিসেবে অবস্থান করা যায় এবং প্রতিটি পর্যায়ে যাচাইকরণ এবং মানুষের দায়বদ্ধতা কীভাবে জড়িত থাকে তা দেখা।
আমাদের দৃশ্যকল্প (কাল্পনিক): একজন 34 বছর বয়সী মহিলা রোগী অল্প বয়সে স্তন ক্যান্সারের পারিবারিক ইতিহাস সহ জেনেটিক মূল্যায়নের জন্য আসেন। প্যানেল পরীক্ষায় BRCA1 জিনের একটি বৈকল্পিক পাওয়া গেছে। আমাদের লক্ষ্য: এই বৈকল্পিকটি শ্রেণীবদ্ধ করুন, প্রোটিনের উপর এর সম্ভাব্য প্রভাব ব্যাখ্যা করুন, সাহিত্য পর্যালোচনা করুন, এবং একটি ক্লিনিকাল রিপোর্টের খসড়া তৈরি করুন — প্রতিটি ধাপে AI ব্যবহার করে এবং প্রতিটি ধাপে এটিকে যাচাই করা।
পর্যায় 1: বৈকল্পিক এবং গোপনীয়তা নিয়ন্ত্রণ ঠিক করা
কর্মপ্রবাহের একেবারে শুরুতে, আমরা দুটি জিনিস করি: ডেটা মানক করা এবং গোপনীয়তা নিশ্চিত করা।
গোপনীয়তা প্রথম: রোগীর নাম, শনাক্তকরণ নম্বর এবং জন্ম তারিখ কোনো খোলা এআই টুলস (ইউনিট 10) প্রবেশ করান না। আমরা শুধুমাত্র বৈকল্পিক, জিনোম সংস্করণ এবং ট্রান্সক্রিপ্ট নিয়ে কাজ করি — এবং শুধুমাত্র যদি বৈকল্পিক ব্যক্তিটিকে সনাক্ত না করে। তারপরে আমরা ভেরিয়েন্টটি ঠিক করি: GRCh38, BRCA1, NM_007294.4, উদাহরণস্বরূপ c.5266dupC (p.Gln1756fs)। আমরা এটি একটি যাচাইকারী (VariantValidator) দিয়ে নিশ্চিত করি; আমরা অভিহিত মূল্যে AI দ্বারা প্রদত্ত প্রতিনিধিত্ব গ্রহণ করি না (ইউনিট 1, 3)।
পর্যায় 2: প্রমাণ সংগ্রহ (ইউনিট 3)
আমাদের কাছে AI আছে ACMG প্রুফ ফ্রেমওয়ার্ক তৈরি করে — কিন্তু ক্লাস না করেই তা বলুন। তারপরে আমরা প্রমাণের প্রতিটি অংশ নিজেরাই যাচাই করি:
- gnomAD ফ্রিকোয়েন্সি: আমরা gnomAD-এ বৈকল্পিক সন্ধান করি এবং দেখি যে এটি খুবই বিরল/অনুপস্থিত (PM2 এর দিক থেকে)।
- ClinVar: আমরা রেকর্ড খুলি এবং বিদ্যমান মন্তব্য এবং তাজাতা পরীক্ষা করি।
- বৈকল্পিক প্রকার: যদি একটি ফ্রেমশিফ্ট অকাল বন্ধের দিকে পরিচালিত করে, তবে কার্যকারিতা হ্রাসের শক্তিশালী প্রমাণ থাকতে পারে (PVS1) - তবে আমরা জিন এবং প্রতিলিপির প্রসঙ্গে এটিকে মূল্যায়ন করি।
আমরা এটি যাচাই না করে AI দ্বারা প্রদত্ত কোন ফ্রিকোয়েন্সি বা রেফারেন্স ব্যবহার করি না (ইউনিট 9)।
পর্যায় 3: প্রোটিন-কাঠামো ব্যাখ্যা (ইউনিট 4)
প্রোটিনের উপর বৈকল্পিকটির প্রভাব বোঝার জন্য, আমরা আলফাফোল্ড কাঠামো ডাউনলোড করি (এর ইউনিপ্রট নম্বর সহ), pLDDT আত্মবিশ্বাসের স্কোর এবং প্রভাবিত অঞ্চলের UniProt কার্যকরী টীকা দেখুন। যেহেতু একটি ফ্রেমশিফ্ট প্রোটিনের বেশিরভাগ পরিবর্তন করে, কাঠামোর ব্যাখ্যা এখানে ক্ষতি-অফ-ফাংশন হাইপোথিসিসকে সমর্থন করতে পারে-কিন্তু গঠনটি একটি অনুমান, নির্দিষ্ট প্রমাণ নয়। আমরা AI-কে স্থানাঙ্কের জন্য জিজ্ঞাসা করি না; আমরা ফাইল থেকে পড়া.
পর্যায় 4: সাহিত্য যাচাই (ইউনিট 7)
আমরা AI থেকে সার্চ টার্মগুলি পাই, PubMed-এ নিজেই সার্চ করি এবং ভেরিয়েন্ট এবং জিনের প্রকৃত নিবন্ধগুলি খুঁজে পাই। আমরা DOI/PMID-এর সাথে AI "মেমরি থেকে" জমা দেওয়া উদ্ধৃতিগুলি যাচাই করি। আমরা উৎসে সম্পর্ক এবং কার্যকারণের মধ্যে পার্থক্য রক্ষা করি।
পর্যায় 5: শ্রেণীবিভাগ এবং ক্লিনিকাল ব্যাখ্যা (ইউনিট 3, 8)
আমরা ACMG এর সংমিশ্রণের সাথে সম্ভাব্য শ্রেণী অনুমান করে বৈধ প্রমাণগুলিকে একত্রিত করি (এই উদাহরণে, শক্তিশালী ক্ষতি-অফ-ফাংশন এবং বিরল প্রমাণগুলি "প্যাথোজেনিক/সম্ভবত প্যাথোজেনিক" এর দিকে হতে পারে — তবে বিশেষজ্ঞের চূড়ান্ত বক্তব্য রয়েছে)। আমরা ফেনোটাইপ এবং পারিবারিক ইতিহাসের সাথে ক্লিনিকাল ব্যাখ্যাকে একত্রিত করি: রোগীর ছবি কি BRCA1 এর সাথে সামঞ্জস্যপূর্ণ? যদি অনিশ্চয়তা থাকে, আমরা তা সততার সাথে জানাই।
পর্যায় 6: রিপোর্ট খসড়া এবং অনুমোদন (ইউনিট 8)
এআই-এর সাহায্যে আমরা চিকিত্সক এবং রোগীর জন্য খসড়া প্রতিবেদন তৈরি করি; এমন একটি ভাষায় যা কার্যকারণকে অতিরঞ্জিত করে না, অনিশ্চয়তা সম্পর্কে স্পষ্ট এবং জেনেটিক কাউন্সেলিং এর দিকে নির্দেশ করে। বিশেষজ্ঞ প্রতিটি বাক্য নিশ্চিত করে। আমরা সীমা বিভাগ যোগ করি (পরীক্ষা কভার করে না, পুনর্মূল্যায়নের শর্ত)।
টিপ: এন্ড-টু-এন্ড প্রবাহে প্রতিটি পর্যায়ের আউটপুট পরেরটিতে ইনপুট করার সময়, নিশ্চিত করুন যে আউটপুটটি যাচাই করা হয়েছে। একটি অযাচাইকৃত ফ্রিকোয়েন্সি বা অ্যাট্রিবিউশন পরবর্তী সমস্ত ধাপে ভুলভাবে এগিয়ে নিয়ে যাওয়া হয় (শৃঙ্খলিত হ্যালুসিনেশন—ইউনিট 9)।
কর্মপ্রবাহ টেবিল
মঞ্চ
AI এর ভূমিকা
বাধ্যতামূলক যাচাইকরণ
সিদ্ধান্ত গ্রহণকারী
ফিক্সিং
ডেমো স্কেচ
ভেরিয়েন্ট ভ্যালিডেটর
বিশেষজ্ঞ
গোপনীয়তা
বেনামী নিয়ন্ত্রণ
মানুষের নিয়ন্ত্রণ
বিশেষজ্ঞ
প্রমাণ
একটি কাঠামো সেট আপ করা হচ্ছে
gnomAD, ClinVar
বিশেষজ্ঞ
গঠন
মন্তব্য করুন
pLDDT, ফাইল
বিশেষজ্ঞ
সাহিত্য
অনুসন্ধান শব্দ, সারাংশ
ডিওআই/পিএমআইডি
বিশেষজ্ঞ
ক্লাস
সংমিশ্রণ খসড়া
ACMG নিয়ম
বিশেষজ্ঞ
রিপোর্ট
ভাষার খসড়া
বাক্য দ্বারা অনুমোদন বাক্য
বিশেষজ্ঞ/পরামর্শদাতা
তিনটি মিনি কেস (প্রবাহে ব্রেকপয়েন্ট)
কেস 1 - ভুল প্রতিলিপি। একটি দল স্ট্রিমের শুরুতে এআই দ্বারা প্রদত্ত প্রতিলিপি নিয়ে কাজ করেছিল; তিনি পরে বুঝতে পেরেছিলেন যে প্যানেল একটি ভিন্ন প্রতিলিপি ব্যবহার করেছে। গ. তাদের অবস্থান বদল হয়েছে। ভেরিয়েন্ট ভ্যালিডেটর দিয়ে শুরু থেকে ঠিক করে ত্রুটিটি সমাধান করা হয়েছে। পাঠ: ফিক্সিং পর্বে ত্রুটি সমগ্র প্রবাহকে ব্যাহত করে।
কেস 2 - জাল সমর্থনকারী নিবন্ধ। সাহিত্য পর্বে, এআই শ্রেণীবিভাগকে সমর্থন করে একটি প্ররোচিত কাগজ প্রস্তাব করেছিল। PMID চেক দেখায় যে নিবন্ধটি বিদ্যমান ছিল না; প্রমাণের শৃঙ্খল থেকে সরানো হয়েছে। প্রকৃত প্রমাণ যথেষ্ট ছিল, কিন্তু রিপোর্টে মিথ্যা অ্যাট্রিবিউশন থাকলে একাডেমিক/ক্লিনিকাল বিশ্বাস ক্ষতিগ্রস্ত হত।
কেস 3 - নিশ্চিতকরণ অর্জিত হয়েছে। রিপোর্টিং পর্যায়ে, এআই ড্রাফ্টে বিবৃতি অন্তর্ভুক্ত ছিল "এই বৈকল্পিকটি অবশ্যই ক্যান্সার সৃষ্টি করে।" পরামর্শদাতা "এই বৈকল্পিকটি স্তন/ডিম্বাশয়ের ক্যান্সারের ঝুঁকি উল্লেখযোগ্যভাবে বৃদ্ধি করে, কিন্তু নির্দিষ্ট রোগ নির্দেশ করে না" বলে এটি সংশোধন করেছেন এবং জেনেটিক কাউন্সেলিং এর জন্য একটি সুপারিশ যোগ করেছেন। স্বন এবং নির্ভুলতা বিশেষজ্ঞের হাতে আকার দেওয়া হয়েছিল।
দুটি অনুলিপিযোগ্য টেমপ্লেট (শেষ থেকে শেষ)
1) প্রবাহ পরিকল্পনাকারী:
আপনার ভূমিকা: ক্লিনিকাল জেনেটিক্স ওয়ার্কফ্লো সহকারী। নিম্নলিখিত বৈকল্পিকের জন্য রিপোর্ট করার জন্য আবিষ্কার থেকে শেষ-থেকে-এন্ড চেকলিস্ট তৈরি করুন: [জিনোম সংস্করণ, জিন, প্রতিলিপি, HGVS]। প্রতিটি পর্যায়ে (নির্ধারণ, গোপনীয়তা, প্রমাণ, কাঠামো, সাহিত্য, শ্রেণী, প্রতিবেদন) "এআই কী করে / আমি কী যাচাই করি / কে সিদ্ধান্ত নেয়" কলাম সহ লিখুন। আপনি ক্লাস এবং ক্লিনিকাল সিদ্ধান্ত নিন।
2) চূড়ান্ত পরিদর্শন:
জমা দেওয়ার আগে নিম্নলিখিত সম্পূর্ণ ভেরিয়েন্ট মন্তব্য এবং প্রতিবেদনের খসড়াটি প্রি-চেক করুন: [সামগ্রী]। এর জন্য পরীক্ষা করুন: অপ্রমাণিত ফ্রিকোয়েন্সি/অ্যাট্রিবিউশন, অতিরঞ্জিত কার্যকারণ/নির্ভুলতা বিবৃতি, অনুপস্থিত অস্পষ্টতা সতর্কতা, অনুপস্থিত সীমানা বিভাগ, গোপনীয়তা দুর্বলতা। প্রতিটি সমস্যা এবং এটি ঠিক করার জন্য কোন পরামর্শ তালিকাভুক্ত করুন।
দুর্বল প্রম্পট / শক্তিশালী প্রম্পট
দুর্বল: "এই BRCA1 ভেরিয়েন্টের জন্য একটি সম্পূর্ণ ক্লিনিকাল রিপোর্ট লিখুন।"
সমস্যা: AI একযোগে সমস্ত ধাপ ফিট করে "রিপোর্ট" তৈরি করে; ফ্রিকোয়েন্সি, অ্যাট্রিবিউশন, ক্লাস, ক্লিনিকাল রায় সবই নিশ্চিত নয়।
শক্তিশালী: "এই BRCA1 ভেরিয়েন্টের জন্য রিপোর্ট করার জন্য আবিষ্কার থেকে একটি চেকলিস্ট তৈরি করুন; আপনি কী করবেন, আমি কী যাচাই করব এবং কে সিদ্ধান্ত নেবে তা আলাদা করে নিন। প্রমাণ নিশ্চিত করার পরে আমি ক্লাস এবং ক্লিনিকাল সিদ্ধান্ত নেব।"
কেন এটি শক্তিশালী: প্রবাহটি কাঠামোগত, প্রতিটি পর্যায় বৈধতার সাথে আবদ্ধ, এবং সিদ্ধান্ত এবং দায়িত্ব মানুষের সাথেই থাকে।
সাধারণ ভুল
- একটি প্রম্পট সহ একটি "সমাপ্ত প্রতিবেদন" চাচ্ছে। পর্যায়গুলি যাচাই ছাড়াই মিলিত হয়; ত্রুটি জমা হয়।
- ফিক্সিং ফেজ উপেক্ষা. ভুল সংস্করণ/ট্রান্সক্রিপ্ট সমগ্র স্ট্রীম খণ্ডন করে।
- এটি যাচাই না করেই পর্যায়গুলির মধ্যে আউটপুট সরানো৷ একটি চেইন হ্যালুসিনেশন দেখা দেয়।
- প্রবাহের "শেষে" গোপনীয়তা সম্পর্কে চিন্তা করা। গোপনীয়তা প্রথম স্থানে, ডেটা এন্ট্রিতে প্রতিষ্ঠিত করা আবশ্যক।
- সিদ্ধান্ত এবং টোন এআই-এর কাছে ছেড়ে দেওয়া। শ্রেণীকক্ষ এবং ক্লিনিকাল মেসেজিং বিশেষজ্ঞ দ্বারা অনুমোদিত হতে হবে।
সতর্কতা: এন্ড-টু-এন্ড এআই ব্যবহার করা অনেক সময় বাঁচায় কিন্তু দায়িত্ব কমায় না; বিপরীতে, এটি প্রতিটি পর্যায়ে যাচাইকরণের শৃঙ্খলাকে আরও গুরুত্বপূর্ণ করে তোলে। এআই প্রবাহের গতি বাড়ায়; মানুষ সঠিকতা, নিরাপত্তা এবং নৈতিক সম্মতির গ্যারান্টি দেয়।
গভীরতা: কর্মপ্রবাহের সময় সাশ্রয়, ভঙ্গুরতা এবং অডিট ট্রেইল
এন্ড-টু-এন্ড প্রবাহের আসল মূল্য হল "এআইকে সবকিছু করতে দিন" কিন্তু সঠিক জায়গায় সময় লাভ করা এবং সঠিক জায়গায় ধীরগতি করা। আসুন এই পরিস্থিতিতে লাভের পরিমাপ করা যাক: প্রমাণ কাঠামো সেট আপ করা, অনুসন্ধান পদ তৈরি করা, প্রতিবেদনের ভাষা সরল করা এবং একটি পোস্ট-অডিট চেকলিস্ট নিয়ে আসা যা ঐতিহ্যগতভাবে কয়েক ঘন্টার খসড়া তৈরির কাজকে কয়েক মিনিটে কাটাতে পারে। বিপরীতে, gnomAD/ClinVar বৈধতা, ভেরিয়েন্ট ভ্যালিডেটর পিনিং, DOI চেকিং, এবং বিশেষজ্ঞের রায়কে সংক্ষেপে বলা যায় না - তারা স্ট্রিমের নিরাপত্তা মেরুদণ্ড। সঠিক মানসিকতা: "এআই খসড়া তৈরি করে, মানুষ গ্যারান্টার হিসাবে কাজ করে।" লাভ খসড়ায়, দায়িত্ব সিদ্ধান্তে।
প্রবাহের সবচেয়ে ভঙ্গুর লিঙ্কটি সর্বদা প্রথম: অ্যাঙ্করিং। ভুল জিনোম সংস্করণ বা ভুল প্রতিলিপি নিঃশব্দে প্রতিটি পরবর্তী পর্যায়ে প্রচার করে, অবশেষে একটি সম্পূর্ণ অবৈধ প্রতিবেদন তৈরি করে। তাই একটি একক স্বতন্ত্র টুল (যেমন ভেরিয়েন্ট ভ্যালিডেটর) দিয়ে অ্যাঙ্করকে যাচাই না করে পরবর্তী ধাপে এগিয়ে যাবেন না। দ্বিতীয় সবচেয়ে ঝুঁকিপূর্ণ বিষয় হল পর্যায়গুলির মধ্যে আউটপুট বহন করা: এক পর্যায়ের অযাচাইকৃত আউটপুটকে পরবর্তীতে ইনপুট করে চেইন হ্যালুসিনেশনকে আমন্ত্রণ জানায়।
অবশেষে, ক্লিনিক্যাল প্রেক্ষাপটে, অডিট ট্রেইল প্রবাহের অবিচ্ছেদ্য অংশ: এটি অবশ্যই নথিভুক্ত করতে হবে কোন উত্সটি কোন তারিখে পরীক্ষা করা হয়েছিল, কোন ক্লিনভার সংস্করণটি দেখা হয়েছিল, কে কোন সিদ্ধান্তকে অনুমোদন করেছিল। ClinVar পর্যালোচনা সময়ের সাথে পরিবর্তিত হয়; একটি রেকর্ড যা "প্যাথোজেনিক আজ" এক বছর পরে VUS-এ ফিরে যেতে পারে। অডিট ট্রেইল পুনঃমূল্যায়ন এবং আইনি/নৈতিক জবাবদিহিতা উভয়ই সক্ষম করে।
স্ট্রিমিং বৈশিষ্ট্য
নীতি
আবেদন
সময় সাশ্রয়
খসড়া উপর গতি পেতে
এআই থেকে ফ্রেমওয়ার্ক, ভাষা, চেকলিস্ট
ভঙ্গুরতা
প্রথম রিং সুরক্ষিত করুন
স্বাধীন টুল দিয়ে ফিক্সেশন নিশ্চিত করুন
আউটপুট পরিবহন
যাচাই ছাড়াই সরান
প্রতিটি পর্যায় উৎসে অনুমোদিত হয়
নিরীক্ষা পথ
প্রতিটি সিদ্ধান্ত নথিভুক্ত করুন
উত্স, তারিখ, নিবন্ধিত দ্বারা অনুমোদিত
সংক্ষেপে
- আবিষ্কার থেকে রিপোর্ট পর্যন্ত একটি বৈকল্পিক যাত্রা; এটি ফিক্সিং, গোপনীয়তা, প্রমাণ, কাঠামো, সাহিত্য, শ্রেণী এবং প্রতিবেদনের পর্যায়গুলিকে কভার করে।
- AI প্রতিটি পর্যায়ে খসড়া/কোড/সারাংশ তৈরি করে; প্রতিটি পর্যায়ে, বিশেষজ্ঞ যাচাই করে এবং সিদ্ধান্ত নেয়।
- পর্যায়গুলির মধ্যে আউটপুট যাচাই করার পরেই পরবর্তীতে সরানো উচিত।
- প্রথম থেকেই গোপনীয়তা প্রতিষ্ঠিত হয়; ক্লাস এবং ক্লিনিকাল সিদ্ধান্ত অবশেষে বিশেষজ্ঞের অনুমোদনের সাথে তৈরি করা হয়।
আবেদন টাস্ক
একটি কাল্পনিক রূপ চয়ন করুন (যেমন একটি সুপরিচিত BRCA1 রেকর্ড)। 1. টেমপ্লেটের সাথে একটি এন্ড-টু-এন্ড চেকলিস্ট তৈরি করুন এবং এই মডিউলে সংশ্লিষ্ট ইউনিটের পদ্ধতিতে প্রতিটি পর্যায় নিজেই পরিচালনা করুন: বৈকল্পিকটি ঠিক করুন, gnomAD/ClinVar পরীক্ষা করুন, আলফাফোল্ড কাঠামোটি দেখুন, একটি বাস্তব নিবন্ধ খুঁজুন, সম্ভাব্য শ্রেণীটিকে ন্যায্যতা দিন এবং একটি প্রতিবেদন অনুচ্ছেদ খসড়া করুন এবং বিশেষজ্ঞের চোখে এটি প্রমাণ করুন। কমপক্ষে দুটি পর্যায়ে এআই এবং উত্সের মধ্যে পার্থক্য খুঁজে বের করার চেষ্টা করুন।
চেকলিস্ট
- আমি প্রথম থেকেই গোপনীয়তা সেট আপ করেছি; আমি কোনো সনাক্তকারী তথ্য স্থানান্তর করিনি।
- [ ] আমি সংস্করণ/ট্রান্সক্রিপ্টের সাথে বৈকল্পিকটি ঠিক করেছি এবং যাচাইকারীর সাথে এটি নিশ্চিত করেছি।
- [ ] আমি প্রাথমিক উৎসে প্রতিটি প্রমাণ (ফ্রিকোয়েন্সি, ক্লিনভার, সাহিত্য) যাচাই করেছি।
- [ ] আমি কনফিডেন্স স্কোর এবং ফাইল থেকে গঠন মন্তব্য করেছি।
- [ ] আমি ব্যক্তিগতভাবে প্রমাণের ভিত্তিতে ক্লাস এবং ক্লিনিকাল ব্যাখ্যা যাচাই করেছি।
- [] আমি রিপোর্টের ভাষায় কার্যকারণ/নির্ভুলতা পরীক্ষা করেছি এবং সীমা যোগ করেছি।
মডিউল পরীক্ষা
1. আণবিক জীববিজ্ঞান এবং জেনেটিক্সে কৃত্রিম বুদ্ধিমত্তার (বিশেষ করে বড় ভাষার মডেল) জন্য নিচের কোনটি সবচেয়ে সঠিক অবস্থান?
- ক) এটি একজন সহকারী যিনি কোড লেখেন, খসড়া তৈরি করেন এবং মন্তব্য করেন; প্রতিটি জৈবিক ঘটনা অবশ্যই প্রাথমিক উত্সে যাচাই করা উচিত, চূড়ান্ত ব্যাখ্যা বিশেষজ্ঞের অন্তর্গত ✔
- খ) এটি একটি নির্ভরযোগ্য জিনোম ডাটাবেস; প্রদত্ত ক্রম এবং রূপগুলি সরাসরি প্রতিবেদনে লেখা যেতে পারে।
- গ) যেহেতু এটি একটি পরীক্ষাগার যন্ত্রের মতো পরিমাপ করে, তাই এর আউটপুটগুলি পরীক্ষামূলক প্রমাণ হিসাবে বিবেচিত হয়।
- ঘ) মানুষের অনুমোদন ছাড়াই ক্লিনিকাল প্যাথোজেনিসিটি সিদ্ধান্ত চূড়ান্ত করতে সক্ষম।
ব্যাখ্যা: বড় ভাষা মডেল একটি জিনোম ডাটাবেস বা পরীক্ষাগার টুল নয়; এটি একটি পাঠ্য জেনারেটর যা পরিসংখ্যানগতভাবে প্রশিক্ষণের ডেটাতে পাঠ্য অনুকরণ করে। জৈবিক তথ্য যেমন সিকোয়েন্স/ভেরিয়েন্ট/জিন সবসময় প্রাথমিক উৎস যেমন NCBI, Ensembl, ClinVar, gnomAD থেকে যাচাই করা উচিত; চূড়ান্ত ক্লিনিকাল এবং বৈজ্ঞানিক ব্যাখ্যা যোগ্য বিশেষজ্ঞের অন্তর্গত হওয়া উচিত।
2. আপনি AI থেকে একটি ভেরিয়েন্টের জিনোম স্থানাঙ্ক পেয়েছেন, কিন্তু আপনার প্রকল্প GRCh38 (hg38) ব্যবহার করে। কৃত্রিম বুদ্ধিমত্তা hg19 স্থানাঙ্ক দিয়েছে। সঠিক পন্থা কি?
- ক) স্থানাঙ্কটি সরাসরি ব্যবহার করা কারণ এটি যুক্তিসঙ্গত বলে মনে হয়
- খ) সংস্করণের জন্য জিজ্ঞাসা করার প্রয়োজন নেই কারণ কৃত্রিম বুদ্ধিমত্তা সর্বদা সবচেয়ে সাম্প্রতিক সংস্করণ দেয়।
- গ) স্পষ্টভাবে জিনোম সংস্করণ নিশ্চিত করুন এবং একটি অফিসিয়াল লিফটওভার টুলের সাথে সমন্বয় যাচাই করুন ✔
- D) যেহেতু hg19 এবং hg38 এর মধ্যে পার্থক্যটি নগণ্য, একটি বেছে নিন এবং চালিয়ে যান
বর্ণনা: জিনোম সংস্করণের মধ্যে স্থানাঙ্ক স্থানান্তর (GRCh37/hg19 এবং GRCh38/hg38)। একটি সংস্করণ ছাড়া দেওয়া কোনো স্থানাঙ্ক সন্দেহজনক. স্থানাঙ্কগুলিকে একটি অফিসিয়াল লিফটওভার টুল দিয়ে রূপান্তরিত/যাচাই করা উচিত এবং ব্যবহৃত জিনোম সংস্করণটি স্পষ্টভাবে নিশ্চিত হওয়া উচিত; অন্যথায় সমগ্র প্রান্তিককরণ এবং মন্তব্য ভুল অবস্থান নির্দেশ করবে।
3. HGVS স্বরলিপিতে 'c.', 'p.' এবং 'g.' উপসর্গগুলির অর্থ কী এবং কেন তাদের বিভ্রান্ত করা উচিত নয়?
- ক) তিনটিই একই জিনিস বোঝায়, কোনটি ব্যবহার করা হয়েছে তা বিবেচ্য নয়।
- খ) 'গ.' কোডিং ডিএনএ/ট্রান্সক্রিপ্ট, 'পি.' প্রোটিন, 'g.' জিনোমিক স্তর; বিভ্রান্ত হলে, এটি একটি ভিন্ন অবস্থান নির্দেশ করতে পারে ✔
- গ) 'পৃ.' সর্বদা 'গ.' এর মান তিনগুণ, রূপান্তর স্বয়ংক্রিয় এবং ত্রুটি-মুক্ত
- ঘ) উপসর্গ নিছক আনুষ্ঠানিক; প্রতিলিপি সংস্করণ নির্দিষ্ট করার কোন প্রয়োজন নেই
বর্ণনা: HGVS হল প্রমিত বানান বিন্যাস যার ভেরিয়েন্ট: 'c.' কোডিং ডিএনএ (ট্রান্সক্রিপ্ট) স্তর, 'পি।' প্রোটিন স্তর, 'g.' জিনোমিক স্তর বোঝায়। এইগুলি মিশ্রিত করা বা ভুল ট্রান্সক্রিপ্ট সংস্করণ ব্যবহার করা একটি সম্পূর্ণ ভিন্ন অবস্থান/ভেরিয়েন্ট নির্দেশ করতে পারে; তাই ট্রান্সক্রিপ্ট সংস্করণের সাথে সঠিক উপসর্গ ব্যবহার করতে হবে (যেমন NM_007294.4)।
4. একটি বৈকল্পিক প্যাথোজেনিসিটি মূল্যায়ন করতে ACMG মানদণ্ড ব্যবহার করার সময় AI এর ভূমিকা কী হওয়া উচিত?
- ক) কৃত্রিম বুদ্ধিমত্তা প্রমাণ এবং শ্রেণী চূড়ান্ত করে; বিশেষজ্ঞ তত্ত্বাবধানের প্রয়োজন নেই
- খ) GnomAD নিয়ন্ত্রণ অপ্রয়োজনীয় কারণ কৃত্রিম বুদ্ধিমত্তা তার স্মৃতি থেকে জনসংখ্যার ফ্রিকোয়েন্সি দেয়।
- গ) যেহেতু ACMG মানদণ্ড কঠোর, তাই AI আউটপুট স্বয়ংক্রিয়ভাবে সঠিক বলে বিবেচিত হয়
- ঘ) কৃত্রিম বুদ্ধিমত্তা খসড়া প্রমাণ তৈরি করতে পারে; প্রতিটি প্রমাণ প্রাথমিক উৎসে যাচাই করা উচিত, চূড়ান্ত শ্রেণীবিভাগ বিশেষজ্ঞ দ্বারা করা উচিত ✔
বর্ণনা: ACMG হল একটি কাঠামো যা প্রমাণের বিভাগ দ্বারা বৈকল্পিক প্যাথোজেনিসিটিকে শ্রেণীবদ্ধ করে (জনসংখ্যার ফ্রিকোয়েন্সি, সিলিকো ভবিষ্যদ্বাণী, পৃথকীকরণ, কার্যকরী অধ্যয়ন, সাহিত্য)। AI খসড়া প্রমাণ তৈরি করতে পারে; যাইহোক, প্রতিটি প্রমাণ অবশ্যই ClinVar, gnomAD এবং সাহিত্যে ব্যক্তিগতভাবে যাচাই করতে হবে এবং চূড়ান্ত শ্রেণীবিভাগ (প্যাথোজেনিক/সম্ভাব্য প্যাথোজেনিক/VUS...) অবশ্যই দক্ষ বিশেষজ্ঞ দ্বারা করা উচিত।
5. আপনি কৃত্রিম বুদ্ধিমত্তা দ্বারা প্রদত্ত একটি ডিএনএ ক্রম নিয়ে কাজ করবেন। সেরা প্রথম পদক্ষেপ কি?
- ক) এনসিবিআই/এনসেম্বলের মতো প্রাথমিক উত্স থেকে ক্রমটি প্রাপ্ত করে বা সেখানে রেফারেন্স সহ এটি নিশ্চিত করে ক্রমটি ব্যবহার করা ✔
- খ) ক্রমটি সরাসরি বিশ্লেষণে সন্নিবেশ করান কারণ এটি সঠিক দৈর্ঘ্য বলে মনে হচ্ছে
- গ) অনুমানটি সঠিক যদি অক্ষরগুলি বৈধ নিউক্লিওটাইডগুলি নিয়ে থাকে
- ঘ) কৃত্রিম বুদ্ধিমত্তাকে ক্রমটি সম্পর্কে আবার জিজ্ঞাসা করুন এবং দুটি আউটপুট একই হলে এটিকে সঠিক হিসাবে গণনা করুন।
ব্যাখ্যা: এআই এমন একটি স্ট্রিং 'পূরণ' করতে পারে যা মনে থাকে না প্রশংসনীয় অক্ষর দিয়ে; এমনকি যদি দৈর্ঘ্য এবং অক্ষরগুলি সঠিক প্রদর্শিত হয়, তবে তারা প্রকৃত রেফারেন্সের সাথে মেলে না। অতএব, মাথা থেকে কৃত্রিম বুদ্ধিমত্তা দ্বারা প্রদত্ত কোন ক্রম সরাসরি ব্যবহার করা হয় না; ক্রমটি একটি প্রাথমিক উত্স থেকে নেওয়া হয়েছে যেমন NCBI/এনসেম্বল বা রেফারেন্স দ্বারা নিশ্চিত করা হয়েছে৷
6. আলফাফোল্ডের মতো একটি টুল থেকে প্রোটিন গঠনের পূর্বাভাসে pLDDT স্কোর বলতে কী বোঝায়?
- ক) এটি একটি শংসাপত্র যা দেখায় যে কাঠামোটি পরীক্ষামূলকভাবে প্রমাণিত হয়েছে
- খ) এটি একটি পরীক্ষাগার মান যা প্রোটিনের কার্যকরী কার্যকলাপের মাত্রা পরিমাপ করে।
- গ) এটি একটি স্কোর যা প্রতিটি অবশিষ্টাংশের জন্য স্থানীয় কাঠামোর ভবিষ্যদ্বাণীতে মডেলের আস্থা নির্দেশ করে; নিম্ন মান নমনীয়/অনির্ভরযোগ্য অঞ্চল ✔
- D) এটি একটি অনুপাত যা জনসংখ্যার প্রোটিনের বৈকল্পিক ফ্রিকোয়েন্সি দেখায়।
বর্ণনা: pLDDT (0-100) হল একটি আত্মবিশ্বাসের স্কোর যা নির্দেশ করে যে AlphaFold প্রতিটি অবশিষ্টাংশের (অ্যামিনো অ্যাসিড) স্থানীয় কাঠামোর পূর্বাভাসে কতটা আত্মবিশ্বাসী। উচ্চ pLDDT মানে নির্ভরযোগ্য স্থানীয় কাঠামো, নিম্ন pLDDT মানে নমনীয়/বিশৃঙ্খল বা অবিশ্বস্ত অঞ্চল। গঠন একটি অনুমান; কম-আস্থার অঞ্চলগুলিকে অতিরিক্ত ব্যাখ্যা করা উচিত নয় এবং কার্যকরী দাবিগুলি পরীক্ষামূলক প্রমাণ দ্বারা সমর্থিত হওয়া উচিত।
7. আলফাফোল্ড কাঠামোর পূর্বাভাসের উপর ভিত্তি করে একটি মিউটেশন প্রোটিনকে 'একেবারে অক্ষম' করে বলে দাবি করা কেন ঝুঁকিপূর্ণ?
- ক) আলফাফোল্ড স্ট্রাকচারগুলি কোনও উদ্দেশ্যে ব্যবহার করা যাবে না কারণ সেগুলি সর্বদা ভুল
- খ) গঠন একটি অনুমান; কার্যকরী দাবিগুলি অনুমানের স্তরে থাকে এবং পরীক্ষামূলক যাচাইকরণের প্রয়োজন হয় ✔
- গ) কোন ঝুঁকি নেই; আলফাফোল্ড আউটপুট পরীক্ষামূলক বিল্ডের মতোই নির্ভুল
- ঘ) pLDDT কম হলেই ঝুঁকি থাকে; এটি উচ্চ হলে, দাবি স্বয়ংক্রিয়ভাবে প্রমাণিত বলে বিবেচিত হয়।
প্রকাশ: আলফাফোল্ড একটি কাঠামোর পূর্বাভাস, পরীক্ষামূলক প্রমাণ নয়; এটি বিশেষত নমনীয়/বিশৃঙ্খল অঞ্চলে এবং মডেলিং মিউটেশন প্রভাবগুলিতে সীমাবদ্ধ। একটি গঠনের উপর ভিত্তি করে কার্যকরী দাবিগুলি হাইপোথিসিস স্তরে থাকে এবং পরীক্ষামূলক যাচাইকরণের প্রয়োজন হয় (যেমন, কার্যকরী অধ্যয়ন)। অন্যথায়, ভবিষ্যদ্বাণী প্রমাণ হিসাবে উপস্থাপন করা হয়।
8. কৃত্রিম বুদ্ধিমত্তা দ্বারা প্রস্তাবিত CRISPR জিআরএনএ (গাইড আরএনএ) প্রার্থীদের জন্য সবচেয়ে গুরুত্বপূর্ণ বৈধকরণ পদক্ষেপ কী?
- ক) gRNA এর দৈর্ঘ্য সঠিক হলে, আর কোন পরীক্ষা করার প্রয়োজন নেই
- খ) কৃত্রিম বুদ্ধিমত্তা যদি বলে 'অফ-টার্গেট ইফেক্ট কম', তাহলে সরাসরি পরীক্ষায় এগিয়ে যান
- গ) এটি যথেষ্ট নিশ্চয়তা যে জিআরএনএ ক্রমটি বৈধ নিউক্লিওটাইড নিয়ে গঠিত
- ঘ) প্রকৃত জিনোম সারিবদ্ধকরণ এবং বিশেষজ্ঞ অফ-টার্গেট বিশ্লেষণ সরঞ্জাম সহ প্রার্থীদের যাচাই করুন এবং পরীক্ষাগারে নিশ্চিত করুন ✔
বর্ণনা: gRNA হল গাইড RNA যা Cas এনজাইমকে লক্ষ্যে নির্দেশ করে; ভুল নকশার সাথে, এটি অফ-টার্গেট এলাকাগুলিও কাটাতে পারে। AI দ্বারা প্রত্যাবর্তিত প্রার্থীদের অবশ্যই প্রকৃত জিনোম প্রান্তিককরণ এবং বিশেষজ্ঞ অফ-টার্গেট বিশ্লেষণ সরঞ্জাম দ্বারা যাচাই করতে হবে, তারপর পরীক্ষাগার পরীক্ষা দ্বারা নিশ্চিত করা হবে। শুধুমাত্র কৃত্রিম বুদ্ধিমত্তা বলে 'নিরাপদ' যাচাইকরণের বিকল্প নয়।
9. কেন RNA-seq সহ হাজার হাজার জিনের অভিব্যক্তিতে পার্থক্য পরীক্ষা করার সময় একাধিক পরীক্ষার সংশোধন (যেমন FDR/বেঞ্জামিনি-হচবার্গ) প্রয়োজনীয়?
- ক) হাজার হাজার একযোগে পরীক্ষা মিথ্যা ইতিবাচককে স্ফীত করে; FDR সংশোধন এগুলিকে সীমাবদ্ধ করে, কাঁচা পি-মান বিভ্রান্তিকর ✔
- খ) নমুনার সংখ্যা কম হলেই সংশোধন করা প্রয়োজন; জিনের সংখ্যার সাথে এর কোন সম্পর্ক নেই
- গ) একাধিক পরীক্ষার সংশোধন ফলাফল পরিবর্তন করে না, এটি শুধুমাত্র আনুষ্ঠানিক
- ঘ) অপরিশোধিত p <0.05 সর্বদা যথেষ্ট; সংশোধন পরিসংখ্যানকে অপ্রয়োজনীয়ভাবে কঠিন করে তোলে
ব্যাখ্যা: যখন এক সাথে হাজার হাজার জিন পরীক্ষা করা হয়, তখন একা সুযোগের কারণে অনেক জিন p<0.05 (ফলস ইতিবাচক) নিয়ে আসে। একাধিক পরীক্ষার সংশোধন (FDR - মিথ্যা আবিষ্কারের হার নিয়ন্ত্রণ) এই মিথ্যা ইতিবাচক সীমাবদ্ধ করে। অসংশোধিত পি-মান সহ 'গুরুত্বপূর্ণ' ঘোষণা করা জিনের তালিকা বিভ্রান্তিকর; সমন্বয় করা মান (q-মান) ব্যবহার করা উচিত।
10. একটি পাথওয়ে সমৃদ্ধকরণ বিশ্লেষণে একটি পথ 'উল্লেখযোগ্যভাবে সমৃদ্ধ' বলে পাওয়া গেলে এর অর্থ কী এবং এটি কীভাবে ব্যাখ্যা করা উচিত?
- ক) প্রমাণ করে যে পথই রোগের নিশ্চিত কারণ
- খ) এটি পরীক্ষামূলক প্রমাণ যে পথটি কোষে সক্রিয়
- গ) এটি একটি পরিসংখ্যানগত সংকেত যা নির্দেশ করে যে পাথওয়ে জিনগুলি প্রত্যাশার চেয়ে বেশি উপস্থাপন করা হয়েছে; সমালোচনামূলক ব্যাখ্যা প্রয়োজন, কার্যকারণ নয় ✔
- D) এটি নিজেই একটি পর্যাপ্ত ফলাফল, ব্যাকগ্রাউন্ড এবং একাধিক পরীক্ষার সংশোধন থেকে স্বাধীন
বর্ণনা: সমৃদ্ধকরণ হল একটি পরিসংখ্যানগত সংকেত যা নির্দেশ করে যে জিনের মধ্যে একটি নির্দিষ্ট পথ অতিমাত্রায় উপস্থাপন করা হয়েছে যার অভিব্যক্তি পরিবর্তন হয়; এটি কার্যকারণ প্রমাণ নয় বা পথটি আসলে সক্রিয়। উপসংহার; ব্যবহৃত জিন সেটটি অবশ্যই পটভূমি নির্বাচন এবং একাধিক পরীক্ষার সংশোধনের পরিপ্রেক্ষিতে এবং জৈবিক প্রশংসিততার সাথে সমালোচনামূলকভাবে ব্যাখ্যা করতে হবে।
11. সাহিত্যের সারাংশ দেওয়ার সময়, AI এমন একটি নিবন্ধ উদ্ধৃত করতে পারে যা বাস্তব বলে মনে হয় কিন্তু বিদ্যমান নয় (জাল উদ্ধৃতি)। সঠিক পন্থা কি?
- ক) লেখক এবং জার্নালের নাম বাস্তবসম্মত হলে, উদ্ধৃতি সম্ভবত সঠিক, চেক করা অপ্রয়োজনীয়
- খ) DOI/PubMed এর মাধ্যমে প্রাথমিক উত্সে প্রতিটি উদ্ধৃতি যাচাই করুন; ✔ যা পাওয়া যায় না তা ব্যবহার না করা
- গ) কৃত্রিম বুদ্ধিমত্তা গুণাবলী তৈরি করে না; তার তথ্যসূত্র সরাসরি গ্রন্থপঞ্জিতে যোগ করা যেতে পারে
- ঘ) যদি অনেক উদ্ধৃতি থাকে, তার মধ্যে কয়েকটি ভুল হলে সমস্যা নেই।
বর্ণনা: AI একটি বাস্তব জার্নালে লেখকের নাম সহ একটি সম্পূর্ণ তৈরি নিবন্ধ (এবং নকল DOI) তৈরি করতে পারে। প্রতিটি উদ্ধৃতি ব্যক্তিগতভাবে DOI/PubMed-এর মাধ্যমে প্রাথমিক উৎসে যাচাই করতে হবে; যে রেফারেন্স পাওয়া যায় না সেগুলো ব্যবহার করা উচিত নয়। বৈজ্ঞানিক দায়িত্ব লেখকের অন্তর্গত; কোন অযাচাইকৃত রেফারেন্স টেক্সট প্রবেশ করা উচিত নয়.
12. AI-উত্পন্ন ক্লিনিকাল জেনেটিক রিপোর্টের খসড়া তৈরির ক্ষেত্রে সবচেয়ে সঠিক নীতি কী?
- ক) ড্রাফ্টটি সাবলীল হলে তা সরাসরি রোগীকে দেওয়া যেতে পারে
- খ) কোনো পৃথক উৎস যাচাইকরণের প্রয়োজন নেই কারণ এআই প্রমাণও তৈরি করে
- গ) রিপোর্টে প্যাথোজেনিসিটি সিদ্ধান্তটি কৃত্রিম বুদ্ধিমত্তার উপর ছেড়ে দেওয়া যেতে পারে, বিশেষজ্ঞ শুধুমাত্র বিন্যাস পরীক্ষা করে
- ঘ) প্রতিটি ক্লিনিকাল দাবি অবশ্যই প্রমাণিত হতে হবে, চূড়ান্ত প্রতিবেদনটি অবশ্যই উপযুক্ত বিশেষজ্ঞ দ্বারা অনুমোদিত হতে হবে এবং যাচাইয়ের চেইনটি অবশ্যই নথিভুক্ত করতে হবে ✔
বর্ণনা: কৃত্রিম বুদ্ধিমত্তা প্রতিবেদনের খসড়া এবং সারাংশ তৈরিতে সময় বাঁচায়; যাইহোক, প্রতিটি ক্লিনিকাল দাবি অবশ্যই প্রমাণ এবং প্রাথমিক উত্সের সাথে যুক্ত হতে হবে এবং চূড়ান্ত প্রতিবেদনটি অনুমোদিত বিশেষজ্ঞ দ্বারা অনুমোদিত হতে হবে। AI আউটপুট সরাসরি রোগীর সিদ্ধান্তে অনুবাদ করা যায় না; যাচাইকরণ চেইন অবশ্যই নথিভুক্ত করা উচিত।
13. AI এর আউটপুট খুব তরল এবং 'আত্মবিশ্বাসী' শোনালে এর অর্থ কী?
- ক) আত্মবিশ্বাসী স্বর নির্ভুলতার প্রমাণ নয়; বৈধতার প্রয়োজনীয়তা বাড়ে, কমে না ✔
- খ) একটি সাবলীল এবং সিদ্ধান্তমূলক উত্তর সম্ভবত সত্য, নিশ্চিতকরণ অপ্রয়োজনীয়
- গ) আত্মবিশ্বাসী টোন নির্দেশ করে যে মডেলটি মেমরি থেকে সরাসরি ডেটা পড়ছে
- ঘ) স্বর হল আত্মবিশ্বাসের একটি পরিমাপ, কারণ দ্বিধাগ্রস্ত উত্তরগুলি ভুল এবং আত্মবিশ্বাসী উত্তরগুলি সঠিক।
ব্যাখ্যা: AI এর আত্মবিশ্বাসী টোন সঠিকতার প্রমাণ নয়; সবচেয়ে বিপজ্জনক হ্যালুসিনেশনগুলি সবচেয়ে সাবলীল এবং বিশ্বাসযোগ্য বাক্যগুলির সাথে আসে। যখন আত্মবিশ্বাসী টোন দেখা যায়, যাচাইয়ের প্রয়োজনীয়তা বাড়ে, কমে না। প্রতিটি সত্য (ক্রম, বৈকল্পিক, জিন, রেফারেন্স) একটি স্বাধীন প্রাথমিক উত্সের সাথে ক্রস-ভ্যালিডেট করা উচিত।
14. বিশ্লেষণের জন্য সর্বজনীনভাবে উপলব্ধ AI টুলে রোগীর জেনেটিক ডেটা দেওয়ার আগে সবচেয়ে গুরুত্বপূর্ণ গোপনীয়তা সতর্কতা কী?
- ক) ডেটা বেস 64 এ এনকোড করা থাকলে, এটি নিরাপদে আটকানো যেতে পারে
- খ) যদি শুধুমাত্র রোগীর নাম মুছে ফেলা হয়, তাহলে আর কোন পদক্ষেপের প্রয়োজন নেই
- গ) ব্যক্তিগতভাবে শনাক্তযোগ্য তথ্য সরবরাহ না করা; বেনামীকরণ, ডেটা মিনিমাইজেশন এবং সম্মতি/আইনগত কাঠামো পর্যবেক্ষণ করুন ✔
- ঘ) জেনেটিক ডেটা অবাধে ভাগ করা যেতে পারে কারণ এটি ব্যক্তিগত ডেটা হিসাবে বিবেচিত হয় না।
বর্ণনা: জেনেটিক ডেটা হল ব্যক্তিগত ডেটার একটি বিশেষ বিভাগ এবং কোনও ব্যক্তিকে বিরল রূপের সংমিশ্রণে পুনরায় সনাক্ত করা যেতে পারে। শনাক্তযোগ্য জেনেটিক ডেটা কখনই টুল খোলার জন্য প্রদান করা হয় না; ডেটা বেনামী হওয়া উচিত, শুধুমাত্র ন্যূনতম প্রয়োজনীয় তথ্য শেয়ার করা উচিত (ডেটা মিনিমাইজেশন) এবং সম্মতি/আইনি কাঠামো (KVKK/GDPR) পর্যবেক্ষণ করা উচিত।