Ethik, Biosicherheit, Vertraulichkeit und wissenschaftliche Integrität

Gewinne:

• Möglichkeit, sensible menschliche/genetische Daten gemäß KVKK, DSGVO und den Regeln der Ethikkommission zu schützen und ihre Weitergabe an das offene Modell zu vermeiden
• Fähigkeit, die Gültigkeit der Ergebnisse durch die Bewertung der Risiken von Biosicherheit/Doppelnutzung und Bevölkerungsverzerrung in Frage zu stellen
• Wir verstehen, dass ethische Verantwortung nicht an das Fahrzeug delegiert werden kann und dass eine sinnvolle Einbeziehung des Menschen erforderlich ist

Der starke Einsatz künstlicher Intelligenz in der Biologie wird durch einen verantwortungsvollen Umgang damit ergänzt. Die Biologie ist ein sensibles Gebiet, das die menschliche Gesundheit, die genetische Privatsphäre, die Umwelt und sogar die Biosicherheit berührt. In dieser Einheit besprechen wir die ethischen, rechtlichen und sicherheitsrelevanten Verantwortlichkeiten, denen Sie beim Einsatz künstlicher Intelligenz in biologischen Studien gegenüberstehen. Diese Einheit ist ein Rahmenwerk, das auf den Prinzipien der Überprüfung und Ehrlichkeit aller vorherigen Einheiten aufbaut.

Grundprinzip: KI ist ein Werkzeug; Die ethische Verantwortung liegt immer beim Menschen. „Das vorgeschlagene Modell“ ist keine Entschuldigung.

Vier Verantwortungsbereiche

1. Datenschutz und menschliche Daten

Genetische, klinische oder Gesundheitsdaten menschlicher Teilnehmer sind äußerst sensibel. Die DNA-Sequenz einer Person kann das Krankheitsrisiko und die Identität einer Person und ihrer Verwandten offenbaren. Auch vermeintlich anonymisierte Genomdaten können reidentifiziert werden. Das Einfügen dieser Daten in ein öffentlich zugängliches KI-Modell kann gegen Datenschutzgesetze (KVKK in der Türkei, DSGVO in Europa) und Genehmigungen des Ethikausschusses (IRB/Ethikkommission) verstoßen.

• Geben Sie dem offenen Modell keine persönlichen/klinischen Daten an.
• Vermeiden Sie eine Nutzung, die über den Rahmen der Einwilligung hinausgeht; Wozu hat der Teilnehmer zugestimmt?
• Entscheiden Sie sich für Unternehmens-/lokale (vor Ort) oder Datenverarbeitungsvertragstools.

2. Biosicherheit und Doppelnutzung

Einige biologische Informationen haben einen „doppelten Nutzen“: Sie können sowohl nützlich als auch schädlich sein; zum Beispiel pathogene (krankheitsverursachende) Sequenzen, Toxinproduktion. KI um Informationen zur Verbesserung gefährlicher Krankheitserreger oder zur Entwicklung schädlicher biologischer Wirkstoffe zu bitten, ist an den meisten Orten unethisch und illegal.

• Stellen Sie keine gefährlichen Dual-Use-Anfragen.
• Befolgen Sie die Richtlinien des Biosafety Board (IBC) Ihrer Einrichtung.

3. Wissenschaftliche Integrität

Hier kommt alles zusammen, was wir in früheren Einheiten gesehen haben: keine falsche Zuschreibung, keine Datenverschönerung, kein P-Hacking, keine selektive Berichterstattung. Künstliche Intelligenz kann diese einfacher oder schwieriger machen; Der Unterschied liegt in Ihrer Ehrlichkeit.

• Melden Sie alle Ergebnisse (auch negative).
• Erklären Sie den Einsatz künstlicher Intelligenz.
• Unterstützen Sie die Reproduzierbarkeit, indem Sie Rohdaten und Code teilen (falls möglich).

4. Voreingenommenheit und Fairness

KI-Modelle weisen Verzerrungen hinsichtlich der Daten auf, auf denen sie trainiert werden. Genomdatenbanken stammen überwiegend aus Populationen europäischer Abstammung; Dies führt zu schlechteren Vorhersagen in anderen Populationen. Ein Bildmodell kann in einem Zustand, der in den Trainingsdaten unterrepräsentiert ist, eine schlechte Leistung erbringen.

• Fragen Sie, auf welchen Populationen/Daten das Modell trainiert wurde.
• Bewerten Sie, ob die Ergebnisse für alle Gruppen gelten.

Tipp: Fragen Sie sich: „Wenn ich diese Daten dem Modell gebe, wem gehören sie und hat diese Person ihre Erlaubnis gegeben?“ Wenn die Antwort vage ist, geben Sie sie nicht. Der Verstoß gegen die Vertraulichkeit ist irreversibel.

Schritt für Schritt: verantwortungsvolle KI-Steuerung

1. Datenquelle klassifizieren: Persönlich/sensibel oder öffentlich?
2. Einwilligung und Berechtigungen prüfen: Ist diese Nutzung abgedeckt?
3. Wählen Sie das richtige Tool: Sichere/native Umgebung für sensible Daten.
4. Berücksichtigen Sie das Risiko einer doppelten Verwendung.
5. Frageverzerrung: Ist das Ergebnis in allen Gruppen gültig?
6. Verwendung dokumentieren und anmelden.

Kopierbare Eingabeaufforderungsvorlagen

Sehen Sie sich meinen Analyseplan unten aus ethischer Sicht an: Listen Sie Vorsichtsmaßnahmen in Bezug auf die Vertraulichkeit der Daten, die Zustimmung der Teilnehmer, mögliche Voreingenommenheit und das Risiko einer doppelten Verwendung auf. Plan: [Text] (Hinweis: Ich gebe KEINE tatsächlichen Patientendaten weiter, sondern nur den Plan.)

Welche Datenschutz- und Einwilligungsfragen sollte ich beantworten, bevor ich diesen Genomdatensatz verwende? Es wird eine Checkliste im Hinblick auf KVKK/DSGVO und die Ethikkommission erstellt.

Wie soll ich das von mir verwendete Tool für künstliche Intelligenz im Methodenteil meines Artikels transparent deklarieren? Schreiben Sie einen beispielhaften Aussagesatz. Welche Informationen (Tool, Version, Nutzungsumfang) soll es enthalten?

Wie bewerte ich, ob die Ergebnisse dieses Modells einen Populationsbias aufweisen? Listen Sie die Fragen auf, die ich zu den Trainingsdaten und den Prüfschritten stellen sollte.

Schwache Eingabeaufforderung / Starke Eingabeaufforderung

Schwach: „Analysieren Sie die genetischen Daten des folgenden Patienten: [echte Daten].“

Güçlü: „Ich erstelle einen Analyseplan, der mit klinischen Genomdaten arbeitet, aber ich teile keine echten Patientendaten. Nur aus methodischer Sicht: Welche Vertraulichkeitsmaßnahmen sollte ich ergreifen, in welcher Umgebung sollte ich die Daten verarbeiten, welche Genehmigungs- und Ethikkommissionsbedingungen sollte ich erfüllen? Sie können den Ablauf mit Dummy-/Probendaten zeigen.“

Unterschied: In der leistungsstarken Eingabeaufforderung werden keine wirklich vertraulichen Daten geteilt. Es wird nur nach der Methode gefragt. Die Privatsphäre bleibt gewahrt, das Modell hilft trotzdem.

drei Mini-Koffer

Fall 1 – Datenschutzverletzung: Ein Forscher fügte seiner Meinung nach anonyme Patienten-Exomdaten in ein offenes Modell ein, um sie analysieren zu lassen. Als die Ethikkommission davon erfuhr, wurde die Studie ausgesetzt; Es bestand keine Vereinbarung zur Datenverarbeitung. Lektion: Sensible Daten gelangen nie in das offene Modell.

Fall 2 – Bevölkerungsverzerrung: Ein Tool zur Bewertung des polygenen Risikos wurde auf Daten europäischen Ursprungs trainiert; In einer anderen Population waren die Risikoschätzungen erheblich ungenau. Als das Modell vorschlug, die Zusammensetzung der Trainingsdaten in Frage zu stellen, entschied sich das Team, das Tool in dieser Population nicht zu verwenden. Lektion: Voreingenommenheit rettet oder schadet Leben.

Fall 3 – Offenlegung und Transparenz: Ein Team hat Datenbereinigungscode mit KI geschrieben und dies im Methodenabschnitt klar angegeben; Er teilte auch den Code mit. Die Rezensenten begrüßten dies, da die Wiederholbarkeit hoch war. Lektion: Transparenz schafft Vertrauen.

Vergleichstabelle

Bereich

sicheres Verhalten

riskantes Verhalten

Patientendaten

Lokale/sichere Umgebung

Einfügen, um Modell zu öffnen

Zustimmung

Verwendung im Rahmen des Geltungsbereichs

Überschreiten Sie nicht den Umfang

Biosicherheit

Doppelnutzung vermeiden

gefährliche Forderung

Integrität

Melden Sie alle Ergebnisse

selektive Berichterstattung

Voreingenommenheit

Befragen Sie die Bevölkerung

Bewerben Sie sich blind

Transparenz

Nutzung deklarieren

verstecken

Häufige Fehler

• Weitergabe sensibler Daten an das offene Modell: Irreversible Verletzung der Privatsphäre.
• Überschreitung des Einwilligungsrahmens: Vom Teilnehmer nicht autorisierte Nutzung.
• Voreingenommenheit ignorieren: Ergebnisse auf alle Gruppen verallgemeinern.
• Verwendung verheimlichen: KI-Beitrag nicht deklarieren.
• „Modell vorgeschlagen“-Verteidigung: Zuweisung der Verantwortung an das Fahrzeug.

Achtung: Bei biologischen Arbeiten mit hoher Tragweite (klinische Entscheidungen, biologische Sicherheit, Humandaten) ist die KI-Ausgabe kein Ersatz für kompetente Expertenverifizierung und ethische Aufsicht; es beschleunigt es nur. Die letztendliche Verantwortung und die ethischen und wissenschaftlichen Konsequenzen der Entscheidung liegen immer beim Menschen.

Umwelt, Ökologie und traditionelles Wissen

Ethische Verantwortung beschränkt sich nicht auf menschliche Daten. Auch beim Einsatz künstlicher Intelligenz in der Ökologie und Naturschutzbiologie ist Vorsicht geboten. Beispielsweise sind die genauen Standortdaten (Kamerafallenkoordinaten) einer gefährdeten Art aufgrund der Gefahr der Wilderei sensibel; Die Weitergabe dieser Daten an ein offenes Modell oder die Öffentlichkeit könnte der Art schaden. Ebenso entstehen ethische und rechtliche Probleme (wie das Nagoya-Protokoll), wenn das traditionelle biologische Wissen lokaler Gemeinschaften (z. B. die Verwendung einer Pflanze) ohne Erlaubnis genutzt wird. Vor der Verwendung der Daten: „Wem gehören diese Informationen und wem würde durch ihre Offenlegung Schaden entstehen?“ Stellen Sie immer die Frage.

Menschliche Aufsicht und endgültige Entscheidung

Die Essenz dieses gesamten Moduls läuft auf ein Prinzip hinaus: sinnvolle menschliche Aufsicht. KI macht einen Vorschlag, schreibt einen Entwurf, zeigt ein Muster; Aber eine biologische, klinische oder ethische Entscheidung basiert niemals direkt auf Modellergebnissen. Insbesondere in Hochrisikobereichen (Diagnose, Behandlung, Artenschutzentscheidung, Freisetzung) besteht die Rolle des Modells nicht darin, Entscheidungen zu treffen, sondern die Entscheidung des Experten zu beschleunigen. Der „Human-in-the-Loop“-Ansatz ist kein Schlagwort, sondern eine Notwendigkeit.

Damit diese Überwachung funktioniert, muss der Vorgesetzte kompetent sein. Eine blinde Zustimmung („Modell sagte, Akzeptanz“) ist kein Versehen. Echte Aufsicht erfordert Fachwissen, das die Ergebnisse hinterfragen, Fehler erkennen und sie bei Bedarf zurückweisen kann. Daher ersetzt künstliche Intelligenz nicht den Experten; Es macht den Experten noch unverzichtbarer. Derjenige, der das Fahrzeug am besten nutzt, ist derjenige, der es am besten kontrollieren kann.

Zusammenfassend

Der verantwortungsvolle Einsatz von KI in der Biologie umfasst vier Bereiche: Datenschutz (Schutz sensibler menschlicher Daten), Biosicherheit (Vermeidung von Doppelnutzung), wissenschaftliche Integrität (ehrliche und vollständige Berichterstattung) und Vorurteilsbewusstsein (Gültigkeit der Ergebnisse über alle Gruppen hinweg). Stellen Sie dem offenen Modell keine sensiblen Daten zur Verfügung, deklarieren Sie die Nutzung transparent und hinterfragen Sie Bevölkerungsverzerrungen. Ethische Verantwortung kann niemals an den Agenten delegiert werden; Es ist immer beim Menschen.

Anwendungsaufgabe

Betrachten Sie ein Szenario aus Ihrem eigenen Arbeitsbereich (z. B. unter Verwendung eines menschlichen Datensatzes oder eines Bildmodells). Lassen Sie die KI eine ethische Checkliste für dieses Szenario erstellen (Vertraulichkeit, Einwilligung, Voreingenommenheit, doppelter Verwendungszweck, Transparenz), ohne echte Daten weiterzugeben. Markieren Sie jeden Punkt als „angemessen/riskant/unsicher“ in Ihrer Situation und schreiben Sie einen Aktionsplan für diejenigen, die riskant/unsicher sind. Lassen Sie außerdem eine Erklärung zur KI-Nutzung für Ihren Artikel verfassen.

Checkliste

• [ ] Ich habe dem offenen Modell keine sensiblen/personenbezogenen Daten zur Verfügung gestellt.
• [ ] Ich habe den Umfang der Einwilligung und der Ethikkommission überprüft.
• [ ] Ich habe das Doppelnutzungs-/Biosicherheitsrisiko bewertet.
• [ ] Ich habe alle Ergebnisse ehrlich gemeldet.
• [ ] Ich habe die Bevölkerungs-/Datenverzerrung in Frage gestellt.
• [ ] Ich habe den Einsatz künstlicher Intelligenz transparent erklärt und Verantwortung übernommen.

Modulprüfung

1. Ein Student fragte das Sprachmodell: „Wie viele Zeichenfolgen enthält diese FASTA-Datei?“ fragt er und das Model antwortet mit „48“. Welcher Ansatz ist der richtige?

• A) Direkte Verwendung der vom Modell angegebenen Zahl 48; Das Modell ist zuverlässig, weil es die Datei erkennt
• B) Fragen Sie die Zahl noch einmal und akzeptieren Sie sie als richtig, wenn die beiden Antworten gleich sind
• C) Lesen der Datei mit Biopython, Zählen der Anzahl der Sequenzen mit Code und Verwenden der Ausgabe ✔
• D) Öffnen Sie die Datei manuell und zählen Sie nach Augenmaß

Erläuterung: Deterministische Aufgaben wie Zählen und Messen sollten dem von Ihnen ausgeführten Code überlassen werden, nicht dem Sprachmodell. Das Modell „merkt“ sich die Zahl nicht, es erzeugt einen Wahrscheinlichkeitswert und kann sich irren; Das Zählen mit einem Tool wie Biopython liefert genaue und reproduzierbare Ergebnisse.

2. Sie möchten Zellen in einem Mikroskopbild zählen und deren Fläche messen. Welcher Ansatz ist für diese Aufgabe am besten geeignet?

• A) Verwendung eines Experten-Segmentierungstools wie Cellpose/StarDist und manuelle Überprüfung des Ergebnisses ✔
• B) Fügen Sie das Bild in das allgemeine Sprachmodell ein und fragen Sie: „Wie viele Zellen gibt es?“
• C) Beschreiben Sie dem Modell das Bild und fragen Sie nach einer geschätzten Anzahl
• D) Akzeptieren der Anzahl der Pixel als Anzahl der Zellen ohne jegliche Kalibrierung

Erläuterung: Die Zellsegmentierung und -messung ist nicht die Domäne des allgemeinen Sprachmodells, sondern spezialisierter Bildmodelle (Cellpose, StarDist), die speziell für diese Aufgabe trainiert wurden. Das Sprachmodell schreibt den Code, der diese Tools aufruft; Das Expertenmodell führt die Messung durch und der Biologe überprüft das Ergebnis.

3. Ein Doktorand fügt der Einleitung seiner Abschlussarbeit 8 vom Sprachmodell erstellte Quellen hinzu. Der Berater stellt fest, dass drei davon überhaupt nicht existieren. Wie könnte diese Situation verhindert werden?

• A) Indem Sie das Modell auffordern, erneut Ressourcen zu produzieren
• B) Indem Sie nur die Zitate mit DOI auswählen (wenn es einen DOI gibt, ist er echt)
• C) Anfordern der Liste durch Anweisen des Modells, „anzupassen“
• D) Unabhängige Überprüfung jedes Zitats auf PubMed/doi.org und Zitieren nur der Artikel, die er gelesen hat ✔

Erläuterung: Allgemeine Sprachmodelle sind keine Literaturdatenbank; Anstatt nach echten Aufzeichnungen zu suchen, „generiert“ es realistisch klingende Zuschreibungen (fabrizierte Zuschreibungen). Jede Zeile und jeder DOI sollte nicht ohne unabhängige Überprüfung in Quellen wie PubMed/doi.org verwendet werden und nur Artikel zitiert werden, die tatsächlich gelesen wurden.

4. Was ist der wirkungsvollste Weg, um die Genauigkeit eines von künstlicher Intelligenz geschriebenen Datenbereinigungscodes sicherzustellen?

• A) Wenn der Code fehlerfrei funktioniert, akzeptieren Sie ihn als korrekt.
• B) Testen des Ergebnisses mit einer kleinen bekannten Stichprobe und Überprüfen der Erwartung mit Assert ✔
• C) Fragen Sie das Modell: „Ist der Code korrekt?“ Fragen und der Antwort „Ja“ vertrauen
• D) Führen Sie den Code mehrmals aus und erhalten Sie jedes Mal die gleiche Ausgabe

Anmerkung: Nur weil der Code fehlerfrei funktioniert, heißt das nicht, dass er korrekt ist; „Falscher Code funktioniert fehlerfrei“ ist die gefährlichste Situation in der Biologie. Das Testen mit einer kleinen Stichprobe, deren Ergebnis Sie im Voraus kennen, und das Einbetten der Erwartung in den Code mit „asser“ ist der stärkste Schutz gegen stille falsche Ergebnisse.

5. In einer RNA-seq-Analyse werden 20.000 Gene getestet und 3.800 Gene erweisen sich ohne Korrektur als „signifikant“ mit p<0,05. Was ist das Hauptproblem bei dieser Schlussfolgerung?

• A) Die Anzahl der Proben ist zu hoch, sie sollte reduziert werden
• B) Der p-Schwellenwert ist zu hoch, 0,10 hätte verwendet werden sollen
• C) Es wurde keine Mehrfachvergleichskorrektur (FDR) durchgeführt; Es gibt viele Fehlalarme ✔
• D) Anstelle von Genen hätten Proben getestet werden sollen

Erklärung: Wenn Sie Tausende von Genen gleichzeitig testen, erscheinen viele Gene zufällig als „signifikant“, auch wenn es keinen wirklichen Unterschied gibt; Dies wird als Mehrfachvergleichsproblem bezeichnet. Die Lösung besteht darin, die FDR-Korrektur (False Discovery Rate) mit einer Methode wie Benjamini-Hochberg anzuwenden. Durch die Korrektur reduziert sich die Liste normalerweise auf einige zehn bis einige hundert Gene.

6. Die beste Übereinstimmung in einem BLAST-Ergebnis hat einen E-Wert von 2,0. Was bedeutet das?

• A) Die Übereinstimmung ist höchstwahrscheinlich zufällig; ✔ keine zuverlässige Übereinstimmung
• B) Die Kopplung ist sehr stark; Je größer der E-Wert, desto besser
• C) Die Sequenz stimmte mit einer Rate von 2 % überein
• D) Es gibt einen Unterschied von 2 Basen zwischen den beiden Sequenzen

Erläuterung: Der E-Wert gibt die Erwartung an, dass die Übereinstimmung zufällig ist. Es ist besser, klein zu sein. Ein E-Wert größer als 1 zeigt an, dass die Übereinstimmung höchstwahrscheinlich zufällig ist. Für zuverlässige Übereinstimmungen werden im Allgemeinen sehr kleine Schwellenwerte wie e < 1e-5 angestrebt.

7. In einem AlphaFold-Modell weist die terminale Region des Proteins einen niedrigen pLDDT-Score (<50) auf. Wie ist diese Region zu interpretieren?

• A) AlphaFold hat in dieser Region einen Fehler gemacht. Die Region sollte aus der Analyse entfernt werden
• B) Diese Region ist definitiv eine Alpha-Helix
• C) Das Modell ist völlig unzuverlässig, die Struktur sollte nicht verwendet werden
• D) Die Region ist wahrscheinlich unregelmäßig/elastisch; sollte als „unklar“ und nicht als „falsch“ interpretiert werden ✔

Beschreibung: pLDDT ist der lokale Konfidenzwert für jede Aminosäure; Werte unter 50 spiegeln oft wirklich unregelmäßige (flexible, nicht feste) Regionen wider. Es ist falsch, diese Regionen automatisch als „falsche Schätzungen“ zu löschen; Ein niedriger Wert sollte als „unsicher/flexibel“ interpretiert werden und seine biologische Bedeutung sollte bewertet werden.

8. Ein Forscher gibt Zellflächen nur in Pixeln an und die Ergebnisse stimmen nicht mit der Literatur überein. Was ist der fehlende Schritt?

• A) Es hätten mehr Zellen gezählt werden müssen
• B) Skalenkalibrierung (Pixel-zu-Mikrometer-Umrechnung) wurde nicht durchgeführt, die Ergebnisse wurden nicht in physikalische Einheiten umgewandelt ✔
• C) Das Segmentierungstool wurde falsch ausgewählt
• D) Die Bildauflösung ist zu hoch

Erläuterung: Die Skalenkalibrierung (wie viele Mikrometer pro Pixel) ist wichtig, um die physikalische Größe aus dem Bild zu extrahieren. Wird dieser Schritt übersprungen, bleiben die Werte je nach Mikroskopeinstellung unvergleichbar. Flächen müssen in physikalische Einheiten wie Quadratmikrometer umgerechnet werden.

9. Ein Schüler entnimmt einer einzelnen Maus 10 Gewebeproben und verwendet in der Statistik „n=10“. Warum ist das falsch?

• A) 10 Proben sind für die Statistik zu wenig, es werden mindestens 30 benötigt
• B) Es mussten Gewebeproben aus verschiedenen Organen entnommen werden
• C) Bei diesen 10 Beispielen handelt es sich um technische Wiederholungen; biologisches n ist immer noch 1, das ist die sogenannte Wiederholung ✔
• D) Proben sind ungültig, da sie am selben Tag entnommen wurden

Erläuterung: Wiederholte Messungen derselben Person sind technische Wiederholungen; wobei statistisch n die Anzahl der biologischen Einheiten (hier Mäuse) ist. Die Betrachtung technischer Wiederholungen als biologisch (Pseudoreplikation) führt zu einer falschen Bedeutung. Richtiges Design bedeutet, mit mehreren Personen zusammenzuarbeiten.

10. Eine Analyse ergab p=0,03. Wie ist dieser Wert richtig zu interpretieren?

• A) Die Wahrscheinlichkeit, dieses oder ein extremeres Ergebnis zu sehen, liegt bei 3 %, wenn in Wirklichkeit kein Unterschied besteht ✔
• B) Die Wahrscheinlichkeit, dass der Effekt real ist, beträgt 97 %
• C) Die Wahrscheinlichkeit, dass die Nullhypothese wahr ist, beträgt 3 %
• D) Das Ergebnis ist zu 97 % wiederholbar

Erläuterung: Der p-Wert ist nicht „Wahrscheinlichkeit, dass die Hypothese wahr ist“ oder „Wahrscheinlichkeit, dass der Effekt wahr ist“. Der p-Wert ist die Wahrscheinlichkeit, einen Unterschied genauso oder extremer zu sehen als den, der beobachtet wird, wenn tatsächlich kein Unterschied besteht. Daher bedeutet p=0,03 nicht, dass der Effekt zu 97 % real ist; Die Ergebnisse sollten auch nach Effektgröße und Konfidenzintervall bewertet werden.

11. In einer Präsentation wird ein Unterschied von 3 % zwischen zwei Gruppen als enorm dargestellt, indem die Y-Achse auf den Bereich von 95–100 komprimiert wird. Wofür ist das ein Beispiel?

• A) Eine gute Visualisierungstechnik; unterstreicht den Unterschied
• B) Farbblind-freundliches Palettenproblem
• C) Eine akzeptable Stilwahl
• D) Ein irreführendes und unehrliches Diagramm, das den Unterschied zur abgeschnittenen Achse ✔ übertreibt

Erläuterung: Wenn die Achse nicht von Null aus initialisiert wird (abgeschnittene Achse), wird der Betrachter durch die visuelle Übertreibung eines kleinen Unterschieds in die Irre geführt. Dies stellt einen Verstoß gegen den Grundsatz der Ehrlichkeit dar; Insbesondere bei Balkendiagrammen sollte die Achse bei Null beginnen und die Differenz in ihrer tatsächlichen Größe angezeigt werden.

12. Ein Forscher fügt seiner Meinung nach anonyme Patienten-Exomdaten in ein öffentliches Sprachmodell ein, um sie analysieren zu lassen. Warum ist dieses Verhalten problematisch?

• A) Es gibt kein Problem; Daten können weitergegeben werden, wenn sie anonym sind
• B) Die Bereitstellung sensibler Patientendaten an ein offenes Modell stellt eine Verletzung der Privatsphäre und der ethischen/rechtlichen Bestimmungen (KVKK/DSGVO) dar und kann nicht rückgängig gemacht werden ✔
• C) Es ist nur deshalb problematisch, weil die Analyse langsam sein wird
• D) Das Modell ist problematisch, weil es die Daten nicht verstehen kann

Beschreibung: Genetische/klinische Patientendaten sind äußerst sensibel; Auch vermeintlich anonyme Genomdaten können reidentifiziert werden. Die Bereitstellung dieser Daten an ein öffentliches Modell verstößt gegen KVKK/DSGVO und die Genehmigungen der Ethikkommission (IRB) und stellt eine irreversible Verletzung der Privatsphäre dar. Sensible Daten sollten in lokalen/sicheren Vertragsumgebungen verarbeitet werden.

13. In einer Studie war der Unterschied zwischen Patient und Kontrolle tatsächlich darauf zurückzuführen, dass die Proben an zwei verschiedenen Tagen verarbeitet wurden. Wie nennt man diese Situation und wie wird damit umgegangen?

• A) Es handelt sich um den Ausreißereffekt; Punkte sollten gelöscht werden
• B) Es ist ein Mangel an Normalisierung; Es reicht lediglich eine Skalenkorrektur aus
• C) Es handelt sich um den Batch-Effekt; sollte im Design ausgewogen sein und dem Modell als Batch-Variable hinzugefügt werden ✔
• D) P-Hacking; Der Test sollte geändert werden

Erläuterung: Technische Unterschiede aufgrund der Probenahmecharge/des Verarbeitungstages werden als Chargeneffekt bezeichnet und können mit biologischen Unterschieden verwechselt werden. Der richtige Ansatz besteht darin, die Chargen im Design auszugleichen und die Chargenvariable zum statistischen Modell hinzuzufügen (z. B. „~Charge + Zustand“), um so das technische Signal vom biologischen Signal zu trennen.

14. Sie möchten das GC-Verhältnis einer DNA-Sequenz berechnen. Welches ist der richtige und wiederholbare Ansatz?

• A) Drucken Sie den Code aus, der die GC-Rate mit Biopython berechnet, führen Sie ihn aus und verwenden Sie die Ausgabe ✔
• B) Geben Sie dem Modell die Sequenz und bitten Sie es, die GC-Rate verbal mitzuteilen
• C) Bestätigung des vom Modell angegebenen Verhältnisses durch ein anderes Modell
• D) Betrachten Sie die ersten 100 Buchstaben der Reihe und erraten Sie sie mit dem Auge

Erläuterung: Die GC-Rate ist eine deterministische Berechnung; sollte auf dem Code basieren, der das Array verarbeitet, und nicht auf einem Wert, den sich das Sprachmodell „merkt“. Anstatt die Berechnung durch das Modell durchführen zu lassen, können Sie den Berechnungscode mit einem Tool wie Biopython ausdrucken und ihn selbst ausführen, um eine genaue Ausgabe zu erhalten, die bei jeder Ausführung das gleiche Ergebnis liefert.