اخلاق، امنیت زیستی، رازداری و صداقت علمی

سود:

• توانایی حفاظت از داده های حساس انسانی/ژنتیکی مطابق با قوانین KVKK، GDPR و کمیته اخلاق و اجتناب از ارائه آنها به مدل باز
• توانایی زیر سوال بردن اعتبار نتایج با ارزیابی خطرات امنیت زیستی/استفاده دوگانه و سوگیری جمعیت
• درک این موضوع که مسئولیت اخلاقی را نمی توان به وسیله نقلیه محول کرد و اینکه انسان در حلقه معنادار لازم است

استفاده قوی از هوش مصنوعی در زیست شناسی با استفاده مسئولانه از آن تکمیل می شود. زیست شناسی رشته حساسی است که سلامت انسان، حریم خصوصی ژنتیکی، محیط زیست و حتی امنیت زیستی را تحت تاثیر قرار می دهد. در این بخش، مسئولیت‌های اخلاقی، حقوقی و امنیتی که هنگام استفاده از هوش مصنوعی در مطالعات بیولوژیکی با آن مواجه خواهید بود را مورد بحث قرار می‌دهیم. این واحد چارچوبی است که بر اساس اصول راستی آزمایی و صداقت در تمامی واحدهای قبلی ساخته شده است.

اصل اساسی: هوش مصنوعی یک ابزار است. مسئولیت اخلاقی همیشه بر عهده انسان است. "مدل پیشنهادی" بهانه ای نیست.

چهار حوزه مسئولیت

1. حریم خصوصی داده ها و داده های انسانی

داده های ژنتیکی، بالینی یا بهداشتی از شرکت کنندگان انسانی بسیار حساس است. توالی DNA یک فرد می تواند خطر بیماری و هویت او و بستگانش را نشان دهد. حتی داده‌های ژنومی که گمان می‌رود بی‌نام هستند را می‌توان دوباره شناسایی کرد. جای‌گذاری این داده‌ها در یک مدل هوش مصنوعی در دسترس عموم ممکن است قوانین حفاظت از داده (KVKK در ترکیه، GDPR در اروپا) و تأییدیه‌های هیئت اخلاقی (IRB/کمیته اخلاقی) را نقض کند.

• داده های شخصی/بالینی را به مدل باز ارائه ندهید.
• اجتناب از استفاده فراتر از محدوده رضایت؛ شرکت کننده به چه چیزی رضایت داد؟
• ابزارهای قرارداد شرکتی/محلی (در محل) یا پردازش داده را انتخاب کنید.

2. امنیت زیستی و استفاده دوگانه

برخی از اطلاعات بیولوژیکی "کاربرد دوگانه" است: می تواند هم مفید و هم مضر باشد. به عنوان مثال، توالی های پاتوژن (بیماری زا)، تولید سم. درخواست اطلاعات از هوش مصنوعی در مورد تقویت پاتوژن های خطرناک یا طراحی عوامل بیولوژیکی مضر در بیشتر مکان ها غیراخلاقی و غیرقانونی است.

• درخواست های خطرناک برای استفاده دوگانه ارائه نکنید.
• دستورالعمل های هیئت ایمنی زیستی (IBC) موسسه خود را دنبال کنید.

3. تمامیت علمی

همه چیزهایی که در واحدهای قبلی دیده‌ایم در اینجا جمع می‌شوند: بدون ذکر منبع جعلی، بدون زیباسازی داده‌ها، بدون هک p، بدون گزارش انتخابی. هوش مصنوعی می تواند این کارها را آسان تر یا سخت تر کند. تفاوت در صداقت شماست.

• همه نتایج (از جمله نتایج منفی) را گزارش دهید.
• استفاده از هوش مصنوعی را اعلام کنید.
• پشتیبانی از تکرارپذیری با به اشتراک گذاری داده ها و کد خام (در صورت امکان).

4. تعصب و انصاف

مدل‌های هوش مصنوعی دارای سوگیری‌هایی از داده‌هایی هستند که بر اساس آن‌ها آموزش دیده‌اند. پایگاه‌های اطلاعاتی ژنومی عمدتاً از جمعیت‌های اروپایی تبار می‌آیند. این منجر به پیش‌بینی ضعیف‌تر در سایر جمعیت‌ها می‌شود. یک مدل تصویر ممکن است در شرایطی که در داده‌های آموزشی نشان داده نمی‌شود ضعیف عمل کند.

• سوال کنید که مدل بر روی چه جمعیت/داده هایی آموزش دیده است؟
• ارزیابی کنید که آیا نتایج در همه گروه ها برقرار است یا خیر.

نکته: از خود بپرسید: "اگر این داده ها را به مدل بدهم، متعلق به چه کسی است و آیا آن شخص اجازه داده است؟" اگر پاسخ مبهم است، آن را ندهید. نقض محرمانه بودن غیر قابل برگشت است.

گام به گام: کنترل هوش مصنوعی مسئول

1. منبع داده را طبقه بندی کنید: شخصی/حساس یا عمومی؟
2. بررسی رضایت و مجوزها: آیا این استفاده تحت پوشش است؟
3. ابزار مناسب را انتخاب کنید: محیط امن/بومی برای داده های حساس.
4. خطر استفاده دوگانه را در نظر بگیرید.
5. سوگیری سوال: آیا نتیجه در همه گروه ها معتبر است؟
6. مستند و استفاده را اعلام کنید.

الگوهای درخواستی قابل کپی

طرح تحلیل من را در زیر از منظر اخلاقی مرور کنید: احتیاط‌های مربوط به محرمانه بودن داده‌ها، رضایت شرکت‌کننده، سوگیری احتمالی و خطر استفاده دوگانه را فهرست کنید. طرح: [متن] (توجه: من داده‌های واقعی بیمار را به اشتراک نمی‌گذارم، فقط طرح را به اشتراک می‌گذارم.)

قبل از استفاده از این مجموعه داده ژنومی باید به چه سؤالاتی درباره حفظ حریم خصوصی و رضایت پاسخ دهم؟ چک لیستی از نظر KVKK/GDPR و کمیته اخلاق تهیه شده است.

چگونه باید ابزار هوش مصنوعی مورد استفاده خود را در بخش روش مقاله خود به صورت شفاف اعلام کنم؟ یک جمله ی توضیحی مثال بنویسید؛ چه اطلاعاتی (ابزار، نسخه، دامنه استفاده) باید داشته باشد؟

چگونه ارزیابی کنم که آیا نتایج این مدل دارای سوگیری جمعیت است؟ سوالاتی را که باید در مورد داده های آموزشی و مراحل بررسی بپرسم فهرست کنید.

اعلان ضعیف / اعلان قوی

ضعیف: "داده های ژنتیکی بیمار زیر را تجزیه و تحلیل کنید: [داده های واقعی]."

گوچلو: "من در حال تنظیم یک طرح تجزیه و تحلیل هستم که با داده های ژنومی بالینی کار می کند، اما داده های واقعی بیمار را به اشتراک نمی گذارم. فقط از منظر روش شناختی: چه اقدامات محرمانه ای باید انجام دهم، در چه محیطی باید داده ها را پردازش کنم، چه شرایط کمیته تایید و اخلاق را باید رعایت کنم؟ می توانید جریان را با داده های ساختگی/نمونه نشان دهید."

تفاوت: هیچ داده حساس واقعی در اعلان قدرتمند به اشتراک گذاشته نمی شود. فقط روش سوال شده حریم خصوصی حفظ می شود، مدل هنوز کمک می کند.

سه کیف کوچک

مورد 1 - نقض حریم خصوصی: یک محقق آنچه را که به نظر او داده های معاینه بیمار ناشناس است در یک مدل باز قرار داد تا آن را تجزیه و تحلیل کند. وقتی کمیته اخلاق از این موضوع مطلع شد، مطالعه به حالت تعلیق درآمد. هیچ توافقی برای پردازش داده وجود نداشت. درس: داده های حساس هرگز وارد مدل باز نمی شوند.

مورد 2 - سوگیری جمعیت: یک ابزار امتیاز ریسک چند ژنی بر روی داده‌های منشأ اروپایی آموزش داده شد. در جمعیت دیگری، برآوردهای خطر به طور قابل توجهی نادرست بود. زمانی که مدل پیشنهاد داد ترکیب داده های آموزشی را زیر سوال ببرند، تیم تصمیم گرفت از این ابزار در آن جمعیت استفاده نکند. درس: تعصب جانها را نجات می دهد یا به آنها آسیب می رساند.

مورد 3 - افشا و شفافیت: یک تیم کد پاکسازی داده ها را با هوش مصنوعی نوشت و این را به وضوح در بخش روش بیان کرد. او همچنین کد را به اشتراک گذاشت. داوران از این استقبال کردند زیرا تکرارپذیری قوی بود. درس: شفافیت باعث ایجاد اعتماد می شود.

نمودار مقایسه

منطقه

رفتار ایمن

رفتار مخاطره آمیز

داده های بیمار

محیط محلی/ایمن

چسباندن برای باز کردن مدل

رضایت

در محدوده استفاده کنید

از دامنه تجاوز نکنید

امنیت زیستی

اجتناب از استفاده دوگانه

تقاضای خطرناک

یکپارچگی

گزارش همه نتایج

گزارش انتخابی

تعصب

جمعیت را پرس و جو کنید

کورکورانه اعمال کنید

شفافیت

استفاده را اعلام کنید

پنهان کردن

اشتباهات رایج

• ارائه داده های حساس به مدل باز: نقض حریم خصوصی غیرقابل برگشت.
• فراتر از محدوده رضایت: استفاده غیر مجاز توسط شرکت کننده.
• نادیده گرفتن سوگیری: تعمیم نتایج به همه گروه ها.
• استفاده پنهان: عدم اعلام سهم هوش مصنوعی.
• دفاع «مدل پیشنهادی»: نسبت دادن مسئولیت به وسیله نقلیه.

احتیاط: در کارهای بیولوژیکی با پیامد بالا (تصمیم بالینی، ایمنی زیستی، داده‌های انسانی) خروجی هوش مصنوعی جایگزینی برای تأیید تخصصی متخصص و نظارت اخلاقی نیست. فقط سرعتش رو زیاد میکنه مسئولیت نهایی در کنار پیامدهای اخلاقی و علمی تصمیم همیشه بر عهده انسان است.

محیط زیست، بوم شناسی و دانش سنتی

مسئولیت اخلاقی به داده های انسانی محدود نمی شود. همچنین هنگام استفاده از هوش مصنوعی در زیست شناسی و زیست شناسی حفاظت، احتیاط لازم است. به عنوان مثال، اطلاعات مکان دقیق (مختصات تله دوربین) یک گونه در معرض خطر به دلیل خطر شکار غیرقانونی حساس است. انتشار این داده ها برای یک مدل باز یا عمومی می تواند به گونه آسیب برساند. به طور مشابه، مسائل اخلاقی و قانونی (مانند پروتکل ناگویا) زمانی به وجود می آیند که دانش زیستی سنتی جوامع محلی (مثلاً استفاده از یک گیاه) بدون اجازه استفاده شود. قبل از استفاده از داده ها، "این اطلاعات متعلق به چه کسی است و افشای آن به چه کسی آسیب می رساند؟" همیشه سوال را بپرسید.

نظارت انسانی و تصمیم نهایی

ماهیت کل این ماژول به یک اصل خلاصه می شود: نظارت معنادار انسانی. هوش مصنوعی یک پیشنهاد تولید می کند، یک پیش نویس می نویسد، یک الگو را نشان می دهد. اما یک تصمیم بیولوژیکی، بالینی یا اخلاقی هرگز مستقیماً بر خروجی مدل مبتنی نیست. به خصوص در مناطق پرخطر (تشخیص، درمان، تصمیم حفاظت گونه، رهاسازی)، نقش مدل تصمیم گیری نیست، بلکه تسریع در تصمیم گیری متخصص است. رویکرد «انسان در حلقه» یک شعار نیست، بلکه یک ضرورت است.

برای اینکه این نظارت کار کند، سرپرست باید صلاحیت داشته باشد. رضایت کور («مدل گفت، پذیرش») نظارت نیست. نظارت واقعی مستلزم تخصص است که بتواند خروجی را زیر سوال ببرد، خطای آن را بگیرد و در صورت لزوم آن را رد کند. بنابراین هوش مصنوعی جای متخصص را نمی گیرد. این کار متخصص را حتی ضروری تر می کند. کسی که از وسیله نقلیه بهترین استفاده را می کند، کسی است که می تواند آن را به بهترین شکل کنترل کند.

به طور خلاصه

استفاده مسئولانه از هوش مصنوعی در زیست شناسی چهار حوزه را پوشش می دهد: حریم خصوصی داده ها (حفاظت از داده های حساس انسانی)، امنیت زیستی (جلوگیری از استفاده مضاعف)، یکپارچگی علمی (گزارش صادقانه و کامل) و آگاهی از جانبداری (اعتبار نتایج در همه گروه ها). داده های حساس را به مدل باز ارائه ندهید، استفاده را شفاف اعلام کنید، سوگیری جمعیت را زیر سوال ببرید. مسئولیت اخلاقی هرگز نمی تواند به نماینده واگذار شود. همیشه در انسان وجود دارد.

وظیفه کاربردی

سناریویی را از فضای کاری خود در نظر بگیرید (به عنوان مثال استفاده از مجموعه داده های انسانی یا یک مدل تصویر). از هوش مصنوعی بخواهید چک لیست اخلاقی این سناریو (محرمانه بودن، رضایت، سوگیری، استفاده دوگانه، شفافیت) را بدون به اشتراک گذاشتن داده های واقعی ارائه دهد. برای هر مورد، آن را به عنوان "مناسب/خطرناک/نامطمئن" در موقعیت خود علامت گذاری کنید و یک برنامه اقدام برای مواردی که خطرناک/نامطمئن هستند بنویسید. همچنین یک بیانیه استفاده از هوش مصنوعی برای مقاله خود تهیه کنید.

چک لیست

• [ ] من داده های حساس/شخصی را برای مدل باز ارائه نکردم.
• [ ] محدوده موافقت و کمیته اخلاق را بررسی کردم.
• [ ] من خطر استفاده دوگانه/ امنیت زیستی را ارزیابی کرده ام.
• [ ] من همه نتایج را صادقانه گزارش کردم.
• [ ] من سوگیری جمعیت/داده را زیر سوال بردم.
• [ ] من به طور شفاف استفاده از هوش مصنوعی را اعلام کرده و مسئولیت آن را بر عهده گرفته ام.

امتحان ماژول

1. دانش آموزی از مدل زبان پرسید "چند رشته در این فایل FASTA وجود دارد؟" او می پرسد و مدل پاسخ می دهد "48". صحیح ترین رویکرد کدام است؟

• الف) مستقیماً با استفاده از عدد 48 ارائه شده توسط مدل. مدل قابل اعتماد است زیرا فایل را می بیند
• ب) یک بار دیگر عدد را بپرسید و اگر دو پاسخ یکسان بود آن را صحیح بپذیرید
• ج) خواندن فایل با Biopython، شمارش تعداد دنباله ها با کد و استفاده از خروجی ✔
• د) باز کردن پرونده به صورت دستی و شمارش با تصمیم چشمی

توضیح: کارهای قطعی مانند شمارش و اندازه‌گیری باید به کدی که اجرا می‌کنید سپرده شود، نه مدل زبان. مدل عدد را به خاطر نمی آورد، یک مقدار احتمالی تولید می کند و ممکن است اشتباه شود. شمارش با ابزاری مانند Biopython نتایج دقیق و قابل تکرار می دهد.

2. می خواهید سلول ها را در تصویر میکروسکوپ بشمارید و مساحت هر کدام را اندازه بگیرید. مناسب ترین رویکرد برای این کار چیست؟

• الف) استفاده از ابزار تقسیم بندی خبره مانند Cellpose/StarDist و بررسی دستی نتیجه ✔
• ب) تصویر را در مدل زبان عمومی بچسبانید و بپرسید "چند سلول وجود دارد"
• ج) تصویر را برای مدل توصیف کنید و یک عدد تخمینی بخواهید
• د) پذیرش تعداد پیکسل ها به عنوان تعداد سلول ها بدون هیچ کالیبراسیون

توضیح: تقسیم‌بندی و اندازه‌گیری سلول، حوزه مدل زبان عمومی نیست، بلکه مدل‌های تصویر تخصصی (Cellpose، StarDist) است که مخصوصاً برای این کار آموزش دیده‌اند. مدل زبان کدی را می نویسد که این ابزارها را فراخوانی می کند. مدل متخصص اندازه گیری را انجام می دهد و زیست شناس نتیجه را تأیید می کند.

3. یک دانشجوی کارشناسی ارشد 8 منبع تولید شده توسط مدل زبان را به مقدمه پایان نامه خود اضافه می کند. مشاور متوجه می شود که 3 مورد از اینها اصلا وجود ندارد. چگونه می شد از این وضعیت جلوگیری کرد؟

• الف) با درخواست مجدد از مدل برای تولید منابع
• ب) با انتخاب فقط نقل قول های دارای DOI (در صورت وجود DOI واقعی است)
• ج) درخواست لیست با دستور دادن به مدل برای «برازش»
• د) تأیید مستقل هر نقل قول در PubMed/doi.org و استناد فقط به مقالاتی که خوانده است ✔

توضیح: مدل های زبان عمومی پایگاه داده ادبیات نیستند. به جای جستجوی سوابق واقعی، اسنادی با صدایی واقع گرایانه را «تولید» می کند (اسناد ساختگی). هر byline و DOI نباید بدون تأیید مستقل در منابعی مانند PubMed/doi.org و فقط با استناد به مقالاتی که واقعاً خوانده شده اند استفاده شوند.

4. قوی ترین راه برای اطمینان از صحت کد پاکسازی داده نوشته شده توسط هوش مصنوعی چیست؟

• الف) اگر کد بدون خطا کار می کند، آن را صحیح بپذیرید.
• ب) آزمایش نتیجه با یک نمونه کوچک شناخته شده و تأیید انتظار با عنوان ✔
• ج) از مدل بپرسید "آیا کد صحیح است؟" پرسیدن و اعتماد به پاسخ "بله"
• د) کد را چندین بار اجرا کنید و هر بار همان خروجی را بگیرید

توجه: فقط به این دلیل که کد بدون خطا کار می کند به این معنی نیست که درست است. "کد اشتباه که بدون خطا کار می کند" خطرناک ترین وضعیت در زیست شناسی است. آزمایش با یک نمونه کوچک که نتیجه آن را از قبل می‌دانید و قرار دادن انتظارات در کد با عنوان قوی‌ترین سپر در برابر نتایج اشتباه خاموش است.

5. در یک تجزیه و تحلیل RNA-seq، 20000 ژن مورد آزمایش قرار می گیرند و 3800 ژن با P<0.05 بدون اصلاح "معنادار" هستند. مشکل اصلی این نتیجه گیری چیست؟

• الف) تعداد نمونه ها خیلی زیاد است، باید کاهش یابد
• ب) آستانه p خیلی زیاد است، باید از 0.10 استفاده می شد
• ج) تصحیح مقایسه چندگانه (FDR) انجام نشد. موارد مثبت کاذب زیادی وجود دارد ✔
• د) نمونه ها باید به جای ژن مورد آزمایش قرار می گرفتند

توضیح: وقتی هزاران ژن را به طور همزمان آزمایش می کنید، بسیاری از ژن ها به طور تصادفی «مهم» به نظر می رسند، حتی اگر تفاوت واقعی وجود نداشته باشد. به این مشکل مقایسه چندگانه می گویند. راه حل، اعمال تصحیح FDR (نرخ کشف نادرست) با روشی مانند بنجامینی-هوشبرگ است. با اصلاح، فهرست معمولاً به ده ها تا چند صد ژن کاهش می یابد.

6. بهترین تطابق در نتیجه BLAST دارای E-value 2.0 است. این به چه معناست؟

• الف) تطابق به احتمال زیاد تصادفی است. ✔ یک مسابقه قابل اعتماد نیست
• ب) جفت بسیار قوی است. هرچه ارزش الکترونیکی بیشتر باشد، بهتر است
• ج) توالی با نرخ 2% مطابقت دارد
• د) بین دو دنباله 2 پایه تفاوت وجود دارد

توضیح: مقدار E نشان دهنده انتظار تصادفی بودن تطابق است. کوچیک بودن بهتره مقدار الکترونیکی بزرگتر از 1 نشان می دهد که تطابق به احتمال زیاد تصادفی است. برای مسابقات قابل اعتماد، معمولاً آستانه های بسیار کوچکی مانند e < 1e-5 جستجو می شود.

7. در یک مدل AlphaFold، ناحیه انتهایی پروتئین نمره pLDDT پایینی را نشان می دهد (<50). این منطقه را چگونه باید تفسیر کرد؟

• الف) AlphaFold در این ناحیه خطا کرد، منطقه باید از تجزیه و تحلیل حذف شود
• ب) این ناحیه قطعا یک مارپیچ آلفا است
• ج) مدل کاملاً غیرقابل اعتماد است، ساختار نباید مورد استفاده قرار گیرد
• د) منطقه احتمالاً نامنظم/الاستیک است. باید به جای "نادرست" به عنوان "نامشخص" تفسیر شود ✔

توضیحات: pLDDT امتیاز اعتماد محلی برای هر اسید آمینه است. مقادیر زیر 50 اغلب مناطق واقعاً نامنظم (انعطاف پذیر، غیر ثابت) را منعکس می کنند. حذف خودکار این مناطق به عنوان "حدس های اشتباه" اشتباه است. نمره پایین باید به عنوان "نامعین / انعطاف پذیر" خوانده شود و اهمیت بیولوژیکی آن باید ارزیابی شود.

8. یک محقق مناطق سلولی را فقط بر حسب پیکسل گزارش می‌کند و نتایج با ادبیات متن همخوانی دارد. مرحله از دست رفته چیست؟

• الف) سلول های بیشتری باید شمارش می شد
• ب) کالیبراسیون مقیاس (تبدیل پیکسل به میکرومتر) انجام نشد، نتایج به واحدهای فیزیکی تبدیل نشد ✔
• ج) ابزار تقسیم بندی اشتباه انتخاب شده است
• د) وضوح تصویر خیلی بالاست

توضیح: کالیبراسیون مقیاس (چند میکرومتر در هر پیکسل) برای استخراج اندازه فیزیکی از تصویر ضروری است. اگر این مرحله نادیده گرفته شود، بسته به تنظیمات میکروسکوپ، مقادیر غیرقابل مقایسه باقی می‌مانند. مساحت ها باید به واحدهای فیزیکی مانند میکرومتر مربع تبدیل شوند.

9. یک دانش آموز 10 نمونه بافت را از یک موش می گیرد و از 'n=10' در آمار استفاده می کند. چرا این نادرست است؟

• الف) 10 نمونه برای آمار بسیار کم است، حداقل 30 مورد نیاز است
• ب) نمونه های بافتی باید از اندام های مختلف گرفته می شد
• ج) این 10 مثال، تکرارهای فنی هستند. n بیولوژیکی هنوز 1 است، این به اصطلاح تکرار است ✔
• د) نمونه ها به دلیل اینکه در همان روز گرفته شده اند نامعتبر است

توضیح: اندازه گیری های مکرر گرفته شده از یک فرد، تکرارهای فنی هستند. که در آن n آماری تعداد واحدهای بیولوژیکی است (در اینجا موش). در نظر گرفتن تکرار فنی به عنوان بیولوژیک (شبه تکرار) اهمیت کاذب تولید می کند. طراحی مناسب یعنی کار با افراد متعدد.

10. یک تجزیه و تحلیل پیدا شد p=0.03. تفسیر صحیح این مقدار چیست؟

• الف) در صورتی که در واقعیت تفاوتی وجود نداشته باشد، احتمال 3% مشاهده این نتیجه یا نتایج شدیدتر وجود دارد
• ب) احتمال واقعی بودن اثر 97% است.
• ج) احتمال صحت فرض صفر 3 درصد است.
• د) نتیجه 97% قابل تکرار است

توضیح: p-value «احتمال درست بودن فرضیه» یا «احتمال درست بودن اثر» نیست. p-value احتمال مشاهده یک تفاوت به‌عنوان یا شدیدتر از آن چیزی است که وقتی واقعاً تفاوتی وجود ندارد مشاهده می‌شود. بنابراین p=0.03 به این معنی نیست که "اثر 97% واقعی است". نتایج همچنین باید با اندازه اثر و فاصله اطمینان ارزیابی شوند.

11. در یک ارائه، با فشرده سازی محور y در محدوده 95-100، تفاوت 3 درصدی بین دو گروه به عنوان بزرگ نشان داده می شود. این نمونه اش چیست؟

• الف) یک تکنیک تجسم خوب؛ تفاوت را برجسته می کند
• ب) مشکل پالت دوستدار کوررنگ
• ج) انتخاب سبک قابل قبول
• د) نمودار گمراه کننده و غیرصادقانه ای که تفاوت را با محور کوتاه شده اغراق می کند.

توضیح: مقداردهی اولیه محور از صفر (محور کوتاه شده) با اغراق بصری یک تفاوت کوچک، بیننده را گمراه می کند. این نقض اصل صداقت است; به خصوص در نمودارهای میله ای، محور باید از صفر شروع شود و تفاوت با اندازه واقعی آن نشان داده شود.

12. یک محقق آنچه را که فکر می‌کند داده‌های اگزوم بیمار ناشناس است در یک مدل زبان عمومی قرار می‌دهد تا آن را تجزیه و تحلیل کند. چرا این رفتار مشکل ساز است؟

• الف) اشکالی ندارد. داده ها را می توان در صورت ناشناس به اشتراک گذاشت
• ب) ارائه داده های حساس بیمار به یک مدل باز نقض حریم خصوصی و اخلاقی/قانونی (KVKK/GDPR) است و قابل برگشت نیست ✔
• ج) فقط به این دلیل مشکل ساز است که تحلیل کند خواهد بود
• د) مدل مشکل ساز است زیرا نمی تواند داده ها را درک کند

توضیحات: داده های ژنتیکی/بالینی بیمار بسیار حساس است. حتی داده های ژنومی که گمان می رود ناشناس هستند را می توان دوباره شناسایی کرد. ارائه این داده‌ها به یک مدل عمومی، تأییدیه‌های KVKK/GDPR و کمیته اخلاق (IRB) را نقض می‌کند و نقض غیرقابل برگشت حریم خصوصی است. داده های حساس باید در محیط های محلی/ایمن و قراردادی پردازش شوند.

13. در یک مطالعه، تفاوتی که آنها فکر می کردند "بیمار در مقابل کنترل" بود، در واقع به دلیل پردازش نمونه ها در دو روز مختلف بود. به این وضعیت چه می گویند و چگونه با آن برخورد می شود؟

• الف) اثر پرت است. نقطه ها باید حذف شوند
• ب) عدم عادی سازی است. فقط تصحیح مقیاس کافی است
• ج) اثر دسته ای است. باید در طراحی متعادل شود و به عنوان یک متغیر دسته ای به مدل اضافه شود ✔
• د) هک p. آزمون باید تغییر کند

توضیح: تفاوت فنی ناشی از نمونه برداری دسته ای/روز پردازش را اثر دسته ای می نامند و می تواند با تفاوت بیولوژیکی اشتباه گرفته شود. روش صحیح این است که دسته ها را در طراحی متعادل کنیم و متغیر دسته ای را به مدل آماری اضافه کنیم (به عنوان مثال '~batch + condition')، بنابراین سیگنال فنی را از سیگنال بیولوژیکی جدا کنیم.

14. شما می خواهید نسبت GC یک توالی DNA را محاسبه کنید. کدام رویکرد صحیح و قابل تکرار است؟

• الف) کدی را که نرخ GC را با Biopython محاسبه می کند چاپ کنید، آن را اجرا کنید و از خروجی استفاده کنید ✔
• ب) دنباله را به مدل بدهید و از آن بخواهید به صورت شفاهی نرخ GC را بگوید
• ج) تایید نسبت داده شده توسط مدل توسط مدل دیگر
• د) نگاه کردن به 100 حرف اول سریال و حدس زدن به چشم

توضیح: نرخ GC یک محاسبه قطعی است. باید بر اساس کدی باشد که آرایه را پردازش می کند، نه بر روی مقداری که مدل زبان «به خاطر می آورد». به جای اینکه مدل آن را محاسبه کند، چاپ کد محاسبه با ابزاری مانند Biopython و اجرای آن، خروجی دقیقی را ارائه می دهد که هر بار که آن را اجرا می کنید، همان نتیجه را می دهد.