مورد پایان به پایان: سفری متفاوت از کشف تا گزارش بالینی

سود:

• توانایی ترکیب تمام بخش‌های آموخته‌شده در ماژول (توالی، نوع، ساختار، ادبیات، بالینی) در یک گردش کار منفرد با پشتیبانی از هوش مصنوعی
• توانایی اعمال اصل "هوش مصنوعی تولید می کند، انسان تایید می کند و تضمین می کند" و تایید منبع اولیه در هر مرحله
• امکان مدیریت زنجیره تایید با مستندسازی محرمانه بودن و تایید نهایی کارشناس در یک پرونده نهایی

در این ماژول، ما هر مرحله را به طور جداگانه مورد بحث قرار دادیم، از تجزیه و تحلیل توالی تا ساختار پروتئین، از CRISPR تا omics، از ادبیات تا اخلاق و محرمانگی. در این بخش نهایی، ما همه آنها را در یک گردش کار واقعی ترکیب می کنیم: سفر یک نوع موجود در یک بیمار، از داده های خام تا یک گزارش بالینی تایید شده. هدف این است که به طور کلی ببینیم که چگونه می توان هوش مصنوعی (AI) را به عنوان یک دستیار سرتاسر قرار داد و چگونه تأیید و پاسخگویی انسانی در هر مرحله در هم تنیده شده است.

سناریوی ما (تخیلی): یک بیمار زن 34 ساله برای ارزیابی ژنتیکی با سابقه خانوادگی سرطان پستان در سنین پایین مراجعه می کند. یک نوع در ژن BRCA1 در آزمایش پانل پیدا شد. ماموریت ما: طبقه بندی این نوع، تفسیر تأثیر احتمالی آن بر پروتئین، بررسی ادبیات، و تهیه گزارش بالینی - با استفاده از هوش مصنوعی در هر مرحله و اعتبارسنجی آن در هر مرحله.

فاز 1: اصلاح نوع و کنترل حریم خصوصی

در همان ابتدای گردش کار، ما دو کار را انجام می دهیم: استانداردسازی داده ها و اطمینان از محرمانه بودن.

ابتدا حریم خصوصی: نام بیمار، شماره شناسایی و تاریخ تولد، هیچ ابزار هوش مصنوعی باز را وارد نمی کند (واحد 10). ما فقط با واریانت، نسخه ژنوم و رونوشت کار می کنیم - و فقط در صورتی که واریانت فرد را شناسایی نکند. سپس نوع را اصلاح می کنیم: GRCh38، BRCA1، NM_007294.4، برای مثال c.5266dupC (p.Gln1756fs). ما این را با اعتبار سنجی (VariantValidator) تایید می کنیم. ما نمایش داده شده توسط هوش مصنوعی را در ارزش اسمی نمی پذیریم (واحد 1، 3).

مرحله 2: جمع آوری شواهد (واحد 3)

ما دارای هوش مصنوعی چارچوب اثبات ACMG هستیم - اما بدون اینکه کلاس را مجبور کنیم آن را بگوید. سپس هر مدرک را خودمان تأیید می کنیم:

• فرکانس gnomAD: ما به دنبال نوع در gnomAD می‌گردیم و می‌بینیم که بسیار نادر/غایب است (در جهت PM2).
• ClinVar: ما رکورد را باز می کنیم و نظرات و تازگی موجود را بررسی می کنیم.
• نوع متغیر: اگر تغییر چارچوب منجر به توقف زودرس شود، ممکن است شواهد قوی از از دست دادن عملکرد (PVS1) وجود داشته باشد - اما ما این را در زمینه ژن و رونوشت ارزیابی می‌کنیم.

ما از هیچ فرکانس یا مرجعی که توسط هوش مصنوعی ارائه شده است بدون تأیید آن استفاده نمی کنیم (واحد 9).

مرحله 3: تفسیر ساختار پروتئین (واحد 4)

برای درک تأثیر این نوع بر پروتئین، ساختار AlphaFold (با شماره UniProt آن) را دانلود می‌کنیم، به امتیاز اطمینان pLDDT و حاشیه‌نویسی‌های عملکردی UniProt ناحیه آسیب‌دیده نگاه می‌کنیم. از آنجایی که تغییر قاب مقدار زیادی از پروتئین را تغییر می دهد، تفسیر ساختار ممکن است از فرضیه از دست دادن عملکرد در اینجا پشتیبانی کند - اما ساختار یک حدس است نه اثبات قطعی. ما از هوش مصنوعی مختصات نمی خواهیم. از روی پرونده خواندیم.

مرحله 4: تأیید ادبیات (واحد 7)

ما عبارات جستجو را از هوش مصنوعی دریافت می‌کنیم، آن را در خود PubMed جستجو می‌کنیم و مقالات واقعی در مورد نوع و ژن پیدا می‌کنیم. ما نقل قول هایی را که هوش مصنوعی «از حافظه» با DOI/PMID ارسال می کند تأیید می کنیم. ما تمایز بین رابطه و علیت را در منبع حفظ می کنیم.

مرحله 5: طبقه بندی و تفسیر بالینی (واحد 3، 8)

ما شواهد معتبر را ترکیب می‌کنیم و کلاس احتمالی را با ترکیب ACMG استنباط می‌کنیم (در این مثال، شواهد نادر از دست دادن عملکرد و نادر ممکن است در جهت "بیماری‌زا/احتمالا بیماری‌زا" باشد - اما متخصص حرف آخر را می‌زند). ما تفسیر بالینی را با فنوتیپ و سابقه خانوادگی ترکیب می کنیم: آیا تصویر بیمار با BRCA1 سازگار است؟ اگر ابهامی وجود دارد، آن را صادقانه بیان می کنیم.

مرحله 6: گزارش پیش نویس و تایید (واحد 8)

با هوش مصنوعی، پیش‌نویس گزارش‌ها را برای پزشک و بیمار آماده می‌کنیم. در زبانی که علیت را اغراق نمی کند، عدم قطعیت را روشن می کند و به مشاوره ژنتیکی هدایت می شود. کارشناس هر جمله را تایید می کند. ما بخش محدودیت ها را اضافه می کنیم (آنچه آزمون پوشش نمی دهد، شرایط ارزیابی مجدد).

نکته: هنگام وارد کردن خروجی هر مرحله به مرحله بعدی در یک جریان سرتاسر، مطمئن شوید که خروجی معتبر است. یک فرکانس یا نسبت تأیید نشده به اشتباه به تمام مراحل بعدی منتقل می شود (توهم زنجیری - واحد 9).

جدول گردش کار

مرحله

نقش هوش مصنوعی

تایید اجباری

تصمیم گیرنده

ثابت کردن

طرح آزمایشی

VariantValidator

متخصص

حریم خصوصی

کنترل ناشناس سازی

کنترل انسان

متخصص

شواهد

راه اندازی یک چارچوب

gnomAD، ClinVar

متخصص

ساختار

نظر دهید

pLDDT، فایل

متخصص

ادبیات

عبارت جستجو، خلاصه

DOI/PMID

متخصص

کلاس

پیش نویس ترکیبی

قوانین ACMG

متخصص

گزارش دهید

پیش نویس زبان

جمله به جمله تایید

کارشناس / مشاور

سه مورد کوچک (نقاط شکست در جریان)

مورد 1 - رونوشت نادرست. یک تیم با رونوشت ارائه شده توسط هوش مصنوعی در ابتدای جریان کار کرد. او بعداً متوجه شد که هیئت از رونوشت متفاوتی استفاده کرده است. ج مواضع آنها تغییر کرده بود. این خطا از ابتدا با VariantValidator رفع شد. درس: خطا در مرحله تثبیت کل جریان را مختل می کند.

مورد 2 - مقاله پشتیبانی جعلی. در مرحله ادبیات، هوش مصنوعی مقاله متقاعدکننده ای را پیشنهاد کرد که از طبقه بندی حمایت می کرد. بررسی PMID نشان داد که مقاله وجود ندارد. از زنجیره شواهد حذف شد شواهد واقعی کافی بود، اما اگر انتساب نادرست در گزارش باقی می ماند، اعتماد دانشگاهی/بالینی خدشه دار می شد.

مورد 3 - تأیید به دست آمده است. در مرحله گزارش، پیش نویس هوش مصنوعی شامل این جمله بود که "این نوع قطعا باعث سرطان می شود." مشاور این را با گفتن اینکه "این نوع به طور قابل توجهی خطر ابتلا به سرطان پستان/تخمدان را افزایش می دهد، اما نشان دهنده بیماری قطعی نیست" تصحیح کرد و توصیه ای برای مشاوره ژنتیکی اضافه کرد. لحن و دقت در دستان متخصص شکل گرفت.

دو قالب قابل کپی (انتها به انتها)

1) برنامه ریز جریان:

نقش شما: دستیار گردش کار ژنتیک بالینی. یک چک لیست سرتاسر از کشف تا گزارش برای نوع زیر ایجاد کنید: [نسخه ژنوم، ژن، رونوشت، HGVS]. در هر مرحله (تثبیت، حریم خصوصی، شواهد، ساختار، ادبیات، کلاس، گزارش) با ستون‌هایی بنویسید: «هوش مصنوعی چه می‌کند / چه چیزی را تأیید می‌کنم / چه کسی تصمیم می‌گیرد». شما تصمیم کلاسی و بالینی را می گیرید.

2) بازرسی نهایی:

قبل از ارسال نظر نوع تکمیل شده و پیش نویس گزارش زیر را بررسی کنید: [محتوا]. بررسی کنید: فرکانس/انتساب تایید نشده، بیانیه علیت اغراق‌آمیز/دقت، هشدار ابهام از دست رفته، تقسیم‌بندی مرزی از دست رفته، آسیب‌پذیری حریم خصوصی. هر مشکل و هر پیشنهادی را برای رفع آن فهرست کنید.

اعلان ضعیف / اعلان قوی

ضعیف: "یک گزارش بالینی کامل برای این نوع BRCA1 بنویسید."

مشکل: هوش مصنوعی با تطبیق همه مراحل در یک حرکت "گزارش" تولید می کند. فراوانی، اسناد، کلاس، قضاوت بالینی همگی تایید نشده اند.

قوی: "یک چک لیست از کشف تا گزارش برای این نوع BRCA1 تهیه کنید؛ در هر مرحله مشخص کنید که چه کاری انجام خواهید داد، چه کاری را تأیید خواهم کرد، و چه کسی تصمیم خواهد گرفت. من تصمیم کلاسی و بالینی را پس از تایید شواهد خواهم گرفت."

چرا قدرتمند است: جریان ساختار یافته است، هر مرحله به اعتبار سنجی گره خورده است و تصمیم و مسئولیت با انسان باقی می ماند.

اشتباهات رایج

• درخواست "گزارش تمام شده" با یک اعلان. مراحل بدون تأیید ترکیب می شوند. خطا جمع می شود
• نادیده گرفتن مرحله تثبیت نسخه/رونوشت نادرست کل جریان را رد می کند.
• انتقال خروجی بین مراحل بدون تایید آن. توهم زنجیره ای ایجاد می شود.
• فکر کردن به حریم خصوصی در "پایان" جریان. محرمانگی باید در وهله اول، هنگام ورود داده ها ایجاد شود.
• واگذاری تصمیم و لحن به هوش مصنوعی. کلاس درس و پیام های بالینی باید توسط متخصص تایید شود.

احتیاط: استفاده از هوش مصنوعی انتها به انتها باعث صرفه جویی در زمان می شود اما مسئولیت را کاهش نمی دهد. برعکس، نظم و انضباط راستی آزمایی در هر مرحله را مهم تر می کند. هوش مصنوعی جریان را سرعت می بخشد. انسان دقت، امنیت و رعایت اخلاقی را تضمین می کند.

عمق: صرفه جویی در زمان گردش کار، شکنندگی و دنباله حسابرسی

ارزش واقعی جریان انتها به انتها «اجازه دهید هوش مصنوعی همه کارها را انجام دهد» نیست، بلکه در به دست آوردن زمان در مکان های مناسب و کاهش سرعت در مکان های مناسب است. بیایید سود را در این سناریو کمیت کنیم: تنظیم چارچوب شواهد، تولید عبارت‌های جستجو، ساده‌سازی زبان گزارش، و ارائه یک چک‌لیست پس از حسابرسی می‌تواند کاری را که به طور سنتی چندین ساعت کار پیش‌نویس طول می‌کشد را به ده‌ها دقیقه کاهش دهد. در مقابل، اعتبارسنجی gnomAD/ClinVar، پین کردن VariantValidator، بررسی DOI، و قضاوت متخصص نمی توانند به اختصار بیان شوند – آنها ستون فقرات امنیتی جریان هستند. طرز فکر صحیح: "هوش مصنوعی پیش نویس تولید می کند، انسان به عنوان ضامن عمل می کند." سود در پیش نویس است، مسئولیت در تصمیم گیری است.

شکننده ترین پیوند در جریان همیشه اولین است: لنگر انداختن. نسخه اشتباه ژنوم یا رونوشت اشتباه بی سر و صدا به هر مرحله بعدی انتشار می یابد و در نهایت یک گزارش کاملاً نامعتبر ایجاد می کند. بنابراین بدون تأیید اعتبار لنگر با یک ابزار مستقل (مانند VariantValidator) به مرحله بعدی نروید. دومین نقطه آسیب پذیر، انتقال خروجی بین مراحل است: تبدیل خروجی تایید نشده یک مرحله به ورودی بعدی، توهم زنجیره ای را دعوت می کند.

در نهایت، در زمینه بالینی، دنباله حسابرسی یک جریان جدایی ناپذیر است: باید مستند شود که کدام منبع در چه تاریخی بررسی شده است، کدام نسخه ClinVar دیده شده است، چه کسی تصمیم را تایید کرده است. بررسی های ClinVar در طول زمان تغییر می کند. رکوردی که "امروزه بیماری زا" است ممکن است یک سال بعد به VUS پسرفت کرده باشد. دنباله حسابرسی امکان ارزیابی مجدد و پاسخگویی قانونی/اخلاقی را فراهم می کند.

ویژگی جریان

اصل

برنامه

صرفه جویی در زمان

در پیش نویس سرعت بگیرید

چارچوب، زبان، چک لیست از هوش مصنوعی

شکنندگی

حلقه اول را محکم کنید

ثابت کردن را با ابزار مستقل تأیید کنید

حمل و نقل خروجی

بدون تأیید حرکت کنید

هر مرحله در منبع تایید می شود

دنباله حسابرسی

هر تصمیمی را مستند کنید

منبع، تاریخ، تایید شده توسط ثبت شده

به طور خلاصه

• سفر یک نوع از کشف تا گزارش. مراحل تثبیت، محرمانه بودن، شواهد، ساختار، ادبیات، کلاس و گزارش را پوشش می دهد.
• هوش مصنوعی در هر مرحله پیش نویس/کد/خلاصه تولید می کند. در هر مرحله کارشناس بررسی و تصمیم گیری می کند.
• خروجی بین مراحل باید تنها پس از تأیید به مرحله بعدی منتقل شود.
• محرمانگی از همان ابتدا برقرار است. تصمیم کلاسی و بالینی در نهایت با تایید کارشناس گرفته می شود.

وظیفه کاربردی

یک نوع داستانی (به عنوان مثال یک رکورد معروف BRCA1) را انتخاب کنید. 1. یک چک لیست سرتاسر با الگو ایجاد کنید و هر مرحله را خودتان به روش واحد مربوطه در این ماژول انجام دهید: نوع را اصلاح کنید، gnomAD/ClinVar را بررسی کنید، به ساختار AlphaFold نگاه کنید، یک مقاله واقعی پیدا کنید، کلاس ممکن را توجیه کنید و یک پاراگراف گزارش تهیه کنید و آن را با چشم متخصص تصحیح کنید. سعی کنید حداقل در دو مرحله تفاوت بین هوش مصنوعی و منبع را پیدا کنید.

چک لیست

• [ ] من از ابتدا حریم خصوصی را تنظیم کردم. من هیچ اطلاعات شناسایی منتقل نکردم.
• [ ] من این نوع را با نسخه/رونوشت اصلاح کردم و آن را با اعتبارسنجی تأیید کردم.
• [ ] من هر شواهد (فرکانس، ClinVar، ادبیات) را در منبع اولیه تأیید کردم.
• [ ] من نظر ساختار را با نمره اطمینان و از فایل گذاشتم.
• [ ] من شخصاً کلاس و تفسیر بالینی را بر اساس شواهد تأیید کرده ام.
• [ ] من علیت/دقت را در زبان گزارش بررسی کردم و کرانها را اضافه کردم.

امتحان ماژول

1. کدام یک از موارد زیر دقیق ترین موقعیت برای هوش مصنوعی (به ویژه مدل زبان بزرگ) در زیست شناسی مولکولی و ژنتیک است؟

• الف) دستیار است که کد می نویسد، پیش نویس ها و نظرات را تهیه می کند. هر پدیده بیولوژیکی باید در منبع اولیه تایید شود، تفسیر نهایی متعلق به متخصص است✔
• ب) یک پایگاه داده ژنوم قابل اعتماد است. دنباله ها و انواع داده شده را می توان مستقیماً در گزارش نوشت.
• ج) از آنجایی که اندازه گیری آن مانند یک ابزار آزمایشگاهی است، خروجی های آن به عنوان شواهد تجربی در نظر گرفته می شود.
• د) صلاحیت دارد تصمیم بیماری زایی بالینی را بدون تایید انسانی نهایی کند.

توضیح: مدل زبان بزرگ یک پایگاه داده ژنوم یا ابزار آزمایشگاهی نیست. این یک تولید کننده متن است که از نظر آماری متون موجود در داده های آموزشی را تقلید می کند. حقایق بیولوژیکی مانند توالی / متغیر / ژن همیشه باید از منابع اولیه مانند NCBI، Ensembl، ClinVar، gnomAD تأیید شوند. تفسیر بالینی و علمی نهایی باید متعلق به متخصص ذیصلاح باشد.

2. شما مختصات ژنوم یک نوع را از هوش مصنوعی دریافت کرده اید، اما پروژه شما از GRCh38 (hg38) استفاده می کند. هوش مصنوعی ممکن است مختصات hg19 را داده باشد. رویکرد درست چیست؟

• الف) استفاده مستقیم از مختصات چون معقول به نظر می رسد
• ب) نیازی به درخواست نسخه نیست زیرا هوش مصنوعی همیشه جدیدترین نسخه را ارائه می دهد.
• ج) صریحاً نسخه ژنوم را تأیید کنید و مختصات را با ابزار رسمی liftOver تأیید کنید ✔
• د) از آنجایی که تفاوت بین hg19 و hg38 ناچیز است، یکی را انتخاب کنید و ادامه دهید.

توضیحات: تغییر مختصات بین نسخه های ژنوم (GRCh37/hg19 و GRCh38/hg38). هر مختصاتی که بدون نسخه داده شود مشکوک است. مختصات باید با یک ابزار رسمی liftOver تبدیل/تأیید شود و نسخه ژنوم استفاده شده باید به وضوح تایید شود. در غیر این صورت کل تراز و نظر به مکان اشتباه اشاره خواهد کرد.

3. در نماد HGVS 'c.', 'p.' و 'g.' پیشوندها به چه معنا هستند و چرا نباید آنها را اشتباه گرفت؟

• الف) هر سه به یک معنا هستند، فرقی نمی کند که کدام مورد استفاده شود.
• ب) "ج." رمزگذاری DNA/ رونوشت، "ص." پروتئین، "گرم". سطح ژنومی است. اگر اشتباه گرفته شود، ممکن است مکان دیگری را نشان دهد ✔
• ج) "ص." همیشه "c." سه برابر مقدار آن است، تبدیل خودکار و بدون خطا است
• د) پیشوندها صرفاً رسمی هستند. نیازی به تعیین نسخه رونوشت نیست

توضیحات: HGVS فرمت املایی استاندارد با انواع مختلف است: 'c.' سطح رمزگذاری DNA (رونویسی)، 'p.' سطح پروتئین، 'g.' به سطح ژنومی اشاره دارد. اختلاط اینها یا استفاده از نسخه رونوشت اشتباه ممکن است نشان دهنده یک منبع/نوع کاملاً متفاوت باشد. بنابراین پیشوند صحیح باید همراه با نسخه رونوشت استفاده شود (به عنوان مثال NM_007294.4).

4. نقش هوش مصنوعی هنگام استفاده از معیارهای ACMG برای ارزیابی بیماری زایی یک نوع باید چه باشد؟

• الف) هوش مصنوعی شواهد و کلاس را نهایی می کند. بدون نیاز به نظارت متخصص
• ب) کنترل GnomAD غیر ضروری است زیرا هوش مصنوعی فرکانس جمعیت را از حافظه خود می دهد.
• ج) از آنجایی که معیارهای ACMG سختگیرانه هستند، خروجی هوش مصنوعی به طور خودکار صحیح در نظر گرفته می شود
• د) هوش مصنوعی می تواند پیش نویس شواهد تولید کند. هر مدرکی باید در منبع اولیه تایید شود، طبقه بندی نهایی باید توسط کارشناس انجام شود ✔

توضیحات: ACMG چارچوبی است که بیماری زایی انواع را بر اساس دسته های شواهد طبقه بندی می کند (فرکانس جمعیت، در پیش بینی سیلیس، جداسازی، مطالعه عملکردی، ادبیات). هوش مصنوعی می تواند پیش نویس شواهد تولید کند. با این حال، هر شواهد باید شخصاً در ClinVar، gnomAD و ادبیات تأیید شود و طبقه‌بندی نهایی (بیماری‌زا/احتمالاً بیماری‌زا/VUS...) باید توسط متخصص ذی‌صلاح انجام شود.

5. شما با توالی DNA داده شده توسط هوش مصنوعی کار خواهید کرد. بهترین قدم اول چیست؟

• الف) استفاده از دنباله با به دست آوردن آن از یک منبع اولیه مانند NCBI/Ensembl یا تایید آن با مرجع آنجا ✔
• ب) قرار دادن دنباله به طور مستقیم در تجزیه و تحلیل زیرا به نظر می رسد طول صحیح است
• ج) با فرض صحیح بودن دنباله در صورتی که حروف از نوکلئوتیدهای معتبر تشکیل شده باشند
• د) یک بار دیگر از هوش مصنوعی در مورد دنباله سوال کنید و اگر دو خروجی یکسان هستند آن را صحیح بشمارید.

توضیح: هوش مصنوعی می‌تواند رشته‌ای را که به خاطر نمی‌آورد با حروفی که ظاهری قابل قبول دارند، پر کند. حتی اگر طول و حروف درست به نظر برسند، ممکن است با مرجع واقعی مطابقت نداشته باشند. بنابراین، هر توالی داده شده توسط هوش مصنوعی از سر به طور مستقیم استفاده نمی شود. توالی از یک منبع اولیه مانند NCBI/Ensembl گرفته شده یا با مرجع در آن تایید شده است.

6. نمره pLDDT در پیش بینی ساختار پروتئین از ابزاری مانند AlphaFold به چه معناست؟

• الف) گواهی است که نشان می دهد سازه به طور تجربی اثبات شده است
• ب) یک مقدار آزمایشگاهی است که سطح فعالیت عملکردی پروتئین را اندازه گیری می کند.
• ج) امتیازی است که نشان‌دهنده اطمینان مدل در پیش‌بینی ساختار محلی برای هر باقیمانده است. مقدار کمتر منطقه انعطاف پذیر/غیرقابل اعتماد است ✔
• د) نسبتی است که فراوانی متغیر پروتئین را در جمعیت نشان می دهد.

توضیحات: pLDDT (0-100) یک امتیاز اطمینان است که نشان می دهد AlphaFold چقدر در پیش بینی ساختار محلی خود برای هر باقی مانده (اسید آمینه) مطمئن است. pLDDT بالا به معنای ساختار محلی قابل اعتماد، pLDDT پایین به معنای منطقه انعطاف پذیر / بی نظم یا غیر قابل اعتماد است. ساختار یک حدس است. مناطق کم اعتماد نباید بیش از حد تفسیر شوند و ادعاهای عملکردی باید با شواهد تجربی پشتیبانی شوند.

7. چرا این ادعا که یک جهش بر اساس پیش‌بینی ساختار AlphaFold، پروتئین را کاملاً غیرفعال می‌کند، خطرناک است؟

• الف) ساختارهای AlphaFold را نمی توان برای هیچ هدفی استفاده کرد زیرا همیشه اشتباه هستند
• ب) ساختار یک حدس است. ادعاهای عملکردی در سطح فرضیه هستند و نیاز به تأیید تجربی دارند ✔
• ج) خطری وجود ندارد. خروجی AlphaFold به اندازه ساخت آزمایشی دقیق است
• د) تنها در صورتی خطر وجود دارد که pLDDT کم باشد. اگر زیاد باشد، ادعا به طور خودکار اثبات شده تلقی می شود.

افشا: AlphaFold یک پیش‌بینی ساختار است، نه اثبات تجربی. این به ویژه در مناطق انعطاف پذیر / نابسامان و در مدل سازی اثرات جهش محدود است. ادعاهای عملکردی مبتنی بر یک سازه در سطح فرضیه هستند و نیاز به تأیید تجربی دارند (به عنوان مثال، مطالعه عملکردی). در غیر این صورت، پیش بینی به عنوان مدرک ارائه می شود.

8. حیاتی ترین مرحله اعتبار سنجی در مورد نامزدهای CRISPR gRNA (RNA راهنما) پیشنهاد شده توسط هوش مصنوعی چیست؟

• الف) اگر طول gRNA صحیح باشد، نیازی به بررسی بیشتر نیست
• ب) اگر هوش مصنوعی می گوید «اثر خارج از هدف کم است»، مستقیماً به آزمایش ادامه دهید
• ج) اطمینان کافی است که توالی gRNA از نوکلئوتیدهای معتبر تشکیل شده است
• د) اعتبار نامزدها را با هم ترازی ژنوم واقعی و ابزارهای آنالیز خارج از هدف متخصص و تأیید در آزمایشگاه ✔

توضیحات: gRNA RNA راهنما است که آنزیم Cas را به سمت هدف هدایت می کند. با طراحی اشتباه، می تواند مناطق هدف را نیز قطع کند. کاندیداهایی که توسط هوش مصنوعی برگردانده می‌شوند باید با هم‌ترازی ژنوم واقعی و ابزارهای آنالیز خارج از هدف معتبر تأیید شوند، سپس با آزمایش آزمایشگاهی تأیید شوند. فقط به این دلیل که هوش مصنوعی می گوید "ایمن" جایگزینی برای تایید نیست.

9. چرا هنگام آزمایش تفاوت در بیان هزاران ژن با RNA-seq، اصلاح چندگانه آزمایش (به عنوان مثال FDR/Benjamini-Hochberg) ضروری است؟

• الف) هزاران آزمایش همزمان نتایج مثبت کاذب را افزایش می دهد. تصحیح FDR این موارد را محدود می کند، مقدار p خام گمراه کننده است ✔
• ب) تصحیح فقط در صورتی ضروری است که تعداد نمونه ها کم باشد. ربطی به تعداد ژن ها نداره
• ج) تصحیح تست چندگانه نتیجه را تغییر نمی دهد، فقط رسمی است
• د) p<0.05 خام همیشه کافی است. تصحیح آمار را بی جهت دشوار می کند

توضیح: وقتی هزاران ژن به طور همزمان آزمایش می شوند، بسیاری از ژن ها فقط به دلیل شانس با p<0.05 (مثبت کاذب) مواجه می شوند. تصحیح آزمایش چندگانه (FDR - کنترل نرخ کشف نادرست) این موارد مثبت کاذب را محدود می کند. فهرست‌های ژن‌هایی که با مقادیر p اصلاح‌نشده «معنی‌دار» اعلام شده‌اند گمراه‌کننده هستند. مقدار تنظیم شده (q-value) باید استفاده شود.

10. اگر مشخص شود که یک مسیر در تحلیل غنی سازی مسیر "به طور قابل توجهی غنی شده است" به چه معناست و چگونه باید آن را تفسیر کرد؟

• الف) ثابت می کند که مسیر، علت قطعی بیماری است
• ب) شواهد تجربی دال بر فعال بودن مسیر در سلول است
• ج) این یک سیگنال آماری است که نشان می‌دهد ژن‌های مسیر بیش از حد انتظار نمایش داده می‌شوند. نیاز به تفسیر انتقادی دارد نه علیت ✔
• د) به خودی خود یک نتیجه کافی است، مستقل از پیشینه و تصحیح چندین آزمایش

توضیحات: غنی سازی یک سیگنال آماری است که نشان می دهد یک مسیر خاص در بین ژن هایی که بیان آنها تغییر می کند بیش از حد نشان داده شده است. دلیلی بر علیت یا فعال بودن مسیر واقعی نیست. نتیجه گیری؛ مجموعه ژن مورد استفاده باید در زمینه انتخاب پس‌زمینه و تصحیح آزمایش‌های چندگانه و با معقول بودن بیولوژیکی تفسیر شود.

11. هنگام ارائه خلاصه ادبیات، هوش مصنوعی ممکن است به مقاله ای استناد کند که واقعی به نظر می رسد اما وجود ندارد (استناد جعلی). رویکرد درست چیست؟

• الف) اگر نام نویسنده و مجله واقع بینانه باشد، احتمالاً نقل قول صحیح است، بررسی غیرضروری است.
• ب) هر نقل قول در منبع اصلی را از طریق DOI/PubMed تأیید کنید. ✔ عدم استفاده از چیزی که یافت نمی شود
• ج) هوش مصنوعی اسناد را تشکیل نمی دهد. منابع او را می توان مستقیماً به کتابشناسی اضافه کرد
• د) اگر استناد زیاد باشد، اگر تعداد کمی از آنها اشتباه باشد، اشکال ندارد.

توضیحات: هوش مصنوعی می‌تواند یک مقاله کاملاً ساختگی (و DOI جعلی) با نام نویسنده‌های واقعی در یک مجله واقعی تولید کند. هر نقل قول باید شخصاً در منبع اصلی از طریق DOI/PubMed تأیید شود. منابعی که یافت نمی شوند نباید استفاده شوند. مسئولیت علمی بر عهده نویسنده است. هیچ مرجع تایید نشده ای نباید وارد متن شود.

12. دقیق ترین اصل در مورد تهیه گزارش ژنتیکی بالینی تولید شده توسط هوش مصنوعی چیست؟

• الف) اگر پیش نویس روان باشد، می توان آن را مستقیماً به بیمار داد
• ب) هیچ تأیید منبع جداگانه ای لازم نیست زیرا هوش مصنوعی نیز شواهدی را تولید می کند
• ج) تصمیم بیماری زایی در گزارش را می توان به هوش مصنوعی واگذار کرد، کارشناس فقط فرمت را بررسی می کند
• د) هر ادعای بالینی باید مستند باشد، گزارش نهایی باید توسط متخصص ذیصلاح تایید شود و زنجیره تایید باید مستند باشد ✔

توضیحات: هوش مصنوعی باعث صرفه جویی در زمان در تهیه پیش نویس و خلاصه گزارش می شود. با این حال، هر ادعای بالینی باید به شواهد و منابع اولیه مرتبط باشد و گزارش نهایی باید توسط متخصص مجاز تایید شود. خروجی هوش مصنوعی را نمی توان مستقیماً به تصمیم بیمار تبدیل کرد. زنجیره تأیید باید مستند باشد.

13. اگر خروجی هوش مصنوعی بسیار روان و "با اعتماد به نفس" به نظر برسد به چه معناست؟

• الف) لحن مطمئن دلیلی بر صحت نیست. نیاز به اعتبار سنجی افزایش می یابد، نه کاهش ✔
• ب) پاسخ روان و قاطع به احتمال زیاد درست است، تایید غیر ضروری است
• ج) صدای مطمئن نشان می دهد که مدل داده ها را مستقیماً از حافظه می خواند
• د) لحن معیاری برای اطمینان است، زیرا پاسخ های مردد اشتباه هستند و پاسخ های مطمئن درست هستند.

توضیح: لحن مطمئن هوش مصنوعی مدرکی دال بر دقت نیست. خطرناک ترین توهمات با روان ترین و قانع کننده ترین جملات به وجود می آیند. هنگامی که لحن مطمئن دیده می شود، نیاز به تأیید افزایش می یابد، نه کاهش. هر واقعیت (توالی، نوع، ژن، مرجع) باید با یک منبع اولیه مستقل تأیید شود.

14. مهم ترین احتیاط حفظ حریم خصوصی قبل از ارائه داده های ژنتیکی بیمار به ابزار هوش مصنوعی در دسترس عموم برای تجزیه و تحلیل چیست؟

• الف) اگر داده ها در base64 کدگذاری شده باشند، می توان با خیال راحت پیست کرد
• ب) اگر فقط نام بیمار حذف شود، نیازی به اقدام دیگری نیست
• ج) عدم ارائه اطلاعات قابل شناسایی شخصی ناشناس سازی، به حداقل رساندن داده ها و رضایت/رعایت چارچوب قانونی ✔
• د) داده های ژنتیکی را می توان آزادانه به اشتراک گذاشت زیرا داده های شخصی محسوب نمی شوند.

توضیحات: داده های ژنتیکی یک دسته خاص از داده های شخصی است و یک فرد را می توان با ترکیب های نادری از انواع مختلف دوباره شناسایی کرد. داده های ژنتیکی قابل شناسایی هرگز به ابزارهای باز ارائه نمی شود. داده ها باید ناشناس باشند، فقط حداقل اطلاعات لازم باید به اشتراک گذاشته شود (به حداقل رساندن داده ها) و رضایت / چارچوب قانونی (KVKK/GDPR) باید رعایت شود.