નૈતિકતા, જૈવ સુરક્ષા, ગોપનીયતા અને વૈજ્ઞાનિક અખંડિતતા

નફો:

• KVKK, GDPR અને એથિક્સ કમિટીના નિયમો અનુસાર સંવેદનશીલ માનવ/આનુવંશિક ડેટાને સુરક્ષિત કરવાની ક્ષમતા અને તેને ઓપન મોડલને આપવાનું ટાળવું
• જૈવ સુરક્ષા/દ્વિ ઉપયોગ અને વસ્તીના પૂર્વગ્રહના જોખમોનું મૂલ્યાંકન કરીને પરિણામોની માન્યતા પર પ્રશ્ન કરવાની ક્ષમતા
• એ સમજવું કે નૈતિક જવાબદારી વાહનને સોંપી શકાતી નથી અને તે અર્થપૂર્ણ માનવ-ઇન-ધ-લૂપ જરૂરી છે

બાયોલોજીમાં કૃત્રિમ બુદ્ધિમત્તાનો મજબૂત ઉપયોગ એ જવાબદારીપૂર્વક ઉપયોગ કરીને પૂરક છે. જીવવિજ્ઞાન એ એક સંવેદનશીલ ક્ષેત્ર છે જે માનવ સ્વાસ્થ્ય, આનુવંશિક ગોપનીયતા, પર્યાવરણ અને જૈવ સુરક્ષાને પણ સ્પર્શે છે. આ એકમમાં, અમે જૈવિક અભ્યાસમાં કૃત્રિમ બુદ્ધિમત્તાનો ઉપયોગ કરતી વખતે તમને જે નૈતિક, કાનૂની અને સુરક્ષા જવાબદારીઓનો સામનો કરવો પડશે તેની ચર્ચા કરીશું. આ એકમ અગાઉના તમામ એકમોમાં ચકાસણી અને પ્રમાણિકતાના સિદ્ધાંતો પર બનેલ માળખું છે.

મૂળભૂત સિદ્ધાંત: AI એ એક સાધન છે; નૈતિક જવાબદારી હંમેશા માણસો પર રહે છે. "સૂચન કરેલ મોડેલ" એ બહાનું નથી.

જવાબદારીના ચાર ક્ષેત્રો

1. ડેટા ગોપનીયતા અને માનવ ડેટા

માનવ સહભાગીઓના આનુવંશિક, ક્લિનિકલ અથવા આરોગ્ય ડેટા અત્યંત સંવેદનશીલ છે. વ્યક્તિનો ડીએનએ ક્રમ તેમના અને તેમના સંબંધીઓના રોગના જોખમ અને ઓળખને છતી કરી શકે છે; અનામી માનવામાં આવતા જીનોમિક ડેટાને પણ ફરીથી ઓળખી શકાય છે. આ ડેટાને સાર્વજનિક રૂપે ઉપલબ્ધ AI મૉડલમાં પેસ્ટ કરવાથી ડેટા સંરક્ષણ કાયદા (Türkiye માં KVKK, યુરોપમાં GDPR) અને એથિક્સ બોર્ડ (IRB/એથિક્સ કમિટી)ની મંજૂરીઓનું ઉલ્લંઘન થઈ શકે છે.

• ખુલ્લા મોડેલને વ્યક્તિગત/ક્લિનિકલ ડેટા પ્રદાન કરશો નહીં.
• સંમતિના અવકાશની બહાર ઉપયોગ કરવાનું ટાળો; સહભાગીએ શું સંમતિ આપી?
• એન્ટરપ્રાઇઝ/સ્થાનિક (ઓન-પ્રિમાઇઝ) અથવા ડેટા પ્રોસેસિંગ કોન્ટ્રાક્ટ ટૂલ્સ માટે પસંદ કરો.

2. જૈવ સુરક્ષા અને બેવડા ઉપયોગ

કેટલીક જૈવિક માહિતી "દ્વિ ઉપયોગ" છે: તે ઉપયોગી અને નુકસાનકારક બંને હોઈ શકે છે; ઉદાહરણ તરીકે, રોગકારક (રોગ પેદા કરનાર) ક્રમ, ઝેરનું ઉત્પાદન. ખતરનાક પેથોજેન્સ વધારવા અથવા હાનિકારક જૈવિક એજન્ટો ડિઝાઇન કરવા વિશેની માહિતી માટે AI ને પૂછવું એ મોટાભાગના સ્થળોએ અનૈતિક અને ગેરકાયદેસર છે.

• ખતરનાક દ્વિ-ઉપયોગની વિનંતીઓ કરશો નહીં.
• તમારી સંસ્થાના બાયોસેફ્ટી બોર્ડ (IBC) માર્ગદર્શિકાને અનુસરો.

3. વૈજ્ઞાનિક અખંડિતતા

અમે અગાઉના એકમોમાં જોયું છે તે બધું અહીં એકસાથે આવે છે: કોઈ બનાવટી એટ્રિબ્યુશન નહીં, કોઈ ડેટા બ્યુટીફિકેશન નહીં, પી-હેકિંગ નહીં, કોઈ પસંદગીયુક્ત રિપોર્ટિંગ નહીં. કૃત્રિમ બુદ્ધિ આને સરળ અથવા સખત બનાવી શકે છે; તફાવત તમારી પ્રામાણિકતામાં છે.

• બધા પરિણામોની જાણ કરો (નકારાત્મક સહિત).
• આર્ટિફિશિયલ ઇન્ટેલિજન્સનો ઉપયોગ જાહેર કરો.
• કાચો ડેટા અને કોડ શેર કરીને પ્રજનનક્ષમતાને સમર્થન આપો (જો શક્ય હોય તો).

4. પૂર્વગ્રહ અને વાજબીતા

AI મૉડલ્સ ડેટાના પૂર્વગ્રહો ધરાવે છે જેના પર તેઓને તાલીમ આપવામાં આવે છે. જીનોમિક ડેટાબેઝ મુખ્યત્વે યુરોપિયન વંશની વસ્તીમાંથી આવે છે; આ અન્ય વસ્તીમાં ગરીબ આગાહીઓ તરફ દોરી જાય છે. ઇમેજ મૉડલ એવી સ્થિતિમાં નબળું પ્રદર્શન કરી શકે છે કે જે તાલીમ ડેટામાં અન્ડરપ્રેઝેન્ટેડ હોય.

• મોડેલને કઈ વસ્તી/ડેટા પર તાલીમ આપવામાં આવી હતી તે અંગે પ્રશ્ન કરો.
• મૂલ્યાંકન કરો કે શું પરિણામો બધા જૂથોમાં છે.

ટીપ: તમારી જાતને પૂછો: "જો હું આ ડેટા મોડેલને આપું, તો તે કોનો છે અને શું તે વ્યક્તિએ પરવાનગી આપી હતી?" જો જવાબ અસ્પષ્ટ છે, તો તેને આપશો નહીં. ગોપનીયતાનો ભંગ ઉલટાવી શકાય તેવું છે.

પગલું દ્વારા પગલું: જવાબદાર AI નિયંત્રણ

1. ડેટા સ્ત્રોતનું વર્ગીકરણ કરો: વ્યક્તિગત/સંવેદનશીલ કે સાર્વજનિક?
2. સંમતિ અને પરવાનગીઓ તપાસો: શું આ ઉપયોગ આવરી લેવામાં આવ્યો છે?
3. યોગ્ય સાધન પસંદ કરો: સંવેદનશીલ ડેટા માટે સુરક્ષિત/મૂળ વાતાવરણ.
4. બેવડા ઉપયોગના જોખમને ધ્યાનમાં લો.
5. પ્રશ્ન પૂર્વગ્રહ: શું પરિણામ બધા જૂથોમાં માન્ય છે?
6. દસ્તાવેજ કરો અને ઉપયોગની ઘોષણા કરો.

નકલ કરી શકાય તેવા પ્રોમ્પ્ટ નમૂનાઓ

નૈતિક દ્રષ્ટિકોણથી નીચે મારી વિશ્લેષણ યોજનાની સમીક્ષા કરો: ડેટાની ગુપ્તતા, સહભાગીની સંમતિ, સંભવિત પૂર્વગ્રહ અને બેવડા ઉપયોગના જોખમને લગતી ચેતવણીઓની સૂચિ બનાવો. યોજના: [ટેક્સ્ટ] (નોંધ: હું દર્દીનો વાસ્તવિક ડેટા શેર કરતો નથી, માત્ર યોજના.)

આ જીનોમિક ડેટાસેટનો ઉપયોગ કરતા પહેલા મારે કયા ગોપનીયતા અને સંમતિ પ્રશ્નોના જવાબ આપવા જોઈએ? KVKK/GDPR અને એથિક્સ કમિટીના સંદર્ભમાં એક ચેકલિસ્ટ તૈયાર કરવામાં આવે છે.

મારા લેખના પદ્ધતિ વિભાગમાં હું જે આર્ટિફિશિયલ ઇન્ટેલિજન્સ ટૂલનો ઉપયોગ કરું છું તે કેવી રીતે પારદર્શક રીતે જાહેર કરવું જોઈએ? એક ઉદાહરણ ઘોષણાત્મક વાક્ય લખો; તેમાં કઈ માહિતી (ટૂલ, સંસ્કરણ, ઉપયોગનો અવકાશ) હોવો જોઈએ?

હું કેવી રીતે મૂલ્યાંકન કરી શકું કે આ મોડેલના પરિણામોમાં વસ્તી પૂર્વગ્રહ છે? તાલીમ ડેટા અને તપાસના પગલાં વિશે મારે પૂછવા જોઈએ તેવા પ્રશ્નોની સૂચિ બનાવો.

નબળા પ્રોમ્પ્ટ / મજબૂત પ્રોમ્પ્ટ

નબળા: "નીચેના દર્દીના આનુવંશિક ડેટાનું વિશ્લેષણ કરો: [વાસ્તવિક ડેટા]."

Güçlü: "હું એક વિશ્લેષણ યોજના સેટ કરી રહ્યો છું જે ક્લિનિકલ જીનોમિક ડેટા સાથે કામ કરે છે, પરંતુ હું વાસ્તવિક દર્દીનો ડેટા શેર કરતો નથી. માત્ર પદ્ધતિસરના પરિપ્રેક્ષ્યમાં: મારે કયા ગોપનીયતા પગલાં લેવા જોઈએ, મારે કયા વાતાવરણમાં ડેટા પર પ્રક્રિયા કરવી જોઈએ, કઈ મંજૂરી અને નીતિશાસ્ત્ર સમિતિની શરતો પૂરી કરવી જોઈએ? તમે ડમી/નમૂના ડેટા સાથે પ્રવાહ બતાવી શકો છો."

તફાવત: શક્તિશાળી પ્રોમ્પ્ટમાં કોઈ વાસ્તવિક સંવેદનશીલ ડેટા શેર કરવામાં આવતો નથી; માત્ર પદ્ધતિ પૂછવામાં આવે છે. ગોપનીયતા જાળવવામાં આવે છે, મોડેલ હજુ પણ મદદ કરે છે.

ત્રણ નાના કેસો

કેસ 1 — ગોપનીયતાનું ઉલ્લંઘન: એક સંશોધકે તેને પૃથ્થકરણ કરવા માટે એક ખુલ્લા મોડેલમાં પેસ્ટ કર્યો જે તેને અનામી દર્દીનો એક્સોમ ડેટા હતો. જ્યારે નીતિશાસ્ત્ર સમિતિને આની જાણ થઈ, ત્યારે અભ્યાસ સ્થગિત કરવામાં આવ્યો; ડેટા પ્રોસેસિંગ એગ્રીમેન્ટ નહોતું. પાઠ: સંવેદનશીલ ડેટા ક્યારેય ખુલ્લા મોડેલમાં પ્રવેશતો નથી.

કેસ 2 — વસ્તી પૂર્વગ્રહ: યુરોપીયન મૂળના ડેટા પર પોલિજેનિક રિસ્ક સ્કોર ટૂલને તાલીમ આપવામાં આવી હતી; અન્ય વસ્તીમાં, જોખમના અંદાજો નોંધપાત્ર રીતે અચોક્કસ હતા. જ્યારે મોડેલે તાલીમ ડેટાની રચના પર પ્રશ્ન કરવાનું સૂચન કર્યું, ત્યારે ટીમે તે વસ્તીમાં સાધનનો ઉપયોગ ન કરવાનું નક્કી કર્યું. પાઠ: પૂર્વગ્રહ જીવન બચાવે છે અથવા નુકસાન પહોંચાડે છે.

કેસ 3 — ડિસ્ક્લોઝર અને પારદર્શિતા: એક ટીમે AI સાથે ડેટા ક્લિનિંગ કોડ લખ્યો અને પદ્ધતિ વિભાગમાં આ સ્પષ્ટપણે જણાવ્યું; તેણે કોડ પણ શેર કર્યો. સમીક્ષકોએ આનું સ્વાગત કર્યું કારણ કે પુનરાવર્તિતતા મજબૂત હતી. પાઠ: પારદર્શિતા વિશ્વાસ પેદા કરે છે.

સરખામણી ચાર્ટ

વિસ્તાર

સલામત વર્તન

જોખમી વર્તન

દર્દીનો ડેટા

સ્થાનિક/સુરક્ષિત વાતાવરણ

મોડલ ખોલવા માટે પેસ્ટ કરો

સંમતિ

અવકાશમાં ઉપયોગ કરો

અવકાશ ઓળંગશો નહીં

જૈવ સુરક્ષા

બેવડા ઉપયોગથી દૂર રહેવું

ખતરનાક માંગ

અખંડિતતા

બધા પરિણામોની જાણ કરો

પસંદગીયુક્ત અહેવાલ

પૂર્વગ્રહ

વસ્તીની પૂછપરછ કરો

આંખ આડા કાન કરો

પારદર્શિતા

ઉપયોગ જાહેર કરો

છુપાવવું

સામાન્ય ભૂલો

• ખુલ્લા મોડેલને સંવેદનશીલ ડેટા આપવો: બદલી ન શકાય તેવું ગોપનીયતા ઉલ્લંઘન.
• સંમતિના અવકાશને ઓળંગો: સહભાગી દ્વારા અધિકૃત ઉપયોગ ન કરો.
• પૂર્વગ્રહને અવગણવું: તમામ જૂથો માટે પરિણામોનું સામાન્યીકરણ.
• છૂપાવવાનો ઉપયોગ: AI યોગદાન જાહેર ન કરવું.
• "મોડેલ સૂચવ્યું" સંરક્ષણ: વાહનની જવાબદારી.

સાવચેતી: ઉચ્ચ-પરિણામવાળા જૈવિક કાર્યમાં (ક્લિનિકલ નિર્ણય, જૈવ સુરક્ષા, માનવ ડેટા) AI આઉટપુટ સક્ષમ નિષ્ણાત ચકાસણી અને નૈતિક દેખરેખનો વિકલ્પ નથી; તે માત્ર તેને ઝડપી બનાવે છે. નિર્ણયના નૈતિક અને વૈજ્ઞાનિક પરિણામોની સાથે અંતિમ જવાબદારી હંમેશા મનુષ્યની હોય છે.

પર્યાવરણ, ઇકોલોજી અને પરંપરાગત જ્ઞાન

નૈતિક જવાબદારી માનવ ડેટા સુધી મર્યાદિત નથી. ઇકોલોજી અને કન્ઝર્વેશન બાયોલોજીમાં આર્ટિફિશિયલ ઇન્ટેલિજન્સનો ઉપયોગ કરતી વખતે પણ સાવધાની રાખવી જરૂરી છે. ઉદાહરણ તરીકે, લુપ્તપ્રાય પ્રજાતિનો ચોક્કસ સ્થાન ડેટા (કેમેરા ટ્રેપ કોઓર્ડિનેટ્સ) શિકારના જોખમને કારણે સંવેદનશીલ હોય છે; આ ડેટાને ખુલ્લા મોડલ અથવા જાહેર જનતાને જાહેર કરવાથી પ્રજાતિઓને નુકસાન થઈ શકે છે. તેવી જ રીતે, નૈતિક અને કાનૂની (જેમ કે નાગોયા પ્રોટોકોલ) મુદ્દાઓ ત્યારે ઉદ્ભવે છે જ્યારે સ્થાનિક સમુદાયોના પરંપરાગત જૈવિક જ્ઞાન (દા.ત. છોડનો ઉપયોગ) પરવાનગી વિના ઉપયોગમાં લેવાય છે. ડેટાનો ઉપયોગ કરતા પહેલા, "આ માહિતી કોની છે અને તેની જાહેરાતથી કોને નુકસાન થશે?" હંમેશા પ્રશ્ન પૂછો.

માનવ દેખરેખ અને અંતિમ નિર્ણય

આ સમગ્ર મોડ્યુલનો સાર એક સિદ્ધાંત પર ઉકળે છે: અર્થપૂર્ણ માનવ દેખરેખ. AI એક સૂચન બનાવે છે, ડ્રાફ્ટ લખે છે, પેટર્ન બતાવે છે; પરંતુ જૈવિક, ક્લિનિકલ અથવા નૈતિક નિર્ણય ક્યારેય સીધા મોડેલ આઉટપુટ પર આધારિત નથી. ખાસ કરીને ઉચ્ચ જોખમવાળા વિસ્તારોમાં (નિદાન, સારવાર, પ્રજાતિ સંરક્ષણ નિર્ણય, પ્રકાશન), મોડેલની ભૂમિકા નિર્ણયો લેવાની નથી, પરંતુ નિષ્ણાતના નિર્ણયને વેગ આપવા માટે છે. "હ્યુમન-ઇન-ધ-લૂપ" અભિગમ એ સૂત્ર નથી, પરંતુ આવશ્યકતા છે.

આ સર્વેલન્સ કામ કરવા માટે, સુપરવાઈઝર સક્ષમ હોવા જોઈએ. અંધ સંમતિ ("મોડેલ કહ્યું, સ્વીકૃતિ") એ દેખરેખ નથી. સાચી દેખરેખ માટે નિપુણતાની જરૂર હોય છે જે આઉટપુટ પર પ્રશ્ન કરી શકે, તેની ભૂલ પકડી શકે અને જ્યારે જરૂરી હોય ત્યારે તેને નકારી શકે. તેથી, કૃત્રિમ બુદ્ધિ નિષ્ણાતને બદલતું નથી; તે નિષ્ણાતને વધુ અનિવાર્ય બનાવે છે. જે વાહનનો શ્રેષ્ઠ ઉપયોગ કરે છે તે તે છે જે તેને શ્રેષ્ઠ રીતે નિયંત્રિત કરી શકે છે.

સારાંશમાં

જીવવિજ્ઞાનમાં AI નો જવાબદાર ઉપયોગ ચાર ક્ષેત્રોને આવરી લે છે: ડેટા ગોપનીયતા (સંવેદનશીલ માનવ ડેટાનું રક્ષણ), જૈવ સુરક્ષા (બેવડા ઉપયોગને ટાળવું), વૈજ્ઞાનિક અખંડિતતા (પ્રામાણિક અને સંપૂર્ણ રિપોર્ટિંગ) અને પૂર્વગ્રહ જાગૃતિ (તમામ જૂથોમાં પરિણામોની માન્યતા). ખુલ્લા મોડેલને સંવેદનશીલ ડેટા પ્રદાન કરશો નહીં, ઉપયોગ પારદર્શક રીતે જાહેર કરો, વસ્તીના પૂર્વગ્રહ પર પ્રશ્ન કરો. નૈતિક જવાબદારી ક્યારેય એજન્ટને સોંપી શકાતી નથી; તે હંમેશા મનુષ્યોમાં હોય છે.

એપ્લિકેશન કાર્ય

તમારા પોતાના કાર્યસ્થળમાંથી એક દૃશ્યને ધ્યાનમાં લો (દા.ત. માનવ ડેટાસેટ અથવા છબી મોડેલનો ઉપયોગ કરીને). વાસ્તવિક ડેટા શેર કર્યા વિના AI ને આ દૃશ્ય (ગોપનીયતા, સંમતિ, પૂર્વગ્રહ, બેવડા ઉપયોગ, પારદર્શિતા) ની નૈતિક ચેકલિસ્ટ સાથે આવવા દો. દરેક આઇટમ માટે, તેને તમારી પરિસ્થિતિમાં "યોગ્ય/જોખમી/અનિશ્ચિત" તરીકે ચિહ્નિત કરો અને જોખમી/અનિશ્ચિત હોય તેવા લોકો માટે કાર્ય યોજના લખો. તમારા લેખ માટે AI ઉપયોગ નિવેદનનો મુસદ્દો પણ રાખો.

ચેકલિસ્ટ

• [ ] મેં ખુલ્લા મોડેલને સંવેદનશીલ/વ્યક્તિગત ડેટા પ્રદાન કર્યો નથી.
• [ ] મેં સંમતિ અને નૈતિક સમિતિનો અવકાશ તપાસ્યો.
• [] મેં બેવડા ઉપયોગ/જૈવિક સુરક્ષા જોખમનું મૂલ્યાંકન કર્યું છે.
• [ ] મેં બધા પરિણામોની પ્રામાણિકપણે જાણ કરી.
• [] મેં વસ્તી/ડેટા પૂર્વગ્રહ પર પ્રશ્ન કર્યો.
• [ ] મેં પારદર્શક રીતે આર્ટિફિશિયલ ઇન્ટેલિજન્સનો ઉપયોગ જાહેર કર્યો છે અને જવાબદારી લીધી છે.

મોડ્યુલ પરીક્ષા

1. એક વિદ્યાર્થીએ ભાષાના મોડેલને પૂછ્યું કે 'આ ફાસ્ટા ફાઇલમાં કેટલા તાર છે?' તે પૂછે છે અને મોડેલ જવાબ આપે છે '48'. સૌથી સાચો અભિગમ કયો છે?

• એ) મોડેલ દ્વારા આપવામાં આવેલ નંબર 48 નો સીધો ઉપયોગ કરીને; મોડેલ વિશ્વસનીય છે કારણ કે તે ફાઇલ જુએ છે
• B) નંબરને ફરી એકવાર પૂછો અને જો બે જવાબો સરખા હોય તો તેને સાચા તરીકે સ્વીકારો
• સી) બાયોપાયથોન વડે ફાઇલ વાંચવી, કોડ સાથે સિક્વન્સની સંખ્યા ગણવી અને આઉટપુટનો ઉપયોગ કરવો ✔
• ડી) ફાઇલ જાતે ખોલવી અને આંખના નિર્ણય દ્વારા ગણતરી કરવી

સમજૂતી: ગણતરી અને માપન જેવા નિર્ણાયક કાર્યો તમે ચલાવો છો તે કોડ પર છોડવા જોઈએ, ભાષા મોડેલ પર નહીં. મોડેલ નંબરને 'યાદ' રાખતું નથી, તે સંભવિત મૂલ્ય ઉત્પન્ન કરે છે અને ભૂલથી થઈ શકે છે; બાયોપાયથોન જેવા સાધન વડે ગણતરી કરવાથી સચોટ અને પુનઃઉત્પાદન કરી શકાય તેવા પરિણામો મળે છે.

2. તમે માઈક્રોસ્કોપ ઈમેજમાં કોષોની ગણતરી કરવા અને દરેકના ક્ષેત્રફળને માપવા માંગો છો. આ કાર્ય માટે સૌથી યોગ્ય અભિગમ શું છે?

• A) સેલપોઝ/સ્ટારડિસ્ટ જેવા નિષ્ણાત સેગ્મેન્ટેશન ટૂલનો ઉપયોગ કરીને અને પરિણામ જાતે જ ચકાસવું ✔
• બી) સામાન્ય ભાષાના મોડેલમાં છબી પેસ્ટ કરો અને પૂછો કે 'ત્યાં કેટલા કોષો છે'
• સી) મોડેલને છબીનું વર્ણન કરો અને અંદાજિત સંખ્યા માટે પૂછો
• ડી) પિક્સેલ્સની સંખ્યાને કોઈપણ માપાંકન વિના કોષોની સંખ્યા તરીકે સ્વીકારવી

સમજૂતી: કોષનું વિભાજન અને માપન એ સામાન્ય ભાષાના મોડેલનું ડોમેન નથી, પરંતુ આ કાર્ય માટે ખાસ પ્રશિક્ષિત ઇમેજ મોડેલ્સ (સેલપોઝ, સ્ટારડિસ્ટ)નું છે. ભાષા મોડેલ કોડ લખે છે જે આ સાધનોને કૉલ કરે છે; નિષ્ણાત મોડેલ માપન કરે છે, અને જીવવિજ્ઞાની પરિણામની ચકાસણી કરે છે.

3. સ્નાતક વિદ્યાર્થી તેના થીસીસ પરિચયમાં ભાષા મોડેલ દ્વારા ઉત્પાદિત 8 સ્ત્રોત ઉમેરે છે. સલાહકાર શોધે છે કે આમાંથી 3 બિલકુલ અસ્તિત્વમાં નથી. આ સ્થિતિ કેવી રીતે અટકાવી શકાય?

• એ) મોડલને ફરી એકવાર સંસાધનો ઉત્પન્ન કરવાનું કહીને
• બી) DOI સાથે માત્ર ટાંકણો પસંદ કરીને (જો ત્યાં DOI હોય, તો તે વાસ્તવિક છે)
• સી) મોડેલને 'ફીટ' કરવા સૂચના આપીને સૂચિની વિનંતી કરવી
• D) PubMed/doi.org પર દરેક અવતરણને સ્વતંત્ર રીતે ચકાસવું અને તેણે વાંચેલા લેખો જ ટાંકીને ✔

સમજૂતી: સામાન્ય ભાષાના નમૂનાઓ સાહિત્યનો ડેટાબેઝ નથી; વાસ્તવિક રેકોર્ડ શોધવાને બદલે, તે વાસ્તવિક-ધ્વનિયુક્ત વિશેષતાઓ (ફેબ્રિકેટેડ એટ્રિબ્યુશન) 'જનરેટ' કરે છે. દરેક બાયલાઇન અને DOI નો ઉપયોગ PubMed/doi.org જેવા સ્ત્રોતોમાં સ્વતંત્ર ચકાસણી વિના અને વાસ્તવમાં વાંચેલા લેખોને ટાંક્યા વિના થવો જોઈએ નહીં.

4. આર્ટિફિશિયલ ઇન્ટેલિજન્સ દ્વારા લખાયેલા ડેટા ક્લિનિંગ કોડની ચોકસાઈની ખાતરી કરવાની સૌથી શક્તિશાળી રીત કઈ છે?

• A) જો કોડ ભૂલો વિના કામ કરે છે, તો તેને સાચો તરીકે સ્વીકારો.
• બી) નાના જાણીતા નમૂના સાથે પરિણામનું પરીક્ષણ કરવું અને ધારણા ✔ સાથે અપેક્ષાની ચકાસણી કરવી
• C) મોડેલને પૂછો 'શું કોડ સાચો છે?' પૂછવું અને જવાબ 'હા' પર વિશ્વાસ કરવો
• ડી) કોડ ઘણી વખત ચલાવો અને દરેક વખતે સમાન આઉટપુટ મેળવો

ટિપ્પણી: કોડ ભૂલો વિના કાર્ય કરે છે તેનો અર્થ એ નથી કે તે સાચો છે; 'ખોટો કોડ ભૂલ વિના કામ કરે છે' એ જીવવિજ્ઞાનમાં સૌથી ખતરનાક પરિસ્થિતિ છે. એક નાનકડા નમૂના સાથે પરીક્ષણ કરવું જેનું પરિણામ તમે અગાઉથી જાણતા હોવ અને ધારણા સાથે કોડમાં અપેક્ષા એમ્બેડ કરવી એ સાયલન્ટ ખોટા પરિણામો સામે સૌથી મજબૂત કવચ છે.

5. RNA-seq પૃથ્થકરણમાં, 20,000 જનીનોનું પરીક્ષણ કરવામાં આવે છે અને 3,800 જનીનો સુધારણા વગર p<0.05 સાથે 'નોંધપાત્ર' હોવાનું જણાયું છે. આ નિષ્કર્ષ સાથે મુખ્ય સમસ્યા શું છે?

• એ) નમૂનાઓની સંખ્યા ખૂબ વધારે છે, તે ઘટાડવી જોઈએ
• બી) p થ્રેશોલ્ડ ખૂબ વધારે છે, 0.10 નો ઉપયોગ થવો જોઈએ
• C) બહુવિધ સરખામણી કરેક્શન (FDR) કરવામાં આવ્યું ન હતું; ઘણા ખોટા હકારાત્મક છે ✔
• ડી) જીન્સને બદલે નમૂનાઓનું પરીક્ષણ કરવું જોઈએ

સમજૂતી: જ્યારે તમે એકસાથે હજારો જનીનોનું પરીક્ષણ કરો છો, ત્યારે ઘણા જનીનો સંયોગથી 'નોંધપાત્ર' દેખાય છે, પછી ભલે તેમાં કોઈ વાસ્તવિક તફાવત ન હોય; આ બહુવિધ સરખામણી સમસ્યા કહેવાય છે. ઉકેલ એ છે કે બેન્જામિન-હોચબર્ગ જેવી પદ્ધતિ સાથે FDR (ખોટા શોધ દર) કરેક્શન લાગુ કરવું; સુધારણા સાથે, સૂચિ સામાન્ય રીતે દસથી થોડા સો જનીનો સુધી ઘટાડે છે.

6. BLAST પરિણામમાં શ્રેષ્ઠ મેચનું E-વેલ્યુ 2.0 છે. આનો અર્થ શું છે?

• A) મેચ મોટે ભાગે રેન્ડમ હોય છે; ✔ ભરોસાપાત્ર મેચ નથી
• બી) જોડાણ ખૂબ જ મજબૂત છે; ઈ-વેલ્યુ જેટલું વધારે તેટલું સારું
• સી) 2% ના દરે મેળ ખાતો ક્રમ
• ડી) બે સિક્વન્સ વચ્ચે 2 પાયાનો તફાવત છે

સમજૂતી: ઈ-વેલ્યુ મેચ રેન્ડમ હોવાની અપેક્ષા દર્શાવે છે; નાનું હોવું વધુ સારું છે. 1 કરતા વધારે ઈ-વેલ્યુ સૂચવે છે કે મેચ મોટા ભાગે રેન્ડમ છે. વિશ્વસનીય મેચો માટે, સામાન્ય રીતે e < 1e-5 જેવા ખૂબ નાના થ્રેશોલ્ડની માંગ કરવામાં આવે છે.

7. આલ્ફાફોલ્ડ મોડેલમાં, પ્રોટીનનો ટર્મિનલ પ્રદેશ નીચો pLDDT સ્કોર (<50) દર્શાવે છે. આ પ્રદેશનું અર્થઘટન કેવી રીતે કરવું જોઈએ?

• એ) આલ્ફાફોલ્ડે આ પ્રદેશમાં ભૂલ કરી છે, આ પ્રદેશને વિશ્લેષણમાંથી દૂર કરવો જોઈએ
• બી) આ પ્રદેશ ચોક્કસપણે આલ્ફા હેલિક્સ છે
• સી) મોડેલ સંપૂર્ણપણે અવિશ્વસનીય છે, રચનાનો ઉપયોગ થવો જોઈએ નહીં
• ડી) પ્રદેશ સંભવિત અનિયમિત/સ્થિતિસ્થાપક છે; 'ખોટા'ને બદલે 'અસ્પષ્ટ' તરીકે અર્થઘટન કરવું જોઈએ ✔

વર્ણન: pLDDT એ દરેક એમિનો એસિડ માટે સ્થાનિક આત્મવિશ્વાસનો સ્કોર છે; 50 થી નીચેના મૂલ્યો ઘણીવાર ખરેખર અનિયમિત (લવચીક, બિન-નિશ્ચિત) પ્રદેશોને પ્રતિબિંબિત કરે છે. આ પ્રદેશોને 'ખોટા અનુમાન' તરીકે આપમેળે કાઢી નાખવું ખોટું છે; ઓછા ગુણને 'અનિશ્ચિત/લવચીક' તરીકે વાંચવું જોઈએ અને તેના જૈવિક મહત્વનું મૂલ્યાંકન કરવું જોઈએ.

8. સંશોધક માત્ર પિક્સેલ્સમાં કોષ વિસ્તારોની જાણ કરે છે અને પરિણામો સાહિત્ય સાથે અસંગત છે. ગુમ થયેલ પગલું શું છે?

• A) વધુ કોષોની ગણતરી થવી જોઈએ
• બી) સ્કેલ કેલિબ્રેશન (પિક્સેલ-થી-માઈક્રોમીટર રૂપાંતર) કરવામાં આવ્યું ન હતું, પરિણામો ભૌતિક એકમોમાં રૂપાંતરિત થયા ન હતા ✔
• સી) સેગ્મેન્ટેશન ટૂલ ખોટી રીતે પસંદ કરવામાં આવ્યું હતું
• ડી) છબી રીઝોલ્યુશન ખૂબ વધારે છે

સમજૂતી: ઇમેજમાંથી ભૌતિક કદ કાઢવા માટે સ્કેલ કેલિબ્રેશન (પિક્સેલ દીઠ કેટલા માઇક્રોમીટર) જરૂરી છે. જો આ પગલું છોડવામાં આવે છે, તો માઇક્રોસ્કોપ સેટિંગ પર આધાર રાખીને મૂલ્યો અજોડ રહે છે. ક્ષેત્રોને ભૌતિક એકમો જેમ કે ચોરસ માઇક્રોમીટરમાં રૂપાંતરિત કરવું આવશ્યક છે.

9. એક વિદ્યાર્થી એક માઉસમાંથી 10 પેશીના નમૂના લે છે અને આંકડામાં 'n=10' નો ઉપયોગ કરે છે. આ કેમ ખોટું છે?

• A) આંકડા માટે 10 નમૂના ખૂબ ઓછા છે, ઓછામાં ઓછા 30ની જરૂર છે
• બી) વિવિધ અંગોમાંથી પેશીના નમૂના લેવાના હતા
• સી) આ 10 ઉદાહરણો તકનીકી પુનરાવર્તનો છે; જૈવિક n હજુ પણ 1 છે, આ કહેવાતા પુનરાવર્તન છે ✔
• ડી) નમૂનાઓ અમાન્ય છે કારણ કે તે તે જ દિવસે લેવામાં આવ્યા હતા

સમજૂતી: એક જ વ્યક્તિ પાસેથી પુનરાવર્તિત માપન તકનીકી પુનરાવર્તન છે; જ્યાં આંકડાકીય n એ જૈવિક એકમોની સંખ્યા છે (અહીં ઉંદર). ટેકનિકલ પુનરાવર્તનને જૈવિક (સ્યુડોરેપ્લિકેશન) તરીકે ધ્યાનમાં લેવાથી ખોટું મહત્વ પેદા થાય છે. યોગ્ય ડિઝાઇન એટલે બહુવિધ વ્યક્તિઓ સાથે કામ કરવું.

10. એક વિશ્લેષણ p=0.03 મળ્યું. આ મૂલ્યનું સાચું અર્થઘટન શું છે?

• A) આ અથવા વધુ આત્યંતિક પરિણામ જોવાની 3% તક છે જ્યારે વાસ્તવિકતામાં કોઈ તફાવત નથી ✔
• બી) અસર વાસ્તવિક હોવાની સંભાવના 97% છે
• C) શૂન્ય પૂર્વધારણા સાચી હોવાની સંભાવના 3% છે
• ડી) પરિણામ 97% પુનરાવર્તિત છે

સમજૂતી: p-વેલ્યુ એ 'સંભાવના કે પૂર્વધારણા સાચી છે' અથવા 'પ્રભાવ સાચી હોવાની સંભાવના' નથી. p-મૂલ્ય એ જ્યારે વાસ્તવમાં કોઈ તફાવત ન હોય ત્યારે અવલોકન કરેલ કરતાં વધુ અથવા વધુ આત્યંતિક તફાવત જોવાની સંભાવના છે. તેથી p=0.03 નો અર્થ એ નથી કે 'અસર 97% વાસ્તવિક છે'; પરિણામોનું મૂલ્યાંકન અસરના કદ અને આત્મવિશ્વાસના અંતરાલ દ્વારા પણ થવું જોઈએ.

11. પ્રસ્તુતિમાં, y-અક્ષને 95-100 શ્રેણીમાં સંકુચિત કરીને બે જૂથો વચ્ચેનો 3% તફાવત વિશાળ તરીકે દર્શાવવામાં આવ્યો છે. આ શું ઉદાહરણ છે?

• એ) સારી વિઝ્યુલાઇઝેશન તકનીક; તફાવતને હાઇલાઇટ કરે છે
• બી) કલરબ્લાઈન્ડ મૈત્રીપૂર્ણ પેલેટ સમસ્યા
• સી) એક સ્વીકાર્ય શૈલી પસંદગી
• ડી) એક ભ્રામક અને અપ્રમાણિક ચાર્ટ જે કાપેલા અક્ષ સાથેના તફાવતને અતિશયોક્તિ કરે છે ✔

સમજૂતી: શૂન્ય (કાપેલી અક્ષ) માંથી અક્ષની શરૂઆત ન કરવી એ નાના તફાવતને દૃષ્ટિની રીતે અતિશયોક્તિ કરીને દર્શકને ગેરમાર્ગે દોરે છે. આ પ્રમાણિકતાના સિદ્ધાંતનું ઉલ્લંઘન છે; ખાસ કરીને બાર ચાર્ટમાં, ધરી શૂન્યથી શરૂ થવી જોઈએ અને તફાવત તેના વાસ્તવિક કદ સાથે દર્શાવવો જોઈએ.

12. એક સંશોધક તેને પૃથ્થકરણ કરવા માટે સાર્વજનિક ભાષાના મોડેલમાં અનામી દર્દીના એક્સોમ ડેટાને પેસ્ટ કરે છે. આ વર્તન શા માટે સમસ્યારૂપ છે?

• એ) કોઈ સમસ્યા નથી; જો અનામી હોય તો ડેટા શેર કરી શકાય છે
• બી) દર્દીના સંવેદનશીલ ડેટાને ખુલ્લા મોડેલમાં પ્રદાન કરવું એ ગોપનીયતા અને નૈતિક/કાનૂની (KVKK/GDPR)નું ઉલ્લંઘન છે અને તેને ઉલટાવી શકાતું નથી ✔
• સી) તે માત્ર એટલા માટે સમસ્યારૂપ છે કારણ કે વિશ્લેષણ ધીમું હશે
• ડી) મોડેલ સમસ્યારૂપ છે કારણ કે તે ડેટાને સમજી શકતો નથી

વર્ણન: દર્દીના આનુવંશિક/ક્લિનિકલ ડેટા અત્યંત સંવેદનશીલ હોય છે; અનામી માનવામાં આવતા જીનોમિક ડેટાને પણ ફરીથી ઓળખી શકાય છે. સાર્વજનિક મોડલને આ ડેટા આપવાથી KVKK/GDPR અને એથિક્સ કમિટી (IRB) ની મંજૂરીઓનું ઉલ્લંઘન થાય છે અને તે ગોપનીયતાનો ઉલટાવી શકાય તેવું ઉલ્લંઘન છે. સંવેદનશીલ ડેટાની પ્રક્રિયા સ્થાનિક/સુરક્ષિત, સંકુચિત વાતાવરણમાં થવી જોઈએ.

13. એક અભ્યાસમાં, તેઓ જે વિચારતા હતા તે તફાવત 'દર્દી વિરુદ્ધ નિયંત્રણ' હતો તે વાસ્તવમાં બે અલગ-અલગ દિવસોમાં નમૂનાઓની પ્રક્રિયાને કારણે હતો. આ પરિસ્થિતિને શું કહેવાય છે અને તે કેવી રીતે નિયંત્રિત થાય છે?

• એ) તે બાહ્ય અસર છે; બિંદુઓ કાઢી નાખવા જોઈએ
• બી) તે સામાન્યકરણનો અભાવ છે; માત્ર સ્કેલ કરેક્શન પૂરતું છે
• સી) તે બેચ અસર છે; ડિઝાઇનમાં સંતુલિત હોવું જોઈએ અને મોડેલમાં બેચ વેરીએબલ તરીકે ઉમેરવું જોઈએ ✔
• ડી) પી-હેકિંગ; પરીક્ષણ બદલવું જોઈએ

સમજૂતી: સેમ્પલિંગ બેચ/પ્રોસેસિંગ ડેના કારણે ટેકનિકલ તફાવતને બેચ ઇફેક્ટ કહેવામાં આવે છે અને તેને જૈવિક તફાવત સાથે ભેળસેળ કરી શકાય છે. સાચો અભિગમ એ છે કે ડિઝાઇનમાં બેચને સંતુલિત કરવું અને આંકડાકીય મોડેલમાં બેચ ચલ ઉમેરવા (દા.ત. '~બેચ + કંડીશન'), આમ જૈવિક સિગ્નલથી ટેકનિકલ સિગ્નલને અલગ કરવું.

14. તમે DNA ક્રમના GC રેશિયોની ગણતરી કરવા માંગો છો. સાચો અને પુનરાવર્તિત અભિગમ કયો છે?

• એ) બાયોપાયથોન વડે GC દરની ગણતરી કરતો કોડ છાપો, તેને ચલાવો અને આઉટપુટનો ઉપયોગ કરો ✔
• B) મોડેલને ક્રમ આપો અને તેને મૌખિક રીતે GC દર જણાવવા માટે કહો
• સી) અન્ય મોડેલ દ્વારા મોડેલ દ્વારા આપવામાં આવેલા ગુણોત્તરની પુષ્ટિ કરવી
• ડી) શ્રેણીના પ્રથમ 100 અક્ષરો જોવું અને આંખ દ્વારા અનુમાન લગાવવું

સમજૂતી: GC દર એક નિર્ણાયક ગણતરી છે; કોડ પર આધારિત હોવો જોઈએ જે એરે પર પ્રક્રિયા કરે છે, ભાષા મોડેલ 'યાદ રાખે છે' એવા મૂલ્ય પર નહીં. મોડલને તેની ગણતરી કરવાને બદલે, બાયોપાયથોન જેવા ટૂલ વડે કેલ્ક્યુલેટીંગ કોડ પ્રિન્ટ કરીને તેને જાતે ચલાવવાથી સચોટ આઉટપુટ મળશે જે દર વખતે જ્યારે તમે તેને ચલાવો ત્યારે સમાન પરિણામ આપે છે.