મોલેક્યુલર બાયોલોજી અને જિનેટિક્સમાં આર્ટિફિશિયલ ઇન્ટેલિજન્સનો પરિચય: ભૂમિકાઓ, સીમાઓ, માન્યતા, નૈતિકતા અને ગોપનીયતા

નફો:

• મોલેક્યુલર બાયોલોજી અને જીનેટિક્સ ચેઇન (ક્રમ, વેરિઅન્ટ, સ્ટ્રક્ચર, ઓમિક્સ, સાહિત્ય) માં આર્ટિફિશિયલ ઇન્ટેલિજન્સ ક્યાં વાસ્તવિક સમય બચાવે છે અને ક્યાં જોખમી છે કારણ કે તેની પાસે ડેટાબેઝ નથી, કાર્ય જોખમ સ્તર અનુસાર તે તફાવત કરવામાં સક્ષમ હોવું.
• ફેબ્રિકેટેડ સિક્વન્સ/જીન/વેરિઅન્ટ, સંકલન-સંસ્કરણ-નામીકરણ મૂંઝવણ અને ખોટા એટ્રિબ્યુશન જેવા ત્રણ ઘાતક જાળને ઓળખવાની ક્ષમતા અને પ્રાથમિક સ્ત્રોતમાં દરેક જૈવિક ઘટનાની ચકાસણી કરતી શિસ્ત લાગુ કરવાની ક્ષમતા.
• ટૂલ્સ ખોલવા માટે દર્દીના આનુવંશિક ડેટાને ઓળખી શકાય તેવા સ્વરૂપમાં પ્રકાશિત ન કરવાના સિદ્ધાંતોને અપનાવવાની ક્ષમતા અને હંમેશા સક્ષમ નિષ્ણાતને અંતિમ ક્લિનિકલ અર્થઘટન છોડી દેવાની ક્ષમતા.

મોલેક્યુલર બાયોલોજી અને જીનેટિક્સ એ જીવંત વસ્તુઓને તેમની સૌથી મૂળભૂત ભાષામાં વાંચવાનું અને અર્થઘટન કરવાનું વિજ્ઞાન છે - DNA, RNA અને પ્રોટીનની ભાષા. આ ક્ષેત્રમાં, એક અક્ષર (એક આધાર જોડી)નું ખોટું વાંચન કરવું, જનીનનું નામ ગૂંચવવું, અથવા એક પ્રકારનું ખોટું વર્ગીકરણ કરવું (વ્યક્તિના આનુવંશિક ક્રમમાં એક બિંદુ જે સંદર્ભથી અલગ છે); તે ખોટા નિદાન, બિનજરૂરી સારવાર અથવા ખોટા સંશોધન પરિણામ તરફ દોરી શકે છે. એટલા માટે આ ક્ષેત્રમાં આર્ટિફિશિયલ ઈન્ટેલિજન્સ (AI)ના ઉપયોગ માટે ઝડપ જેટલી શિસ્તની જરૂર છે. આ એકમમાં, તમે શીખી શકશો કે આપણે જે ટૂલ્સને મોટા ભાષાનું મોડેલ કહીએ છીએ (LLM - આર્ટિફિશિયલ ઇન્ટેલિજન્સનો એક પ્રકાર કે જે "આગામી સંભવિત શબ્દ" ના તર્ક સાથે આંકડાકીય રીતે ટેક્સ્ટનું ઉત્પાદન કરે છે) વાસ્તવમાં મોલેક્યુલર બાયોલોજી અને જીનેટિક્સમાં સમય બચાવે છે, જ્યાં તે જોખમી છે અને દરેક આઉટપુટને કેવી રીતે ચકાસવું.

પ્રથમ, એક નિર્ણાયક ખ્યાલ: આભાસ એ છે જ્યારે AI એવી માહિતી ઉત્પન્ન કરે છે જે ખરેખર સાચી નથી, સંપૂર્ણ વિશ્વાસ સાથે, જાણે તે સાચી હોય. આ જિનેટિક્સમાં છે; તે બિન-અસ્તિત્વ ધરાવતા જનીન નામ, બનાવેલ વેરિઅન્ટ કોડ (દા.ત. અવિદ્યમાન "c.1234A>G"), વારસાના ખોટા મોડ અથવા અસ્તિત્વમાં ન હોય તેવા લેખના સંદર્ભના સ્વરૂપમાં આવી શકે છે. નિર્ણાયક મુદ્દો એ છે કે LLM એ જીનોમ ડેટાબેઝ અથવા પ્રયોગશાળા સાધન નથી. તે એક ટેક્સ્ટ જનરેટર છે જે આંકડાકીય રીતે તે પાઠોનું અનુકરણ કરે છે જે તે તાલીમ ડેટામાં જુએ છે. તે મોટાભાગે યોગ્ય જીવવિજ્ઞાન ઉત્પન્ન કરે છે કારણ કે તેણે ઘણા સાચા બાયોલોજી ગ્રંથો જોયા છે; પરંતુ ક્લિનિકલ જિનેટિક્સમાં વ્યક્તિના જીવનમાં "મોટાભાગે સાચા" અને "બધા સમયે સાચું" વચ્ચેનો તફાવત હોઈ શકે છે.

આ ક્ષેત્રમાં આર્ટિફિશિયલ ઇન્ટેલિજન્સ ક્યાં કામ કરે છે અને ક્યાં નથી?

AI ને ઝડપી ડ્રાફ્ટ, કોડ અને અર્થઘટન ભાગીદાર તરીકે વિચારો: મૂલ્યવાન પરંતુ ચકાસવા માટે આવશ્યક છે. નીચેનો તફાવત આ મોડ્યુલની કરોડરજ્જુ છે.

ક્વેસ્ટ

AIનું યોગદાન

નિષ્ણાતની જવાબદારી

ક્રમ વિશ્લેષણ

સંરેખણ/વિશ્લેષણ કોડ લખે છે, આઉટપુટનું અર્થઘટન કરે છે

કોડ ચલાવો અને સ્ત્રોત ડેટાબેઝ સાથે એરેની પુષ્ટિ કરો

વેરિઅન્ટ અર્થઘટન

ACMG ડ્રાફ્ટ માપદંડ સાહિત્યનો સારાંશ આપે છે

દરેક પુરાવાને મૂળ સ્ત્રોત પર ચકાસવું, વર્ગને માન્ય કરવું

પ્રોટીન માળખું

આલ્ફાફોલ્ડ આઉટપુટનું અર્થઘટન કરે છે, આત્મવિશ્વાસનો સ્કોર સમજાવે છે

આત્મવિશ્વાસનો સ્કોર અને પ્રયોગમૂલક પુરાવા તપાસી રહ્યાં છીએ

CRISPR ડિઝાઇન

gRNA ઉમેદવારોની યાદી અને કોડ જનરેટ કરે છે

નિષ્ણાત ટૂલ વડે ઓફ-ટાર્ગેટની ચકાસણી કરવી

ઓમિક્સ વિશ્લેષણ

RNA-seq/statistics કોડ પાથવે અર્થઘટન પ્રદાન કરે છે

આંકડા અને જૈવિક અર્થની પુષ્ટિ કરવી

સાહિત્ય/લેખન

સારાંશ, ડ્રાફ્ટ, ભાષા સુધારણા કરે છે

સ્ત્રોત પર દરેક સંદર્ભ અને હકીકતની પુષ્ટિ કરવી

અંગૂઠાનો નિયમ: AI ને ડેટા પોતે "યાદ" ન થવા દો; કોડ લખવા, વર્કફ્લો સેટ કરવા, ડ્રાફ્ટ અને એડિટ કરવા માટે તેનો ઉપયોગ કરો; વિશ્વસનીય પ્રાથમિક સ્ત્રોતમાંથી હંમેશા દરેક જૈવિક તથ્ય (ક્રમ, વેરિઅન્ટ, જનીન કાર્ય, સતત) ચકાસો. અહીં પ્રાથમિક સ્ત્રોત અધિકૃત ડેટાબેઝ છે જેમ કે NCBI, Ensembl, UniProt, ClinVar, gnomAD, અથવા પીઅર-સમીક્ષા કરેલ લેખો; એલએલએમ તેના દિમાગમાંથી આપે છે તે શ્રેણી નથી.

આ ક્ષેત્રના ત્રણ ઘાતક ફાંસો

1. મેડ-અપ સિક્વન્સ, જનીનો અને પ્રકારો. AI એ DNA ક્રમ "ભરી" શકે છે જે તેને યાદ નથી, ચલ સંકલન, અથવા બુદ્ધિગમ્ય લાગે તેવી કોઈ વસ્તુ સાથે જનીન નામ. જો શબ્દમાળાની લંબાઈ અને અક્ષરો સાચા દેખાય તો પણ તેઓ વાસ્તવિક સંદર્ભ સાથે મેળ ખાતા ન પણ હોય.

2. સંકલન અને નામકરણ મૂંઝવણ. AI; જીનોમ વર્ઝન (GRCh37/hg19 થી GRCh38/hg38) શાંતિપૂર્વક 0-આધારિત અને 1-આધારિત કોઓર્ડિનેટ્સ, HGVS પ્રતિનિધિત્વ (ચલો માટે પ્રમાણભૂત લેખન ફોર્મેટ) વચ્ચે સ્વિચ કરી શકે છે. પરિણામ "વાજબી" લાગે છે પરંતુ ખોટી સ્થિતિ તરફ નિર્દેશ કરે છે.

3. ખોટા એટ્રિબ્યુશન અને ખોટા ક્લિનિકલ દાવા. AI વાસ્તવિક જર્નલમાં લેખકના નામો સાથે સંપૂર્ણ રીતે બનાવેલ લેખ બનાવી શકે છે; અથવા તે પુરાવા વિના દાવો કરી શકે છે કે વેરિઅન્ટ "પેથોજેનિક" છે. અમે આને એકમો 8 અને 9 માં ઊંડાણમાં આવરી લઈશું.

ટીપ: ત્રણ પ્રશ્નો સાથે દરેક જૈવિક AI આઉટપુટનો સંપર્ક કરો: (1) કયો પ્રાથમિક સ્ત્રોત આ હકીકતની પુષ્ટિ કરે છે (ક્રમ, પ્રકાર, જનીન)? (2) શું જીનોમ વર્ઝન અને કોઓર્ડિનેટ સિસ્ટમ યોગ્ય છે? (3) હું સ્વતંત્ર રીતે આની પુષ્ટિ કેવી રીતે કરી શકું? આ ત્રણ પ્રશ્નો કળીમાં મોટાભાગની ભૂલોને પકડે છે.

સ્ટેપ બાય સ્ટેપ: સુરક્ષિત AI વર્કફ્લો

1. સંદર્ભ અને સંસ્કરણ સાથે કાર્યને વ્યાખ્યાયિત કરો. "આ જનીન શું કરે છે?" તેના બદલે સ્પષ્ટપણે સંદર્ભ, ટ્રાન્સક્રિપ્ટ અને જીનોમ વર્ઝન લખો, જેમ કે "હું GRCh38 વર્ઝન, BRCA1 જનીનની ટ્રાન્સક્રિપ્ટ NM_007294.4માં નીચેના વેરિઅન્ટની કાર્યાત્મક અસરનું મૂલ્યાંકન કરવા માંગુ છું."

2. સ્ત્રોત અને ચકાસણીની જરૂર છે. દરેક હકીકત માટે કયો ડેટાબેઝ તપાસવો તે સ્પષ્ટ કરવા AI ને કહો. સૂચના "જો તમે જાણતા ન હોવ, તો તેને બનાવશો નહીં, કહો કે 'તે ચકાસવું આવશ્યક છે'" આભાસ ઘટાડે છે પરંતુ તેને સમાપ્ત કરતું નથી.

3. ચલાવીને અથવા સાધનનો ઉપયોગ કરીને કોડની પુષ્ટિ કરો. એક્ઝિક્યુટેબલ પાયથોન (બાયોપાયથોન) કોડ, ઔપચારિક કન્વર્ટર સાથે વેરિઅન્ટ કોઓર્ડિનેટ્સ, આલ્ફાફોલ્ડ ડેટાબેઝ સ્કોર સાથેનું માળખું વડે એરે કામગીરીને ચકાસો.

4. જૈવિક કાઉન્ટરચેક કરો. શું કોડન ફ્રેમ ધરાવે છે? શું ચલ (gnomAD) ની વસ્તી આવર્તન રોગ સાથે સુસંગત છે? શું પ્રોટીન ડોમેન અસરગ્રસ્ત છે? આ ભૂલો પકડે છે જે AI ચૂકી જાય છે.

5. ગોપનીયતા અને નીતિશાસ્ત્રની તપાસ કરો. સાર્વજનિક રૂપે ઉપલબ્ધ AI સાધનમાં દર્દીના આનુવંશિક ડેટાને ઓળખી શકાય તેવા સ્વરૂપમાં ક્યારેય પેસ્ટ કરશો નહીં. અમે આને એકમ 10 માં વિગતવાર આવરીશું.

ત્રણ નાના કેસો

કેસ 1 - મેડ-અપ વેરિઅન્ટ. એક આનુવંશિક કાઉન્સેલરે AI ને દર્દીના રિપોર્ટમાં "CFTR c.1521_1523delCTT" વેરિઅન્ટનો અર્થ પૂછ્યો અને સ્પષ્ટ સમજૂતી પ્રાપ્ત કરી. જો કે, જ્યારે YZ એ પણ આને "p.Phe508del" તરીકે અલગ સંકેત સાથે લખ્યું હતું, ત્યારે તેણે બીજા પ્રશ્નમાં મેડ-અપ "c.1600A>T" વેરિઅન્ટ ઉમેર્યું હતું, જોકે તેણે વેરિઅન્ટનું સ્થાન યોગ્ય રીતે આપ્યું હતું. જ્યારે કન્સલ્ટન્ટે ClinVar શોધ્યું, ત્યારે તેણે જોયું કે બીજું વેરિઅન્ટ બિલકુલ ઉપલબ્ધ નથી. સમય ગુમાવ્યો: 4 મિનિટ; ભૂલ અટકાવી: રિપોર્ટમાં નકલી પ્રકાર દાખલ કરવું.

કેસ 2 - કોઓર્ડિનેટ ટ્રેપ. એક સંશોધકે એઆઈને વેરિઅન્ટના જીનોમ કોઓર્ડિનેટ માટે પૂછ્યું. AI એ hg19 નું સંકલન આપ્યું, પરંતુ સંશોધકનો પ્રોજેક્ટ hg38 નો ઉપયોગ કરી રહ્યો હતો. કોઓર્ડિનેટ્સ લગભગ 3,000 પાયા દ્વારા બદલાઈ ગયા હતા. સંશોધકે જ્યારે "લિફ્ટઓવર" (ઇન્ટર-વર્ઝન કોઓર્ડિનેટ ટ્રાન્સફોર્મેશન) ટૂલ વડે ઇમેજ તપાસી ત્યારે તફાવત નોંધ્યો. ચકાસણી વિના, સમગ્ર સંરેખણ ખોટું હશે.

કેસ 3 - પુષ્ટિ મળી. એક સ્નાતક વિદ્યાર્થીએ AI ને પાયથોન કોડ માટે પૂછ્યું જે ક્રમની ઓપન રીડિંગ ફ્રેમ (ORF — પ્રોટીન-કોડિંગ ક્ષેત્ર) શોધે છે. કોડે કામ કર્યું, પરંતુ પ્રોટીન ટૂંકું મળ્યું કારણ કે તે ખોટા ફ્રેમમાં સ્ટાર્ટ કોડન શોધી રહ્યું હતું. જ્યારે વિદ્યાર્થીએ પરિણામની તુલના જાણીતા સંદર્ભ પ્રોટીન સાથે કરી, ત્યારે તેણે લંબાઈની વિસંગતતા ધ્યાનમાં લીધી, AI ને ત્રણેય ફ્રેમ સ્કેન કરવા કહ્યું અને 10 મિનિટમાં તેને સુધારી લીધું.

ચાર નકલ કરી શકાય તેવા નમૂનાઓ

1) સ્ત્રોત જરૂરી, ચકાસી શકાય તેવું અર્થઘટન:

તમારી ભૂમિકા: મોલેક્યુલર આનુવંશિક સહાયક. નીચેની હકીકતનું મૂલ્યાંકન કરો: [જીન/ચલ/ક્રમ]. જીનોમ સંસ્કરણ (GRCh37/38) અને ટ્રાન્સક્રિપ્ટ સ્પષ્ટપણે જણાવો. દરેક દાવા માટે, લખો કે કયા પ્રાથમિક સ્ત્રોતમાં (NCBI, Ensembl, UniProt, ClinVar, gnomAD) તેની ચકાસણી કરવી જોઈએ. કોઈપણ ક્રમ/કોઓર્ડિનેટ્સ/વેરિઅન્ટ બનાવશો નહીં જેના વિશે તમને ખાતરી ન હોય; "ચકાસાયેલ હોવું આવશ્યક છે" પ્રકાર.

2) કોડ સાથે એરે ઓપરેશનની પુષ્ટિ કરો:

એક્ઝિક્યુટેબલ પાયથોન (બાયોપાયથોન) કોડ લખો જે નીચેની સ્ટ્રીંગનું વિશ્લેષણ કરે છે: [કાર્ય].કોડ; કોમેન્ટ લાઇનમાં જીનોમ વર્ઝન, ફ્રેમ અને સ્ટ્રાન્ડ ધારણાઓ સ્પષ્ટપણે જણાવો. પરિણામની તુલના જાણીતા સંદર્ભ સાથે કરવા માટે એક માન્યતા પગલું ઉમેરો.

3) પહેલા જોખમોની યાદી બનાવો:

આ આનુવંશિક કાર્ય કરતા પહેલા, આ કાર્યમાં 5 સૌથી સામાન્ય ભૂલોની સૂચિ બનાવો અને દરેકને કેવી રીતે ટાળવી: [કાર્ય]. ખાસ કરીને કોઓર્ડિનેટ સિસ્ટમ, જીનોમ વર્ઝન અને નામકરણની ભૂલો પર ધ્યાન આપો.

4) ગોપનીયતા નિયંત્રણ:

AI ટૂલને આ ટેક્સ્ટ આપતા પહેલા, તેમાં કઈ માહિતી શામેલ છે જે દર્દીને ઓળખી શકે છે (નામ, ID નંબર, તારીખ, દુર્લભ વેરિઅન્ટ સંયોજન)? હું આને કેવી રીતે અનામી કરી શકું? યાદીમાં આપો.

નબળા પ્રોમ્પ્ટ / મજબૂત પ્રોમ્પ્ટ

નબળા: "શું BRCA1 માં આ પરિવર્તન હાનિકારક છે?"

સમસ્યા: કોઈ જીનોમ સંસ્કરણ નથી, કોઈ ટ્રાન્સક્રિપ્ટ નથી, વેરિઅન્ટ હોદ્દો અસ્પષ્ટ છે, સ્ત્રોતની વિનંતી નથી. AI તમારા માથાના ઉપરના ભાગમાં એક અર્થઘટન બનાવી શકે છે.

સશક્ત: "હું ACMG માપદંડ અનુસાર GRCh38, BRCA1 (NM_007294.4) ના ટ્રાન્સક્રિપ્ટમાં NM_007294.4:c.68_69delAG વેરિઅન્ટનું મૂલ્યાંકન કરવા માંગુ છું. મને કહો કે ClinVar અને gnomAD માં શું જોવું જોઈએ; દરેક ડેટાના ક્લાસિફિકેશનની ભૂતપૂર્વ યાદી માટે શું કરવું જોઈએ નહીં."

તે શા માટે શક્તિશાળી છે: સંદર્ભ, સંસ્કરણ, ટ્રાન્સક્રિપ્ટ, માનક સંકેત અને ચકાસણી પાથ સાફ કરો; AI ની શોધનું ક્ષેત્ર સંકુચિત કરવામાં આવ્યું છે.

સામાન્ય ભૂલો

• જીનોમ સંસ્કરણનો ઉલ્લેખ નથી. hg19 અને hg38 વચ્ચે કોઓર્ડિનેટ્સ શિફ્ટ થાય છે; સંસ્કરણ વિના આપવામાં આવેલ દરેક સંકલન શંકાસ્પદ છે.
• AI દ્વારા આપવામાં આવેલ સિક્વન્સ/વેરિઅન્ટનો સીધો ઉપયોગ કરીને. દરેક ક્રમ અને વેરિઅન્ટની પ્રાથમિક સ્ત્રોતમાં પુષ્ટિ કરવી આવશ્યક છે.
• ક્લિનિકલ નિર્ણય AI પર છોડીને. AI પેથોજેનિસિટી વર્ગને "કહે" શકે છે, પરંતુ અંતિમ ક્લિનિકલ અર્થઘટન સક્ષમ નિષ્ણાત પાસે છે.
• દર્દીના ડેટાને ખુલ્લા સાધનોમાં પેસ્ટ કરવું. ઓળખી શકાય તેવો આનુવંશિક ડેટા ગોપનીયતાનું ઉલ્લંઘન બનાવે છે.
• ગૂંચવણભર્યું નામકરણ. c., p., g. રજૂઆતો અને ટ્રાન્સક્રિપ્ટ સંસ્કરણોનું મિશ્રણ ખોટા પ્રકાર તરફ નિર્દેશ કરે છે.

સાવધાન: AI નો "આત્મવિશ્વાસ" સ્વર ચોકસાઈનો પુરાવો નથી. સૌથી ખતરનાક આભાસ સૌથી અસ્ખલિત અને વિશ્વાસપાત્ર વાક્યો સાથે આવે છે. જ્યારે તમે આત્મવિશ્વાસપૂર્ણ સ્વર સાંભળો છો, ત્યારે તમારી પુષ્ટિની જરૂરિયાત વધે છે, ઘટતી નથી.

સારાંશમાં

• મોલેક્યુલર બાયોલોજી અને જીનેટિક્સમાં AI; તે એક શક્તિશાળી સહાયક છે જે કોડ લખે છે, ડ્રાફ્ટ કરે છે, ટિપ્પણી કરે છે અને સંપાદિત કરે છે — પરંતુ તે ડેટાબેઝ અથવા લેબ ટૂલ નથી.
• ત્રણ ઘાતક ફાંસો: બનાવટી ક્રમ/જનીન/ચલ, સંકલન-સંસ્કરણ-નામીકરણ મૂંઝવણ, બનાવટી એટ્રિબ્યુશન અને ખોટા ક્લિનિકલ દાવા.
• દરેક જૈવિક તથ્ય પ્રાથમિક સ્ત્રોતમાં ચકાસાયેલ હોવું જોઈએ; દરેક કોડને ચલાવીને તેની પુષ્ટિ કરવી આવશ્યક છે.
• ગોપનીયતા અને નૈતિકતા સહિતની અંતિમ ક્લિનિકલ અને વૈજ્ઞાનિક જવાબદારી હંમેશા સક્ષમ નિષ્ણાતની હોય છે.

એપ્લિકેશન કાર્ય

તમારી પાસે હોય તેવા જનીન અને પ્રકાર માટે (અથવા નમૂના), ઉપરના નમૂના 1નો ઉપયોગ કરીને AI ને મૂલ્યાંકન માટે પૂછો. પછી ClinVar અને gnomAD માં AI રિટર્ન (જીનોમ સંસ્કરણ, ટ્રાન્સક્રિપ્ટ, વેરિઅન્ટ રજૂઆત) પ્રત્યેક હકીકત વ્યક્તિગત રીતે તપાસો. ઓછામાં ઓછા એક બિંદુમાં AI અને સ્ત્રોત વચ્ચેનો તફાવત શોધવાનો પ્રયાસ કરો અને આ તફાવતને એક વાક્યમાં નોંધો.

ચેકલિસ્ટ

• [ ] મેં જીનોમ સંસ્કરણ, ટ્રાન્સક્રિપ્ટ અને સંદર્ભ દ્વારા કાર્યનું વર્ણન કર્યું.
• [ ] મેં AI ને દરેક હકીકત માટે પ્રાથમિક સ્ત્રોત માટે પૂછ્યું.
• [ ] મેં વ્યક્તિગત રીતે દરેક ક્રમ/સંકલન/ચલની પુષ્ટિ કરી છે.
• [ ] મેં કોડ ચલાવીને અથવા ટૂલ વડે ચકાસ્યું.
• [ ] મેં દર્દીના ડેટાની ગોપનીયતા તપાસી છે.
• [ ] મેં મારી જાતે અંતિમ ટિપ્પણી મંજૂર કરી છે, મેં તેને AI પર છોડ્યું નથી.