אתיקה, ביולוגית, סודיות ויושרה מדעית

רווחים:

• יכולת להגן על נתונים אנושיים/גנטיים רגישים בהתאם לכללי KVKK, GDPR וועדת האתיקה ולהימנע מלמסור אותם למודל הפתוח
• יכולת להטיל ספק בתקפות התוצאות על ידי הערכת סיכונים של אבטחה ביולוגית/שימוש כפול והטיה באוכלוסייה
• הבנה שלא ניתן להאציל אחריות אתית לרכב ושיש צורך באדם בעל משמעות

שימוש חזק בבינה מלאכותית בביולוגיה משלים על ידי שימוש בה באחריות. ביולוגיה היא תחום רגיש הנוגע לבריאות האדם, לפרטיות גנטית, לאיכות הסביבה ואפילו לאבטחה ביולוגית. ביחידה זו נדון באחריות האתית, המשפטית והביטחונית שתעמוד בפניכם בעת שימוש בבינה מלאכותית במחקרים ביולוגיים. יחידה זו היא מסגרת הבנויה על עקרונות האימות והיושר בכל היחידות הקודמות.

עקרון בסיסי: AI הוא כלי; האחריות האתית מוטלת תמיד על בני האדם. "הדגם שהוצע" אינו תירוץ.

ארבעה תחומי אחריות

1. פרטיות נתונים ונתונים אנושיים

נתונים גנטיים, קליניים או בריאותיים של משתתפים אנושיים הם רגישים ביותר. רצף ה-DNA של אדם יכול לחשוף את הסיכון ואת זהותו למחלה שלו ושל קרוביו; אפילו נתונים גנומיים הנחשבים כאנונימיים ניתנים לזיהוי מחדש. הדבקת נתונים אלה במודל AI זמין לציבור עלולה להפר את חוקי הגנת הנתונים (KVKK בטורקיה, GDPR באירופה) ואישורי מועצת האתיקה (IRB/ועדת האתיקה).

• אל תספק נתונים אישיים/קליניים למודל הפתוח.
• הימנע משימוש מעבר לתחום ההסכמה; למה הסכים המשתתף?
• בחר בכלי חוזים ארגוניים/מקומיים (on-premise) או עיבוד נתונים.

2. ביולוגית ושימוש כפול

חלק מהמידע הביולוגי הוא "שימוש כפול": הוא יכול להיות גם שימושי וגם מזיק; למשל, רצפים של פתוגנים (גורמי מחלה), ייצור רעלנים. בקשת AI מידע על שיפור פתוגנים מסוכנים או עיצוב גורמים ביולוגיים מזיקים היא לא אתית ולא חוקית ברוב המקומות.

• אל תגיש בקשות מסוכנות לשימוש כפול.
• פעל לפי ההנחיות של לוח הבטיחות הביולוגית (IBC) של המוסד שלך.

3. יושרה מדעית

כל מה שראינו ביחידות הקודמות מתכנס כאן: בלי ייחוס מזויף, בלי ייפוי נתונים, בלי p-hacking, בלי דיווח סלקטיבי. בינה מלאכותית יכולה להפוך את אלה לקלים יותר או קשים יותר; ההבדל הוא בכנות שלך.

• דווח על כל התוצאות (כולל השליליות).
• להכריז על שימוש בבינה מלאכותית.
• תמכו בשחזור על ידי שיתוף נתונים גולמיים וקוד (אם אפשר).

4. משוא פנים והגינות

מודלים של AI נושאים הטיות של הנתונים עליהם הם מאומנים. מאגרי מידע גנומיים מגיעים בעיקר מאוכלוסיות ממוצא אירופי; זה מוביל לתחזיות גרועות יותר באוכלוסיות אחרות. מודל תמונה עשוי לבצע ביצועים גרועים במצב שאינו מיוצג בנתוני האימון.

• שאל על איזה אוכלוסייה/נתונים המודל הוכשר.
• הערך אם התוצאות מתקיימות בכל הקבוצות.

טיפ: שאל את עצמך: "אם אני נותן את הנתונים האלה למודל, למי הם שייכים והאם אותו אדם נתן אישור?" אם התשובה מעורפלת, אל תיתן אותה. הפרת הסודיות היא בלתי הפיכה.

צעד אחר צעד: בקרת AI אחראית

1. לסווג את מקור הנתונים: אישי/רגיש או ציבורי?
2. בדוק הסכמה והרשאות: האם שימוש זה מכוסה?
3. בחר את הכלי הנכון: סביבה מאובטחת/מקורית לנתונים רגישים.
4. שקול את הסיכון של שימוש כפול.
5. הטיית שאלה: האם התוצאה תקפה בכל הקבוצות?
6. תיעוד והצהר על שימוש.

תבניות הנחיות הניתנות להעתקה

סקור את תוכנית הניתוח שלי למטה מנקודת מבט אתית: רשום אזהרות לגבי סודיות הנתונים, הסכמת המשתתפים, הטיה אפשרית והסיכון לשימוש כפול. תוכנית: [טקסט] (הערה: אני לא משתף נתוני מטופל בפועל, אלא רק את התוכנית.)

על אילו שאלות פרטיות והסכמה עלי לענות לפני השימוש במערך הגנומי הזה? ערוך רשימת בדיקה מבחינת KVKK/GDPR וועדת האתיקה.

כיצד עלי להכריז בשקיפות על כלי הבינה המלאכותית שבה אני משתמש בחלק השיטה של ​​המאמר שלי? כתוב משפט הצהרתי לדוגמה; איזה מידע (כלי, גרסה, היקף השימוש) עליו להכיל?

כיצד אוכל להעריך אם לתוצאות של מודל זה יש הטיית אוכלוסייה? רשום את השאלות שעלי לשאול לגבי נתוני ההדרכה ושלבי הבדיקה.

הנחיה חלשה / הנחיה חזקה

חלש: "נתח את הנתונים הגנטיים של המטופל הבא: [נתונים אמיתיים]."

Güçlü: "אני מקים תוכנית ניתוח שעובדת עם נתונים גנומיים קליניים, אבל אני לא משתף נתונים אמיתיים של מטופלים. רק מנקודת מבט מתודולוגית: באילו אמצעי סודיות עלי לנקוט, באיזו סביבה עלי לעבד את הנתונים, באילו תנאי ועדת אישור ואתיקה עלי לעמוד? אפשר להראות את הזרימה עם נתוני דמה/דגימה".

הבדל: אין נתונים רגישים בפועל משותפים בהנחיה העוצמתית; שואלים רק את השיטה. הפרטיות נשמרת, המודל עדיין עוזר.

שלושה מיני תיקים

מקרה 1 - הפרת פרטיות: חוקר הדביק את מה שלדעתו הוא נתוני אקסום אנונימיים של מטופלים במודל פתוח כדי לנתח אותם. משנודע על כך לוועדת האתיקה, הלימודים הושעו; לא היה הסכם עיבוד נתונים. לקח: נתונים רגישים לעולם אינם נכנסים למודל הפתוח.

מקרה 2 - הטיית אוכלוסייה: כלי ציון סיכון פוליגני הוכשר על נתונים ממוצא אירופי; באוכלוסיה אחרת, הערכות הסיכון היו לא מדויקות באופן משמעותי. כאשר המודל הציע להטיל ספק בהרכב נתוני האימון, הצוות החליט שלא להשתמש בכלי באותה אוכלוסייה. לקח: הטיה מצילה או פוגעת בחייהם.

מקרה 3 - חשיפה ושקיפות: צוות כתב קוד ניקוי נתונים עם AI וציין זאת בבירור בסעיף השיטה; הוא גם שיתף את הקוד. הסוקרים בירכו על כך מכיוון שהחזרה הייתה חזקה. לקח: שקיפות מולידה אמון.

טבלת השוואה

אזור

התנהגות בטוחה

התנהגות מסוכנת

נתוני המטופל

סביבה מקומית/בטוחה

הדבק כדי לפתוח את הדגם

הסכמה

השתמש בטווח

אל תחרוג מההיקף

ביולוגית

הימנעות משימוש כפול

דרישה מסוכנת

שלמות

דווח על כל התוצאות

דיווח סלקטיבי

הטיה

שאל את האוכלוסייה

החל בעיוורון

שקיפות

הצהר על שימוש

מסתתר

טעויות נפוצות

• מתן נתונים רגישים למודל הפתוח: הפרת פרטיות בלתי הפיכה.
• חריגה מהיקף ההסכמה: שימוש לא מורשה על ידי המשתתף.
• התעלמות מהטיה: הכללת תוצאות לכל הקבוצות.
• הסתרת שימוש: לא הצהרה על תרומת AI.
• הגנת "דגם מוצע": ייחוס אחריות לרכב.

זהירות: בעבודה ביולוגית בעלת השלכות גבוהות (החלטה קלינית, בטיחות ביולוגית, נתונים אנושיים) פלט AI אינו תחליף לאימות מומחה מוכשר ופיקוח אתי; זה רק מאיץ את זה. האחריות הסופית מוטלת תמיד על האדם, יחד עם ההשלכות האתיות והמדעיות של ההחלטה.

סביבה, אקולוגיה וידע מסורתי

אחריות אתית אינה מוגבלת לנתונים אנושיים. זהירות נדרשת גם בעת שימוש בבינה מלאכותית באקולוגיה וביולוגיה של שימור. לדוגמה, נתוני המיקום המדויקים (קואורדינטות מלכודת המצלמה) של מין בסכנת הכחדה רגישים בשל הסיכון לציד; שחרור נתונים אלה למודל פתוח או לציבור עלול לפגוע במין. באופן דומה, סוגיות אתיות ומשפטיות (כגון פרוטוקול נגויה) עולות כאשר נעשה שימוש בידע הביולוגי המסורתי של קהילות מקומיות (למשל שימוש בצמח) ללא רשות. לפני השימוש בנתונים, "למי שייך מידע זה ומי ייפגע מחשיפתו?" תמיד תשאל את השאלה.

פיקוח אנושי והחלטה סופית

המהות של כל המודול הזה מסתכמת בעקרון אחד: פיקוח אנושי משמעותי. AI מייצר הצעה, כותב טיוטה, מראה דפוס; אבל החלטה ביולוגית, קלינית או אתית לעולם אינה מבוססת ישירות על פלט המודל. במיוחד באזורי סיכון גבוה (אבחון, טיפול, החלטה על שימור מינים, שחרור), תפקיד המודל אינו לקבל החלטות, אלא להאיץ את החלטת המומחה. גישת ה"אדם בלולאה" אינה סיסמה, אלא הכרח.

כדי שמעקב זה יעבוד, על המפקח להיות מוכשר. הסכמה עיוורת ("מודל אמר, קבלה") אינה פיקוח. פיקוח אמיתי דורש מומחיות שיכולה לפקפק בפלט, לתפוס את השגיאה שלו ולדחות אותה בעת הצורך. לכן, בינה מלאכותית אינה מחליפה את המומחה; זה הופך את המומחה לעוד יותר חיוני. מי שמשתמש הכי טוב ברכב הוא זה שיכול לשלוט בו בצורה הטובה ביותר.

לסיכום

שימוש אחראי בבינה מלאכותית בביולוגיה מכסה ארבעה תחומים: פרטיות נתונים (הגנה על נתונים אנושיים רגישים), אבטחה ביולוגית (הימנעות משימוש כפול), יושרה מדעית (דיווח ישר ומלא) ומודעות להטיה (תקפות התוצאות בכל הקבוצות). אין לספק נתונים רגישים למודל הפתוח, להכריז על שימוש בשקיפות, להטיל ספק בהטיה באוכלוסייה. לעולם לא ניתן להאציל אחריות אתית לסוכן; זה תמיד אצל בני אדם.

משימת יישום

שקול תרחיש מסביבת העבודה שלך (למשל שימוש במערך נתונים אנושי או מודל תמונה). בקש מה-AI להמציא את רשימת הבדיקה האתית של תרחיש זה (סודיות, הסכמה, הטיה, שימוש כפול, שקיפות) מבלי לשתף נתונים אמיתיים. עבור כל פריט, סמן אותו כ"מתאים/מסוכן/לא ודאי" במצבך וכתוב תוכנית פעולה לאלו שמסוכנים/לא בטוחים. ערכו גם הצהרת שימוש בבינה מלאכותית עבור המאמר שלכם.

רשימת בדיקה

• [ ] לא סיפקתי נתונים רגישים/אישיים למודל הפתוח.
• [ ] בדקתי את היקף ועדת ההסכמה והאתיקה.
• [ ] הערכתי את הסיכון לשימוש כפול/ביולוגי.
• [ ] דיווחתי על כל התוצאות בכנות.
• [ ] שאלתי את הטיית האוכלוסייה/נתונים.
• [ ] הכרזתי בשקיפות על שימוש בבינה מלאכותית ולקחתי אחריות.

מבחן מודול

1. תלמיד שאל את מודל השפה 'כמה מחרוזות יש בקובץ ה-FASTA הזה?' הוא שואל והדוגמנית עונה '48'. מהי הגישה הנכונה ביותר?

• א) שימוש ישיר במספר 48 שניתן על ידי הדגם; המודל אמין כי הוא רואה את הקובץ
• ב) שאל שוב את המספר וקבל אותו כנכון אם שתי התשובות זהות
• ג) קריאת הקובץ עם Biopython, ספירת מספר הרצפים עם קוד ושימוש בפלט ✔
• ד) פתיחת התיק באופן ידני וספירה לפי החלטת עין

הסבר: משימות דטרמיניסטיות כמו ספירה ומדידה צריכות להשאר לקוד שאתה מריץ, ולא למודל השפה. המודל אינו 'זוכר' את המספר, הוא מייצר ערך הסתברותי ועלול לטעות; ספירה עם כלי כמו Biopython נותנת תוצאות מדויקות וניתנות לשחזור.

2. אתה רוצה לספור תאים בתמונת מיקרוסקופ ולמדוד את השטח של כל אחד מהם. מהי הגישה המתאימה ביותר למשימה זו?

• א) שימוש בכלי פילוח מומחה כמו Cellpose/StarDist ואימות התוצאה באופן ידני ✔
• ב) הדבק את התמונה במודל השפה הכללי ושאל 'כמה תאים יש'
• ג) תאר את התמונה לדגם ובקש מספר משוער
• ד) קבלת מספר הפיקסלים כמספר התאים ללא כל כיול

הסבר: פילוח תאים ומדידה אינם נחלתם של מודל השפה הכללי, אלא של מודלים מיוחדים של תמונה (Cellpose, StarDist) שהוכשרו במיוחד למשימה זו. מודל השפה כותב את הקוד שקורא לכלים אלה; מודל המומחה מבצע את המדידה, והביולוג מוודא את התוצאה.

3. סטודנט לתואר שני מוסיף 8 מקורות שהופקו על ידי מודל השפה להקדמת התזה שלו. היועץ מוצא ש-3 כאלה כלל לא קיימים. כיצד ניתן היה למנוע את המצב הזה?

• א) על ידי בקשת המודל לייצר משאבים פעם נוספת
• ב) על ידי בחירת רק הציטוטים עם DOI (אם יש DOI, זה אמיתי)
• ג) בקשת הרשימה על ידי הוראת הדגם 'להתאים'
• ד) אימות עצמאי של כל ציטוט ב-PubMed/doi.org וציטוט רק את המאמרים שהוא קרא ✔

הסבר: מודלים של שפה כללית אינם מאגר ספרות; במקום לחפש רשומות אמיתיות, הוא 'יוצר' ייחוסים בעלי צלילים מציאותיים (ייחוס מפוברק). אין להשתמש בכל כותרת ראשית ו-DOI ללא אימות עצמאי במקורות כגון PubMed/doi.org ורק בציטוט מאמרים שנקראו בפועל.

4. מהי הדרך החזקה ביותר להבטיח את הדיוק של קוד ניקוי נתונים שנכתב על ידי בינה מלאכותית?

• א) אם הקוד עובד ללא שגיאות, קבל אותו כנכון.
• ב) בדיקת התוצאה עם דגימה קטנה וידועה ואימות הציפייה עם assert ✔
• ג) שאל את הדגם 'האם הקוד נכון?' שואל ובוטח בתשובה 'כן'
• ד) הפעל את הקוד מספר פעמים וקבל את אותו פלט בכל פעם

הערה: זה שהקוד עובד ללא שגיאות לא אומר שהוא נכון; 'קוד שגוי עובד ללא שגיאות' הוא המצב המסוכן ביותר בביולוגיה. בדיקה עם דגימה קטנה שאת התוצאה שלה אתה יודע מראש והטמעת הציפייה בקוד עם assert היא המגן החזק ביותר מפני תוצאות שגויות שקטות.

5. בניתוח RNA-seq נבדקים 20,000 גנים ו-3,800 גנים נמצאים 'משמעותיים' עם p<0.05 ללא תיקון. מה הבעיה העיקרית במסקנה הזו?

• א) מספר הדגימות גבוה מדי, יש להפחית אותו
• ב) סף p גבוה מדי, היה צריך להשתמש ב-0.10
• ג) תיקון השוואה מרובה (FDR) לא בוצע; יש הרבה תוצאות שגויות ✔
• ד) דגימות היו צריכים להיבדק במקום גנים

הסבר: כאשר בודקים אלפי גנים בו-זמנית, גנים רבים נראים 'משמעותיים' במקרה, גם אם אין הבדל ממשי; זה נקרא בעיית ההשוואה המרובה. הפתרון הוא ליישם תיקון FDR (שיעור גילוי כוזב) בשיטה כמו בנימין-הוכברג; עם תיקון, הרשימה מצטמצמת בדרך כלל לעשרות עד כמה מאות גנים.

6. ההתאמה הטובה ביותר בתוצאה של BLAST היא בעלת ערך E של 2.0. מה זה אומר?

• א) ההתאמה היא ככל הנראה אקראית; ✔ לא התאמה אמינה
• ב) הצימוד חזק מאוד; ככל שהערך האלקטרוני גדול יותר, כך טוב יותר
• ג) הרצף תואם בשיעור של 2%
• ד) יש הבדל של 2 בסיסים בין שני הרצפים

הסבר: ה-E-value מציין את הציפייה שההתאמה תהיה אקראית; עדיף להיות קטן. ערך אלקטרוני גדול מ-1 מציין שההתאמה היא ככל הנראה אקראית. עבור התאמות אמינות, בדרך כלל מחפשים ספים קטנים מאוד כגון e < 1e-5.

7. במודל AlphaFold, האזור הסופי של החלבון מציג ציון pLDDT נמוך (<50). כיצד יש לפרש את האזור הזה?

• א) AlphaFold עשה שגיאה באזור זה, יש להסיר את האזור מהניתוח
• ב) אזור זה הוא בהחלט סליל אלפא
• ג) המודל אינו אמין לחלוטין, אין להשתמש במבנה
• ד) סביר להניח שהאזור אינו סדיר/אלסטי; יש לפרש כ'לא ברור' ולא 'שקרי' ✔

תיאור: pLDDT הוא ציון הביטחון המקומי עבור כל חומצת אמינו; ערכים מתחת ל-50 לעתים קרובות משקפים אזורים באמת לא סדירים (גמישים, לא קבועים). זה שגוי למחוק אוטומטית אזורים אלה כ'ניחושים שגויים'; יש לקרוא ציון נמוך כ'לא ודאי/גמיש' ולהעריך את המשמעות הביולוגית שלו.

8. חוקר מדווח על אזורי תאים רק בפיקסלים והתוצאות אינן עולות בקנה אחד עם הספרות. מה הצעד החסר?

• א) היו צריכים לספור תאים נוספים
• ב) כיול קנה מידה (המרת פיקסל למיקרומטר) לא בוצע, התוצאות לא הומרו ליחידות פיזיות ✔
• ג) כלי פילוח נבחר בצורה שגויה
• ד) רזולוציית התמונה גבוהה מדי

הסבר: כיול קנה מידה (כמה מיקרומטרים לפיקסל) חיוני כדי לחלץ גודל פיזי מהתמונה. אם מדלגים על שלב זה, הערכים נותרים ללא השוואה, בהתאם להגדרת המיקרוסקופ. יש להמיר שטחים ליחידות פיזיות כגון מיקרומטרים רבועים.

9. תלמיד לוקח 10 דגימות רקמה עכבר בודד ומשתמש ב-'n=10' בסטטיסטיקה. למה זה לא נכון?

• א) 10 דגימות הן מעט מדי לסטטיסטיקה, יש צורך ב-30 לפחות
• ב) היה צורך לקחת דגימות רקמות מאיברים שונים
• ג) 10 הדוגמאות הללו הן חזרות טכניות; n ביולוגי הוא עדיין 1, זה מה שנקרא חזרה ✔
• ד) דגימות פסולות משום שנלקחו באותו היום

הסבר: מדידות חוזרות שנלקחו מאותו אדם הן חזרות טכניות; כאשר n סטטיסטי הוא מספר היחידות הביולוגיות (כאן עכברים). התחשבות בחזרה טכנית כביולוגית (פסאודורפליקציה) מייצרת משמעות כוזבת. עיצוב נכון פירושו עבודה עם מספר אנשים.

10. ניתוח אחד נמצא p=0.03. מהי הפרשנות הנכונה של ערך זה?

• א) יש סיכוי של 3% לראות תוצאה קיצונית זו או יותר כאשר במציאות אין הבדל ✔
• ב) ההסתברות שהאפקט יהיה אמיתי הוא 97%
• ג) ההסתברות שהשערת האפס תהיה נכונה היא 3%
• ד) התוצאה ניתנת לחזרה ב-97%.

הסבר: ערך p אינו 'הסתברות שההשערה נכונה' או 'הסתברות שההשפעה נכונה'. ערך p הוא ההסתברות לראות הבדל קיצוני או קיצוני מזה שנצפה כאשר אין למעשה הבדל. לכן p=0.03 לא אומר 'ההשפעה היא 97% אמיתית'; יש להעריך את התוצאות גם לפי גודל האפקט ורווח סמך.

11. במצגת, הבדל של 3% בין שתי קבוצות מוצג כעצום על ידי דחיסת ציר ה-y לטווח 95-100. למה זו דוגמה?

• א) טכניקת הדמיה טובה; מדגיש את ההבדל
• ב) בעיה בפלטה ידידותית לעיוור צבעים
• ג) בחירת סגנון מקובלת
• ד) תרשים מטעה ולא ישר שמגזים את ההבדל עם הציר הקטום ✔

הסבר: אי אתחול הציר מאפס (ציר קטום) מטעה את הצופה על ידי הגזמה חזותית של הבדל קטן. זוהי פגיעה בעקרון היושר; במיוחד בתרשימים עמודות, הציר צריך להתחיל מאפס וההפרש צריך להיות מוצג עם הגודל האמיתי שלו.

12. חוקר מדביק את מה שלדעתו הוא נתוני אקסום אנונימיים של מטופלים במודל שפה ציבורית כדי לנתח אותם. מדוע התנהגות זו בעייתית?

• א) אין בעיה; ניתן לשתף נתונים אם הם אנונימיים
• ב) מתן נתוני מטופלים רגישים למודל פתוח מהווה הפרה של פרטיות ואתית/משפטית (KVKK/GDPR) ואינה ניתנת לביטול ✔
• ג) זה בעייתי רק בגלל שהניתוח יהיה איטי
• ד) המודל בעייתי כי הוא לא יכול להבין את הנתונים

תיאור: הנתונים הגנטיים/קליניים של המטופל הם רגישים ביותר; אפילו נתונים גנומיים הנחשבים אנונימיים ניתנים לזיהוי מחדש. אספקת נתונים אלה למודל ציבורי מפרה את אישורי KVKK/GDPR וועדת האתיקה (IRB) ומהווה הפרה בלתי הפיכה של הפרטיות. יש לעבד נתונים רגישים בסביבות מקומיות/מאובטחות.

13. במחקר אחד, ההבדל שלדעתם הוא 'מטופל לעומת שליטה' נבע למעשה מכך שהדגימות מעובדות ביומיים שונים. איך קוראים למצב הזה ואיך מטפלים בו?

• א) זה האפקט החורג; יש למחוק נקודות
• ב) זה חוסר נורמליזציה; רק תיקון קנה מידה מספיק
• ג) זה אפקט האצווה; יש לאזן בעיצוב ולהוסיף לדגם כמשתנה אצווה ✔
• ד) p-hacking; יש לשנות את הבדיקה

הסבר: הבדל טכני עקב אצווה/יום עיבוד של דגימה נקרא אפקט אצווה וניתן לבלבל אותו עם הבדל ביולוגי. הגישה הנכונה היא לאזן בין האצוות בתכנון ולהוסיף את משתנה האצווה למודל הסטטיסטי (למשל '~אצווה + מצב'), ובכך להפריד את האות הטכני מהאות הביולוגי.

14. אתה רוצה לחשב את יחס GC של רצף DNA. מהי הגישה הנכונה והניתנת לחזרה?

• א) הדפס את הקוד שמחשב את קצב ה-GC עם Biopython, הפעל אותו והשתמש בפלט ✔
• ב) תן לדגם את הרצף ובקש ממנו לומר מילולית את קצב ה-GC
• ג) אישור היחס שנתן המודל על ידי דגם אחר
• ד) הסתכלות על 100 האותיות הראשונות של הסדרה וניחוש בעין

הסבר: שיעור GC הוא חישוב דטרמיניסטי; צריך להתבסס על הקוד שמעבד את המערך, לא על ערך שמודל השפה 'זוכר'. במקום שהמודל יחשב את זה, הדפסת קוד החישוב עם כלי כמו Biopython והפעלתו בעצמך תספק פלט מדויק שנותן את אותה תוצאה בכל פעם שתפעיל אותו.