מקרה מקצה לקצה: מסע של וריאנט מגילוי לדוח קליני

רווחים:

• יכולת לשלב את כל החלקים שנלמדו לאורך המודול (רצף, וריאציה, מבנה, ספרות, קליני) בזרימת עבודה אחת הנתמכת בינה מלאכותית מקצה לקצה
• יכולת ליישם את העיקרון של 'בינה מלאכותית מייצרת, אנושי מאמת ומבטיח' ואימות מקור ראשוני בכל שלב
• יכולת לנהל את שרשרת האימות על ידי תיעוד סודיות ואישור מומחה סופי בתיק מקצה לקצה

במודול זה, דנו בכל שלב בנפרד, מניתוח רצף למבנה החלבון, מ-CRISPR ל-omics, מספרות ועד אתיקה וסודיות. ביחידה אחרונה זו, אנו משלבים את כולם לזרימת עבודה מציאותית אחת: המסע של וריאנט שנמצא במטופל, מנתונים גולמיים לדוח קליני מאושר. המטרה היא לראות בצורה הוליסטית כיצד למקם את הבינה המלאכותית (AI) כעוזר מקצה לקצה וכיצד האימות והאחריות האנושית שלובים זה בזה בכל שלב.

התרחיש שלנו (בדיוני): מטופלת בת 34 מגיעה להערכה גנטית עם היסטוריה משפחתית של סרטן השד בגיל צעיר. בבדיקת הפאנל נמצאה וריאנט בגן BRCA1. המשימה שלנו: לסווג את הגרסה הזו, לפרש את ההשפעה האפשרית שלה על החלבון, לסקור את הספרות ולנסח דוח קליני - תוך שימוש בבינה מלאכותית בכל שלב ואימות שלה בכל שלב.

שלב 1: תיקון הגרסה ובקרת הפרטיות

ממש בתחילת תהליך העבודה, אנו עושים שני דברים: סטנדרטיזציה של הנתונים ומבטיחים סודיות.

פרטיות תחילה: שם המטופל, מספר זיהוי ותאריך לידה אינם נכנסים לכלי AI פתוחים (יחידה 10). אנחנו עובדים רק עם הווריאציה, גירסת הגנום והתמליל - ורק אם הווריאציה לא מזהה את הפרט. לאחר מכן נתקן את הגרסה: GRCh38, BRCA1, NM_007294.4, למשל c.5266dupC (p.Gln1756fs). אנו מאשרים זאת באמצעות מאמת (VariantValidator); איננו מקבלים את הייצוג שניתן על ידי AI בערך נקוב (יחידה 1, 3).

שלב 2: איסוף ראיות (יחידה 3)

יש לנו את הבינה המלאכותית לבנות את מסגרת ההוכחה של ACMG - אבל בלי לגרום לכיתה לספר זאת. לאחר מכן אנו מאמתים כל ראיה בעצמנו:

• תדירות gnomAD: אנחנו מחפשים את הווריאציה ב-gnomAD ורואים שהיא מאוד נדירה/נעדרת (בכיוון PM2).
• ClinVar: אנו פותחים את הרשומה ובודקים הערות קיימות ורעננות.
• סוג וריאציה: אם שינוי מסגרת מוביל להפסקה מוקדמת, עשויות להיות עדויות חזקות לאובדן תפקוד (PVS1) - אך אנו מעריכים זאת בהקשר של הגן והתעתיק.

איננו משתמשים בכל תדר או התייחסות שניתנה על ידי AI מבלי לאמת זאת (יחידה 9).

שלב 3: פירוש מבנה חלבון (יחידה 4)

כדי להבין את השפעת הווריאציה על החלבון, אנו מורידים את מבנה AlphaFold (עם מספר ה-UniProt שלו), מסתכלים על ציון הביטחון של pLDDT וביאורים פונקציונליים של UniProt של האזור הפגוע. מכיוון שהסטת מסגרת משנה חלק גדול מהחלבון, פרשנות המבנה עשויה לתמוך בהשערת אובדן הפונקציה כאן - אבל המבנה הוא ניחוש, לא הוכחה מוחלטת. אנחנו לא מבקשים מה-AI קואורדינטות; קראנו מהקובץ.

שלב 4: אימות ספרות (יחידה 7)

אנו מקבלים מונחי חיפוש מה-AI, מחפשים אותם ב-PubMed עצמו ומוצאים מאמרים ממשיים על הווריאציה והגן. אנו מאמתים את הציטוטים שה-AI מגיש "מהזיכרון" עם ה-DOI/PMID. אנו שומרים על ההבחנה בין קשר לסיבתיות במקור.

שלב 5: סיווג ופרשנות קלינית (יחידות 3, 8)

אנו משלבים את הראיות המאומתות, ומסיקים את המעמד הסביר עם השילוב של ACMG (בדוגמה זו, ראיות חזקות לאובדן תפקוד ונדירות עשויות להיות בכיוון של "פתוגנית/כנראה פתוגנית" - אבל למומחה יש את המילה האחרונה). אנו משלבים פרשנות קלינית עם פנוטיפ והיסטוריה משפחתית: האם תמונת המטופל עולה בקנה אחד עם BRCA1? אם יש אי ודאות, אנו מציינים זאת בכנות.

שלב 6: טיוטת דיווח ואישור (יחידה 8)

בעזרת AI, אנו מכינים טיוטות דוחות עבור הרופא והמטופל; בשפה שאינה מגזימה בסיבתיות, ברורה לגבי אי ודאות, ומכוונת לייעוץ גנטי. מומחה מאשר כל משפט. אנו מוסיפים את סעיף הגבולות (מה שהבדיקה לא מכסה, תנאי הערכה מחדש).

טיפ: בעת הזנת הפלט של כל שלב לשלב הבא בזרימה מקצה לקצה, ודא שהפלט מאומת. תדירות או ייחוס לא מאומתים מועברים בצורה שגויה לכל השלבים הבאים (הזיה משורשרת - יחידה 9).

טבלת זרימת עבודה

במה

תפקיד של AI

אימות חובה

מקבל החלטות

תיקון

מערכון הדגמה

Variant Validator

מומחה

פרטיות

בקרת אנונימיזציה

שליטה אנושית

מומחה

ראיות

הקמת מסגרת

gnomAD, ClinVar

מומחה

מבנה

הערה

pLDDT, קובץ

מומחה

ספרות

מונח חיפוש, סיכום

DOI/PMID

מומחה

כיתה

טיוטת שילוב

חוקי ACMG

מומחה

דווח

טיוטת שפה

אישור משפט אחר משפט

מומחה/יועץ

שלושה מיני מקרים (נקודות שבירה בזרימה)

מקרה 1 - תמלול שגוי. צוות אחד עבד עם התמליל שניתן על ידי ה-AI בתחילת הזרם; מאוחר יותר הבין שהפאנל השתמש בתמליל אחר. ג. עמדותיהם השתנו. השגיאה נפתרה על ידי תיקון מההתחלה עם VariantValidator. לקח: שגיאה בשלב התיקון משבשת את כל הזרימה.

מקרה 2 - מאמר תומך מזויף. בשלב הספרות, AI הציע מאמר משכנע התומך בסיווג. בדיקת PMID הראתה שהמאמר לא קיים; הוצא משרשרת הראיות. הראיות בפועל היו מספיקות, אבל האמון האקדמי/קליני היה נפגע אם הייחוס הכוזב נשאר בדוח.

מקרה 3 - אישור שהושג. בשלב הדיווח, טיוטת הבינה המלאכותית כללה את ההצהרה "הגרסה הזו בהחלט גורמת לסרטן". היועצת תיקנה זאת באומרו "הגרסה הזו מגבירה משמעותית את הסיכון לסרטן השד/שחלות, אך אינה מעידה על מחלה סופית" והוסיפה המלצה לייעוץ גנטי. הטון והדיוק עוצבו בידיים מומחיות.

שתי תבניות הניתנות להעתקה (מקצה לקצה)

1) מתכנן זרימה:

תפקידך: עוזר זרימת עבודה בגנטיקה קלינית. צור רשימת בדיקה מקצה לקצה מגילוי לדוח עבור הגרסה הבאה: [גרסת גנום, גן, תמליל, HGVS]. כתוב בכל שלב (קיבעון, פרטיות, ראיות, מבנה, ספרות, שיעור, דוח) עם עמודות "מה עושה ה-AI / מה אני מוודא / מי מחליט". אתה מקבל את ההחלטה המעמדית והקלינית.

2) בדיקה סופית:

בדוק מראש את הערת הגרסה הבאה שהושלמו וטיוטת הדיווח לפני ההגשה: [תוכן]. בדוק אם: תדירות/ייחוס לא מאושר, הצהרת סיבתיות/דיוק מוגזמת, אזהרת אי בהירות חסרה, חלוקת גבול חסרה, פגיעות בפרטיות. רשום כל בעיה וכל הצעה לתיקון שלה.

הנחיה חלשה / הנחיה חזקה

חלש: "כתוב דוח קליני מלא עבור וריאנט BRCA1 זה."

בעיה: בינה מלאכותית מייצרת "דוח" על ידי התאמת כל השלבים במכה אחת; תדירות, ייחוס, מעמד, שיפוט קליני אינם מאושרים.

סטרונג: "ערוך רשימת בדיקה מגילוי לדיווח עבור וריאנט BRCA1 זה; הפרד בכל שלב מה תעשה, מה אני אאמת ומי יקבל את ההחלטה. אני אקבל את ההחלטה המעמדית והקלינית לאחר אישור העדויות".

למה זה חזק: הזרימה מובנית, כל שלב קשור לאימות, וההחלטה והאחריות נשארות אצל האדם.

טעויות נפוצות

• מבקש "דוח גמור" עם הנחיה אחת. שלבים משולבים ללא אימות; שגיאה מצטברת.
• התעלמות משלב התיקון. גרסה/תמלול שגוי מפריך את כל הזרם.
• העברת פלט בין שלבים מבלי לאמת אותו. מתעוררת הזיה של שרשרת.
• חשיבה על פרטיות ב"סוף" הזרימה. יש לקבוע סודיות מלכתחילה, בהזנת הנתונים.
• משאירים את ההחלטה והטון ל-AI. הודעות כיתתיות וקליניות חייבות להיות מאושרות על ידי המומחה.

זהירות: שימוש בבינה מלאכותית מקצה לקצה חוסך זמן רב אך אינו מפחית אחריות; להיפך, זה הופך את משמעת האימות בכל שלב לחשובה עוד יותר. AI מאיץ את הזרימה; אנוש מבטיח דיוק, אבטחה וציות לאתי.

עומק: חיסכון בזמן זרימת עבודה, שבריריות ומסלול ביקורת

הערך האמיתי של זרימה מקצה לקצה הוא לא "תנו ל-AI לעשות הכל" אלא בהשגת זמן במקומות הנכונים והאטה במקומות הנכונים. הבה נכמת את הרווח בתרחיש זה: הגדרת מסגרת הראיות, יצירת מונחי חיפוש, פישוט שפת הדוח והמצאת רשימת בדיקה שלאחר הביקורת יכולה לקצץ את מה שבאופן מסורתי לוקח מספר שעות של עבודת ניסוח לעשרות דקות. לעומת זאת, לא ניתן לקצר אימות gnomAD/ClinVar, הצמדת VariantValidator, בדיקת DOI ושיקול דעת מומחה - הם עמוד השדרה האבטחה של הזרם. חשיבה נכונה: "AI מייצר טיוטה, מעשים אנושיים כערבים." הרווח נמצא בטיוטה, האחריות היא בהחלטה.

החוליה השברירית ביותר בזרימה היא תמיד הראשונה: עיגון. גרסת הגנום הלא נכונה או התמליל השגוי מתפשטים בשקט לכל שלב עוקב, ובסופו של דבר מייצרים דוח לא חוקי לחלוטין. אז אל תמשיך לשלב הבא מבלי לאמת את העוגן עם כלי עצמאי בודד (כמו VariantValidator). הנקודה השנייה הכי פגיעה היא העברת פלט בין שלבים: הפיכת הפלט הלא מאומת של שלב אחד לקלט לשלב הבא מזמין הזיות שרשרת.

לבסוף, בהקשר הקליני, נתיב הביקורת הוא חלק בלתי נפרד מהזרימה: יש לתעד איזה מקור נבדק באיזה תאריך, איזו גרסת ClinVar נראתה, מי אישר איזו החלטה. ביקורות של ClinVar משתנות עם הזמן; ייתכן שרשומה "פתוגנית היום" ירדה ל-VUS שנה לאחר מכן. נתיב הביקורת מאפשר גם הערכה מחדש וגם אחריות משפטית/אתית.

תכונת סטרימינג

עקרון

יישום

חיסכון בזמן

תתעדכן בדראפט

מסגרת, שפה, רשימת תיוג מ-AI

שבריריות

אבטח את הטבעת הראשונה

אשר קיבוע עם כלי עצמאי

הובלת פלט

העבר ללא אימות

כל שלב מאושר במקור

נתיב ביקורת

תיעוד כל החלטה

מקור, תאריך, אושר על ידי רשום

לסיכום

• מסע של וריאנט מגילוי לדיווח; הוא מכסה את שלבי התיקון, הסודיות, הראיות, המבנה, הספרות, הכיתה והדו"ח.
• AI מייצר טיוטה/קוד/סיכום בכל שלב; בכל שלב, המומחה מוודא ומחליט.
• יש להעביר את הפלט בין השלבים לשלב הבא רק לאחר אימות.
• הסודיות נקבעת מההתחלה; החלטה כיתתית וקלינית מתקבלת לבסוף באישור מומחה.

משימת יישום

בחר גרסה בדיונית (למשל תקליט BRCA1 ידוע). 1. צור רשימת בדיקה מקצה לקצה עם התבנית ובצע כל שלב בעצמך בשיטה של ​​היחידה המתאימה במודול זה: תקן את הגרסה, בדוק את gnomAD/ClinVar, הסתכל במבנה AlphaFold, מצא מאמר אמיתי, נמק את המחלקה האפשרית ונסח פסקת דוח והגהה בעין מומחית. נסה למצוא הבדל בין ה-AI למקור בשני שלבים לפחות.

רשימת בדיקה

• [ ] הגדרתי פרטיות מההתחלה; לא העברתי שום מידע מזהה.
• [ ] תיקנתי את הגרסה עם הגרסה/תמליל ואישרתי אותו עם המאמת.
• [ ] אימתתי כל ראיה (תדירות, ClinVar, ספרות) במקור הראשי.
• [ ] עשיתי את הערת המבנה עם ציון ביטחון ומהקובץ.
• [ ] תקפתי באופן אישי את הפרשנות המעמדית והקלינית על סמך ראיות.
• [ ] בדקתי סיבתיות/דיוק בשפת הדיווח והוספתי גבולות.

מבחן מודול

1. איזה מהבאים הוא המיקום המדויק ביותר לבינה מלאכותית (במיוחד מודל השפה הגדול) בביולוגיה מולקולרית ובגנטיקה?

• א) זה עוזר שכותב קוד, מפיק טיוטות והערות; כל תופעה ביולוגית חייבת להיות מאומתת במקור הראשוני, הפרשנות הסופית שייכת למומחה ✔
• ב) זהו מסד נתונים גנום אמין; ניתן לכתוב את הרצפים והווריאציות שניתנו ישירות לדוח.
• ג) מכיוון שהוא מודד כמו מכשיר מעבדה, התפוקות שלו נחשבות לראיות ניסיוניות.
• ד) היא מוסמכת לסיים את החלטת הפתוגניות הקלינית ללא אישור אנושי.

הסבר: מודל השפה הגדול אינו מאגר מידע גנום או כלי מעבדה; זהו מחולל טקסטים המחקה סטטיסטית את הטקסטים בנתוני ההדרכה. עובדות ביולוגיות כגון רצף/וריאנט/גן צריכות להיות מאומתות תמיד ממקורות ראשוניים כגון NCBI, Ensembl, ClinVar, gnomAD; הפרשנות הקלינית והמדעית הסופית צריכה להיות שייכת למומחה המוסמך.

2. קיבלת את קואורדינטת הגנום של וריאנט מה-AI, אבל הפרויקט שלך משתמש ב-GRCh38 (hg38). ייתכן שבינה מלאכותית נתנה את הקואורדינטה hg19. מהי הגישה הנכונה?

• א) שימוש ישיר בקואורדינטה כי זה נראה סביר
• ב) אין צורך לבקש את הגרסה שכן בינה מלאכותית תמיד נותנת את הגרסה העדכנית ביותר.
• ג) אשר במפורש את גרסת הגנום ואמת את הקואורדינטה עם כלי liftOver רשמי ✔
• ד) מכיוון שההבדל בין hg19 להג38 אינו משמעותי, בחר אחד והמשיך

תיאור: קואורדינטות מעבר בין גרסאות הגנום (GRCh37/hg19 ו-GRCh38/hg38). כל קואורדינטות שניתנו ללא גרסה הן חשודות. יש לשנות/לאמת את הקואורדינטות עם כלי liftOver רשמי ולאשר בבירור את גרסת הגנום שבה נעשה שימוש; אחרת כל היישור וההערה יצביעו על המיקום הלא נכון.

3. בסימון HGVS 'c.', 'p.' ו-'g.' מה משמעות הקידומות ומדוע אסור לבלבל ביניהן?

• א) שלושתם מתכוונים לאותו דבר, לא משנה באיזה מהם משתמשים.
• ב) 'ג'. קידוד DNA/תעתיק, 'עמ'. חלבון, 'ג' היא הרמה הגנומית; אם מתבלבלים, זה עשוי להצביע על מיקום אחר ✔
• ג) 'עמ' תמיד 'ג'. הוא פי שלושה מערכו, ההמרה היא אוטומטית וללא שגיאות
• ד) קידומות הן פורמליות בלבד; אין צורך לציין את גרסת התמליל

תיאור: HGVS הוא פורמט האיות הסטנדרטי עם גרסאות: 'c.' רמת קידוד DNA (תעתיק), 'עמ'. רמת חלבון, 'ג'. מתייחס לרמה הגנומית. ערבוב של אלה או שימוש בגרסת התמלול השגויה עשויים להצביע על לוקוס/וריאנט שונה לחלוטין; לכן יש להשתמש בקידומת הנכונה יחד עם גרסת התמלול (למשל NM_007294.4).

4. מה צריך להיות התפקיד של AI בעת שימוש בקריטריונים של ACMG כדי להעריך את הפתוגניות של וריאנט?

• א) בינה מלאכותית מסיימת ראיות ומעמד; אין צורך בפיקוח מומחה
• ב) בקרת GnomAD מיותרת שכן בינה מלאכותית נותנת לאוכלוסייה תדר מהזיכרון שלה.
• ג) מכיוון שקריטריוני ACMG מחמירים, פלט AI נחשב אוטומטית לנכון
• ד) בינה מלאכותית יכולה לייצר טיוטת ראיות; כל ראיה צריכה להיות מאומתת במקור הראשוני, הסיווג הסופי צריך להיעשות על ידי המומחה ✔

תיאור: ACMG היא מסגרת המסווגת פתוגניות משתנה לפי קטגוריות של ראיות (תדירות אוכלוסיה, חיזוי סיליקו, הפרדה, מחקר תפקודי, ספרות). בינה מלאכותית יכולה לייצר טיוטת ראיות; עם זאת, כל ראיה חייבת להיות מאומתת באופן אישי ב-ClinVar, ב-gnomAD ובספרות, והסיווג הסופי (פתוגניים/פתוגניים כנראה/VUS...) חייב להיעשות על ידי המומחה המוסמך.

5. תעבדו עם רצף DNA שניתן על ידי בינה מלאכותית. מהו הצעד הראשון הטוב ביותר?

• א) שימוש ברצף על ידי קבלתו ממקור ראשוני כגון NCBI/Ensembl או אישורו באמצעות הפניה לשם ✔
• ב) הכנסת הרצף ישירות לניתוח כי נראה שהוא באורך הנכון
• ג) בהנחה שהרצף נכון אם האותיות מורכבות מנוקלאוטידים חוקיים
• ד) שאלו את הבינה המלאכותית על הרצף פעם נוספת וספרו אותו כנכון אם שני הפלטים זהים.

הסבר: בינה מלאכותית יכולה 'למלא' מחרוזת שהיא לא זוכרת באותיות סבירות למראה; גם אם האורך והאותיות נראים נכונים, ייתכן שהם לא תואמים להפניה בפועל. לכן, כל רצף שניתן על ידי בינה מלאכותית מהראש אינו משמש ישירות; הרצף נלקח ממקור ראשוני כגון NCBI/Ensembl או מאושר באמצעות הפניה בו.

6. מה המשמעות של ציון pLDDT בחיזוי מבנה החלבון מכלי כמו AlphaFold?

• א) זוהי תעודה המראה שהמבנה הוכח בניסוי
• ב) זהו ערך מעבדתי המודד את רמת הפעילות התפקודית של החלבון.
• ג) זהו ציון המציין את אמון המודל בחיזוי המבנה המקומי עבור כל שארית; ערך נמוך יותר הוא אזור גמיש/לא אמין ✔
• ד) זהו יחס שמראה את תדירות הווריאציות של החלבון באוכלוסייה.

תיאור: pLDDT (0-100) הוא ציון ביטחון המצביע על מידת הביטחון של AlphaFold בתחזית המבנה המקומי שלו עבור כל שארית (חומצת אמינו). pLDDT גבוה פירושו מבנה מקומי אמין, pLDDT נמוך פירושו אזור גמיש/לא מסודר או לא אמין. המבנה הוא ניחוש; אין לפרש יתר על המידה אזורים בעלי אמון נמוך ויש לתמוך בטענות פונקציונליות בראיות ניסיוניות.

7. מדוע מסוכן לטעון שמוטציה 'משביתה לחלוטין' את החלבון על סמך חיזוי מבנה AlphaFold?

• א) לא ניתן להשתמש במבני AlphaFold לכל מטרה כי הם תמיד שגויים
• ב) המבנה הוא ניחוש; טענות פונקציונליות הן ברמת ההשערות ודורשות אימות ניסיוני ✔
• ג) אין סיכון; פלט AlphaFold מדויק כמו בנייה ניסיונית
• ד) יש סיכון רק אם pLDDT נמוך; אם היא גבוהה, התביעה נחשבת אוטומטית למוכחת.

גילוי נאות: AlphaFold הוא חיזוי מבנה, לא הוכחה ניסיוני; זה מוגבל במיוחד באזורים גמישים/לא מסודרים ובמודלים של השפעות מוטציות. טענות פונקציונליות המבוססות על מבנה הן ברמת ההשערה ודורשות אימות ניסיוני (למשל, מחקר פונקציונלי). אחרת, התחזית מוצגת כראיה.

8. מהו שלב האימות הקריטי ביותר לגבי מועמדי CRISPR gRNA (מדריך RNA) שהוצע על ידי בינה מלאכותית?

• א) אם אורך ה-gRNA נכון, אין צורך בבדיקות נוספות
• ב) אם הבינה המלאכותית אומרת 'האפקט מחוץ למטרה נמוך', המשך ישירות לניסוי
• ג) זה מספיק ביטחון שרצף ה-gRNA מורכב מנוקלאוטידים תקפים
• ד) לאמת מועמדים עם יישור גנום אמיתי וכלי ניתוח מומחים מחוץ למטרה ולאשר במעבדה ✔

תיאור: gRNA הוא ה-RNA המנחה המכוון את האנזים Cas אל המטרה; עם עיצוב שגוי, זה יכול גם לחתוך אזורים מחוץ למטרה. מועמדים המוחזרים על ידי AI חייבים להיות מאומתים על ידי יישור גנום בפועל וכלי ניתוח מומחים מחוץ ליעד, ולאחר מכן לאשר על ידי ניסוי מעבדה. רק בגלל שהבינה המלאכותית אומרת 'בטוח' אינו תחליף לאימות.

9. מדוע נחוץ תיקון בדיקות מרובה (למשל FDR/Benjamini-Hochberg) כאשר בודקים הבדלים בביטוי של אלפי גנים עם RNA-seq?

• א) אלפי בדיקות בו-זמנית מנפחות תוצאות כוזבות; תיקון FDR מגביל את אלה, ערך p גולמי מטעה ✔
• ב) תיקון נחוץ רק אם מספר הדגימות קטן; זה לא קשור למספר הגנים
• ג) תיקון בדיקות מרובה אינו משנה את התוצאה, הוא פורמלי בלבד
• ד) p<0.05 גולמי תמיד מספיק; תיקון הופך את הסטטיסטיקה לקשה שלא לצורך

הסבר: כאשר אלפי גנים נבדקים בו-זמנית, גנים רבים מגיעים עם p<0.05 (חיובי שגוי) בגלל מקרה בלבד. תיקון בדיקות מרובות (FDR - False Discovery rate control) מגביל את התוצאות השגויות הללו. רשימות של גנים שהוכרזו כ'משמעותיים' עם ערכי p לא מתוקנים מטעות; יש להשתמש בערך המותאם (q-value).

10. מה המשמעות אם מסלול נמצא 'מועשר באופן משמעותי' בניתוח העשרה של מסלול וכיצד יש לפרש אותו?

• א) מוכיח שהמסלול הוא הגורם המובהק למחלה
• ב) זוהי עדות ניסיונית לכך שהמסלול פעיל בתא
• ג) זהו אות סטטיסטי המצביע על כך שגנים של מסלול מיוצגים יתר על המידה מהצפוי; דורש פרשנות ביקורתית, לא סיבתיות ✔
• ד) זוהי תוצאה מספקת בפני עצמה, ללא תלות ברקע ותיקון בדיקות מרובה

תיאור: העשרה היא אות סטטיסטי המצביע על כך שמסלול מסוים מיוצג יתר על המידה בין גנים שהביטוי שלהם משתנה; אין זו הוכחה לסיבתיות או שהמסלול אכן פעיל. מַסְקָנָה; יש לפרש את מערך הגנים בו נעשה שימוש ביקורתית בהקשר של בחירת רקע ותיקון בדיקות מרובה ועם סבירות ביולוגית.

11. בעת מתן סיכום ספרות, AI עשוי לצטט מאמר שנראה אמיתי אך אינו קיים (ציטוט מזויף). מהי הגישה הנכונה?

• א) אם שם המחבר ושם כתב העת מציאותיים, כנראה שהציטוט נכון, בדיקה מיותרת
• ב) אמת כל ציטוט במקור הראשי באמצעות DOI/PubMed; ✔ לא להשתמש במה שלא ניתן למצוא
• ג) בינה מלאכותית אינה מרכיבה ייחוס; ניתן להוסיף את ההפניות שלו ישירות לביבליוגרפיה
• ד) אם יש הרבה ציטוטים, אין בעיה אם כמה מהם שגויים.

תיאור: בינה מלאכותית יכולה לייצר מאמר מורכב לחלוטין (ו-DOI מזויף) עם שמות מחברים שנשמעים אמיתיים ביומן אמיתי. כל ציטוט חייב להיות מאומת באופן אישי במקור הראשי באמצעות DOI/PubMed; אין להשתמש בהפניות שלא ניתן למצוא. האחריות המדעית היא של המחבר; אין להזין הפניות לא מאומתות לטקסט.

12. מהו העיקרון המדויק ביותר לגבי ניסוח דוח גנטי קליני שנוצר בינה מלאכותית?

• א) אם הטיוטה שוטפת, ניתן לתת אותה ישירות למטופל
• ב) אין צורך באימות מקור נפרד מכיוון ש-AI גם מייצר ראיות
• ג) ניתן להשאיר את החלטת הפתוגניות בדוח לבינה מלאכותית, המומחה בודק רק את הפורמט
• ד) יש לבסס כל טענה קלינית, יש לאשר את הדו"ח הסופי על ידי המומחה המוסמך, ולתעד את שרשרת האימות ✔

תיאור: בינה מלאכותית חוסכת זמן בהפקת טיוטות דוחות וסיכומים; עם זאת, כל טענה קלינית חייבת להיות מקושרת לראיות ולמקורות ראשוניים, והדוח הסופי חייב להיות מאושר על ידי המומחה המורשה. לא ניתן לתרגם פלט AI ישירות להחלטת מטופל; יש לתעד את שרשרת האימות.

13. מה זה אומר אם הפלט של ה-AI נשמע מאוד זורם ו'בטוח'?

• א) צליל בטוח אינו עדות לדיוק; הצורך באימות עולה, לא יורד ✔
• ב) תשובה קולחת והחלטית היא ככל הנראה נכונה, אישור מיותר
• ג) צליל בטוח מציין שהדגם קורא נתונים ישירות מהזיכרון
• ד) הטון הוא מדד לביטחון, שכן תשובות מהססות הן שגויות ותשובות בטוחות נכונות.

הסבר: הטון הבטוח של ה-AI אינו עדות לדיוק; ההזיות הכי מסוכנות מגיעות עם המשפטים הכי שוטפים ומשכנעים. כאשר רואים את הטון הבטוח, הצורך באימות עולה, לא יורד. יש לאמת כל עובדה (רצף, וריאנט, גן, הפניה) עם מקור ראשוני בלתי תלוי.

14. מהו אמצעי הזהירות החשובים ביותר לשמירה על הפרטיות לפני מסירת הנתונים הגנטיים של המטופל לכלי AI זמין לציבור לצורך ניתוח?

• א) אם הנתונים מקודדים ב-base64, ניתן להדביק אותם בבטחה
• ב) אם רק שם המטופל נמחק, אין צורך בפעולה נוספת
• ג) אי מסירת נתונים אישיים מזהים כלל; אנונימיזציה, מזעור נתונים והסכמה/שמירה על המסגרת המשפטית ✔
• ד) ניתן לשתף נתונים גנטיים באופן חופשי מכיוון שהם אינם נחשבים לנתונים אישיים.

תיאור: נתונים גנטיים הם קטגוריה מיוחדת של נתונים אישיים וניתן לזהות מחדש אדם עם שילובים נדירים של גרסאות. נתונים גנטיים ניתנים לזיהוי לעולם אינם מסופקים לפתיחת כלים; יש להפוך את הנתונים לאנונימיים, יש לשתף רק את המידע המינימלי הדרוש (מזעור נתונים) ולהקפיד על הסכמה/מסגרת משפטית (KVKK/GDPR).