Etika, Keamanan Hayati, Kerahasiaan dan Integritas Ilmiah

Keuntungan:

• Kemampuan untuk melindungi data sensitif manusia/genetik sesuai dengan aturan KVKK, GDPR, dan komite etika dan menghindari memberikannya ke model terbuka
• Kemampuan untuk mempertanyakan validitas hasil dengan menilai risiko biosekuriti/penggunaan ganda dan bias populasi
• Memahami bahwa tanggung jawab etis tidak dapat didelegasikan ke kendaraan dan diperlukan keterlibatan manusia yang berarti

Penggunaan kecerdasan buatan secara kuat dalam biologi dilengkapi dengan penggunaannya secara bertanggung jawab. Biologi adalah bidang sensitif yang menyentuh kesehatan manusia, privasi genetik, lingkungan, dan bahkan biosekuriti. Dalam unit ini, kita akan membahas tanggung jawab etika, hukum, dan keamanan yang akan Anda hadapi saat menggunakan kecerdasan buatan dalam studi biologi. Unit ini merupakan kerangka kerja yang dibangun berdasarkan prinsip verifikasi dan kejujuran pada seluruh unit sebelumnya.

Prinsip dasar: AI adalah sebuah alat; Tanggung jawab etis selalu ada pada manusia. "Model yang disarankan" bukanlah sebuah alasan.

Empat bidang tanggung jawab

1. Privasi data dan data manusia

Data genetik, klinis, atau kesehatan dari partisipan manusia sangatlah sensitif. Urutan DNA seseorang dapat mengungkapkan risiko dan identitas penyakit mereka dan kerabatnya; Bahkan data genom yang dianggap dianonimkan dapat diidentifikasi kembali. Menempelkan data ini ke model AI yang tersedia untuk umum dapat melanggar undang-undang perlindungan data (KVKK di Türkiye, GDPR di Eropa) dan persetujuan dewan etika (IRB/komite etika).

• Jangan memberikan data pribadi/klinis kepada model terbuka.
• Hindari penggunaan di luar cakupan persetujuan; Apa yang disetujui oleh peserta?
• Pilih alat kontrak perusahaan/lokal (on-premise) atau pemrosesan data.

2. Biosekuriti dan penggunaan ganda

Beberapa informasi biologis bersifat "penggunaan ganda": dapat berguna dan juga berbahaya; misalnya rangkaian patogen (penyebab penyakit), produksi toksin. Meminta AI untuk memberikan informasi mengenai peningkatan patogen berbahaya atau merancang agen biologis berbahaya adalah tindakan yang tidak etis dan ilegal di banyak tempat.

• Jangan membuat permintaan penggunaan ganda yang berbahaya.
• Ikuti pedoman dewan keamanan hayati (IBC) institusi Anda.

3. Integritas keilmuan

Segala sesuatu yang telah kita lihat di unit sebelumnya menyatu di sini: tidak ada atribusi palsu, tidak ada keindahan data, tidak ada peretasan, tidak ada pelaporan selektif. Kecerdasan buatan dapat membuat hal ini lebih mudah atau lebih sulit; Perbedaannya terletak pada kejujuran Anda.

• Laporkan semua hasil (termasuk yang negatif).
• Menyatakan penggunaan kecerdasan buatan.
• Mendukung reproduktifitas dengan berbagi data dan kode mentah (jika memungkinkan).

4. Bias dan keadilan

Model AI membawa bias pada data yang dilatihnya. Basis data genom sebagian besar berasal dari populasi keturunan Eropa; hal ini menyebabkan prediksi yang lebih buruk pada populasi lain. Model gambar mungkin berperforma buruk jika kondisinya kurang terwakili dalam data pelatihan.

• Pertanyakan populasi/data apa yang menjadi tempat model dilatih.
• Evaluasi apakah hasilnya berlaku di semua kelompok.

Tip: Tanyakan pada diri Anda: "Jika saya memberikan data ini kepada model, milik siapa dan apakah orang tersebut memberikan izin?" Jika jawabannya tidak jelas, jangan berikan. Pelanggaran kerahasiaan tidak dapat diubah.

Langkah demi langkah: kontrol AI yang bertanggung jawab

1. Klasifikasikan sumber data: Pribadi/sensitif atau publik?
2. Periksa persetujuan dan izin: Apakah penggunaan ini tercakup?
3. Pilih alat yang tepat: Lingkungan aman/asli untuk data sensitif.
4. Pertimbangkan risiko penggunaan ganda.
5. Bias pertanyaan: Apakah hasilnya valid di semua kelompok?
6. Dokumentasikan dan nyatakan penggunaan.

Templat cepat yang dapat disalin

Tinjau rencana analisis saya di bawah ini dari perspektif etika: buat daftar peringatan mengenai kerahasiaan data, persetujuan peserta, potensi bias, dan risiko penggunaan ganda. Rencana: [teks] (Catatan: Saya TIDAK membagikan data pasien sebenarnya, hanya rencananya saja.)

Pertanyaan privasi dan izin apa yang harus saya jawab sebelum menggunakan kumpulan data genom ini? Daftar periksa disiapkan dari sisi KVKK/GDPR dan komite etik.

Bagaimana cara saya mendeklarasikan alat kecerdasan buatan yang saya gunakan secara transparan di bagian metode artikel saya? Tuliskan contoh kalimat deklaratif; informasi apa (alat, versi, ruang lingkup penggunaan) yang harus dikandungnya?

Bagaimana cara saya mengevaluasi apakah hasil model ini memiliki bias populasi? Buat daftar pertanyaan yang harus saya tanyakan tentang data pelatihan dan langkah-langkah pemeriksaannya.

Perintah lemah / Perintah kuat

Lemah: "Analisis data genetik pasien berikut: [data nyata]."

Güçlü: "Saya menyiapkan rencana analisis yang berfungsi dengan data genom klinis, namun saya tidak membagikan data pasien yang sebenarnya. Hanya dari perspektif metodologis: tindakan kerahasiaan apa yang harus saya ambil, di lingkungan apa saya harus memproses data, persetujuan dan persyaratan komite etik apa yang harus saya penuhi? Anda dapat menunjukkan alurnya dengan data tiruan/sampel."

Perbedaan: Tidak ada data sensitif aktual yang dibagikan di prompt yang kuat; Hanya metodenya saja yang ditanyakan. Privasi tetap terjaga, model tetap membantu.

tiga kasus mini

Kasus 1 - Pelanggaran privasi: Seorang peneliti menempelkan apa yang dia anggap sebagai data eksome pasien anonim ke dalam model terbuka untuk dianalisis. Ketika komite etik mengetahui hal ini, penelitian tersebut dihentikan; Tidak ada perjanjian pemrosesan data. Pelajaran: data sensitif tidak pernah masuk model terbuka.

Kasus 2 — Bias populasi: Alat skor risiko poligenik dilatih berdasarkan data yang berasal dari Eropa; Pada populasi lain, perkiraan risiko secara signifikan tidak akurat. Ketika model menyarankan untuk mempertanyakan komposisi data pelatihan, tim memutuskan untuk tidak menggunakan alat tersebut pada populasi tersebut. Pelajaran: bias menyelamatkan atau merugikan kehidupan.

Kasus 3 — Pengungkapan dan transparansi: Sebuah tim menulis kode pembersihan data dengan AI dan menyatakannya dengan jelas di bagian metode; Dia juga membagikan kodenya. Para pengulas menyambut baik hal ini karena kemampuan pengulangannya kuat. Pelajaran: transparansi melahirkan kepercayaan.

grafik perbandingan

daerah

perilaku aman

perilaku berisiko

data pasien

Lingkungan setempat/aman

Tempel untuk membuka model

persetujuan

Gunakan dalam lingkup

Jangan melebihi cakupan

Keamanan hayati

Menghindari penggunaan ganda

permintaan berbahaya

integritas

Laporkan semua hasil

pelaporan selektif

bias

Tanyakan populasinya

Terapkan secara membabi buta

transparansi

Nyatakan penggunaan

bersembunyi

Kesalahan umum

• Memberikan data sensitif ke model terbuka: Pelanggaran privasi yang tidak dapat diubah.
• Melebihi cakupan persetujuan: Penggunaan tidak diizinkan oleh peserta.
• Mengabaikan bias: Menggeneralisasi hasil untuk semua kelompok.
• Menyembunyikan penggunaan: Tidak menyatakan kontribusi AI.
• Pertahanan "Model yang disarankan": Mengatribusikan tanggung jawab pada kendaraan.

Perhatian: Dalam pekerjaan biologi dengan konsekuensi tinggi (keputusan klinis, keamanan hayati, data manusia) keluaran AI bukanlah pengganti verifikasi ahli yang kompeten dan pengawasan etika; itu hanya mempercepatnya. Tanggung jawab utama selalu terletak pada manusia, bersama dengan konsekuensi etis dan ilmiah dari keputusan tersebut.

Lingkungan, ekologi dan pengetahuan tradisional

Tanggung jawab etis tidak terbatas pada data manusia. Kehati-hatian juga diperlukan ketika menggunakan kecerdasan buatan dalam ekologi dan biologi konservasi. Misalnya, data lokasi yang tepat (koordinat kamera jebakan) dari suatu spesies yang terancam punah bersifat sensitif karena risiko perburuan liar; Melepaskan data ini ke model terbuka atau publik dapat membahayakan spesies tersebut. Demikian pula, permasalahan etika dan hukum (seperti Protokol Nagoya) muncul ketika pengetahuan biologi tradisional masyarakat lokal (misalnya penggunaan tanaman) digunakan tanpa izin. Sebelum menggunakan data tersebut, “informasi ini milik siapa dan siapa yang akan dirugikan jika informasi tersebut diungkapkan?” Selalu ajukan pertanyaan.

Pengawasan manusia dan keputusan akhir

Inti dari seluruh modul ini bermuara pada satu prinsip: pengawasan manusia yang bermakna. AI menghasilkan saran, menulis draf, menunjukkan pola; Namun keputusan biologis, klinis, atau etis tidak pernah didasarkan langsung pada keluaran model. Khususnya di wilayah berisiko tinggi (diagnosis, pengobatan, keputusan konservasi spesies, pelepasan), peran model bukan untuk membuat keputusan, namun untuk mempercepat keputusan ahli. Pendekatan “human-in-the-loop” bukanlah sebuah slogan, namun sebuah kebutuhan.

Agar pengawasan ini dapat berjalan, supervisor harus kompeten. Persetujuan buta (“kata model, penerimaan”) bukanlah kelalaian. Pengawasan yang sebenarnya membutuhkan keahlian yang dapat mempertanyakan keluaran, menangkap kesalahannya, dan menolaknya bila diperlukan. Oleh karena itu, kecerdasan buatan tidak menggantikan ahli; Hal ini menjadikan sang ahli semakin diperlukan. Orang yang paling baik dalam menggunakan kendaraan adalah orang yang paling mampu mengendalikannya.

Singkatnya

Penggunaan AI secara bertanggung jawab dalam biologi mencakup empat bidang: privasi data (melindungi data sensitif manusia), biosekuriti (menghindari penggunaan ganda), integritas ilmiah (pelaporan yang jujur dan lengkap), dan kesadaran bias (validitas hasil di semua kelompok). Jangan memberikan data sensitif ke model terbuka, menyatakan penggunaan secara transparan, mempertanyakan bias populasi. Tanggung jawab etis tidak pernah dapat didelegasikan kepada agen; Itu selalu ada pada manusia.

Tugas aplikasi

Pertimbangkan skenario dari ruang kerja Anda sendiri (misalnya menggunakan kumpulan data manusia atau model gambar). Biarkan AI membuat daftar periksa etika untuk skenario ini (kerahasiaan, persetujuan, bias, penggunaan ganda, transparansi) tanpa membagikan data nyata. Untuk setiap item, tandai sebagai “sesuai/berisiko/tidak pasti” dalam situasi Anda dan tulis rencana tindakan untuk item yang berisiko/tidak pasti. Siapkan juga pernyataan penggunaan AI untuk artikel Anda.

daftar periksa

• [ ] Saya tidak memberikan data sensitif/pribadi ke model terbuka.
• [ ] Saya memeriksa ruang lingkup komite persetujuan dan etika.
• [ ] Saya telah menilai risiko penggunaan ganda/keamanan hayati.
• [ ] Saya melaporkan semua hasil dengan jujur.
• [ ] Saya mempertanyakan bias populasi/data.
• [ ] Saya telah secara transparan menyatakan penggunaan kecerdasan buatan dan mengambil tanggung jawab.

Ujian Modul

1. Seorang siswa menanyakan model bahasa 'berapa banyak string dalam file FASTA ini?' dia bertanya dan model menjawab '48'. Pendekatan manakah yang paling benar?

• A) Langsung menggunakan nomor 48 yang diberikan model; Model ini dapat diandalkan karena dapat melihat file
• B) Tanyakan nomor tersebut sekali lagi dan terimalah nomor tersebut benar jika kedua jawabannya sama
• C) Membaca file dengan Biopython, menghitung jumlah urutan dengan kode dan menggunakan output ✔
• D) Membuka file secara manual dan menghitung dengan keputusan mata

Penjelasan: Tugas deterministik seperti menghitung dan mengukur harus diserahkan pada kode yang Anda jalankan, bukan pada model bahasa. Model tidak 'mengingat' angka tersebut, namun menghasilkan nilai probabilistik dan mungkin saja salah; Menghitung dengan alat seperti Biopython memberikan hasil yang akurat dan dapat direproduksi.

2. Anda ingin menghitung sel pada gambar mikroskop dan mengukur luas masing-masing sel. Pendekatan apa yang paling tepat untuk tugas ini?

• A) Menggunakan alat segmentasi ahli seperti Cellpose/StarDist dan memverifikasi hasilnya secara manual ✔
• B) Tempelkan gambar ke dalam model bahasa umum dan tanyakan 'ada berapa sel'
• C) Jelaskan gambar tersebut kepada model dan tanyakan perkiraan jumlahnya
• D) Menerima jumlah piksel sebagai jumlah sel tanpa kalibrasi apa pun

Penjelasan: Segmentasi dan pengukuran sel bukanlah domain model bahasa umum, tetapi model gambar khusus (Cellpose, StarDist) yang dilatih khusus untuk tugas ini. Model bahasa menulis kode yang memanggil alat-alat ini; Model ahli melakukan pengukuran, dan ahli biologi memverifikasi hasilnya.

3. Seorang mahasiswa pascasarjana menambahkan 8 sumber yang dihasilkan oleh model bahasa pada pendahuluan tesisnya. Konsultan menemukan bahwa 3 di antaranya tidak ada sama sekali. Bagaimana situasi ini dapat dicegah?

• A) Dengan meminta model untuk menghasilkan sumber daya sekali lagi
• B) Dengan memilih kutipan yang memiliki DOI saja (kalau ada DOI berarti asli)
• C) Meminta daftar dengan menginstruksikan model agar 'sesuai'
• D) Memverifikasi secara independen setiap kutipan di PubMed/doi.org dan hanya mengutip artikel yang telah dibaca ✔

Penjelasan: Model bahasa umum bukanlah database literatur; Alih-alih mencari catatan nyata, ia 'menghasilkan' atribusi yang terdengar realistis (atribusi palsu). Setiap byline dan DOI tidak boleh digunakan tanpa verifikasi independen pada sumber seperti PubMed/doi.org dan hanya mengutip artikel yang benar-benar telah dibaca.

4. Apa cara paling ampuh untuk memastikan keakuratan kode pembersihan data yang ditulis oleh kecerdasan buatan?

• A) Jika kode berfungsi tanpa kesalahan, terimalah sebagai kebenaran.
• B) Menguji hasil dengan sampel kecil yang diketahui dan memverifikasi ekspektasi dengan pernyataan ✔
• C) Tanyakan kepada model 'apakah kodenya benar?' bertanya dan mempercayai jawaban 'ya'
• D) Jalankan kode beberapa kali dan dapatkan keluaran yang sama setiap kali

Catatan: Hanya karena kode berfungsi tanpa kesalahan bukan berarti kode tersebut benar; 'kode yang salah bekerja tanpa kesalahan' adalah situasi paling berbahaya dalam biologi. Menguji dengan sampel kecil yang hasilnya Anda ketahui sebelumnya dan menyematkan ekspektasi dalam kode dengan tegas adalah perisai terkuat terhadap hasil salah yang diam-diam.

5. Dalam analisis RNA-seq, 20.000 gen diuji dan 3.800 gen ditemukan 'signifikan' dengan p<0,05 tanpa koreksi. Apa masalah utama dari kesimpulan ini?

• A) Jumlah sampel terlalu banyak, sebaiknya dikurangi
• B) ambang batas p terlalu tinggi, seharusnya 0,10 digunakan
• C) Koreksi perbandingan berganda (FDR) tidak dilakukan; Ada banyak kesalahan positif ✔
• D) Sampel seharusnya diuji, bukan gen

Penjelasan: Saat Anda menguji ribuan gen secara bersamaan, banyak gen yang tampak 'signifikan' secara kebetulan, meskipun tidak ada perbedaan nyata; Ini disebut masalah perbandingan berganda. Solusinya adalah dengan menerapkan koreksi FDR (false Discovery rate) dengan metode seperti Benjamini-Hochberg; Jika dikoreksi, daftar tersebut biasanya berkurang menjadi puluhan hingga beberapa ratus gen.

6. Kecocokan terbaik pada hasil BLAST mempunyai nilai E 2,0. Apa artinya ini?

• A) Pencocokan kemungkinan besar terjadi secara acak; ✔ bukan pertandingan yang dapat diandalkan
• B) Koplingnya sangat kuat; Semakin besar nilai e-nya, semakin baik
• C) Urutannya cocok pada tingkat 2%
• D) Terdapat selisih 2 basa antara kedua barisan tersebut

Penjelasan: Nilai E menunjukkan ekspektasi pertandingan bersifat acak; Lebih baik menjadi kecil. Nilai e yang lebih besar dari 1 menunjukkan bahwa kemungkinan besar kecocokan tersebut acak. Untuk kecocokan yang dapat diandalkan, ambang batas yang sangat kecil seperti e < 1e-5 biasanya dicari.

7. Dalam model AlphaFold, daerah terminal protein menunjukkan skor pLDDT yang rendah (<50). Bagaimana seharusnya wilayah ini ditafsirkan?

• A) AlphaFold membuat kesalahan di wilayah ini, wilayah tersebut harus dihapus dari analisis
• B) Wilayah ini jelas merupakan alpha helix
• C) Modelnya sama sekali tidak dapat diandalkan, strukturnya tidak boleh digunakan
• D) Daerah tersebut kemungkinan besar tidak beraturan/elastis; harus ditafsirkan sebagai 'tidak jelas' dan bukan 'salah' ✔

Keterangan: pLDDT adalah skor kepercayaan lokal untuk setiap asam amino; Nilai di bawah 50 sering kali mencerminkan wilayah yang benar-benar tidak beraturan (fleksibel, tidak tetap). Menghapus wilayah ini secara otomatis karena 'tebakan salah' adalah tindakan yang salah; Nilai yang rendah harus dibaca sebagai 'tidak pasti/fleksibel' dan signifikansi biologisnya harus dievaluasi.

8. Seorang peneliti melaporkan area sel hanya dalam piksel dan hasilnya tidak sesuai dengan literatur. Apa langkah yang hilang?

• A) Lebih banyak sel seharusnya dihitung
• B) Kalibrasi skala (konversi piksel ke mikrometer) tidak dilakukan, hasilnya tidak dikonversi ke satuan fisik ✔
• C) Alat segmentasi dipilih secara salah
• D) Resolusi gambar terlalu tinggi

Penjelasan: Kalibrasi skala (berapa mikrometer per piksel) penting untuk mengekstrak ukuran fisik dari gambar. Jika langkah ini dilewati, nilainya tetap tidak dapat dibandingkan, tergantung pada pengaturan mikroskop. Luas harus dikonversi ke satuan fisik seperti mikrometer persegi.

9. Seorang siswa mengambil 10 sampel jaringan dari seekor tikus dan menggunakan 'n=10' dalam statistik. Mengapa ini salah?

• A) 10 sampel terlalu sedikit untuk statistik, setidaknya diperlukan 30 sampel
• B) Sampel jaringan harus diambil dari organ yang berbeda
• C) 10 contoh ini adalah pengulangan teknis; biologis n masih 1, inilah yang disebut pengulangan ✔
• D) Sampel tidak valid karena diambil pada hari yang sama

Penjelasan: Pengukuran berulang yang dilakukan pada individu yang sama merupakan pengulangan teknis; dimana statistik n adalah jumlah unit biologis (di sini tikus). Menganggap pengulangan teknis sebagai sesuatu yang biologis (replikasi semu) menghasilkan makna yang salah. Desain yang tepat berarti bekerja dengan banyak individu.

10. Satu analisis menemukan p=0,03. Apa penafsiran yang benar mengenai nilai ini?

• A) Ada kemungkinan 3% untuk melihat hasil yang ini atau lebih ekstrim padahal kenyataannya tidak ada perbedaan ✔
• B) Kemungkinan efeknya nyata adalah 97%
• C) Probabilitas hipotesis nol menjadi benar adalah 3%
• D) Hasilnya 97% dapat diulang

Penjelasan: nilai p bukanlah 'probabilitas hipotesis benar' atau 'probabilitas efek benar'. Nilai p adalah probabilitas untuk melihat perbedaan yang lebih ekstrim atau lebih ekstrim daripada yang diamati padahal sebenarnya tidak ada perbedaan. Oleh karena itu p=0,03 tidak berarti 'efeknya 97% nyata'; hasilnya juga harus dievaluasi berdasarkan ukuran efek dan interval kepercayaan.

11. Dalam sebuah presentasi, perbedaan sebesar 3% antara dua kelompok ditampilkan sangat besar dengan mengompresi sumbu y ke kisaran 95-100. Ini contohnya apa?

• A) Teknik visualisasi yang baik; menyoroti perbedaannya
• B) Masalah palet ramah buta warna
• C) Pilihan gaya yang dapat diterima
• D) Bagan yang menyesatkan dan tidak jujur yang membesar-besarkan perbedaan dengan sumbu terpotong ✔

Penjelasan: Tidak menginisialisasi sumbu dari nol (sumbu terpotong) menyesatkan pemirsa dengan membesar-besarkan perbedaan kecil secara visual. Hal ini merupakan pelanggaran terhadap prinsip kejujuran; Khususnya pada diagram batang, sumbu harus dimulai dari nol dan perbedaannya harus ditunjukkan dengan ukuran sebenarnya.

12. Seorang peneliti menempelkan apa yang menurutnya merupakan data eksome pasien anonim ke dalam model bahasa publik untuk dianalisis. Mengapa perilaku ini bermasalah?

• A) Tidak ada masalah; data dapat dibagikan jika anonim
• B) Memberikan data sensitif pasien ke model terbuka merupakan pelanggaran privasi dan etika/hukum (KVKK/GDPR) dan tidak dapat dibatalkan ✔
• C) Ini bermasalah hanya karena analisisnya lambat
• D) Model bermasalah karena tidak dapat memahami data

Deskripsi: Data genetik/klinis pasien sangat sensitif; Bahkan data genom yang dianggap anonim dapat diidentifikasi kembali. Memberikan data ini kepada model publik melanggar persetujuan KVKK/GDPR dan komite etika (IRB) dan merupakan pelanggaran privasi yang tidak dapat diubah. Data sensitif harus diproses di lingkungan lokal/aman dan terkontrak.

13. Dalam sebuah penelitian, perbedaan yang mereka anggap sebagai 'pasien vs kontrol' sebenarnya disebabkan oleh sampel yang diproses pada dua hari berbeda. Apa nama situasi ini dan bagaimana cara menanganinya?

• A) Ini adalah efek outlier; titik-titik harus dihapus
• B) Kurangnya normalisasi; hanya koreksi skala saja sudah cukup
• C) Ini adalah efek batch; harus seimbang dalam desain dan ditambahkan ke model sebagai variabel batch ✔
• D) peretasan p; tesnya harus diubah

Penjelasan: Perbedaan teknis akibat batch pengambilan sampel/hari pemrosesan disebut efek batch dan dapat dikacaukan dengan perbedaan biologis. Pendekatan yang benar adalah dengan menyeimbangkan batch dalam desain dan menambahkan variabel batch ke model statistik (misalnya '~batch + condition'), sehingga memisahkan sinyal teknis dari sinyal biologis.

14. Anda ingin menghitung rasio GC suatu rangkaian DNA. Pendekatan manakah yang benar dan dapat diulang?

• A) Cetak kode yang menghitung laju GC dengan Biopython, jalankan dan gunakan outputnya ✔
• B) Berikan model urutannya dan mintalah model tersebut memberitahukan laju GC secara lisan
• C) Mengkonfirmasi rasio yang diberikan oleh model dengan model lain
• D) Melihat 100 huruf pertama dari rangkaian tersebut dan menebak dengan mata

Penjelasan: Tarif GC merupakan perhitungan deterministik; harus didasarkan pada kode yang memproses array, bukan pada nilai yang 'diingat' oleh model bahasa. Daripada meminta model menghitungnya, mencetak kode penghitungan dengan alat seperti Biopython dan menjalankannya sendiri akan memberikan keluaran akurat yang memberikan hasil yang sama setiap kali Anda menjalankannya.