Siðfræði, líföryggi, trúnaður og vísindaleg heiðarleiki

Hagnaður:

Hæfni til að vernda viðkvæm mannleg/erfðafræðileg gögn í samræmi við KVKK, GDPR og reglur siðanefndar og forðast að gefa þær í opna líkanið
Geta til að efast um réttmæti niðurstaðna með því að meta áhættu á líföryggi/tvíþættri notkun og hlutdrægni íbúa
Skilningur á því að ekki er hægt að framselja siðferðilega ábyrgð til farartækisins og að þýðingarmikil manneskjan sé nauðsynleg

Notkun gervigreindar af krafti í líffræði bætist við að nota hana á ábyrgan hátt. Líffræði er viðkvæmt svið sem snertir heilsu manna, erfðafræðilegt næði, umhverfið og jafnvel líföryggi. Í þessari einingu munum við ræða þá siðferðilegu, lagalegu og öryggisskyldu sem þú munt standa frammi fyrir þegar þú notar gervigreind í líffræðilegum rannsóknum. Þessi eining er rammi byggður á meginreglum sannprófunar og heiðarleika í öllum fyrri einingum.

Grunnregla: gervigreind er tæki; Siðferðileg ábyrgð er alltaf hjá mönnum. „Módelið sem stungið er upp á“ er ekki afsökun.

Fjögur ábyrgðarsvið

1. Persónuvernd og mannleg gögn

Erfðafræðileg, klínísk eða heilsufarsgögn frá þátttakendum manna eru afar viðkvæm. DNA röð einstaklings getur leitt í ljós sjúkdómsáhættu þeirra og ættingja þeirra og auðkenni; Jafnvel erfðafræðileg gögn sem talin eru nafnlaus er hægt að bera kennsl á aftur. Að líma þessi gögn inn í opinbert gervigreind líkan getur brotið gegn gagnaverndarlögum (KVKK í Türkiye, GDPR í Evrópu) og samþykki siðanefndar (IRB/siðanefndar).

Ekki gefa upp persónuleg/klínísk gögn í opna líkanið.
Forðastu notkun utan gildissviðs samþykkis; Hvað samþykkti þátttakandinn?
Veldu verkfæri fyrir fyrirtæki/staðbundið (á staðnum) eða gagnavinnsluverkfæri.

2. Líföryggi og tvíþætt notkun

Sumar líffræðilegar upplýsingar eru „tvínotkun“: þær geta verið bæði gagnlegar og skaðlegar; td sjúkdómsvaldandi (sjúkdómsvaldandi) röð, eiturefnaframleiðsla. Að biðja gervigreind um upplýsingar um að auka hættulega sýkla eða hanna skaðleg líffræðileg efni er siðlaus og ólögleg víðast hvar.

Ekki gera hættulegar beiðnir um tvíþætt notkun.
Fylgdu leiðbeiningum stofnunarinnar um líföryggisráð (IBC).

3. Vísindaleg heilindi

Allt sem við höfum séð í fyrri einingum kemur saman hér: engin ólögleg eign, engin fegrun gagna, engin p-hakka, engin sértæk skýrsla. Gervigreind getur gert þetta auðveldara eða erfiðara; Munurinn liggur í heiðarleika þínum.

Tilkynntu allar niðurstöður (þar á meðal neikvæðar).
Lýsa yfir notkun gervigreindar.
Styðjið endurgerðanleika með því að deila hráum gögnum og kóða (ef mögulegt er).

4. Hlutdrægni og sanngirni

Gervigreind líkön bera hlutdrægni í gögnunum sem þau eru þjálfuð á. Erfðafræðilegir gagnagrunnar koma aðallega frá stofnum af evrópskum uppruna; þetta leiðir til lakari spár hjá öðrum þýðum. Myndlíkan getur staðið sig illa í ástandi sem er vantáknað í þjálfunargögnum.

Spurning hvaða þýði/gögn líkanið var þjálfað á.
Metið hvort niðurstöðurnar haldi fyrir alla hópa.

Ábending: Spyrðu sjálfan þig: "Ef ég gef módelinu þessi gögn, hverjum tilheyrir það og gaf viðkomandi leyfi?" Ef svarið er óljóst, ekki gefa það. Brot á þagnarskyldu er óafturkræft.

Skref fyrir skref: ábyrg gervigreind stjórn

Flokkaðu gagnagjafann: Persónulegt/viðkvæmt eða opinbert?
Athugaðu samþykki og heimildir: Er þessi notkun tryggð?
Veldu rétt tól: Öruggt/náttúrulegt umhverfi fyrir viðkvæm gögn.
Íhugaðu hættuna á tvíþættri notkun.
Spurningahlutdrægni: Gildir niðurstaðan í öllum hópum?
Skjalaðu og lýstu yfir notkun.

Afritanleg hvetja sniðmát

Skoðaðu greiningaráætlunina mína hér að neðan frá siðferðilegu sjónarhorni: skráðu varúðarreglur varðandi gagnaleynd, samþykki þátttakenda, hugsanlega hlutdrægni og hættu á tvíþættri notkun. Áætlun: [texti] (Athugið: Ég er EKKI að deila raunverulegum sjúklingagögnum, bara áætluninni.)

Hvaða spurningum um persónuvernd og samþykki ætti ég að svara áður en ég nota þetta erfðafræðilega gagnasafn? Gátlisti er útbúinn með tilliti til KVKK/GDPR og siðanefndar.

Hvernig ætti ég að lýsa yfir á gagnsæjan hátt gervigreindartólið sem ég nota í aðferðahluta greinarinnar minnar? Skrifaðu dæmi um yfirlýsingu; hvaða upplýsingar (tól, útgáfa, notkunarsvið) ætti það að innihalda?

Hvernig met ég hvort niðurstöður þessa líkans hafi íbúahlutdrægni? Skráðu spurningarnar sem ég ætti að spyrja um þjálfunargögnin og eftirlitsskrefin.

Veik kvaðning / Sterk kvaðning

Veik: "Greindu erfðafræðileg gögn eftirfarandi sjúklings: [raunveruleg gögn]."

Güçlü: "Ég er að setja upp greiningaráætlun sem vinnur með klínísk erfðafræðileg gögn, en ég deili ekki raunverulegum sjúklingagögnum. Aðeins út frá aðferðafræðilegu sjónarhorni: hvaða trúnaðarráðstafanir ætti ég að grípa til, í hvaða umhverfi ætti ég að vinna úr gögnunum, hvaða skilyrði samþykkis og siðanefndar ætti ég að uppfylla? Hægt er að sýna flæðið með dummy/sýnishornsgögnum."

Mismunur: Engum raunverulegum viðkvæmum gögnum er deilt í öflugu boðinu; Aðeins er spurt um aðferðina. Persónuvernd er viðhaldið, líkanið hjálpar enn.

þrjú smámál

Tilfelli 1 - Friðhelgisbrot: Rannsakandi límdi það sem hann hélt að væru nafnlaus gögn um útskrift sjúklinga í opið líkan til að láta greina þau. Þegar siðanefnd frétti þetta var náminu hætt; Enginn gagnavinnslusamningur lá fyrir. Lexía: viðkvæm gögn fara aldrei inn í opna líkanið.

Tilvik 2 — Hlutdrægni í íbúafjölda: Fjölgena áhættustigatæki var þjálfað á gögnum af evrópskum uppruna; Hjá öðru þýði var áhættumat verulega ónákvæmt. Þegar líkanið lagði til að efast um samsetningu þjálfunargagnanna ákvað teymið að nota tólið ekki í þeim hópi. Lærdómur: hlutdrægni bjargar eða skaðar mannslíf.

Mál 3 — Upplýsingagjöf og gagnsæi: Hópur skrifaði gagnahreinsunarkóða með gervigreind og sagði þetta skýrt í aðferðahlutanum; Hann deildi líka kóðanum. Gagnrýnendur fögnuðu þessu vegna þess að endurtekningarhæfni var sterk. Lærdómur: gagnsæi elur á trausti.

samanburðartöflu

svæði

örugg hegðun

áhættusöm hegðun

gögnum sjúklinga

Staðbundið/öruggt umhverfi

Límdu til að opna líkanið

samþykki

Notkun innan umfangs

Farðu ekki yfir svigrúm

Líföryggi

Forðastu tvöfalda notkun

hættuleg eftirspurn

heilindi

Tilkynntu allar niðurstöður

sértækri skýrslugerð

hlutdrægni

Spurðu íbúa

Sækja í blindni

gagnsæi

Lýsa yfir notkun

fela sig

Algeng mistök

Að gefa viðkvæm gögn til opna líkansins: Óafturkræft friðhelgisbrot.
Farið yfir gildissvið samþykkis: Notkun er ekki leyfð af þátttakanda.
Hunsa hlutdrægni: Alhæfa niðurstöður yfir alla hópa.
Fela notkun: Ekki gefa upp AI framlag.
„Módel tillaga“ vörn: Að kenna ökutækinu ábyrgð.

Varúð: Í mikilvægri líffræðilegri vinnu (klínísk ákvörðun, líföryggi, mannleg gögn) kemur gervigreind framleiðsla ekki í staðinn fyrir sannprófun hæfra sérfræðinga og siðferðilegt eftirlit; það flýtir aðeins fyrir. Endanleg ábyrgð er alltaf hjá manneskjunni, ásamt siðferðilegum og vísindalegum afleiðingum ákvörðunarinnar.

Umhverfi, vistfræði og hefðbundin þekking

Siðferðileg ábyrgð er ekki takmörkuð við mannleg gögn. Einnig þarf að gæta varúðar þegar gervigreind er notuð í vistfræði og náttúruverndarlíffræði. Til dæmis eru nákvæm staðsetningargögn (hnit myndavélagildru) tegundar í útrýmingarhættu viðkvæm vegna hættu á rjúpnaveiðum; Að gefa út þessi gögn í opið líkan eða almenning gæti skaðað tegundina. Á sama hátt koma upp siðferðileg og lagaleg vandamál (eins og Nagoya-bókunin) þegar hefðbundin líffræðileg þekking sveitarfélaga (t.d. notkun plantna) er notuð án leyfis. Áður en gögnin eru notuð, "hverjum tilheyra þessar upplýsingar og hver myndi skaðast af birtingu þeirra?" Spyrðu alltaf spurningarinnar.

Mannlegt eftirlit og endanleg ákvörðun

Kjarninn í allri þessari einingu snýst um eina meginreglu: þroskandi mannlegt eftirlit. AI framleiðir tillögu, skrifar uppkast, sýnir mynstur; En líffræðileg, klínísk eða siðferðileg ákvörðun byggist aldrei beint á líkanframleiðslu. Sérstaklega á áhættusvæðum (greining, meðferð, ákvörðun um verndun tegunda, sleppingu) er hlutverk líkansins ekki að taka ákvarðanir, heldur að flýta ákvörðun sérfræðingsins. „Human-in-the-loop“ nálgunin er ekki slagorð heldur nauðsyn.

Til að þetta eftirlit virki þarf umsjónarmaður að vera hæfur. Blindt samþykki („fyrirmynd sagt, samþykki“) er ekki yfirsjón. Raunverulegt eftirlit krefst sérfræðiþekkingar sem getur efast um úttakið, gripið villu hennar og hafnað því þegar þörf krefur. Þess vegna kemur gervigreind ekki í stað sérfræðingsins; Það gerir sérfræðinginn enn ómissandi. Sá sem notar farartækið best er sá sem getur stjórnað því best.

Í stuttu máli

Ábyrg notkun gervigreindar í líffræði nær til fjögurra sviða: persónuvernd gagna (verndun viðkvæmra mannagagna), líföryggis (forðast tvöfalda notkun), vísindalegrar heiðarleika (heiðarleg og fullkomin skýrsla) og hlutdrægni (réttmæti niðurstaðna í öllum hópum). Ekki veita viðkvæm gögn til opna líkansins, lýsa yfir notkun á gagnsæjan hátt, efast um hlutdrægni íbúa. Siðferðilega ábyrgð er aldrei hægt að fela umboðsmanni; Það er alltaf í mönnum.

Umsóknarverkefni

Íhugaðu atburðarás frá þínu eigin vinnusvæði (t.d. með því að nota mannlegt gagnasafn eða myndlíkan). Láttu gervigreindina koma með siðferðilega gátlistann fyrir þessa atburðarás (trúnað, samþykki, hlutdrægni, tvíþætt notkun, gagnsæi) án þess að deila raunverulegum gögnum. Merktu fyrir hvert atriði sem „viðeigandi/áhættusamt/óviss“ í þínum aðstæðum og skrifaðu aðgerðaáætlun fyrir þá sem eru áhættusöm/óviss. Láttu líka samið yfirlýsingu um notkun gervigreindar fyrir greinina þína.

gátlisti

[ ] Ég gaf ekki upp viðkvæmar/persónulegar upplýsingar í opna líkanið.
[ ] Ég athugaði umfang samþykkis- og siðanefndar.
[ ] Ég hef metið tvíþætta notkun/líföryggisáhættu.
[ ] Ég tilkynnti allar niðurstöður heiðarlega.
[ ] Ég efaðist um hlutdrægni í þýði/gögnum.
[ ] Ég hef lýst yfir notkun gervigreindar á gagnsæjan hátt og tekið ábyrgð.

Einingapróf

1. Nemandi spurði tungumálalíkanið 'hvað eru margir strengir í þessari FASTA skrá?' spyr hann og fyrirsætan svarar '48'. Hver er réttasta nálgunin?

A) Notaðu beint númerið 48 sem líkanið gefur upp; Líkanið er áreiðanlegt vegna þess að það sér skrána
B) Spyrðu töluna aftur og samþykktu hana sem rétta ef svörin tvö eru eins
C) Að lesa skrána með Biopython, telja fjölda raða með kóða og nota úttakið ✔
D) Opna skrána handvirkt og telja eftir augnákvörðun

Skýring: Ákveðin verkefni eins og að telja og mæla ætti að vera undir kóðanum sem þú keyrir, ekki tungumálalíkaninu. Líkanið „man“ ekki töluna, það gefur af sér líkindagildi og gæti verið rangt; Talning með tæki eins og Biopython gefur nákvæmar og endurtakanlegar niðurstöður.

2. Þú vilt telja frumur í smásjá mynd og mæla flatarmál hverrar. Hver er heppilegasta nálgunin fyrir þetta verkefni?

A) Nota sérgreint skiptingartæki eins og Cellpose/StarDist og sannreyna niðurstöðuna handvirkt ✔
B) Límdu myndina inn í almenna tungumálamódelið og spyrðu „hversu margar frumur eru til“
C) Lýstu myndinni fyrir líkaninu og biddu um áætlaðan fjölda
D) Samþykkja fjölda pixla sem fjölda frumna án nokkurrar kvörðunar

Skýring: Frumuhlutun og mæling er ekki svið almenna mállíkansins, heldur sérhæfðra myndlíkana (Cellpose, StarDist) sem eru sérþjálfuð fyrir þetta verkefni. Mállíkanið skrifar kóðann sem kallar þessi verkfæri; Sérfræðilíkanið gerir mælinguna og líffræðingurinn sannreynir niðurstöðuna.

3. Útskriftarnemi bætir við 8 heimildum sem framleiddar eru af mállíkaninu við inngang ritgerðarinnar. Ráðgjafinn kemst að því að 3 slíkar séu alls ekki til. Hvernig var hægt að koma í veg fyrir þetta ástand?

A) Með því að biðja líkanið að framleiða auðlindir enn og aftur
B) Með því að velja aðeins tilvitnanir með DOI (ef það er DOI, þá er það raunverulegt)
C) Biðja um listann með því að skipa líkaninu að 'passa'
D) Sjálfstætt staðfesta hverja tilvitnun á PubMed/doi.org og vitna aðeins í þær greinar sem hann hefur lesið ✔

Skýring: Almenn mállíkön eru ekki bókmenntagagnagrunnur; Í stað þess að leita að raunverulegum gögnum, „myndar það“ raunhæft hljómandi eignir (tilbúnar eignir). Ekki ætti að nota hverja forsíðu og DOI án óháðrar sannprófunar í heimildum eins og PubMed/doi.org og aðeins með því að vitna í greinar sem hafa verið lesnar.

4. Hver er öflugasta leiðin til að tryggja nákvæmni gagnahreinsunarkóða skrifaður af gervigreind?

A) Ef kóðinn virkar án villna skaltu samþykkja hann sem réttan.
B) Prófa niðurstöðuna með litlu þekktu sýni og sannreyna væntingarnar með fullyrðingu ✔
C) Spyrðu fyrirmyndina 'er kóðinn réttur?' að spyrja og treysta svarinu „já“
D) Keyrðu kóðann nokkrum sinnum og fáðu sama úttak í hvert skipti

Athugasemd: Þótt kóðinn virki án villna þýðir það ekki að hann sé réttur; „rangur kóði virkar án villna“ er hættulegasta ástandið í líffræði. Að prófa með litlu sýnishorni sem þú veist fyrirfram um niðurstöðuna og að fella væntingarnar inn í kóðann með assert er sterkasti skjöldurinn gegn þöglum röngum niðurstöðum.

5. Í RNA-seq greiningu eru 20.000 gen prófuð og 3.800 gen eru 'marktæk' með p<0,05 án leiðréttingar. Hvert er helsta vandamálið við þessa niðurstöðu?

A) Fjöldi sýna er of mikill, það ætti að fækka
B) p þröskuldur er of hár, 0,10 hefði átt að vera notað
C) Margfeldi samanburðarleiðrétting (FDR) var ekki framkvæmd; Það eru margar rangar jákvæðar ✔
D) Sýni hefðu átt að vera prófuð í stað gena

Skýring: Þegar þú prófar þúsundir gena samtímis, virðast mörg gen fyrir tilviljun „mikilvæg“, jafnvel þótt það sé enginn raunverulegur munur; Þetta er kallað margfaldur samanburðarvandamál. Lausnin er að beita FDR (false discovery rate) leiðréttingu með aðferð eins og Benjamini-Hochberg; Með leiðréttingu fækkar listinn venjulega niður í tugi í nokkur hundruð gen.

6. Besta samsvörun í BLAST niðurstöðu hefur E-gildið 2,0. Hvað þýðir þetta?

A) Samsvörunin er líklegast af handahófi; ✔ ekki áreiðanleg samsvörun
B) Tengingin er mjög sterk; Því hærra sem rafrænt gildi er, því betra
C) Röðin passaði á 2% hraða
D) Það er 2 basa munur á röðunum tveimur

Skýring: E-gildið gefur til kynna væntingar um að samsvörun sé af handahófi; Það er betra að vera lítill. Rafrænt gildi sem er stærra en 1 gefur til kynna að samsvörunin sé líklegast af handahófi. Fyrir áreiðanlegar samsvörun er almennt leitað að mjög litlum þröskuldum eins og e < 1e-5.

7. Í AlphaFold líkani sýnir endasvæði próteinsins lágt pLDDT stig (<50). Hvernig ber að túlka þetta svæði?

A) AlphaFold gerði villu á þessu svæði, svæðið ætti að fjarlægja úr greiningunni
B) Þetta svæði er örugglega alfa-helix
C) Líkanið er algjörlega óáreiðanlegt, uppbyggingin ætti ekki að nota
D) Svæðið er líklega óreglulegt/teygjanlegt; ætti að túlka sem „óljóst“ frekar en „rangt“ ✔

Lýsing: pLDDT er staðbundið sjálfstraustskor fyrir hverja amínósýru; Gildi undir 50 endurspegla oft sannarlega óregluleg (sveigjanleg, óföst) svæði. Það er rangt að eyða þessum svæðum sjálfkrafa sem „rangar getgátur“; Lágt skor ætti að lesa sem „óviss/sveigjanlegt“ og líffræðilegt mikilvægi þess skal metið.

8. Rannsakandi greinir aðeins frá frumusvæðum í pixlum og niðurstöðurnar eru í ósamræmi við heimildir. Hvert er skrefið sem vantar?

A) Það hefði átt að telja fleiri frumur
B) Kvarðakvörðun (pixla-í-míkrómetra umbreyting) var ekki framkvæmd, niðurstöðunum var ekki breytt í líkamlegar einingar ✔
C) Segmentunartæki var rangt valið
D) Myndupplausn er of há

Skýring: Kvörðun mælikvarða (hversu margir míkrómetrar á pixla) er nauðsynleg til að draga líkamlega stærð úr myndinni. Ef þessu skrefi er sleppt eru gildin óviðjafnanleg, allt eftir smásjástillingu. Svæði verður að breyta í líkamlegar einingar eins og fermetra míkrómetra.

9. Nemandi tekur 10 vefjasýni úr einni mús og notar 'n=10' í tölfræði. Af hverju er þetta rangt?

A) 10 sýni eru of fá fyrir tölfræði, að minnsta kosti 30 þarf
B) Taka þurfti vefjasýni úr mismunandi líffærum
C) Þessi 10 dæmi eru tæknilegar endurtekningar; líffræðilegt n er enn 1, þetta er svokölluð endurtekning ✔
D) Sýni eru ógild þar sem þau voru tekin samdægurs

Skýring: Endurteknar mælingar teknar frá sama einstaklingi eru tæknilegar endurtekningar; þar sem tölfræðileg n er fjöldi líffræðilegra eininga (hér mýs). Að líta á tæknilega endurtekningu sem líffræðilega (gervifrávik) veldur rangri þýðingu. Rétt hönnun þýðir að vinna með mörgum einstaklingum.

10. Ein greining fannst p=0,03. Hver er rétt túlkun á þessu gildi?

A) Það eru 3% líkur á að sjá þessa eða öfgafyllri niðurstöðu þegar það er í raun enginn munur ✔
B) Líkurnar á að áhrifin séu raunveruleg eru 97%
C) Líkurnar á að núlltilgátan sé sönn eru 3%
D) Niðurstaðan er 97% endurtekin

Skýring: p-gildi er ekki 'líkur á að tilgátan sé sönn' eða 'líkur á að áhrifin séu sönn'. P-gildið er líkurnar á því að sjá mun eins eða öfgakenndari en sá sem sést þegar það er í raun enginn munur. Þess vegna þýðir p=0,03 ekki 'áhrifin eru 97% raunveruleg'; Niðurstöður ættu einnig að vera metnar út frá áhrifastærð og öryggisbili.

11. Í kynningu er 3% munur á milli tveggja hópa sýndur sem mikill með því að þjappa y-ásnum saman í 95-100 bilið. Hvað er þetta dæmi um?

A) Góð sjónræn tækni; undirstrikar muninn
B) Litblindur vingjarnlegur pallettuvandamál
C) Viðunandi stílval
D) Villandi og óheiðarlegt graf sem ýkir muninn með stytta ásnum ✔

Skýring: Að frumstilla ekki ásinn frá núlli (styttur ás) villir áhorfandann afvega með því að ýkja lítinn mun sjónrænt. Þetta er brot á heiðarleikareglunni; Sérstaklega í súluritum ætti ásinn að byrja frá núlli og munurinn ætti að vera sýndur með raunverulegri stærð hans.

12. Rannsakandi límir það sem hann telur vera nafnlaus sjúklingaupplýsingar í opinbert mállíkan til að láta greina þau. Hvers vegna er þessi hegðun erfið?

A) Það er ekkert vandamál; gögnum er hægt að deila ef þau eru nafnlaus
B) Að útvega viðkvæm sjúklingagögn í opnu líkani er brot á friðhelgi einkalífs og siðferðilegu/lagalegu (KVKK/GDPR) og er ekki hægt að snúa við ✔
C) Það er vandamál eingöngu vegna þess að greiningin verður hæg
D) Líkanið er vandamál vegna þess að það getur ekki skilið gögnin

Lýsing: Erfðafræðileg/klínísk gögn sjúklings eru afar viðkvæm; Jafnvel erfðafræðileg gögn sem talin eru nafnlaus er hægt að bera kennsl á aftur. Að útvega þessi gögn að opinberri fyrirmynd brýtur í bága við samþykki KVKK/GDPR og siðanefndar (IRB) og er óafturkræft brot á friðhelgi einkalífs. Viðkvæm gögn ættu að vera unnin í staðbundnu/öruggu, samningsbundnu umhverfi.

13. Í einni rannsókn var munurinn sem þeir héldu að væri „sjúklingur vs eftirlit“ í raun vegna þess að sýnin voru unnin á tveimur mismunandi dögum. Hvað heitir þetta ástand og hvernig er brugðist við því?

A) Það er útlæg áhrif; punktum ætti að eyða
B) Það er skortur á normalization; aðeins mælikvarðaleiðrétting nægir
C) Það er lotuáhrifin; ætti að vera jafnvægi í hönnuninni og bæta við líkanið sem lotubreytu ✔
D) p-hakka; prófinu ætti að breyta

Skýring: Tæknilegur munur vegna sýnatökulotu/vinnsludags kallast lotuáhrif og má rugla saman við líffræðilegan mun. Rétta aðferðin er að koma jafnvægi á loturnar í hönnuninni og bæta lotubreytunni við tölfræðilega líkanið (t.d. '~lotu + ástand'), þannig að aðgreina tæknimerkið frá líffræðilega merkinu.

14. Þú vilt reikna út GC hlutfall DNA röð. Hver er rétta og endurtekin nálgun?

A) Prentaðu kóðann sem reiknar út GC hlutfallið með Biopython, keyrðu hann og notaðu úttakið ✔
B) Gefðu líkaninu röðina og biddu það að segja munnlega frá GC hlutfallinu
C) Staðfesta hlutfallið sem líkanið gefur upp af öðru líkani
D) Horfa á fyrstu 100 stafina í röðinni og giska með augum

Skýring: GC hlutfall er ákveðinn útreikningur; ætti að byggjast á kóðanum sem vinnur úr fylkinu, ekki á gildi sem tungumálalíkanið „man“. Í stað þess að láta líkanið reikna það út, mun það að prenta út reiknikóðann með tóli eins og Biopython og keyra það sjálfur gefa nákvæma útkomu sem gefur sömu niðurstöðu í hvert skipti sem þú keyrir það.