ಎಂಡ್-ಟು-ಎಂಡ್ ಕೇಸ್: ಡಿಸ್ಕವರಿಯಿಂದ ಕ್ಲಿನಿಕಲ್ ರಿಪೋರ್ಟ್‌ಗೆ ರೂಪಾಂತರದ ಪ್ರಯಾಣ

ಲಾಭಗಳು:

• ಮಾಡ್ಯೂಲ್‌ನಾದ್ಯಂತ ಕಲಿತ ಎಲ್ಲಾ ಭಾಗಗಳನ್ನು (ಅನುಕ್ರಮ, ರೂಪಾಂತರ, ರಚನೆ, ಸಾಹಿತ್ಯ, ಕ್ಲಿನಿಕಲ್) ಒಂದು ಅಂತ್ಯದಿಂದ ಕೊನೆಯವರೆಗೆ AI- ಬೆಂಬಲಿತ ವರ್ಕ್‌ಫ್ಲೋನಲ್ಲಿ ಸಂಯೋಜಿಸುವ ಸಾಮರ್ಥ್ಯ
• 'ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ ಉತ್ಪಾದಿಸುತ್ತದೆ, ಮಾನವ ಪರಿಶೀಲಿಸುತ್ತದೆ ಮತ್ತು ದೃಢೀಕರಣ' ತತ್ವವನ್ನು ಅನ್ವಯಿಸುವ ಸಾಮರ್ಥ್ಯ ಮತ್ತು ಪ್ರತಿ ಹಂತದಲ್ಲೂ ಪ್ರಾಥಮಿಕ ಮೂಲ ಪರಿಶೀಲನೆ
• ಗೌಪ್ಯತೆಯನ್ನು ದಾಖಲಿಸುವ ಮೂಲಕ ಪರಿಶೀಲನಾ ಸರಪಳಿಯನ್ನು ನಿರ್ವಹಿಸುವ ಸಾಮರ್ಥ್ಯ ಮತ್ತು ಅಂತ್ಯದಿಂದ ಅಂತ್ಯದ ಸಂದರ್ಭದಲ್ಲಿ ಅಂತಿಮ ತಜ್ಞರ ಅನುಮೋದನೆ

ಈ ಮಾಡ್ಯೂಲ್‌ನಲ್ಲಿ, ಅನುಕ್ರಮ ವಿಶ್ಲೇಷಣೆಯಿಂದ ಪ್ರೋಟೀನ್ ರಚನೆಯವರೆಗೆ, CRISPR ನಿಂದ ಓಮಿಕ್ಸ್‌ವರೆಗೆ, ಸಾಹಿತ್ಯದಿಂದ ನೀತಿಶಾಸ್ತ್ರ ಮತ್ತು ಗೌಪ್ಯತೆಯವರೆಗೆ ನಾವು ಪ್ರತಿ ಹಂತವನ್ನು ಪ್ರತ್ಯೇಕವಾಗಿ ಚರ್ಚಿಸಿದ್ದೇವೆ. ಈ ಅಂತಿಮ ಘಟಕದಲ್ಲಿ, ನಾವು ಅವೆಲ್ಲವನ್ನೂ ಒಂದು ವಾಸ್ತವಿಕ ವರ್ಕ್‌ಫ್ಲೋ ಆಗಿ ಸಂಯೋಜಿಸುತ್ತೇವೆ: ರೋಗಿಯಲ್ಲಿ ಕಂಡುಬರುವ ರೂಪಾಂತರದ ಪ್ರಯಾಣ, ಕಚ್ಚಾ ಡೇಟಾದಿಂದ ಅನುಮೋದಿತ ಕ್ಲಿನಿಕಲ್ ವರದಿಯವರೆಗೆ. ಆರ್ಟಿಫಿಶಿಯಲ್ ಇಂಟೆಲಿಜೆನ್ಸ್ (AI) ಅನ್ನು ಎಂಡ್-ಟು-ಎಂಡ್ ಅಸಿಸ್ಟೆಂಟ್ ಆಗಿ ಹೇಗೆ ಇರಿಸುವುದು ಮತ್ತು ಪ್ರತಿ ಹಂತದಲ್ಲೂ ಪರಿಶೀಲನೆ ಮತ್ತು ಮಾನವ ಹೊಣೆಗಾರಿಕೆಯು ಹೇಗೆ ಹೆಣೆದುಕೊಂಡಿದೆ ಎಂಬುದನ್ನು ಸಮಗ್ರವಾಗಿ ನೋಡುವುದು ಗುರಿಯಾಗಿದೆ.

ನಮ್ಮ ಸನ್ನಿವೇಶ (ಕಾಲ್ಪನಿಕ): 34 ವರ್ಷ ವಯಸ್ಸಿನ ಮಹಿಳಾ ರೋಗಿಯು ಚಿಕ್ಕ ವಯಸ್ಸಿನಲ್ಲೇ ಸ್ತನ ಕ್ಯಾನ್ಸರ್ನ ಕುಟುಂಬದ ಇತಿಹಾಸದೊಂದಿಗೆ ಆನುವಂಶಿಕ ಮೌಲ್ಯಮಾಪನಕ್ಕೆ ಬರುತ್ತಾರೆ. ಫಲಕ ಪರೀಕ್ಷೆಯಲ್ಲಿ BRCA1 ಜೀನ್‌ನಲ್ಲಿನ ರೂಪಾಂತರವು ಕಂಡುಬಂದಿದೆ. ನಮ್ಮ ಧ್ಯೇಯ: ಈ ರೂಪಾಂತರವನ್ನು ವರ್ಗೀಕರಿಸಿ, ಪ್ರೋಟೀನ್‌ನ ಮೇಲೆ ಅದರ ಸಂಭವನೀಯ ಪರಿಣಾಮವನ್ನು ಅರ್ಥೈಸಿಕೊಳ್ಳಿ, ಸಾಹಿತ್ಯವನ್ನು ವಿಮರ್ಶಿಸಿ ಮತ್ತು ಕ್ಲಿನಿಕಲ್ ವರದಿಯನ್ನು ಕರಡು ಮಾಡಿ - ಪ್ರತಿ ಹಂತದಲ್ಲೂ AI ಅನ್ನು ಬಳಸುವುದು ಮತ್ತು ಪ್ರತಿ ಹಂತದಲ್ಲೂ ಅದನ್ನು ಮೌಲ್ಯೀಕರಿಸುವುದು.

ಹಂತ 1: ಭಿನ್ನತೆ ಮತ್ತು ಗೌಪ್ಯತೆ ನಿಯಂತ್ರಣವನ್ನು ಸರಿಪಡಿಸುವುದು

ಕೆಲಸದ ಹರಿವಿನ ಪ್ರಾರಂಭದಲ್ಲಿ, ನಾವು ಎರಡು ಕೆಲಸಗಳನ್ನು ಮಾಡುತ್ತೇವೆ: ಡೇಟಾವನ್ನು ಪ್ರಮಾಣೀಕರಿಸಿ ಮತ್ತು ಗೌಪ್ಯತೆಯನ್ನು ಖಚಿತಪಡಿಸಿಕೊಳ್ಳಿ.

ಗೌಪ್ಯತೆ ಮೊದಲು: ರೋಗಿಯ ಹೆಸರು, ಗುರುತಿನ ಸಂಖ್ಯೆ ಮತ್ತು ಹುಟ್ಟಿದ ದಿನಾಂಕವು ಯಾವುದೇ ತೆರೆದ AI ಪರಿಕರಗಳನ್ನು ನಮೂದಿಸುವುದಿಲ್ಲ (ಘಟಕ 10). ನಾವು ರೂಪಾಂತರ, ಜೀನೋಮ್ ಆವೃತ್ತಿ ಮತ್ತು ಪ್ರತಿಲೇಖನದೊಂದಿಗೆ ಮಾತ್ರ ಕೆಲಸ ಮಾಡುತ್ತೇವೆ - ಮತ್ತು ರೂಪಾಂತರವು ವ್ಯಕ್ತಿಯನ್ನು ಗುರುತಿಸದಿದ್ದರೆ ಮಾತ್ರ. ನಂತರ ನಾವು ರೂಪಾಂತರವನ್ನು ಸರಿಪಡಿಸುತ್ತೇವೆ: GRCh38, BRCA1, NM_007294.4, ಉದಾಹರಣೆಗೆ c.5266dupC (p.Gln1756fs). ನಾವು ಇದನ್ನು ವ್ಯಾಲಿಡೇಟರ್ (VariantValidator) ಮೂಲಕ ದೃಢೀಕರಿಸುತ್ತೇವೆ; ಮುಖಬೆಲೆಯಲ್ಲಿ AI ನೀಡಿದ ಪ್ರಾತಿನಿಧ್ಯವನ್ನು ನಾವು ಸ್ವೀಕರಿಸುವುದಿಲ್ಲ (ಘಟಕ 1, 3).

ಹಂತ 2: ಸಾಕ್ಷ್ಯವನ್ನು ಸಂಗ್ರಹಿಸುವುದು (ಘಟಕ 3)

ACMG ಪ್ರೂಫ್ ಫ್ರೇಮ್‌ವರ್ಕ್ ಅನ್ನು ನಿರ್ಮಿಸಲು AI ಅನ್ನು ನಾವು ಹೊಂದಿದ್ದೇವೆ - ಆದರೆ ವರ್ಗವು ಅದನ್ನು ಹೇಳದೆ. ನಂತರ ನಾವು ಪ್ರತಿ ಪುರಾವೆಯನ್ನು ನಾವೇ ಪರಿಶೀಲಿಸುತ್ತೇವೆ:

• gnomAD ಆವರ್ತನ: ನಾವು gnomAD ನಲ್ಲಿನ ರೂಪಾಂತರವನ್ನು ಹುಡುಕುತ್ತೇವೆ ಮತ್ತು ಅದು ತುಂಬಾ ಅಪರೂಪ/ಗೈರುಹಾಜಾಗಿದೆ (PM2 ದಿಕ್ಕಿನಲ್ಲಿ).
• ClinVar: ನಾವು ದಾಖಲೆಯನ್ನು ತೆರೆಯುತ್ತೇವೆ ಮತ್ತು ಅಸ್ತಿತ್ವದಲ್ಲಿರುವ ಕಾಮೆಂಟ್‌ಗಳು ಮತ್ತು ತಾಜಾತನವನ್ನು ಪರಿಶೀಲಿಸುತ್ತೇವೆ.
• ವಿಭಿನ್ನ ಪ್ರಕಾರ: ಫ್ರೇಮ್‌ಶಿಫ್ಟ್ ಅಕಾಲಿಕ ನಿಲುಗಡೆಗೆ ಕಾರಣವಾದರೆ, ಕಾರ್ಯದ ನಷ್ಟದ (PVS1) ಬಲವಾದ ಪುರಾವೆಗಳು ಇರಬಹುದು - ಆದರೆ ನಾವು ಇದನ್ನು ಜೀನ್ ಮತ್ತು ಪ್ರತಿಲೇಖನದ ಸಂದರ್ಭದಲ್ಲಿ ಮೌಲ್ಯಮಾಪನ ಮಾಡುತ್ತೇವೆ.

AI ನೀಡಿದ ಯಾವುದೇ ಆವರ್ತನ ಅಥವಾ ಉಲ್ಲೇಖವನ್ನು ಪರಿಶೀಲಿಸದೆ ನಾವು ಬಳಸುವುದಿಲ್ಲ (ಘಟಕ 9).

ಹಂತ 3: ಪ್ರೋಟೀನ್-ರಚನೆಯ ವ್ಯಾಖ್ಯಾನ (ಘಟಕ 4)

ಪ್ರೋಟೀನ್‌ನಲ್ಲಿನ ರೂಪಾಂತರದ ಪರಿಣಾಮವನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳಲು, ನಾವು ಆಲ್ಫಾಫೋಲ್ಡ್ ರಚನೆಯನ್ನು (ಅದರ ಯುನಿಪ್ರೊಟ್ ಸಂಖ್ಯೆಯೊಂದಿಗೆ) ಡೌನ್‌ಲೋಡ್ ಮಾಡುತ್ತೇವೆ, ಪೀಡಿತ ಪ್ರದೇಶದ pLDDT ವಿಶ್ವಾಸಾರ್ಹ ಸ್ಕೋರ್ ಮತ್ತು UniProt ಕ್ರಿಯಾತ್ಮಕ ಟಿಪ್ಪಣಿಗಳನ್ನು ನೋಡಿ. ಫ್ರೇಮ್‌ಶಿಫ್ಟ್ ಹೆಚ್ಚಿನ ಪ್ರೋಟೀನ್ ಅನ್ನು ಬದಲಾಯಿಸುವುದರಿಂದ, ರಚನೆಯ ವ್ಯಾಖ್ಯಾನವು ಇಲ್ಲಿ ಕಾರ್ಯದ ನಷ್ಟದ ಊಹೆಯನ್ನು ಬೆಂಬಲಿಸಬಹುದು - ಆದರೆ ರಚನೆಯು ಊಹೆಯಾಗಿದೆ, ನಿರ್ಣಾಯಕ ಪುರಾವೆ ಅಲ್ಲ. ನಿರ್ದೇಶಾಂಕಗಳಿಗಾಗಿ ನಾವು AI ಅನ್ನು ಕೇಳುವುದಿಲ್ಲ; ನಾವು ಫೈಲ್‌ನಿಂದ ಓದುತ್ತೇವೆ.

ಹಂತ 4: ಸಾಹಿತ್ಯ ಪರಿಶೀಲನೆ (ಘಟಕ 7)

ನಾವು AI ನಿಂದ ಹುಡುಕಾಟ ಪದಗಳನ್ನು ಪಡೆಯುತ್ತೇವೆ, ಅದನ್ನು ಪಬ್‌ಮೆಡ್‌ನಲ್ಲಿಯೇ ಹುಡುಕುತ್ತೇವೆ ಮತ್ತು ರೂಪಾಂತರ ಮತ್ತು ಜೀನ್‌ನಲ್ಲಿ ನಿಜವಾದ ಲೇಖನಗಳನ್ನು ಕಂಡುಹಿಡಿಯುತ್ತೇವೆ. DOI/PMID ಯೊಂದಿಗೆ AI "ಮೆಮೊರಿಯಿಂದ" ಸಲ್ಲಿಸುವ ಉಲ್ಲೇಖಗಳನ್ನು ನಾವು ಪರಿಶೀಲಿಸುತ್ತೇವೆ. ನಾವು ಮೂಲದಲ್ಲಿ ಸಂಬಂಧ ಮತ್ತು ಕಾರಣದ ನಡುವಿನ ವ್ಯತ್ಯಾಸವನ್ನು ಸಂರಕ್ಷಿಸುತ್ತೇವೆ.

ಹಂತ 5: ವರ್ಗೀಕರಣ ಮತ್ತು ಕ್ಲಿನಿಕಲ್ ವ್ಯಾಖ್ಯಾನ (ಘಟಕಗಳು 3, 8)

ನಾವು ಮೌಲ್ಯೀಕರಿಸಿದ ಪುರಾವೆಗಳನ್ನು ಸಂಯೋಜಿಸುತ್ತೇವೆ, ಸಂಭವನೀಯ ವರ್ಗವನ್ನು ACMG ಸಂಯೋಜನೆಯೊಂದಿಗೆ ಊಹಿಸುತ್ತೇವೆ (ಈ ಉದಾಹರಣೆಯಲ್ಲಿ, ಬಲವಾದ ಕಾರ್ಯದ ನಷ್ಟ ಮತ್ತು ಅಪರೂಪದ ಪುರಾವೆಗಳು "ರೋಗಕಾರಕ/ಬಹುಶಃ ರೋಗಕಾರಕ" ದಿಕ್ಕಿನಲ್ಲಿರಬಹುದು - ಆದರೆ ತಜ್ಞರು ಅಂತಿಮ ಹೇಳಿಕೆಯನ್ನು ಹೊಂದಿರುತ್ತಾರೆ). ನಾವು ಫಿನೋಟೈಪ್ ಮತ್ತು ಕುಟುಂಬದ ಇತಿಹಾಸದೊಂದಿಗೆ ಕ್ಲಿನಿಕಲ್ ವ್ಯಾಖ್ಯಾನವನ್ನು ಸಂಯೋಜಿಸುತ್ತೇವೆ: ರೋಗಿಯ ಚಿತ್ರವು BRCA1 ನೊಂದಿಗೆ ಸ್ಥಿರವಾಗಿದೆಯೇ? ಅನಿಶ್ಚಿತತೆ ಇದ್ದರೆ, ನಾವು ಅದನ್ನು ಪ್ರಾಮಾಣಿಕವಾಗಿ ಹೇಳುತ್ತೇವೆ.

ಹಂತ 6: ಕರಡು ವರದಿ ಮತ್ತು ಅನುಮೋದನೆ (ಘಟಕ 8)

AI ಯೊಂದಿಗೆ, ನಾವು ವೈದ್ಯರು ಮತ್ತು ರೋಗಿಗೆ ಕರಡು ವರದಿಗಳನ್ನು ಸಿದ್ಧಪಡಿಸುತ್ತೇವೆ; ಕಾರಣವನ್ನು ಉತ್ಪ್ರೇಕ್ಷಿಸದ ಭಾಷೆಯಲ್ಲಿ, ಅನಿಶ್ಚಿತತೆಯ ಬಗ್ಗೆ ಸ್ಪಷ್ಟವಾಗಿದೆ ಮತ್ತು ಜೆನೆಟಿಕ್ ಕೌನ್ಸೆಲಿಂಗ್‌ಗೆ ನಿರ್ದೇಶಿಸುತ್ತದೆ. ತಜ್ಞರು ಪ್ರತಿ ವಾಕ್ಯವನ್ನು ದೃಢೀಕರಿಸುತ್ತಾರೆ. ನಾವು ಮಿತಿಗಳ ವಿಭಾಗವನ್ನು ಸೇರಿಸುತ್ತೇವೆ (ಪರೀಕ್ಷೆಯು ಏನನ್ನು ಒಳಗೊಳ್ಳುವುದಿಲ್ಲ, ಮರುಮೌಲ್ಯಮಾಪನ ಪರಿಸ್ಥಿತಿಗಳು).

ಸಲಹೆ: ಅಂತ್ಯದಿಂದ ಅಂತ್ಯದ ಹರಿವಿನಲ್ಲಿ ಪ್ರತಿ ಹಂತದ ಔಟ್‌ಪುಟ್ ಅನ್ನು ಮುಂದಿನದಕ್ಕೆ ಇನ್‌ಪುಟ್ ಮಾಡುವಾಗ, ಔಟ್‌ಪುಟ್ ಮೌಲ್ಯೀಕರಿಸಲಾಗಿದೆಯೇ ಎಂದು ಖಚಿತಪಡಿಸಿಕೊಳ್ಳಿ. ಪರಿಶೀಲಿಸದ ಆವರ್ತನ ಅಥವಾ ಗುಣಲಕ್ಷಣವನ್ನು ಎಲ್ಲಾ ನಂತರದ ಹಂತಗಳಿಗೆ ತಪ್ಪಾಗಿ ರವಾನಿಸಲಾಗುತ್ತದೆ (ಚೈನ್ಡ್ ಭ್ರಮೆ-ಘಟಕ 9).

ಕೆಲಸದ ಹರಿವಿನ ಕೋಷ್ಟಕ

ಹಂತ

AI ನ ಪಾತ್ರ

ಕಡ್ಡಾಯ ಪರಿಶೀಲನೆ

ನಿರ್ಧಾರ ತಯಾರಕ

ಫಿಕ್ಸಿಂಗ್

ಡೆಮೊ ಸ್ಕೆಚ್

ವೇರಿಯಂಟ್ ವ್ಯಾಲಿಡೇಟರ್

ತಜ್ಞ

ಗೌಪ್ಯತೆ

ಅನಾಮಧೇಯತೆಯ ನಿಯಂತ್ರಣ

ಮಾನವ ನಿಯಂತ್ರಣ

ತಜ್ಞ

ಪುರಾವೆ

ಚೌಕಟ್ಟನ್ನು ಹೊಂದಿಸಲಾಗುತ್ತಿದೆ

gnomAD, ClinVar

ತಜ್ಞ

ರಚನೆ

ಕಾಮೆಂಟ್ ಮಾಡಿ

pLDDT, ಫೈಲ್

ತಜ್ಞ

ಸಾಹಿತ್ಯ

ಹುಡುಕಾಟ ಪದ, ಸಾರಾಂಶ

DOI/PMID

ತಜ್ಞ

ವರ್ಗ

ಸಂಯೋಜನೆಯ ಕರಡು

ACMG ನಿಯಮಗಳು

ತಜ್ಞ

ವರದಿ

ಭಾಷಾ ಕರಡು

ವಾಕ್ಯದಿಂದ ಅನುಮೋದನೆ ವಾಕ್ಯ

ತಜ್ಞ/ಸಮಾಲೋಚಕ

ಮೂರು ಮಿನಿ ಪ್ರಕರಣಗಳು (ಹರಿವಿನಲ್ಲಿ ಬ್ರೇಕ್‌ಪಾಯಿಂಟ್‌ಗಳು)

ಪ್ರಕರಣ 1 - ತಪ್ಪಾದ ಪ್ರತಿಲೇಖನ. ಸ್ಟ್ರೀಮ್‌ನ ಆರಂಭದಲ್ಲಿ AI ನೀಡಿದ ಪ್ರತಿಲೇಖನದೊಂದಿಗೆ ಒಂದು ತಂಡವು ಕೆಲಸ ಮಾಡಿದೆ; ಫಲಕವು ವಿಭಿನ್ನ ಪ್ರತಿಲೇಖನವನ್ನು ಬಳಸಿದೆ ಎಂದು ಅವರು ನಂತರ ಅರಿತುಕೊಂಡರು. ಸಿ. ಅವರ ಸ್ಥಾನಗಳು ಬದಲಾಗಿದ್ದವು. VariantValidator ನೊಂದಿಗೆ ಆರಂಭದಿಂದಲೂ ಸರಿಪಡಿಸುವ ಮೂಲಕ ದೋಷವನ್ನು ಪರಿಹರಿಸಲಾಗಿದೆ. ಪಾಠ: ಫಿಕ್ಸಿಂಗ್ ಹಂತದಲ್ಲಿ ದೋಷವು ಸಂಪೂರ್ಣ ಹರಿವನ್ನು ಅಡ್ಡಿಪಡಿಸುತ್ತದೆ.

ಪ್ರಕರಣ 2 - ನಕಲಿ ಪೋಷಕ ಲೇಖನ. ಸಾಹಿತ್ಯದ ಹಂತದಲ್ಲಿ, ವರ್ಗೀಕರಣವನ್ನು ಬೆಂಬಲಿಸುವ ಮನವೊಲಿಸುವ ಕಾಗದವನ್ನು AI ಪ್ರಸ್ತಾಪಿಸಿತು. PMID ಪರಿಶೀಲನೆಯು ಲೇಖನವು ಅಸ್ತಿತ್ವದಲ್ಲಿಲ್ಲ ಎಂದು ತೋರಿಸಿದೆ; ಪುರಾವೆಗಳ ಸರಪಳಿಯಿಂದ ತೆಗೆದುಹಾಕಲಾಗಿದೆ. ನಿಜವಾದ ಪುರಾವೆಗಳು ಸಾಕಷ್ಟಿದ್ದವು, ಆದರೆ ವರದಿಯಲ್ಲಿ ಸುಳ್ಳು ಆರೋಪ ಉಳಿದಿದ್ದರೆ ಶೈಕ್ಷಣಿಕ/ಕ್ಲಿನಿಕಲ್ ನಂಬಿಕೆಗೆ ಧಕ್ಕೆಯಾಗುತ್ತಿತ್ತು.

ಪ್ರಕರಣ 3 - ದೃಢೀಕರಣವನ್ನು ಪಡೆಯಲಾಗಿದೆ. ವರದಿ ಮಾಡುವ ಹಂತದಲ್ಲಿ, AI ಡ್ರಾಫ್ಟ್ "ಈ ರೂಪಾಂತರವು ಖಂಡಿತವಾಗಿಯೂ ಕ್ಯಾನ್ಸರ್ಗೆ ಕಾರಣವಾಗುತ್ತದೆ" ಎಂಬ ಹೇಳಿಕೆಯನ್ನು ಒಳಗೊಂಡಿದೆ. "ಈ ರೂಪಾಂತರವು ಸ್ತನ/ಅಂಡಾಶಯದ ಕ್ಯಾನ್ಸರ್ ಅಪಾಯವನ್ನು ಗಣನೀಯವಾಗಿ ಹೆಚ್ಚಿಸುತ್ತದೆ, ಆದರೆ ನಿರ್ಣಾಯಕ ರೋಗವನ್ನು ಸೂಚಿಸುವುದಿಲ್ಲ" ಎಂದು ಹೇಳುವ ಮೂಲಕ ಸಲಹೆಗಾರರು ಇದನ್ನು ಸರಿಪಡಿಸಿದ್ದಾರೆ ಮತ್ತು ಆನುವಂಶಿಕ ಸಮಾಲೋಚನೆಗಾಗಿ ಶಿಫಾರಸನ್ನು ಸೇರಿಸಿದ್ದಾರೆ. ಟೋನ್ ಮತ್ತು ನಿಖರತೆಯನ್ನು ತಜ್ಞರ ಕೈಯಲ್ಲಿ ರೂಪಿಸಲಾಗಿದೆ.

ಎರಡು ನಕಲಿಸಬಹುದಾದ ಟೆಂಪ್ಲೇಟ್‌ಗಳು (ಅಂತ್ಯದಿಂದ ಕೊನೆಯವರೆಗೆ)

1) ಫ್ಲೋ ಪ್ಲಾನರ್:

ನಿಮ್ಮ ಪಾತ್ರ: ಕ್ಲಿನಿಕಲ್ ಜೆನೆಟಿಕ್ಸ್ ವರ್ಕ್‌ಫ್ಲೋ ಸಹಾಯಕ. ಕೆಳಗಿನ ರೂಪಾಂತರಕ್ಕಾಗಿ ವರದಿ ಮಾಡಲು ಅನ್ವೇಷಣೆಯಿಂದ ಅಂತ್ಯದಿಂದ ಅಂತ್ಯದ ಪರಿಶೀಲನಾಪಟ್ಟಿಯನ್ನು ರಚಿಸಿ: [ಜೀನೋಮ್ ಆವೃತ್ತಿ, ಜೀನ್, ಪ್ರತಿಲೇಖನ, HGVS]. "AI ಏನು ಮಾಡುತ್ತದೆ / ನಾನು ಏನು ಪರಿಶೀಲಿಸುತ್ತೇನೆ / ಯಾರು ನಿರ್ಧರಿಸುತ್ತಾರೆ" ಎಂಬ ಅಂಕಣಗಳೊಂದಿಗೆ ಪ್ರತಿ ಹಂತದಲ್ಲಿ (ಸ್ಥಿರೀಕರಣ, ಗೌಪ್ಯತೆ, ಸಾಕ್ಷ್ಯ, ರಚನೆ, ಸಾಹಿತ್ಯ, ವರ್ಗ, ವರದಿ) ಬರೆಯಿರಿ. ನೀವು ವರ್ಗ ಮತ್ತು ಕ್ಲಿನಿಕಲ್ ನಿರ್ಧಾರವನ್ನು ಮಾಡುತ್ತೀರಿ.

2) ಅಂತಿಮ ತಪಾಸಣೆ:

ಸಲ್ಲಿಸುವ ಮೊದಲು ಕೆಳಗಿನ ಪೂರ್ಣಗೊಂಡ ರೂಪಾಂತರದ ಕಾಮೆಂಟ್ ಮತ್ತು ವರದಿ ಕರಡು ಪೂರ್ವ ಪರಿಶೀಲಿಸಿ: [ವಿಷಯ]. ಇದಕ್ಕಾಗಿ ಪರಿಶೀಲಿಸಿ: ದೃಢೀಕರಿಸದ ಆವರ್ತನ/ಗುಣಲಕ್ಷಣ, ಉತ್ಪ್ರೇಕ್ಷಿತ ಕಾರಣ/ನಿಖರವಾದ ಹೇಳಿಕೆ, ಕಾಣೆಯಾದ ಅಸ್ಪಷ್ಟತೆಯ ಎಚ್ಚರಿಕೆ, ಕಾಣೆಯಾದ ಗಡಿ ವಿಭಾಗ, ಗೌಪ್ಯತೆ ದುರ್ಬಲತೆ. ಪ್ರತಿ ಸಮಸ್ಯೆ ಮತ್ತು ಅದನ್ನು ಸರಿಪಡಿಸಲು ಯಾವುದೇ ಸಲಹೆಗಳನ್ನು ಪಟ್ಟಿ ಮಾಡಿ.

ದುರ್ಬಲ ಪ್ರಾಂಪ್ಟ್ / ಬಲವಾದ ಪ್ರಾಂಪ್ಟ್

ದುರ್ಬಲ: "ಈ BRCA1 ರೂಪಾಂತರಕ್ಕಾಗಿ ಸಂಪೂರ್ಣ ಕ್ಲಿನಿಕಲ್ ವರದಿಯನ್ನು ಬರೆಯಿರಿ."

ಸಮಸ್ಯೆ: AI ಎಲ್ಲಾ ಹಂತಗಳನ್ನು ಒಂದೇ ಸಮಯದಲ್ಲಿ ಅಳವಡಿಸುವ ಮೂಲಕ "ವರದಿ" ಅನ್ನು ಉತ್ಪಾದಿಸುತ್ತದೆ; ಆವರ್ತನ, ಗುಣಲಕ್ಷಣ, ವರ್ಗ, ಕ್ಲಿನಿಕಲ್ ತೀರ್ಪು ಎಲ್ಲಾ ದೃಢೀಕರಿಸಲಾಗಿಲ್ಲ.

ಪ್ರಬಲ: "ಈ BRCA1 ರೂಪಾಂತರಕ್ಕಾಗಿ ವರದಿ ಮಾಡಲು ಅನ್ವೇಷಣೆಯಿಂದ ಪರಿಶೀಲನಾಪಟ್ಟಿ ಮಾಡಿ; ಪ್ರತಿ ಹಂತದಲ್ಲಿ ನೀವು ಏನು ಮಾಡುತ್ತೀರಿ, ನಾನು ಏನು ಪರಿಶೀಲಿಸುತ್ತೇನೆ ಮತ್ತು ಯಾರು ನಿರ್ಧಾರ ತೆಗೆದುಕೊಳ್ಳುತ್ತಾರೆ ಎಂಬುದನ್ನು ಪ್ರತ್ಯೇಕಿಸಿ. ಸಾಕ್ಷ್ಯವನ್ನು ದೃಢೀಕರಿಸಿದ ನಂತರ ನಾನು ವರ್ಗ ಮತ್ತು ಕ್ಲಿನಿಕಲ್ ನಿರ್ಧಾರವನ್ನು ತೆಗೆದುಕೊಳ್ಳುತ್ತೇನೆ."

ಅದು ಏಕೆ ಶಕ್ತಿಯುತವಾಗಿದೆ: ಹರಿವು ರಚನೆಯಾಗಿದೆ, ಪ್ರತಿ ಹಂತವು ಊರ್ಜಿತಗೊಳಿಸುವಿಕೆಗೆ ಒಳಪಟ್ಟಿರುತ್ತದೆ ಮತ್ತು ನಿರ್ಧಾರ ಮತ್ತು ಜವಾಬ್ದಾರಿಯು ಮಾನವನೊಂದಿಗೆ ಇರುತ್ತದೆ.

ಸಾಮಾನ್ಯ ತಪ್ಪುಗಳು

• ಒಂದು ಪ್ರಾಂಪ್ಟ್‌ನೊಂದಿಗೆ "ಮುಗಿದ ವರದಿ" ಗಾಗಿ ಕೇಳಲಾಗುತ್ತಿದೆ. ಪರಿಶೀಲನೆ ಇಲ್ಲದೆ ಹಂತಗಳನ್ನು ಸಂಯೋಜಿಸಲಾಗಿದೆ; ದೋಷ ಸಂಗ್ರಹವಾಗುತ್ತದೆ.
• ಫಿಕ್ಸಿಂಗ್ ಹಂತವನ್ನು ನಿರ್ಲಕ್ಷಿಸಲಾಗುತ್ತಿದೆ. ತಪ್ಪಾದ ಆವೃತ್ತಿ/ಪ್ರತಿಲೇಖನವು ಸಂಪೂರ್ಣ ಸ್ಟ್ರೀಮ್ ಅನ್ನು ನಿರಾಕರಿಸುತ್ತದೆ.
• ಔಟ್‌ಪುಟ್ ಅನ್ನು ಮೌಲ್ಯೀಕರಿಸದೆ ಹಂತಗಳ ನಡುವೆ ಚಲಿಸುವುದು. ಚೈನ್ ಭ್ರಮೆ ಉಂಟಾಗುತ್ತದೆ.
• ಹರಿವಿನ "ಕೊನೆಯಲ್ಲಿ" ಗೌಪ್ಯತೆಯ ಬಗ್ಗೆ ಯೋಚಿಸುವುದು. ಡೇಟಾ ಎಂಟ್ರಿಯಲ್ಲಿ ಗೌಪ್ಯತೆಯನ್ನು ಮೊದಲ ಸ್ಥಾನದಲ್ಲಿ ಸ್ಥಾಪಿಸಬೇಕು.
• ನಿರ್ಧಾರ ಮತ್ತು ಸ್ವರವನ್ನು AI ಗೆ ಬಿಡಲಾಗುತ್ತಿದೆ. ತರಗತಿ ಮತ್ತು ಕ್ಲಿನಿಕಲ್ ಸಂದೇಶ ಕಳುಹಿಸುವಿಕೆಯನ್ನು ತಜ್ಞರು ಅನುಮೋದಿಸಬೇಕು.

ಎಚ್ಚರಿಕೆ: ಎಂಡ್-ಟು-ಎಂಡ್ AI ಅನ್ನು ಬಳಸುವುದು ಬಹಳಷ್ಟು ಸಮಯವನ್ನು ಉಳಿಸುತ್ತದೆ ಆದರೆ ಜವಾಬ್ದಾರಿಯನ್ನು ಕಡಿಮೆ ಮಾಡುವುದಿಲ್ಲ; ಇದಕ್ಕೆ ವ್ಯತಿರಿಕ್ತವಾಗಿ, ಇದು ಪ್ರತಿ ಹಂತದಲ್ಲಿ ಪರಿಶೀಲನೆಯ ಶಿಸ್ತನ್ನು ಇನ್ನಷ್ಟು ಮುಖ್ಯಗೊಳಿಸುತ್ತದೆ. AI ಹರಿವನ್ನು ವೇಗಗೊಳಿಸುತ್ತದೆ; ಮಾನವ ಖಾತರಿಗಳು ನಿಖರತೆ, ಭದ್ರತೆ ಮತ್ತು ನೈತಿಕ ಅನುಸರಣೆ.

ಆಳ: ಕೆಲಸದ ಹರಿವಿನ ಸಮಯ ಉಳಿತಾಯ, ದುರ್ಬಲತೆ ಮತ್ತು ಆಡಿಟ್ ಟ್ರಯಲ್

ಅಂತ್ಯದಿಂದ ಅಂತ್ಯದ ಹರಿವಿನ ನೈಜ ಮೌಲ್ಯವು "AI ಎಲ್ಲವನ್ನೂ ಮಾಡಲಿ" ಅಲ್ಲ ಆದರೆ ಸರಿಯಾದ ಸ್ಥಳಗಳಲ್ಲಿ ಸಮಯವನ್ನು ಪಡೆಯುವುದು ಮತ್ತು ಸರಿಯಾದ ಸ್ಥಳಗಳಲ್ಲಿ ನಿಧಾನಗೊಳಿಸುವುದು. ಈ ಸನ್ನಿವೇಶದಲ್ಲಿ ಲಾಭವನ್ನು ಪ್ರಮಾಣೀಕರಿಸೋಣ: ಪುರಾವೆ ಚೌಕಟ್ಟನ್ನು ಹೊಂದಿಸುವುದು, ಹುಡುಕಾಟ ಪದಗಳನ್ನು ರಚಿಸುವುದು, ವರದಿಯ ಭಾಷೆಯನ್ನು ಸರಳಗೊಳಿಸುವುದು ಮತ್ತು ನಂತರದ ಆಡಿಟ್ ಪರಿಶೀಲನಾಪಟ್ಟಿಯೊಂದಿಗೆ ಬರುವುದು ಸಾಂಪ್ರದಾಯಿಕವಾಗಿ ಹಲವಾರು ಗಂಟೆಗಳ ಕರಡು ಕೆಲಸಗಳನ್ನು ಹತ್ತಾರು ನಿಮಿಷಗಳಲ್ಲಿ ಕಡಿತಗೊಳಿಸಬಹುದು. ಇದಕ್ಕೆ ವ್ಯತಿರಿಕ್ತವಾಗಿ, gnomAD/ClinVar ಊರ್ಜಿತಗೊಳಿಸುವಿಕೆ, ವೇರಿಯಂಟ್ ವ್ಯಾಲಿಡೇಟರ್ ಪಿನ್ನಿಂಗ್, DOI ತಪಾಸಣೆ ಮತ್ತು ತಜ್ಞರ ತೀರ್ಪುಗಳನ್ನು ಸಂಕ್ಷಿಪ್ತಗೊಳಿಸಲಾಗುವುದಿಲ್ಲ - ಅವುಗಳು ಸ್ಟ್ರೀಮ್‌ನ ಭದ್ರತಾ ಬೆನ್ನೆಲುಬುಗಳಾಗಿವೆ. ಸರಿಯಾದ ಮನಸ್ಥಿತಿ: "AI ಡ್ರಾಫ್ಟ್ ಅನ್ನು ಉತ್ಪಾದಿಸುತ್ತದೆ, ಮಾನವರು ಗ್ಯಾರಂಟಿಯಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತಾರೆ." ಲಾಭವು ಕರಡಿನಲ್ಲಿದೆ, ಜವಾಬ್ದಾರಿ ನಿರ್ಧಾರದಲ್ಲಿದೆ.

ಹರಿವಿನ ಅತ್ಯಂತ ದುರ್ಬಲವಾದ ಲಿಂಕ್ ಯಾವಾಗಲೂ ಮೊದಲನೆಯದು: ಲಂಗರು ಹಾಕುವುದು. ತಪ್ಪಾದ ಜೀನೋಮ್ ಆವೃತ್ತಿ ಅಥವಾ ತಪ್ಪು ಪ್ರತಿಲೇಖನವು ಪ್ರತಿ ನಂತರದ ಹಂತಕ್ಕೆ ಮೌನವಾಗಿ ಹರಡುತ್ತದೆ, ಅಂತಿಮವಾಗಿ ಸಂಪೂರ್ಣವಾಗಿ ಅಮಾನ್ಯವಾದ ವರದಿಯನ್ನು ಉತ್ಪಾದಿಸುತ್ತದೆ. ಆದ್ದರಿಂದ ಒಂದೇ ಸ್ಟ್ಯಾಂಡ್‌ಲೋನ್ ಟೂಲ್‌ನೊಂದಿಗೆ (VariantValidator ನಂತಹ) ಆಂಕರ್ ಅನ್ನು ಮೌಲ್ಯೀಕರಿಸದೆ ಮುಂದಿನ ಹಂತಕ್ಕೆ ಮುಂದುವರಿಯಬೇಡಿ. ಎರಡನೆಯ ಅತ್ಯಂತ ದುರ್ಬಲವಾದ ಅಂಶವೆಂದರೆ ಹಂತಗಳ ನಡುವಿನ ಔಟ್‌ಪುಟ್ ಕ್ಯಾರಿಓವರ್: ಒಂದು ಹಂತದ ಪರಿಶೀಲಿಸದ ಔಟ್‌ಪುಟ್ ಅನ್ನು ಮುಂದಿನ ಇನ್‌ಪುಟ್‌ಗೆ ಇನ್‌ಪುಟ್ ಮಾಡುವುದು ಸರಣಿ ಭ್ರಮೆಯನ್ನು ಆಹ್ವಾನಿಸುತ್ತದೆ.

ಅಂತಿಮವಾಗಿ, ಕ್ಲಿನಿಕಲ್ ಸನ್ನಿವೇಶದಲ್ಲಿ, ಆಡಿಟ್ ಟ್ರಯಲ್ ಹರಿವಿಗೆ ಅವಿಭಾಜ್ಯವಾಗಿದೆ: ಯಾವ ದಿನಾಂಕದಂದು ಯಾವ ಮೂಲವನ್ನು ಪರಿಶೀಲಿಸಲಾಗಿದೆ, ಯಾವ ClinVar ಆವೃತ್ತಿಯನ್ನು ನೋಡಲಾಗಿದೆ, ಯಾರು ಯಾವ ನಿರ್ಧಾರವನ್ನು ಅನುಮೋದಿಸಿದ್ದಾರೆ ಎಂಬುದನ್ನು ದಾಖಲಿಸಬೇಕು. ClinVar ವಿಮರ್ಶೆಗಳು ಕಾಲಾನಂತರದಲ್ಲಿ ಬದಲಾಗುತ್ತವೆ; "ಇಂದು ರೋಗಕಾರಕ" ಆಗಿರುವ ದಾಖಲೆಯು ಒಂದು ವರ್ಷದ ನಂತರ VUS ಗೆ ಹಿಂತಿರುಗಿರಬಹುದು. ಆಡಿಟ್ ಟ್ರಯಲ್ ಮರು-ಮೌಲ್ಯಮಾಪನ ಮತ್ತು ಕಾನೂನು/ನೈತಿಕ ಹೊಣೆಗಾರಿಕೆ ಎರಡನ್ನೂ ಸಕ್ರಿಯಗೊಳಿಸುತ್ತದೆ.

ಸ್ಟ್ರೀಮಿಂಗ್ ವೈಶಿಷ್ಟ್ಯ

ತತ್ವ

ಅಪ್ಲಿಕೇಶನ್

ಸಮಯ ಉಳಿತಾಯ

ಡ್ರಾಫ್ಟ್‌ನಲ್ಲಿ ವೇಗವನ್ನು ಪಡೆದುಕೊಳ್ಳಿ

AI ನಿಂದ ಫ್ರೇಮ್‌ವರ್ಕ್, ಭಾಷೆ, ಪರಿಶೀಲನಾಪಟ್ಟಿ

ಸೂಕ್ಷ್ಮತೆ

ಮೊದಲ ಉಂಗುರವನ್ನು ಸುರಕ್ಷಿತಗೊಳಿಸಿ

ಸ್ವತಂತ್ರ ಉಪಕರಣದೊಂದಿಗೆ ಸ್ಥಿರೀಕರಣವನ್ನು ದೃಢೀಕರಿಸಿ

ಔಟ್ಪುಟ್ ಸಾರಿಗೆ

ಪರಿಶೀಲನೆ ಇಲ್ಲದೆ ಸರಿಸಿ

ಪ್ರತಿ ಹಂತವನ್ನು ಮೂಲದಲ್ಲಿ ಅನುಮೋದಿಸಲಾಗಿದೆ

ಆಡಿಟ್ ಟ್ರಯಲ್

ಪ್ರತಿ ನಿರ್ಧಾರವನ್ನು ದಾಖಲಿಸಿ

ಮೂಲ, ದಿನಾಂಕ, ನೋಂದಣಿಯಿಂದ ಅನುಮೋದಿಸಲಾಗಿದೆ

ಸಾರಾಂಶದಲ್ಲಿ

• ಆವಿಷ್ಕಾರದಿಂದ ವರದಿಗೆ ರೂಪಾಂತರದ ಪ್ರಯಾಣ; ಇದು ಫಿಕ್ಸಿಂಗ್, ಗೌಪ್ಯತೆ, ಸಾಕ್ಷ್ಯ, ರಚನೆ, ಸಾಹಿತ್ಯ, ವರ್ಗ ಮತ್ತು ವರದಿಯ ಹಂತಗಳನ್ನು ಒಳಗೊಂಡಿದೆ.
• AI ಪ್ರತಿ ಹಂತದಲ್ಲಿ ಡ್ರಾಫ್ಟ್/ಕೋಡ್/ಸಾರಾಂಶವನ್ನು ಉತ್ಪಾದಿಸುತ್ತದೆ; ಪ್ರತಿ ಹಂತದಲ್ಲಿ, ತಜ್ಞರು ಪರಿಶೀಲಿಸುತ್ತಾರೆ ಮತ್ತು ನಿರ್ಧರಿಸುತ್ತಾರೆ.
• ಹಂತಗಳ ನಡುವಿನ ಔಟ್‌ಪುಟ್ ಅನ್ನು ಪರಿಶೀಲನೆಯ ನಂತರ ಮಾತ್ರ ಮುಂದಿನದಕ್ಕೆ ಸರಿಸಬೇಕು.
• ಮೊದಲಿನಿಂದಲೂ ಗೌಪ್ಯತೆಯನ್ನು ಸ್ಥಾಪಿಸಲಾಗಿದೆ; ವರ್ಗ ಮತ್ತು ಕ್ಲಿನಿಕಲ್ ನಿರ್ಧಾರವನ್ನು ಅಂತಿಮವಾಗಿ ತಜ್ಞರ ಅನುಮೋದನೆಯೊಂದಿಗೆ ಮಾಡಲಾಗುತ್ತದೆ.

ಅಪ್ಲಿಕೇಶನ್ ಕಾರ್ಯ

ಕಾಲ್ಪನಿಕ ರೂಪಾಂತರವನ್ನು ಆಯ್ಕೆಮಾಡಿ (ಉದಾ. ಸುಪ್ರಸಿದ್ಧ BRCA1 ದಾಖಲೆ). 1. ಟೆಂಪ್ಲೇಟ್‌ನೊಂದಿಗೆ ಎಂಡ್-ಟು-ಎಂಡ್ ಚೆಕ್‌ಲಿಸ್ಟ್ ಅನ್ನು ರಚಿಸಿ ಮತ್ತು ಈ ಮಾಡ್ಯೂಲ್‌ನಲ್ಲಿ ಅನುಗುಣವಾದ ಘಟಕದ ವಿಧಾನದಲ್ಲಿ ಪ್ರತಿ ಹಂತವನ್ನು ನೀವೇ ನಿರ್ವಹಿಸಿ: ರೂಪಾಂತರವನ್ನು ಸರಿಪಡಿಸಿ, gnomAD/ClinVar, AlphaFold ರಚನೆಯನ್ನು ನೋಡಿ, ನಿಜವಾದ ಲೇಖನವನ್ನು ಹುಡುಕಿ, ಸಂಭವನೀಯ ವರ್ಗವನ್ನು ಸಮರ್ಥಿಸಿ ಮತ್ತು ವರದಿಯ ಪ್ಯಾರಾಗ್ರಾಫ್ ಅನ್ನು ಕರಡು ಮಾಡಿ ಮತ್ತು ಪರಿಣಿತ ಕಣ್ಣಿನಿಂದ ಅದನ್ನು ತಿದ್ದಿರಿ. ಕನಿಷ್ಠ ಎರಡು ಹಂತಗಳಲ್ಲಿ AI ಮತ್ತು ಮೂಲದ ನಡುವಿನ ವ್ಯತ್ಯಾಸವನ್ನು ಕಂಡುಹಿಡಿಯಲು ಪ್ರಯತ್ನಿಸಿ.

ಪರಿಶೀಲನಾಪಟ್ಟಿ

• [ ] ನಾನು ಮೊದಲಿನಿಂದಲೂ ಗೌಪ್ಯತೆಯನ್ನು ಹೊಂದಿಸಿದ್ದೇನೆ; ನಾನು ಯಾವುದೇ ಗುರುತಿಸುವ ಡೇಟಾವನ್ನು ವರ್ಗಾಯಿಸಲಿಲ್ಲ.
• [ ] ನಾನು ಆವೃತ್ತಿ/ಪ್ರತಿಲಿಪಿಯೊಂದಿಗೆ ರೂಪಾಂತರವನ್ನು ಸರಿಪಡಿಸಿದ್ದೇನೆ ಮತ್ತು ಅದನ್ನು ವ್ಯಾಲಿಡೇಟರ್‌ನೊಂದಿಗೆ ದೃಢೀಕರಿಸಿದ್ದೇನೆ.
• [ ] ನಾನು ಪ್ರಾಥಮಿಕ ಮೂಲದಲ್ಲಿ ಪ್ರತಿ ಪುರಾವೆಯನ್ನು (ಫ್ರೀಕ್ವೆನ್ಸಿ, ಕ್ಲಿನ್‌ವರ್, ಸಾಹಿತ್ಯ) ಪರಿಶೀಲಿಸಿದ್ದೇನೆ.
• [ ] ನಾನು ಕಾನ್ಫಿಡೆನ್ಸ್ ಸ್ಕೋರ್‌ನೊಂದಿಗೆ ಮತ್ತು ಫೈಲ್‌ನಿಂದ ರಚನೆಯನ್ನು ಕಾಮೆಂಟ್ ಮಾಡಿದ್ದೇನೆ.
• [ ] ನಾನು ಸಾಕ್ಷಿಯ ಆಧಾರದ ಮೇಲೆ ವರ್ಗ ಮತ್ತು ಕ್ಲಿನಿಕಲ್ ವ್ಯಾಖ್ಯಾನವನ್ನು ವೈಯಕ್ತಿಕವಾಗಿ ಮೌಲ್ಯೀಕರಿಸಿದ್ದೇನೆ.
• [ ] ನಾನು ವರದಿ ಭಾಷೆಯಲ್ಲಿ ಕಾರಣ/ನಿಖರತೆಯನ್ನು ಪರಿಶೀಲಿಸಿದ್ದೇನೆ ಮತ್ತು ಮಿತಿಗಳನ್ನು ಸೇರಿಸಿದ್ದೇನೆ.

ಮಾಡ್ಯೂಲ್ ಪರೀಕ್ಷೆ

1. ಆಣ್ವಿಕ ಜೀವಶಾಸ್ತ್ರ ಮತ್ತು ತಳಿಶಾಸ್ತ್ರದಲ್ಲಿ ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಗೆ (ವಿಶೇಷವಾಗಿ ದೊಡ್ಡ ಭಾಷಾ ಮಾದರಿ) ಕೆಳಗಿನವುಗಳಲ್ಲಿ ಯಾವುದು ಅತ್ಯಂತ ನಿಖರವಾದ ಸ್ಥಾನವಾಗಿದೆ?

• ಎ) ಇದು ಕೋಡ್ ಬರೆಯುವ ಸಹಾಯಕ, ಡ್ರಾಫ್ಟ್‌ಗಳು ಮತ್ತು ಕಾಮೆಂಟ್‌ಗಳನ್ನು ಉತ್ಪಾದಿಸುತ್ತದೆ; ಪ್ರತಿಯೊಂದು ಜೈವಿಕ ವಿದ್ಯಮಾನವನ್ನು ಪ್ರಾಥಮಿಕ ಮೂಲದಲ್ಲಿ ಪರಿಶೀಲಿಸಬೇಕು, ಅಂತಿಮ ವ್ಯಾಖ್ಯಾನವು ತಜ್ಞರಿಗೆ ಸೇರಿದೆ ✔
• ಬಿ) ಇದು ವಿಶ್ವಾಸಾರ್ಹ ಜೀನೋಮ್ ಡೇಟಾಬೇಸ್ ಆಗಿದೆ; ನೀಡಿರುವ ಅನುಕ್ರಮಗಳು ಮತ್ತು ರೂಪಾಂತರಗಳನ್ನು ನೇರವಾಗಿ ವರದಿಗೆ ಬರೆಯಬಹುದು.
• ಸಿ) ಇದು ಪ್ರಯೋಗಾಲಯದ ಉಪಕರಣದಂತೆ ಅಳೆಯುವುದರಿಂದ, ಅದರ ಔಟ್‌ಪುಟ್‌ಗಳನ್ನು ಪ್ರಾಯೋಗಿಕ ಪುರಾವೆ ಎಂದು ಪರಿಗಣಿಸಲಾಗುತ್ತದೆ.
• ಡಿ) ಮಾನವ ಅನುಮೋದನೆಯಿಲ್ಲದೆ ಕ್ಲಿನಿಕಲ್ ರೋಗಕಾರಕತೆಯ ನಿರ್ಧಾರವನ್ನು ಅಂತಿಮಗೊಳಿಸಲು ಇದು ಸಮರ್ಥವಾಗಿದೆ.

ವಿವರಣೆ: ದೊಡ್ಡ ಭಾಷಾ ಮಾದರಿಯು ಜೀನೋಮ್ ಡೇಟಾಬೇಸ್ ಅಥವಾ ಪ್ರಯೋಗಾಲಯ ಸಾಧನವಲ್ಲ; ಇದು ಪಠ್ಯ ಜನರೇಟರ್ ಆಗಿದ್ದು ಅದು ತರಬೇತಿ ಡೇಟಾದಲ್ಲಿನ ಪಠ್ಯಗಳನ್ನು ಸಂಖ್ಯಾಶಾಸ್ತ್ರೀಯವಾಗಿ ಅನುಕರಿಸುತ್ತದೆ. ಅನುಕ್ರಮ/ವೇರಿಯಂಟ್/ಜೀನ್‌ನಂತಹ ಜೈವಿಕ ಸಂಗತಿಗಳನ್ನು ಯಾವಾಗಲೂ NCBI, Ensembl, ClinVar, gnomAD ನಂತಹ ಪ್ರಾಥಮಿಕ ಮೂಲಗಳಿಂದ ಪರಿಶೀಲಿಸಬೇಕು; ಅಂತಿಮ ಕ್ಲಿನಿಕಲ್ ಮತ್ತು ವೈಜ್ಞಾನಿಕ ವ್ಯಾಖ್ಯಾನವು ಸಮರ್ಥ ತಜ್ಞರಿಗೆ ಸೇರಿರಬೇಕು.

2. ನೀವು AI ನಿಂದ ರೂಪಾಂತರದ ಜೀನೋಮ್ ನಿರ್ದೇಶಾಂಕವನ್ನು ಸ್ವೀಕರಿಸಿದ್ದೀರಿ, ಆದರೆ ನಿಮ್ಮ ಯೋಜನೆಯು GRCh38 (hg38) ಅನ್ನು ಬಳಸುತ್ತದೆ. ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯು hg19 ನಿರ್ದೇಶಾಂಕವನ್ನು ನೀಡಿರಬಹುದು. ಸರಿಯಾದ ವಿಧಾನ ಯಾವುದು?

• ಎ) ನಿರ್ದೇಶಾಂಕವನ್ನು ನೇರವಾಗಿ ಬಳಸುವುದು ಏಕೆಂದರೆ ಅದು ಸಮಂಜಸವೆಂದು ತೋರುತ್ತದೆ
• ಬಿ) ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ ಯಾವಾಗಲೂ ಅತ್ಯಂತ ಪ್ರಸ್ತುತ ಆವೃತ್ತಿಯನ್ನು ನೀಡುವುದರಿಂದ ಆವೃತ್ತಿಯನ್ನು ಕೇಳುವ ಅಗತ್ಯವಿಲ್ಲ.
• ಸಿ) ಜೀನೋಮ್ ಆವೃತ್ತಿಯನ್ನು ಸ್ಪಷ್ಟವಾಗಿ ದೃಢೀಕರಿಸಿ ಮತ್ತು ಅಧಿಕೃತ ಲಿಫ್ಟ್‌ಓವರ್ ಉಪಕರಣದೊಂದಿಗೆ ನಿರ್ದೇಶಾಂಕವನ್ನು ಪರಿಶೀಲಿಸಿ ✔
• ಡಿ) hg19 ಮತ್ತು hg38 ನಡುವಿನ ವ್ಯತ್ಯಾಸವು ಅತ್ಯಲ್ಪವಾಗಿರುವುದರಿಂದ, ಒಂದನ್ನು ಆಯ್ಕೆಮಾಡಿ ಮತ್ತು ಮುಂದುವರಿಸಿ

ವಿವರಣೆ: ಜೀನೋಮ್ ಆವೃತ್ತಿಗಳ ನಡುವಿನ ನಿರ್ದೇಶಾಂಕಗಳು (GRCh37/hg19 ಮತ್ತು GRCh38/hg38). ಆವೃತ್ತಿಯಿಲ್ಲದೆ ನೀಡಿದ ಯಾವುದೇ ನಿರ್ದೇಶಾಂಕಗಳು ಶಂಕಿತವಾಗಿವೆ. ನಿರ್ದೇಶಾಂಕಗಳನ್ನು ಅಧಿಕೃತ ಲಿಫ್ಟ್‌ಓವರ್ ಉಪಕರಣದೊಂದಿಗೆ ಪರಿವರ್ತಿಸಬೇಕು/ಪರಿಶೀಲಿಸಬೇಕು ಮತ್ತು ಬಳಸಿದ ಜೀನೋಮ್ ಆವೃತ್ತಿಯನ್ನು ಸ್ಪಷ್ಟವಾಗಿ ದೃಢೀಕರಿಸಬೇಕು; ಇಲ್ಲದಿದ್ದರೆ ಸಂಪೂರ್ಣ ಜೋಡಣೆ ಮತ್ತು ಕಾಮೆಂಟ್ ತಪ್ಪಾದ ಸ್ಥಳವನ್ನು ಸೂಚಿಸುತ್ತದೆ.

3. HGVS ಸಂಕೇತದಲ್ಲಿ 'c.', 'p.' ಮತ್ತು 'ಜಿ.' ಪೂರ್ವಪ್ರತ್ಯಯಗಳ ಅರ್ಥವೇನು ಮತ್ತು ಅವುಗಳನ್ನು ಏಕೆ ಗೊಂದಲಗೊಳಿಸಬಾರದು?

• ಎ) ಮೂರೂ ಒಂದೇ ಅರ್ಥ, ಯಾವುದನ್ನು ಬಳಸಲಾಗಿದೆ ಎಂಬುದು ಮುಖ್ಯವಲ್ಲ.
• ಬಿ) 'ಸಿ.' ಕೋಡಿಂಗ್ DNA/ಪ್ರತಿಲಿಪಿ, 'p.' ಪ್ರೋಟೀನ್, 'g.' ಜೀನೋಮಿಕ್ ಮಟ್ಟವಾಗಿದೆ; ಗೊಂದಲವಿದ್ದಲ್ಲಿ, ಅದು ಬೇರೆ ಸ್ಥಳವನ್ನು ಸೂಚಿಸಬಹುದು ✔
• ಸಿ) 'ಪಿ.' ಯಾವಾಗಲೂ 'ಸಿ.' ಅದರ ಮೌಲ್ಯವು ಮೂರು ಪಟ್ಟು ಹೆಚ್ಚು, ಪರಿವರ್ತನೆಯು ಸ್ವಯಂಚಾಲಿತ ಮತ್ತು ದೋಷ-ಮುಕ್ತವಾಗಿದೆ
• ಡಿ) ಪೂರ್ವಪ್ರತ್ಯಯಗಳು ಕೇವಲ ಔಪಚಾರಿಕವಾಗಿರುತ್ತವೆ; ಪ್ರತಿಲೇಖನದ ಆವೃತ್ತಿಯನ್ನು ನಿರ್ದಿಷ್ಟಪಡಿಸುವ ಅಗತ್ಯವಿಲ್ಲ

ವಿವರಣೆ: HGVS ಎಂಬುದು ರೂಪಾಂತರಗಳೊಂದಿಗೆ ಪ್ರಮಾಣಿತ ಕಾಗುಣಿತ ಸ್ವರೂಪವಾಗಿದೆ: 'c.' ಕೋಡಿಂಗ್ DNA (ಪ್ರತಿಲಿಪಿ) ಮಟ್ಟ, 'p.' ಪ್ರೋಟೀನ್ ಮಟ್ಟ, 'g.' ಜೀನೋಮಿಕ್ ಮಟ್ಟವನ್ನು ಸೂಚಿಸುತ್ತದೆ. ಇವುಗಳನ್ನು ಮಿಶ್ರಣ ಮಾಡುವುದು ಅಥವಾ ತಪ್ಪಾದ ಪ್ರತಿಲೇಖನ ಆವೃತ್ತಿಯನ್ನು ಬಳಸುವುದು ಸಂಪೂರ್ಣವಾಗಿ ವಿಭಿನ್ನ ಸ್ಥಾನ/ವೇರಿಯಂಟ್ ಅನ್ನು ಸೂಚಿಸುತ್ತದೆ; ಆದ್ದರಿಂದ ಸರಿಯಾದ ಪೂರ್ವಪ್ರತ್ಯಯವನ್ನು ಪ್ರತಿಲೇಖನ ಆವೃತ್ತಿಯೊಂದಿಗೆ ಬಳಸಬೇಕು (ಉದಾ. NM_007294.4).

4. ರೂಪಾಂತರದ ರೋಗಕಾರಕತೆಯನ್ನು ನಿರ್ಣಯಿಸಲು ACMG ಮಾನದಂಡವನ್ನು ಬಳಸುವಾಗ AI ಯ ಪಾತ್ರವೇನು?

• ಎ) ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯು ಸಾಕ್ಷ್ಯ ಮತ್ತು ವರ್ಗವನ್ನು ಅಂತಿಮಗೊಳಿಸುತ್ತದೆ; ತಜ್ಞರ ಮೇಲ್ವಿಚಾರಣೆಯ ಅಗತ್ಯವಿಲ್ಲ
• B) ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯು ಅದರ ಸ್ಮರಣೆಯಿಂದ ಜನಸಂಖ್ಯೆಯ ಆವರ್ತನವನ್ನು ನೀಡುವುದರಿಂದ GnomAD ನಿಯಂತ್ರಣವು ಅನಗತ್ಯವಾಗಿದೆ.
• ಸಿ) ACMG ಮಾನದಂಡಗಳು ಕಟ್ಟುನಿಟ್ಟಾಗಿರುವುದರಿಂದ, AI ಔಟ್‌ಪುಟ್ ಅನ್ನು ಸ್ವಯಂಚಾಲಿತವಾಗಿ ಸರಿಯಾಗಿ ಪರಿಗಣಿಸಲಾಗುತ್ತದೆ
• ಡಿ) ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ ಕರಡು ಸಾಕ್ಷ್ಯವನ್ನು ಉತ್ಪಾದಿಸಬಹುದು; ಪ್ರತಿಯೊಂದು ಪುರಾವೆಯನ್ನು ಪ್ರಾಥಮಿಕ ಮೂಲದಲ್ಲಿ ಪರಿಶೀಲಿಸಬೇಕು, ಅಂತಿಮ ವರ್ಗೀಕರಣವನ್ನು ತಜ್ಞರಿಂದ ಮಾಡಬೇಕು ✔

ವಿವರಣೆ: ACMG ಎನ್ನುವುದು ವಿಭಿನ್ನ ರೋಗಕಾರಕತೆಯನ್ನು ಸಾಕ್ಷ್ಯದ ವರ್ಗಗಳ ಮೂಲಕ ವರ್ಗೀಕರಿಸುವ ಚೌಕಟ್ಟಾಗಿದೆ (ಜನಸಂಖ್ಯೆಯ ಆವರ್ತನ, ಸಿಲಿಕೋ ಭವಿಷ್ಯದಲ್ಲಿ, ಪ್ರತ್ಯೇಕತೆ, ಕ್ರಿಯಾತ್ಮಕ ಅಧ್ಯಯನ, ಸಾಹಿತ್ಯ). AI ಕರಡು ಸಾಕ್ಷ್ಯವನ್ನು ಉತ್ಪಾದಿಸಬಹುದು; ಆದಾಗ್ಯೂ, ಪ್ರತಿಯೊಂದು ಸಾಕ್ಷ್ಯವನ್ನು ClinVar, gnomAD ಮತ್ತು ಸಾಹಿತ್ಯದಲ್ಲಿ ವೈಯಕ್ತಿಕವಾಗಿ ಪರಿಶೀಲಿಸಬೇಕು ಮತ್ತು ಅಂತಿಮ ವರ್ಗೀಕರಣವನ್ನು (ರೋಗಕಾರಕ/ಸಂಭವನೀಯ ರೋಗಕಾರಕ/VUS...) ಸಮರ್ಥ ತಜ್ಞರು ಮಾಡಬೇಕು.

5. ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ ನೀಡಿದ ಡಿಎನ್‌ಎ ಅನುಕ್ರಮದೊಂದಿಗೆ ನೀವು ಕೆಲಸ ಮಾಡುತ್ತೀರಿ. ಉತ್ತಮ ಮೊದಲ ಹೆಜ್ಜೆ ಯಾವುದು?

• A) NCBI/Ensembl ನಂತಹ ಪ್ರಾಥಮಿಕ ಮೂಲದಿಂದ ಪಡೆಯುವ ಮೂಲಕ ಅನುಕ್ರಮವನ್ನು ಬಳಸುವುದು ಅಥವಾ ಅಲ್ಲಿನ ಉಲ್ಲೇಖದೊಂದಿಗೆ ಅದನ್ನು ದೃಢೀಕರಿಸುವುದು ✔
• ಬಿ) ಅನುಕ್ರಮವನ್ನು ನೇರವಾಗಿ ವಿಶ್ಲೇಷಣೆಗೆ ಸೇರಿಸುವುದು ಏಕೆಂದರೆ ಅದು ಸರಿಯಾದ ಉದ್ದವಾಗಿದೆ ಎಂದು ತೋರುತ್ತದೆ
• ಸಿ) ಅಕ್ಷರಗಳು ಮಾನ್ಯ ನ್ಯೂಕ್ಲಿಯೊಟೈಡ್‌ಗಳನ್ನು ಒಳಗೊಂಡಿದ್ದರೆ ಅನುಕ್ರಮವು ಸರಿಯಾಗಿದೆ ಎಂದು ಊಹಿಸಿ
• ಡಿ) ಅನುಕ್ರಮದ ಬಗ್ಗೆ ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯನ್ನು ಮತ್ತೊಮ್ಮೆ ಕೇಳಿ ಮತ್ತು ಎರಡು ಔಟ್‌ಪುಟ್‌ಗಳು ಒಂದೇ ಆಗಿದ್ದರೆ ಅದನ್ನು ಸರಿಯಾಗಿ ಎಣಿಸಿ.

ವಿವರಣೆ: AI ತನಗೆ ನೆನಪಿಲ್ಲದ ಸ್ಟ್ರಿಂಗ್ ಅನ್ನು ತೋರಿಕೆಯ-ಕಾಣುವ ಅಕ್ಷರಗಳೊಂದಿಗೆ 'ಭರ್ತಿ' ಮಾಡಬಹುದು; ಉದ್ದ ಮತ್ತು ಅಕ್ಷರಗಳು ಸರಿಯಾಗಿ ಕಂಡುಬಂದರೂ, ಅವು ನಿಜವಾದ ಉಲ್ಲೇಖಕ್ಕೆ ಹೊಂದಿಕೆಯಾಗುವುದಿಲ್ಲ. ಆದ್ದರಿಂದ, ತಲೆಯಿಂದ ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ ನೀಡಿದ ಯಾವುದೇ ಅನುಕ್ರಮವನ್ನು ನೇರವಾಗಿ ಬಳಸಲಾಗುವುದಿಲ್ಲ; ಅನುಕ್ರಮವನ್ನು NCBI/Ensembl ನಂತಹ ಪ್ರಾಥಮಿಕ ಮೂಲದಿಂದ ತೆಗೆದುಕೊಳ್ಳಲಾಗಿದೆ ಅಥವಾ ಅದರ ಉಲ್ಲೇಖದಿಂದ ದೃಢೀಕರಿಸಲಾಗಿದೆ.

6. ಆಲ್ಫಾಫೋಲ್ಡ್ ನಂತಹ ಉಪಕರಣದಿಂದ ಪ್ರೋಟೀನ್ ರಚನೆಯ ಭವಿಷ್ಯದಲ್ಲಿ pLDDT ಸ್ಕೋರ್ ಅರ್ಥವೇನು?

• ಎ) ರಚನೆಯು ಪ್ರಾಯೋಗಿಕವಾಗಿ ಸಾಬೀತಾಗಿದೆ ಎಂದು ತೋರಿಸುವ ಪ್ರಮಾಣಪತ್ರವಾಗಿದೆ
• ಬಿ) ಇದು ಪ್ರೋಟೀನ್‌ನ ಕ್ರಿಯಾತ್ಮಕ ಚಟುವಟಿಕೆಯ ಮಟ್ಟವನ್ನು ಅಳೆಯುವ ಪ್ರಯೋಗಾಲಯ ಮೌಲ್ಯವಾಗಿದೆ.
• ಸಿ) ಇದು ಪ್ರತಿ ಶೇಷಕ್ಕೆ ಸ್ಥಳೀಯ ರಚನೆಯ ಭವಿಷ್ಯದಲ್ಲಿ ಮಾದರಿಯ ವಿಶ್ವಾಸವನ್ನು ಸೂಚಿಸುವ ಸ್ಕೋರ್ ಆಗಿದೆ; ಕಡಿಮೆ ಮೌಲ್ಯವು ಹೊಂದಿಕೊಳ್ಳುವ/ವಿಶ್ವಾಸಾರ್ಹವಲ್ಲದ ವಲಯವಾಗಿದೆ ✔
• ಡಿ) ಇದು ಜನಸಂಖ್ಯೆಯಲ್ಲಿನ ಪ್ರೋಟೀನ್‌ನ ವಿಭಿನ್ನ ಆವರ್ತನವನ್ನು ತೋರಿಸುವ ಅನುಪಾತವಾಗಿದೆ.

ವಿವರಣೆ: pLDDT (0-100) ಒಂದು ವಿಶ್ವಾಸಾರ್ಹ ಸ್ಕೋರ್ ಆಗಿದ್ದು, ಆಲ್ಫಾಫೋಲ್ಡ್ ಪ್ರತಿ ಶೇಷಕ್ಕೆ (ಅಮೈನೋ ಆಮ್ಲ) ಅದರ ಸ್ಥಳೀಯ ರಚನೆಯ ಭವಿಷ್ಯದಲ್ಲಿ ಎಷ್ಟು ವಿಶ್ವಾಸ ಹೊಂದಿದೆ ಎಂಬುದನ್ನು ಸೂಚಿಸುತ್ತದೆ. ಹೆಚ್ಚಿನ pLDDT ಎಂದರೆ ವಿಶ್ವಾಸಾರ್ಹ ಸ್ಥಳೀಯ ರಚನೆ, ಕಡಿಮೆ pLDDT ಎಂದರೆ ಹೊಂದಿಕೊಳ್ಳುವ/ಅಸ್ವಸ್ಥ ಅಥವಾ ವಿಶ್ವಾಸಾರ್ಹವಲ್ಲದ ಪ್ರದೇಶ. ರಚನೆಯು ಒಂದು ಊಹೆಯಾಗಿದೆ; ಕಡಿಮೆ-ವಿಶ್ವಾಸದ ಪ್ರದೇಶಗಳನ್ನು ಅತಿಯಾಗಿ ಅರ್ಥೈಸಬಾರದು ಮತ್ತು ಕ್ರಿಯಾತ್ಮಕ ಹಕ್ಕುಗಳನ್ನು ಪ್ರಾಯೋಗಿಕ ಪುರಾವೆಗಳಿಂದ ಬೆಂಬಲಿಸಬೇಕು.

7. ಆಲ್ಫಾಫೋಲ್ಡ್ ರಚನೆಯ ಮುನ್ಸೂಚನೆಯ ಆಧಾರದ ಮೇಲೆ ರೂಪಾಂತರವು ಪ್ರೋಟೀನ್ ಅನ್ನು 'ಸಂಪೂರ್ಣವಾಗಿ ನಿಷ್ಕ್ರಿಯಗೊಳಿಸುತ್ತದೆ' ಎಂದು ಹೇಳುವುದು ಏಕೆ ಅಪಾಯಕಾರಿ?

• ಎ) ಆಲ್ಫಾಫೋಲ್ಡ್ ರಚನೆಗಳನ್ನು ಯಾವುದೇ ಉದ್ದೇಶಕ್ಕಾಗಿ ಬಳಸಲಾಗುವುದಿಲ್ಲ ಏಕೆಂದರೆ ಅವುಗಳು ಯಾವಾಗಲೂ ತಪ್ಪಾಗಿರುತ್ತವೆ
• ಬಿ) ರಚನೆಯು ಒಂದು ಊಹೆಯಾಗಿದೆ; ಕ್ರಿಯಾತ್ಮಕ ಹಕ್ಕುಗಳು ಊಹೆಗಳ ಮಟ್ಟದಲ್ಲಿವೆ ಮತ್ತು ಪ್ರಾಯೋಗಿಕ ಪರಿಶೀಲನೆಯ ಅಗತ್ಯವಿರುತ್ತದೆ ✔
• ಸಿ) ಯಾವುದೇ ಅಪಾಯವಿಲ್ಲ; ಆಲ್ಫಾಫೋಲ್ಡ್ ಔಟ್‌ಪುಟ್ ಪ್ರಾಯೋಗಿಕ ನಿರ್ಮಾಣದಷ್ಟೇ ನಿಖರವಾಗಿದೆ
• ಡಿ) pLDDT ಕಡಿಮೆಯಿದ್ದರೆ ಮಾತ್ರ ಅಪಾಯವಿದೆ; ಅದು ಅಧಿಕವಾಗಿದ್ದರೆ, ಹಕ್ಕು ಸ್ವಯಂಚಾಲಿತವಾಗಿ ಸಾಬೀತಾಗಿದೆ ಎಂದು ಪರಿಗಣಿಸಲಾಗುತ್ತದೆ.

ಬಹಿರಂಗಪಡಿಸುವಿಕೆ: ಆಲ್ಫಾಫೋಲ್ಡ್ ಒಂದು ರಚನೆಯ ಮುನ್ಸೂಚನೆಯಾಗಿದೆ, ಪ್ರಾಯೋಗಿಕ ಪುರಾವೆ ಅಲ್ಲ; ಇದು ನಿರ್ದಿಷ್ಟವಾಗಿ ಹೊಂದಿಕೊಳ್ಳುವ/ಅಸ್ವಸ್ಥ ಪ್ರದೇಶಗಳಲ್ಲಿ ಮತ್ತು ಮಾಡೆಲಿಂಗ್ ರೂಪಾಂತರ ಪರಿಣಾಮಗಳಲ್ಲಿ ಸೀಮಿತವಾಗಿದೆ. ರಚನೆಯ ಆಧಾರದ ಮೇಲೆ ಕ್ರಿಯಾತ್ಮಕ ಹಕ್ಕುಗಳು ಊಹೆಯ ಮಟ್ಟದಲ್ಲಿವೆ ಮತ್ತು ಪ್ರಾಯೋಗಿಕ ಪರಿಶೀಲನೆಯ ಅಗತ್ಯವಿರುತ್ತದೆ (ಉದಾ., ಕ್ರಿಯಾತ್ಮಕ ಅಧ್ಯಯನ). ಇಲ್ಲದಿದ್ದರೆ, ಭವಿಷ್ಯವನ್ನು ಪುರಾವೆಯಾಗಿ ಪ್ರಸ್ತುತಪಡಿಸಲಾಗುತ್ತದೆ.

8. ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯಿಂದ ಸೂಚಿಸಲಾದ CRISPR gRNA (ಮಾರ್ಗದರ್ಶಿ RNA) ಅಭ್ಯರ್ಥಿಗಳಿಗೆ ಸಂಬಂಧಿಸಿದ ಅತ್ಯಂತ ನಿರ್ಣಾಯಕ ಮೌಲ್ಯೀಕರಣ ಹಂತ ಯಾವುದು?

• ಎ) ಜಿಆರ್‌ಎನ್‌ಎಯ ಉದ್ದವು ಸರಿಯಾಗಿದ್ದರೆ, ಹೆಚ್ಚಿನ ಪರಿಶೀಲನೆಗಳ ಅಗತ್ಯವಿಲ್ಲ
• ಬಿ) ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯು 'ಆಫ್-ಟಾರ್ಗೆಟ್ ಪರಿಣಾಮ ಕಡಿಮೆ' ಎಂದು ಹೇಳಿದರೆ, ನೇರವಾಗಿ ಪ್ರಯೋಗಕ್ಕೆ ಮುಂದುವರಿಯಿರಿ
• ಸಿ) gRNA ಅನುಕ್ರಮವು ಮಾನ್ಯವಾದ ನ್ಯೂಕ್ಲಿಯೊಟೈಡ್‌ಗಳನ್ನು ಒಳಗೊಂಡಿರುತ್ತದೆ ಎಂಬುದು ಸಾಕಷ್ಟು ಭರವಸೆಯಾಗಿದೆ
• D) ನಿಜವಾದ ಜೀನೋಮ್ ಜೋಡಣೆ ಮತ್ತು ಪರಿಣಿತ ಆಫ್-ಟಾರ್ಗೆಟ್ ವಿಶ್ಲೇಷಣಾ ಸಾಧನಗಳೊಂದಿಗೆ ಅಭ್ಯರ್ಥಿಗಳನ್ನು ಮೌಲ್ಯೀಕರಿಸಿ ಮತ್ತು ಪ್ರಯೋಗಾಲಯದಲ್ಲಿ ದೃಢೀಕರಿಸಿ ✔

ವಿವರಣೆ: gRNA ಎಂಬುದು ಮಾರ್ಗದರ್ಶಿ RNAಯಾಗಿದ್ದು ಅದು ಕ್ಯಾಸ್ ಕಿಣ್ವವನ್ನು ಗುರಿಯತ್ತ ನಿರ್ದೇಶಿಸುತ್ತದೆ; ತಪ್ಪು ವಿನ್ಯಾಸದೊಂದಿಗೆ, ಇದು ಆಫ್-ಟಾರ್ಗೆಟ್ ಪ್ರದೇಶಗಳನ್ನು ಸಹ ಕತ್ತರಿಸಬಹುದು. AI ನಿಂದ ಹಿಂದಿರುಗಿದ ಅಭ್ಯರ್ಥಿಗಳನ್ನು ನಿಜವಾದ ಜೀನೋಮ್ ಜೋಡಣೆ ಮತ್ತು ಪರಿಣಿತ ಆಫ್-ಟಾರ್ಗೆಟ್ ವಿಶ್ಲೇಷಣಾ ಸಾಧನಗಳಿಂದ ಮೌಲ್ಯೀಕರಿಸಬೇಕು, ನಂತರ ಪ್ರಯೋಗಾಲಯದ ಪ್ರಯೋಗದಿಂದ ದೃಢೀಕರಿಸಬೇಕು. ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯು 'ಸುರಕ್ಷಿತ' ಎಂದು ಹೇಳುವುದರಿಂದ ಪರಿಶೀಲನೆಗೆ ಪರ್ಯಾಯವಲ್ಲ.

9. ಆರ್‌ಎನ್‌ಎ-ಸೆಕ್‌ನೊಂದಿಗೆ ಸಾವಿರಾರು ಜೀನ್‌ಗಳ ಅಭಿವ್ಯಕ್ತಿಯಲ್ಲಿ ವ್ಯತ್ಯಾಸಗಳನ್ನು ಪರೀಕ್ಷಿಸುವಾಗ ಬಹು ಪರೀಕ್ಷೆಯ ತಿದ್ದುಪಡಿ (ಉದಾ. ಎಫ್‌ಡಿಆರ್/ಬೆಂಜಮಿನಿ-ಹೊಚ್‌ಬರ್ಗ್) ಏಕೆ ಅಗತ್ಯ?

• ಎ) ಸಾವಿರಾರು ಏಕಕಾಲಿಕ ಪರೀಕ್ಷೆಗಳು ತಪ್ಪು ಧನಾತ್ಮಕತೆಯನ್ನು ಹೆಚ್ಚಿಸುತ್ತವೆ; FDR ತಿದ್ದುಪಡಿಯು ಇವುಗಳನ್ನು ಮಿತಿಗೊಳಿಸುತ್ತದೆ, ಕಚ್ಚಾ p-ಮೌಲ್ಯವು ತಪ್ಪುದಾರಿಗೆಳೆಯುತ್ತಿದೆ ✔
• ಬಿ) ಮಾದರಿಗಳ ಸಂಖ್ಯೆ ಚಿಕ್ಕದಾಗಿದ್ದರೆ ಮಾತ್ರ ತಿದ್ದುಪಡಿ ಅಗತ್ಯ; ವಂಶವಾಹಿಗಳ ಸಂಖ್ಯೆಗೂ ಇದಕ್ಕೂ ಯಾವುದೇ ಸಂಬಂಧವಿಲ್ಲ
• ಸಿ) ಬಹು ಪರೀಕ್ಷೆಯ ತಿದ್ದುಪಡಿಯು ಫಲಿತಾಂಶವನ್ನು ಬದಲಾಯಿಸುವುದಿಲ್ಲ, ಇದು ಕೇವಲ ಔಪಚಾರಿಕವಾಗಿದೆ
• D) ಕಚ್ಚಾ p<0.05 ಯಾವಾಗಲೂ ಸಾಕಾಗುತ್ತದೆ; ತಿದ್ದುಪಡಿಯು ಅಂಕಿಅಂಶಗಳನ್ನು ಅನಗತ್ಯವಾಗಿ ಕಷ್ಟಕರವಾಗಿಸುತ್ತದೆ

ವಿವರಣೆ: ಸಾವಿರಾರು ವಂಶವಾಹಿಗಳನ್ನು ಏಕಕಾಲದಲ್ಲಿ ಪರೀಕ್ಷಿಸಿದಾಗ, ಅನೇಕ ವಂಶವಾಹಿಗಳು p<0.05 (ಸುಳ್ಳು ಧನಾತ್ಮಕ) ನೊಂದಿಗೆ ಬರುತ್ತವೆ. ಬಹು ಪರೀಕ್ಷೆಯ ತಿದ್ದುಪಡಿ (FDR - ತಪ್ಪು ಪತ್ತೆ ದರ ನಿಯಂತ್ರಣ) ಈ ತಪ್ಪು ಧನಾತ್ಮಕತೆಯನ್ನು ಮಿತಿಗೊಳಿಸುತ್ತದೆ. ಸರಿಪಡಿಸದ p-ಮೌಲ್ಯಗಳೊಂದಿಗೆ 'ಗಮನಾರ್ಹ' ಎಂದು ಘೋಷಿಸಲಾದ ಜೀನ್‌ಗಳ ಪಟ್ಟಿಗಳು ತಪ್ಪುದಾರಿಗೆಳೆಯುತ್ತಿವೆ; ಸರಿಹೊಂದಿಸಲಾದ ಮೌಲ್ಯವನ್ನು (q-ಮೌಲ್ಯ) ಬಳಸಬೇಕು.

10. ಪಾಥ್‌ವೇ ಪುಷ್ಟೀಕರಣ ವಿಶ್ಲೇಷಣೆಯಲ್ಲಿ ಒಂದು ಮಾರ್ಗವು 'ಗಮನಾರ್ಹವಾಗಿ ಸಮೃದ್ಧವಾಗಿದೆ' ಎಂದು ಕಂಡುಬಂದರೆ ಮತ್ತು ಅದನ್ನು ಹೇಗೆ ಅರ್ಥೈಸಬೇಕು?

• ಎ) ಮಾರ್ಗವು ರೋಗದ ನಿರ್ಣಾಯಕ ಕಾರಣ ಎಂದು ಸಾಬೀತುಪಡಿಸುತ್ತದೆ
• ಬಿ) ಕೋಶದಲ್ಲಿ ಮಾರ್ಗವು ಸಕ್ರಿಯವಾಗಿದೆ ಎಂಬುದಕ್ಕೆ ಇದು ಪ್ರಾಯೋಗಿಕ ಪುರಾವೆಯಾಗಿದೆ
• ಸಿ) ಇದು ಪಾಥ್‌ವೇ ಜೀನ್‌ಗಳು ನಿರೀಕ್ಷೆಗಿಂತ ಹೆಚ್ಚು ಪ್ರತಿನಿಧಿಸಲ್ಪಟ್ಟಿವೆ ಎಂದು ಸೂಚಿಸುವ ಸಂಖ್ಯಾಶಾಸ್ತ್ರೀಯ ಸಂಕೇತವಾಗಿದೆ; ವಿಮರ್ಶಾತ್ಮಕ ವ್ಯಾಖ್ಯಾನದ ಅಗತ್ಯವಿದೆ, ಕಾರಣವಲ್ಲ ✔
• ಡಿ) ಇದು ತನ್ನದೇ ಆದ ಸಾಕಷ್ಟು ಫಲಿತಾಂಶವಾಗಿದೆ, ಹಿನ್ನೆಲೆ ಮತ್ತು ಬಹು ಪರೀಕ್ಷೆಯ ತಿದ್ದುಪಡಿಯಿಂದ ಸ್ವತಂತ್ರವಾಗಿದೆ

ವಿವರಣೆ: ಪುಷ್ಟೀಕರಣವು ಒಂದು ಸಂಖ್ಯಾಶಾಸ್ತ್ರೀಯ ಸಂಕೇತವಾಗಿದ್ದು, ಅದರ ಅಭಿವ್ಯಕ್ತಿ ಬದಲಾಗುವ ಜೀನ್‌ಗಳಲ್ಲಿ ನಿರ್ದಿಷ್ಟ ಮಾರ್ಗವು ಅತಿಯಾಗಿ ಪ್ರತಿನಿಧಿಸಲ್ಪಟ್ಟಿದೆ ಎಂದು ಸೂಚಿಸುತ್ತದೆ; ಇದು ಕಾರಣದ ಪುರಾವೆಯಲ್ಲ ಅಥವಾ ಮಾರ್ಗವು ನಿಜವಾಗಿ ಸಕ್ರಿಯವಾಗಿದೆ. ತೀರ್ಮಾನ; ಬಳಸಿದ ಜೀನ್ ಸೆಟ್ ಅನ್ನು ಹಿನ್ನೆಲೆ ಆಯ್ಕೆ ಮತ್ತು ಬಹು ಪರೀಕ್ಷೆಯ ತಿದ್ದುಪಡಿಯ ಸಂದರ್ಭದಲ್ಲಿ ಮತ್ತು ಜೈವಿಕ ಸಮರ್ಥನೀಯತೆಯ ಸಂದರ್ಭದಲ್ಲಿ ವಿಮರ್ಶಾತ್ಮಕವಾಗಿ ಅರ್ಥೈಸಿಕೊಳ್ಳಬೇಕು.

11. ಸಾಹಿತ್ಯದ ಸಾರಾಂಶವನ್ನು ನೀಡುವಾಗ, AI ನಿಜವೆಂದು ತೋರುವ ಆದರೆ ಅಸ್ತಿತ್ವದಲ್ಲಿಲ್ಲದ ಲೇಖನವನ್ನು ಉಲ್ಲೇಖಿಸಬಹುದು (ನಕಲಿ ಉಲ್ಲೇಖ). ಸರಿಯಾದ ವಿಧಾನ ಯಾವುದು?

• ಎ) ಲೇಖಕ ಮತ್ತು ಜರ್ನಲ್ ಹೆಸರು ವಾಸ್ತವಿಕವಾಗಿದ್ದರೆ, ಉಲ್ಲೇಖವು ಬಹುಶಃ ಸರಿಯಾಗಿರುತ್ತದೆ, ಪರಿಶೀಲಿಸುವುದು ಅನಗತ್ಯ
• B) DOI/PubMed ಮೂಲಕ ಪ್ರಾಥಮಿಕ ಮೂಲದಲ್ಲಿ ಪ್ರತಿ ಉಲ್ಲೇಖವನ್ನು ಪರಿಶೀಲಿಸಿ; ✔ ಸಿಗದಿರುವುದನ್ನು ಬಳಸದಿರುವುದು
• ಸಿ) ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯು ಗುಣಲಕ್ಷಣವನ್ನು ರೂಪಿಸುವುದಿಲ್ಲ; ಅವರ ಉಲ್ಲೇಖಗಳನ್ನು ನೇರವಾಗಿ ಗ್ರಂಥಸೂಚಿಗೆ ಸೇರಿಸಬಹುದು
• ಡಿ) ಅನೇಕ ಉಲ್ಲೇಖಗಳಿದ್ದರೆ, ಅವುಗಳಲ್ಲಿ ಕೆಲವು ತಪ್ಪಾಗಿದ್ದರೆ ತೊಂದರೆಯಿಲ್ಲ.

ವಿವರಣೆ: ನೈಜ ಜರ್ನಲ್‌ನಲ್ಲಿ ನೈಜ ಧ್ವನಿಯ ಲೇಖಕರ ಹೆಸರುಗಳೊಂದಿಗೆ AI ಸಂಪೂರ್ಣವಾಗಿ ತಯಾರಿಸಿದ ಲೇಖನವನ್ನು (ಮತ್ತು ನಕಲಿ DOI) ಉತ್ಪಾದಿಸಬಹುದು. ಪ್ರತಿಯೊಂದು ಉಲ್ಲೇಖವನ್ನು DOI/PubMed ಮೂಲಕ ಪ್ರಾಥಮಿಕ ಮೂಲದಲ್ಲಿ ವೈಯಕ್ತಿಕವಾಗಿ ಪರಿಶೀಲಿಸಬೇಕು; ಸಿಗದ ಉಲ್ಲೇಖಗಳನ್ನು ಬಳಸಬಾರದು. ವೈಜ್ಞಾನಿಕ ಜವಾಬ್ದಾರಿ ಲೇಖಕರಿಗೆ ಸೇರಿದೆ; ಯಾವುದೇ ಪರಿಶೀಲಿಸದ ಉಲ್ಲೇಖಗಳು ಪಠ್ಯವನ್ನು ನಮೂದಿಸಬಾರದು.

12. ಎಐ-ರಚಿಸಿದ ಕ್ಲಿನಿಕಲ್ ಜೆನೆಟಿಕ್ ವರದಿಯನ್ನು ರಚಿಸುವ ಬಗ್ಗೆ ಅತ್ಯಂತ ನಿಖರವಾದ ತತ್ವ ಯಾವುದು?

• ಎ) ಡ್ರಾಫ್ಟ್ ನಿರರ್ಗಳವಾಗಿದ್ದರೆ, ಅದನ್ನು ನೇರವಾಗಿ ರೋಗಿಗೆ ನೀಡಬಹುದು
• ಬಿ) AI ಸಹ ಪುರಾವೆಗಳನ್ನು ಉತ್ಪಾದಿಸುವುದರಿಂದ ಯಾವುದೇ ಪ್ರತ್ಯೇಕ ಮೂಲ ಪರಿಶೀಲನೆ ಅಗತ್ಯವಿಲ್ಲ
• ಸಿ) ವರದಿಯಲ್ಲಿ ರೋಗಕಾರಕತೆಯ ನಿರ್ಧಾರವನ್ನು ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಗೆ ಬಿಡಬಹುದು, ತಜ್ಞರು ಮಾತ್ರ ಸ್ವರೂಪವನ್ನು ಪರಿಶೀಲಿಸುತ್ತಾರೆ
• D) ಪ್ರತಿ ಕ್ಲಿನಿಕಲ್ ಕ್ಲೈಮ್ ಅನ್ನು ಸಮರ್ಥಿಸಬೇಕು, ಅಂತಿಮ ವರದಿಯನ್ನು ಸಮರ್ಥ ತಜ್ಞರಿಂದ ಅನುಮೋದಿಸಬೇಕು ಮತ್ತು ಪರಿಶೀಲನೆಯ ಸರಪಳಿಯನ್ನು ದಾಖಲಿಸಬೇಕು ✔

ವಿವರಣೆ: ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯು ವರದಿ ಕರಡುಗಳು ಮತ್ತು ಸಾರಾಂಶಗಳನ್ನು ಉತ್ಪಾದಿಸುವಲ್ಲಿ ಸಮಯವನ್ನು ಉಳಿಸುತ್ತದೆ; ಆದಾಗ್ಯೂ, ಪ್ರತಿ ಕ್ಲಿನಿಕಲ್ ಕ್ಲೈಮ್ ಅನ್ನು ಪುರಾವೆಗಳು ಮತ್ತು ಪ್ರಾಥಮಿಕ ಮೂಲಗಳಿಗೆ ಲಿಂಕ್ ಮಾಡಬೇಕು ಮತ್ತು ಅಂತಿಮ ವರದಿಯನ್ನು ಅಧಿಕೃತ ತಜ್ಞರಿಂದ ಅನುಮೋದಿಸಬೇಕು. AI ಔಟ್‌ಪುಟ್ ಅನ್ನು ನೇರವಾಗಿ ರೋಗಿಯ ನಿರ್ಧಾರಕ್ಕೆ ಅನುವಾದಿಸಲಾಗುವುದಿಲ್ಲ; ಪರಿಶೀಲನೆ ಸರಪಳಿಯನ್ನು ದಾಖಲಿಸಬೇಕು.

13. AI ಯ ಔಟ್‌ಪುಟ್ ತುಂಬಾ ದ್ರವ ಮತ್ತು 'ವಿಶ್ವಾಸಾರ್ಹ' ಎಂದು ಧ್ವನಿಸಿದರೆ ಇದರ ಅರ್ಥವೇನು?

• ಎ) ಆತ್ಮವಿಶ್ವಾಸದ ಸ್ವರವು ನಿಖರತೆಯ ಪುರಾವೆಯಲ್ಲ; ಮೌಲ್ಯೀಕರಣದ ಅಗತ್ಯವು ಹೆಚ್ಚಾಗುತ್ತದೆ, ಕಡಿಮೆಯಾಗುವುದಿಲ್ಲ ✔
• ಬಿ) ನಿರರ್ಗಳ ಮತ್ತು ನಿರ್ಣಾಯಕ ಉತ್ತರವು ಹೆಚ್ಚಾಗಿ ನಿಜವಾಗಿದೆ, ದೃಢೀಕರಣವು ಅನಗತ್ಯವಾಗಿದೆ
• ಸಿ) ಆತ್ಮವಿಶ್ವಾಸದ ಟೋನ್ ಮಾದರಿಯು ಮೆಮೊರಿಯಿಂದ ನೇರವಾಗಿ ಡೇಟಾವನ್ನು ಓದುತ್ತಿದೆ ಎಂದು ಸೂಚಿಸುತ್ತದೆ
• ಡಿ) ಸ್ವರವು ಆತ್ಮವಿಶ್ವಾಸದ ಅಳತೆಯಾಗಿದೆ, ಏಕೆಂದರೆ ಹಿಂಜರಿಯುವ ಉತ್ತರಗಳು ತಪ್ಪು ಮತ್ತು ಆತ್ಮವಿಶ್ವಾಸದ ಉತ್ತರಗಳು ಸರಿ.

ವಿವರಣೆ: AI ನ ಆತ್ಮವಿಶ್ವಾಸದ ಸ್ವರವು ನಿಖರತೆಯ ಪುರಾವೆಯಲ್ಲ; ಅತ್ಯಂತ ಅಪಾಯಕಾರಿ ಭ್ರಮೆಗಳು ಅತ್ಯಂತ ನಿರರ್ಗಳ ಮತ್ತು ಮನವೊಪ್ಪಿಸುವ ವಾಕ್ಯಗಳೊಂದಿಗೆ ಬರುತ್ತವೆ. ಆತ್ಮವಿಶ್ವಾಸದ ಸ್ವರವನ್ನು ನೋಡಿದಾಗ, ಪರಿಶೀಲನೆಯ ಅಗತ್ಯವು ಹೆಚ್ಚಾಗುತ್ತದೆ, ಕಡಿಮೆಯಾಗುವುದಿಲ್ಲ. ಪ್ರತಿಯೊಂದು ಸತ್ಯ (ಅನುಕ್ರಮ, ರೂಪಾಂತರ, ಜೀನ್, ಉಲ್ಲೇಖ) ಸ್ವತಂತ್ರ ಪ್ರಾಥಮಿಕ ಮೂಲದೊಂದಿಗೆ ಅಡ್ಡ-ಮೌಲ್ಯಮಾಪನ ಮಾಡಬೇಕು.

14. ವಿಶ್ಲೇಷಣೆಗಾಗಿ ಸಾರ್ವಜನಿಕವಾಗಿ ಲಭ್ಯವಿರುವ AI ಸಾಧನಕ್ಕೆ ರೋಗಿಯ ಆನುವಂಶಿಕ ಡೇಟಾವನ್ನು ನೀಡುವ ಮೊದಲು ಅತ್ಯಂತ ಪ್ರಮುಖವಾದ ಗೌಪ್ಯತೆ ಮುನ್ನೆಚ್ಚರಿಕೆ ಯಾವುದು?

• ಎ) ಬೇಸ್ 64 ರಲ್ಲಿ ಡೇಟಾವನ್ನು ಎನ್ಕೋಡ್ ಮಾಡಿದರೆ, ಅದನ್ನು ಸುರಕ್ಷಿತವಾಗಿ ಅಂಟಿಸಬಹುದು
• ಬಿ) ರೋಗಿಯ ಹೆಸರನ್ನು ಮಾತ್ರ ಅಳಿಸಿದರೆ, ಯಾವುದೇ ಮುಂದಿನ ಕ್ರಮದ ಅಗತ್ಯವಿಲ್ಲ
• ಸಿ) ವೈಯಕ್ತಿಕವಾಗಿ ಗುರುತಿಸಬಹುದಾದ ಡೇಟಾವನ್ನು ಒದಗಿಸದಿರುವುದು; ಅನಾಮಧೇಯಗೊಳಿಸುವಿಕೆ, ಡೇಟಾ ಕಡಿಮೆಗೊಳಿಸುವಿಕೆ ಮತ್ತು ಸಮ್ಮತಿ/ಕಾನೂನು ಚೌಕಟ್ಟನ್ನು ಗಮನಿಸಿ ✔
• ಡಿ) ಆನುವಂಶಿಕ ಡೇಟಾವನ್ನು ಮುಕ್ತವಾಗಿ ಹಂಚಿಕೊಳ್ಳಬಹುದು ಏಕೆಂದರೆ ಅದನ್ನು ವೈಯಕ್ತಿಕ ಡೇಟಾ ಎಂದು ಪರಿಗಣಿಸಲಾಗುವುದಿಲ್ಲ.

ವಿವರಣೆ: ಜೆನೆಟಿಕ್ ಡೇಟಾವು ವೈಯಕ್ತಿಕ ಡೇಟಾದ ವಿಶೇಷ ವರ್ಗವಾಗಿದೆ ಮತ್ತು ರೂಪಾಂತರಗಳ ಅಪರೂಪದ ಸಂಯೋಜನೆಗಳೊಂದಿಗೆ ವ್ಯಕ್ತಿಯನ್ನು ಮರು-ಗುರುತಿಸಬಹುದಾಗಿದೆ. ಗುರುತಿಸಬಹುದಾದ ಆನುವಂಶಿಕ ಡೇಟಾವನ್ನು ಎಂದಿಗೂ ತೆರೆದ ಪರಿಕರಗಳಿಗೆ ಒದಗಿಸಲಾಗುವುದಿಲ್ಲ; ಡೇಟಾವನ್ನು ಅನಾಮಧೇಯಗೊಳಿಸಬೇಕು, ಕನಿಷ್ಠ ಅಗತ್ಯ ಮಾಹಿತಿಯನ್ನು ಮಾತ್ರ ಹಂಚಿಕೊಳ್ಳಬೇಕು (ಡೇಟಾ ಮಿನಿಮೈಸೇಶನ್) ಮತ್ತು ಸಮ್ಮತಿ/ಕಾನೂನು ಚೌಕಟ್ಟನ್ನು (KVKK/GDPR) ಗಮನಿಸಬೇಕು.