ਐਂਡ-ਟੂ-ਐਂਡ ਕੇਸ: ਡਿਸਕਵਰੀ ਤੋਂ ਕਲੀਨਿਕਲ ਰਿਪੋਰਟ ਤੱਕ ਇੱਕ ਰੂਪ ਦੀ ਯਾਤਰਾ

ਲਾਭ:

• ਇੱਕ ਸਿੰਗਲ ਐਂਡ-ਟੂ-ਐਂਡ ਏਆਈ-ਸਮਰਥਿਤ ਵਰਕਫਲੋ ਵਿੱਚ ਪੂਰੇ ਮੋਡੀਊਲ (ਕ੍ਰਮ, ਰੂਪ, ਬਣਤਰ, ਸਾਹਿਤ, ਕਲੀਨਿਕਲ) ਵਿੱਚ ਸਿੱਖੇ ਗਏ ਸਾਰੇ ਹਿੱਸਿਆਂ ਨੂੰ ਜੋੜਨ ਦੀ ਸਮਰੱਥਾ
• ਹਰ ਕਦਮ 'ਤੇ 'ਨਕਲੀ ਬੁੱਧੀ ਪੈਦਾ ਕਰਦਾ ਹੈ, ਮਨੁੱਖੀ ਤਸਦੀਕ ਕਰਦਾ ਹੈ ਅਤੇ ਵਾਉਚ' ਅਤੇ ਪ੍ਰਾਇਮਰੀ ਸਰੋਤ ਤਸਦੀਕ ਦੇ ਸਿਧਾਂਤ ਨੂੰ ਲਾਗੂ ਕਰਨ ਦੀ ਸਮਰੱਥਾ
• ਇੱਕ ਅੰਤ-ਤੋਂ-ਅੰਤ ਕੇਸ ਵਿੱਚ ਗੁਪਤਤਾ ਅਤੇ ਅੰਤਮ ਮਾਹਰ ਦੀ ਪ੍ਰਵਾਨਗੀ ਦਾ ਦਸਤਾਵੇਜ਼ ਬਣਾ ਕੇ ਪੁਸ਼ਟੀਕਰਨ ਲੜੀ ਦਾ ਪ੍ਰਬੰਧਨ ਕਰਨ ਦੀ ਸਮਰੱਥਾ

ਇਸ ਮੋਡਿਊਲ ਵਿੱਚ, ਅਸੀਂ ਹਰੇਕ ਪੜਾਅ ਦੀ ਵੱਖਰੇ ਤੌਰ 'ਤੇ ਚਰਚਾ ਕੀਤੀ, ਕ੍ਰਮ ਵਿਸ਼ਲੇਸ਼ਣ ਤੋਂ ਪ੍ਰੋਟੀਨ ਬਣਤਰ ਤੱਕ, CRISPR ਤੋਂ omics ਤੱਕ, ਸਾਹਿਤ ਤੋਂ ਨੈਤਿਕਤਾ ਅਤੇ ਗੁਪਤਤਾ ਤੱਕ। ਇਸ ਅੰਤਮ ਇਕਾਈ ਵਿੱਚ, ਅਸੀਂ ਉਹਨਾਂ ਸਾਰਿਆਂ ਨੂੰ ਇੱਕ ਯਥਾਰਥਵਾਦੀ ਵਰਕਫਲੋ ਵਿੱਚ ਜੋੜਦੇ ਹਾਂ: ਇੱਕ ਮਰੀਜ਼ ਵਿੱਚ ਪਾਏ ਗਏ ਰੂਪਾਂ ਦੀ ਯਾਤਰਾ, ਕੱਚੇ ਡੇਟਾ ਤੋਂ ਇੱਕ ਪ੍ਰਵਾਨਿਤ ਕਲੀਨਿਕਲ ਰਿਪੋਰਟ ਤੱਕ। ਟੀਚਾ ਸੰਪੂਰਨ ਤੌਰ 'ਤੇ ਇਹ ਦੇਖਣਾ ਹੈ ਕਿ ਆਰਟੀਫਿਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ (AI) ਨੂੰ ਅੰਤ-ਤੋਂ-ਅੰਤ ਸਹਾਇਕ ਵਜੋਂ ਕਿਵੇਂ ਰੱਖਿਆ ਜਾਵੇ ਅਤੇ ਕਿਵੇਂ ਤਸਦੀਕ ਅਤੇ ਮਨੁੱਖੀ ਜਵਾਬਦੇਹੀ ਹਰ ਪੜਾਅ 'ਤੇ ਆਪਸ ਵਿੱਚ ਜੁੜੇ ਹੋਏ ਹਨ।

ਸਾਡਾ ਦ੍ਰਿਸ਼ (ਕਾਲਪਨਿਕ): ਇੱਕ 34-ਸਾਲਾ ਔਰਤ ਮਰੀਜ਼ ਛੋਟੀ ਉਮਰ ਵਿੱਚ ਛਾਤੀ ਦੇ ਕੈਂਸਰ ਦੇ ਪਰਿਵਾਰਕ ਇਤਿਹਾਸ ਦੇ ਨਾਲ ਜੈਨੇਟਿਕ ਮੁਲਾਂਕਣ ਲਈ ਆਉਂਦੀ ਹੈ। ਪੈਨਲ ਟੈਸਟ ਵਿੱਚ BRCA1 ਜੀਨ ਵਿੱਚ ਇੱਕ ਰੂਪ ਪਾਇਆ ਗਿਆ ਸੀ। ਸਾਡਾ ਮਿਸ਼ਨ: ਇਸ ਰੂਪ ਨੂੰ ਸ਼੍ਰੇਣੀਬੱਧ ਕਰੋ, ਪ੍ਰੋਟੀਨ 'ਤੇ ਇਸਦੇ ਸੰਭਾਵੀ ਪ੍ਰਭਾਵ ਦੀ ਵਿਆਖਿਆ ਕਰੋ, ਸਾਹਿਤ ਦੀ ਸਮੀਖਿਆ ਕਰੋ, ਅਤੇ ਇੱਕ ਕਲੀਨਿਕਲ ਰਿਪੋਰਟ ਦਾ ਖਰੜਾ ਤਿਆਰ ਕਰੋ - ਹਰ ਕਦਮ 'ਤੇ AI ਦੀ ਵਰਤੋਂ ਕਰਨਾ ਅਤੇ ਹਰ ਕਦਮ 'ਤੇ ਇਸ ਨੂੰ ਪ੍ਰਮਾਣਿਤ ਕਰਨਾ।

ਪੜਾਅ 1: ਰੂਪ ਅਤੇ ਗੋਪਨੀਯਤਾ ਨਿਯੰਤਰਣ ਨੂੰ ਠੀਕ ਕਰਨਾ

ਵਰਕਫਲੋ ਦੀ ਸ਼ੁਰੂਆਤ ਵਿੱਚ, ਅਸੀਂ ਦੋ ਕੰਮ ਕਰਦੇ ਹਾਂ: ਡੇਟਾ ਨੂੰ ਮਿਆਰੀ ਬਣਾਓ ਅਤੇ ਗੁਪਤਤਾ ਨੂੰ ਯਕੀਨੀ ਬਣਾਓ।

ਗੋਪਨੀਯਤਾ ਪਹਿਲਾਂ: ਮਰੀਜ਼ ਦਾ ਨਾਮ, ਪਛਾਣ ਨੰਬਰ, ਅਤੇ ਜਨਮ ਮਿਤੀ ਕਿਸੇ ਵੀ ਓਪਨ ਏਆਈ ਟੂਲ (ਯੂਨਿਟ 10) ਵਿੱਚ ਦਾਖਲ ਨਹੀਂ ਹੁੰਦੀ ਹੈ। ਅਸੀਂ ਸਿਰਫ਼ ਵੇਰੀਐਂਟ, ਜੀਨੋਮ ਵਰਜ਼ਨ, ਅਤੇ ਟ੍ਰਾਂਸਕ੍ਰਿਪਟ ਨਾਲ ਕੰਮ ਕਰਦੇ ਹਾਂ — ਅਤੇ ਸਿਰਫ਼ ਤਾਂ ਹੀ ਜੇਕਰ ਵੇਰੀਐਂਟ ਵਿਅਕਤੀ ਦੀ ਪਛਾਣ ਨਹੀਂ ਕਰਦਾ ਹੈ। ਫਿਰ ਅਸੀਂ ਵੇਰੀਐਂਟ ਨੂੰ ਠੀਕ ਕਰਦੇ ਹਾਂ: GRCh38, BRCA1, NM_007294.4, ਉਦਾਹਰਨ ਲਈ c.5266dupC (p.Gln1756fs)। ਅਸੀਂ ਇਸਦੀ ਪੁਸ਼ਟੀ ਵੈਲੀਡੇਟਰ (VariantValidator) ਨਾਲ ਕਰਦੇ ਹਾਂ; ਅਸੀਂ ਚਿਹਰੇ ਦੇ ਮੁੱਲ (ਯੂਨਿਟ 1, 3) 'ਤੇ AI ਦੁਆਰਾ ਦਿੱਤੀ ਗਈ ਪ੍ਰਤੀਨਿਧਤਾ ਨੂੰ ਸਵੀਕਾਰ ਨਹੀਂ ਕਰਦੇ ਹਾਂ।

ਪੜਾਅ 2: ਸਬੂਤ ਇਕੱਠੇ ਕਰਨਾ (ਯੂਨਿਟ 3)

ਸਾਡੇ ਕੋਲ AI ਕੋਲ ACMG ਪਰੂਫ ਫਰੇਮਵਰਕ ਹੈ — ਪਰ ਕਲਾਸ ਨੂੰ ਦੱਸੇ ਬਿਨਾਂ। ਫਿਰ ਅਸੀਂ ਸਬੂਤ ਦੇ ਹਰੇਕ ਹਿੱਸੇ ਦੀ ਖੁਦ ਪੁਸ਼ਟੀ ਕਰਦੇ ਹਾਂ:

• gnomAD ਫ੍ਰੀਕੁਐਂਸੀ: ਅਸੀਂ gnomAD ਵਿੱਚ ਰੂਪ ਲੱਭਦੇ ਹਾਂ ਅਤੇ ਦੇਖਦੇ ਹਾਂ ਕਿ ਇਹ ਬਹੁਤ ਦੁਰਲੱਭ/ਗੈਰ ਮੌਜੂਦ ਹੈ (PM2 ਦੀ ਦਿਸ਼ਾ ਵਿੱਚ)।
• ClinVar: ਅਸੀਂ ਰਿਕਾਰਡ ਖੋਲ੍ਹਦੇ ਹਾਂ ਅਤੇ ਮੌਜੂਦਾ ਟਿੱਪਣੀਆਂ ਅਤੇ ਤਾਜ਼ਗੀ ਦੀ ਜਾਂਚ ਕਰਦੇ ਹਾਂ।
• ਵੇਰੀਐਂਟ ਦੀ ਕਿਸਮ: ਜੇਕਰ ਇੱਕ ਫਰੇਮਸ਼ਿਫਟ ਸਮੇਂ ਤੋਂ ਪਹਿਲਾਂ ਸਮਾਪਤੀ ਵੱਲ ਲੈ ਜਾਂਦੀ ਹੈ, ਤਾਂ ਫੰਕਸ਼ਨ ਦੇ ਨੁਕਸਾਨ (PVS1) ਦੇ ਮਜ਼ਬੂਤ ​​ਸਬੂਤ ਹੋ ਸਕਦੇ ਹਨ - ਪਰ ਅਸੀਂ ਜੀਨ ਅਤੇ ਟ੍ਰਾਂਸਕ੍ਰਿਪਟ ਦੇ ਸੰਦਰਭ ਵਿੱਚ ਇਸਦਾ ਮੁਲਾਂਕਣ ਕਰਦੇ ਹਾਂ।

ਅਸੀਂ AI ਦੁਆਰਾ ਦਿੱਤੀ ਗਈ ਕਿਸੇ ਵੀ ਬਾਰੰਬਾਰਤਾ ਜਾਂ ਸੰਦਰਭ ਦੀ ਪੁਸ਼ਟੀ ਕੀਤੇ ਬਿਨਾਂ ਇਸਦੀ ਵਰਤੋਂ ਨਹੀਂ ਕਰਦੇ ਹਾਂ (ਯੂਨਿਟ 9)।

ਪੜਾਅ 3: ਪ੍ਰੋਟੀਨ-ਸੰਰਚਨਾ ਵਿਆਖਿਆ (ਯੂਨਿਟ 4)

ਪ੍ਰੋਟੀਨ 'ਤੇ ਵੇਰੀਐਂਟ ਦੇ ਪ੍ਰਭਾਵ ਨੂੰ ਸਮਝਣ ਲਈ, ਅਸੀਂ ਅਲਫਾਫੋਲਡ ਬਣਤਰ ਨੂੰ ਡਾਊਨਲੋਡ ਕਰਦੇ ਹਾਂ (ਇਸਦੇ ਯੂਨੀਪ੍ਰੋਟ ਨੰਬਰ ਦੇ ਨਾਲ), ਪੀਐਲਡੀਡੀਟੀ ਵਿਸ਼ਵਾਸ ਸਕੋਰ ਅਤੇ ਪ੍ਰਭਾਵਿਤ ਖੇਤਰ ਦੇ ਯੂਨੀਪ੍ਰੋਟ ਫੰਕਸ਼ਨਲ ਐਨੋਟੇਸ਼ਨਾਂ ਨੂੰ ਦੇਖਦੇ ਹਾਂ। ਕਿਉਂਕਿ ਇੱਕ ਫਰੇਮਸ਼ਿਫਟ ਪ੍ਰੋਟੀਨ ਦੇ ਬਹੁਤ ਸਾਰੇ ਹਿੱਸੇ ਨੂੰ ਬਦਲਦਾ ਹੈ, ਬਣਤਰ ਦੀ ਵਿਆਖਿਆ ਇੱਥੇ ਨੁਕਸਾਨ-ਦੇ-ਕਾਰਜ ਕਲਪਨਾ ਦਾ ਸਮਰਥਨ ਕਰ ਸਕਦੀ ਹੈ-ਪਰ ਬਣਤਰ ਇੱਕ ਅਨੁਮਾਨ ਹੈ, ਨਿਸ਼ਚਤ ਸਬੂਤ ਨਹੀਂ ਹੈ। ਅਸੀਂ ਕੋਆਰਡੀਨੇਟਸ ਲਈ AI ਨੂੰ ਨਹੀਂ ਪੁੱਛਦੇ; ਅਸੀਂ ਫਾਈਲ ਤੋਂ ਪੜ੍ਹਦੇ ਹਾਂ.

ਪੜਾਅ 4: ਸਾਹਿਤ ਤਸਦੀਕ (ਯੂਨਿਟ 7)

ਅਸੀਂ AI ਤੋਂ ਖੋਜ ਸ਼ਬਦ ਪ੍ਰਾਪਤ ਕਰਦੇ ਹਾਂ, ਇਸਨੂੰ ਖੁਦ PubMed 'ਤੇ ਖੋਜਦੇ ਹਾਂ, ਅਤੇ ਵੇਰੀਐਂਟ ਅਤੇ ਜੀਨ 'ਤੇ ਅਸਲ ਲੇਖ ਲੱਭਦੇ ਹਾਂ। ਅਸੀਂ ਉਹਨਾਂ ਹਵਾਲਿਆਂ ਦੀ ਪੁਸ਼ਟੀ ਕਰਦੇ ਹਾਂ ਜੋ AI DOI/PMID ਦੇ ਨਾਲ "ਮੈਮੋਰੀ ਤੋਂ" ਦਰਜ ਕਰਦਾ ਹੈ। ਅਸੀਂ ਸਰੋਤ 'ਤੇ ਸਬੰਧ ਅਤੇ ਕਾਰਜ-ਕਾਰਨ ਵਿਚਕਾਰ ਅੰਤਰ ਨੂੰ ਸੁਰੱਖਿਅਤ ਰੱਖਦੇ ਹਾਂ।

ਪੜਾਅ 5: ਵਰਗੀਕਰਨ ਅਤੇ ਕਲੀਨਿਕਲ ਵਿਆਖਿਆ (ਇਕਾਈਆਂ 3, 8)

ਅਸੀਂ ਪ੍ਰਮਾਣਿਤ ਸਬੂਤਾਂ ਨੂੰ ਜੋੜਦੇ ਹਾਂ, ACMG ਦੇ ਸੁਮੇਲ ਨਾਲ ਸੰਭਾਵੀ ਸ਼੍ਰੇਣੀ ਦਾ ਅਨੁਮਾਨ ਲਗਾਉਂਦੇ ਹਾਂ (ਇਸ ਉਦਾਹਰਨ ਵਿੱਚ, ਮਜ਼ਬੂਤ ​​ਨੁਕਸਾਨ-ਦਾ-ਕਾਰਜ ਅਤੇ ਦੁਰਲੱਭ ਸਬੂਤ "ਪੈਥੋਜਨਿਕ/ਸ਼ਾਇਦ ਰੋਗਾਣੂ" ਦੀ ਦਿਸ਼ਾ ਵਿੱਚ ਹੋ ਸਕਦੇ ਹਨ - ਪਰ ਮਾਹਰ ਦਾ ਅੰਤਮ ਕਹਿਣਾ ਹੈ)। ਅਸੀਂ ਕਲੀਨਿਕਲ ਵਿਆਖਿਆ ਨੂੰ ਫੈਨੋਟਾਈਪ ਅਤੇ ਪਰਿਵਾਰਕ ਇਤਿਹਾਸ ਨਾਲ ਜੋੜਦੇ ਹਾਂ: ਕੀ ਮਰੀਜ਼ ਦੀ ਤਸਵੀਰ BRCA1 ਨਾਲ ਇਕਸਾਰ ਹੈ? ਜੇਕਰ ਕੋਈ ਅਨਿਸ਼ਚਿਤਤਾ ਹੈ, ਤਾਂ ਅਸੀਂ ਇਮਾਨਦਾਰੀ ਨਾਲ ਬਿਆਨ ਕਰਦੇ ਹਾਂ।

ਪੜਾਅ 6: ਰਿਪੋਰਟ ਡਰਾਫਟ ਅਤੇ ਪ੍ਰਵਾਨਗੀ (ਯੂਨਿਟ 8)

ਏਆਈ ਦੇ ਨਾਲ, ਅਸੀਂ ਡਾਕਟਰ ਅਤੇ ਮਰੀਜ਼ ਲਈ ਡਰਾਫਟ ਰਿਪੋਰਟਾਂ ਤਿਆਰ ਕਰਦੇ ਹਾਂ; ਅਜਿਹੀ ਭਾਸ਼ਾ ਵਿੱਚ ਜੋ ਕਾਰਜ-ਪ੍ਰਣਾਲੀ ਨੂੰ ਵਧਾ-ਚੜ੍ਹਾ ਕੇ ਨਹੀਂ ਦੱਸਦੀ, ਅਨਿਸ਼ਚਿਤਤਾ ਬਾਰੇ ਸਪਸ਼ਟ ਹੈ, ਅਤੇ ਜੈਨੇਟਿਕ ਕਾਉਂਸਲਿੰਗ ਵੱਲ ਸੇਧਿਤ ਹੈ। ਮਾਹਰ ਹਰ ਵਾਕ ਦੀ ਪੁਸ਼ਟੀ ਕਰਦਾ ਹੈ. ਅਸੀਂ ਸੀਮਾਵਾਂ ਵਾਲਾ ਭਾਗ ਜੋੜਦੇ ਹਾਂ (ਜੋ ਟੈਸਟ ਵਿੱਚ ਸ਼ਾਮਲ ਨਹੀਂ ਹੁੰਦਾ, ਮੁੜ ਮੁਲਾਂਕਣ ਦੀਆਂ ਸ਼ਰਤਾਂ)।

ਸੰਕੇਤ: ਜਦੋਂ ਅੰਤ ਤੋਂ ਅੰਤ ਦੇ ਪ੍ਰਵਾਹ ਵਿੱਚ ਹਰੇਕ ਪੜਾਅ ਦੇ ਆਉਟਪੁੱਟ ਨੂੰ ਅਗਲੇ ਵਿੱਚ ਇਨਪੁੱਟ ਕਰਦੇ ਹੋ, ਤਾਂ ਯਕੀਨੀ ਬਣਾਓ ਕਿ ਆਉਟਪੁੱਟ ਪ੍ਰਮਾਣਿਤ ਹੈ। ਇੱਕ ਅਣ-ਪ੍ਰਮਾਣਿਤ ਬਾਰੰਬਾਰਤਾ ਜਾਂ ਵਿਸ਼ੇਸ਼ਤਾ ਨੂੰ ਬਾਅਦ ਦੇ ਸਾਰੇ ਪੜਾਵਾਂ (ਜੰਜੀਰਾਂ ਵਾਲਾ ਭਰਮ—ਯੂਨਿਟ 9) ਲਈ ਗਲਤ ਢੰਗ ਨਾਲ ਅੱਗੇ ਵਧਾਇਆ ਜਾਂਦਾ ਹੈ।

ਵਰਕਫਲੋ ਸਾਰਣੀ

ਸਟੇਜ

ਏਆਈ ਦੀ ਭੂਮਿਕਾ

ਲਾਜ਼ਮੀ ਪੁਸ਼ਟੀਕਰਨ

ਫੈਸਲਾ ਕਰਨ ਵਾਲਾ

ਫਿਕਸਿੰਗ

ਡੈਮੋ ਸਕੈਚ

ਵੇਰੀਐਂਟ ਵੈਲੀਡੇਟਰ

ਮਾਹਰ

ਗੋਪਨੀਯਤਾ

ਅਗਿਆਤਕਰਨ ਕੰਟਰੋਲ

ਮਨੁੱਖੀ ਕੰਟਰੋਲ

ਮਾਹਰ

ਸਬੂਤ

ਇੱਕ ਫਰੇਮਵਰਕ ਸਥਾਪਤ ਕਰਨਾ

gnomAD, ClinVar

ਮਾਹਰ

ਬਣਤਰ

ਟਿੱਪਣੀ

pLDDT, ਫਾਈਲ

ਮਾਹਰ

ਸਾਹਿਤ

ਖੋਜ ਸ਼ਬਦ, ਸੰਖੇਪ

DOI/PMID

ਮਾਹਰ

ਕਲਾਸ

ਸੁਮੇਲ ਡਰਾਫਟ

ACMG ਨਿਯਮ

ਮਾਹਰ

ਰਿਪੋਰਟ

ਭਾਸ਼ਾ ਦਾ ਖਰੜਾ

ਵਾਕ ਦੁਆਰਾ ਪ੍ਰਵਾਨਗੀ ਦੀ ਸਜ਼ਾ

ਮਾਹਰ/ਸਲਾਹਕਾਰ

ਤਿੰਨ ਛੋਟੇ ਕੇਸ (ਪ੍ਰਵਾਹ ਵਿੱਚ ਬ੍ਰੇਕਪੁਆਇੰਟ)

ਕੇਸ 1 - ਗਲਤ ਟ੍ਰਾਂਸਕ੍ਰਿਪਟ। ਇੱਕ ਟੀਮ ਨੇ ਸਟ੍ਰੀਮ ਦੇ ਸ਼ੁਰੂ ਵਿੱਚ ਏਆਈ ਦੁਆਰਾ ਦਿੱਤੇ ਗਏ ਟ੍ਰਾਂਸਕ੍ਰਿਪਟ ਨਾਲ ਕੰਮ ਕੀਤਾ; ਬਾਅਦ ਵਿੱਚ ਉਸਨੂੰ ਅਹਿਸਾਸ ਹੋਇਆ ਕਿ ਪੈਨਲ ਨੇ ਇੱਕ ਵੱਖਰੀ ਪ੍ਰਤੀਲਿਪੀ ਵਰਤੀ ਹੈ। c. ਉਨ੍ਹਾਂ ਦੇ ਅਹੁਦੇ ਬਦਲ ਗਏ ਸਨ। ਵੇਰੀਐਂਟ ਵੈਲੀਡੇਟਰ ਨਾਲ ਸ਼ੁਰੂ ਤੋਂ ਫਿਕਸ ਕਰਕੇ ਗਲਤੀ ਨੂੰ ਹੱਲ ਕੀਤਾ ਗਿਆ ਸੀ। ਪਾਠ: ਫਿਕਸਿੰਗ ਪੜਾਅ ਵਿੱਚ ਗਲਤੀ ਪੂਰੇ ਪ੍ਰਵਾਹ ਵਿੱਚ ਵਿਘਨ ਪਾਉਂਦੀ ਹੈ।

ਕੇਸ 2 - ਨਕਲੀ ਸਹਾਇਕ ਲੇਖ। ਸਾਹਿਤ ਦੇ ਪੜਾਅ ਵਿੱਚ, ਏਆਈ ਨੇ ਵਰਗੀਕਰਨ ਦਾ ਸਮਰਥਨ ਕਰਨ ਵਾਲੇ ਇੱਕ ਪ੍ਰੇਰਕ ਪੇਪਰ ਦਾ ਪ੍ਰਸਤਾਵ ਕੀਤਾ। PMID ਜਾਂਚ ਨੇ ਦਿਖਾਇਆ ਕਿ ਲੇਖ ਮੌਜੂਦ ਨਹੀਂ ਸੀ; ਸਬੂਤਾਂ ਦੀ ਲੜੀ ਤੋਂ ਹਟਾ ਦਿੱਤਾ ਗਿਆ ਹੈ। ਅਸਲ ਸਬੂਤ ਕਾਫ਼ੀ ਸਨ, ਪਰ ਜੇਕਰ ਰਿਪੋਰਟ ਵਿੱਚ ਗਲਤ ਵਿਸ਼ੇਸ਼ਤਾ ਬਣੀ ਰਹਿੰਦੀ ਤਾਂ ਅਕਾਦਮਿਕ/ਕਲੀਨਿਕਲ ਟਰੱਸਟ ਨੂੰ ਨੁਕਸਾਨ ਪਹੁੰਚਿਆ ਹੁੰਦਾ।

ਕੇਸ 3 - ਪੁਸ਼ਟੀ ਪ੍ਰਾਪਤ ਹੋਈ। ਰਿਪੋਰਟਿੰਗ ਪੜਾਅ 'ਤੇ, ਏਆਈ ਡਰਾਫਟ ਵਿੱਚ ਬਿਆਨ ਸ਼ਾਮਲ ਕੀਤਾ ਗਿਆ ਸੀ "ਇਹ ਰੂਪ ਨਿਸ਼ਚਤ ਤੌਰ 'ਤੇ ਕੈਂਸਰ ਦਾ ਕਾਰਨ ਬਣਦਾ ਹੈ." ਸਲਾਹਕਾਰ ਨੇ "ਇਹ ਰੂਪ ਛਾਤੀ/ਅੰਡਕੋਸ਼ ਦੇ ਕੈਂਸਰ ਦੇ ਖਤਰੇ ਨੂੰ ਮਹੱਤਵਪੂਰਨ ਤੌਰ 'ਤੇ ਵਧਾਉਂਦਾ ਹੈ, ਪਰ ਨਿਸ਼ਚਤ ਬਿਮਾਰੀ ਦਾ ਸੰਕੇਤ ਨਹੀਂ ਦਿੰਦਾ" ਕਹਿ ਕੇ ਇਸ ਨੂੰ ਠੀਕ ਕੀਤਾ ਅਤੇ ਜੈਨੇਟਿਕ ਕਾਉਂਸਲਿੰਗ ਲਈ ਇੱਕ ਸਿਫਾਰਸ਼ ਸ਼ਾਮਲ ਕੀਤੀ। ਟੋਨ ਅਤੇ ਸ਼ੁੱਧਤਾ ਨੂੰ ਮਾਹਰ ਹੱਥਾਂ ਵਿੱਚ ਆਕਾਰ ਦਿੱਤਾ ਗਿਆ ਸੀ.

ਦੋ ਕਾਪੀ ਕਰਨ ਯੋਗ ਟੈਂਪਲੇਟਸ (ਅੰਤ ਤੋਂ ਅੰਤ ਤੱਕ)

1) ਪ੍ਰਵਾਹ ਯੋਜਨਾਕਾਰ:

ਤੁਹਾਡੀ ਭੂਮਿਕਾ: ਕਲੀਨਿਕਲ ਜੈਨੇਟਿਕਸ ਵਰਕਫਲੋ ਸਹਾਇਕ। ਹੇਠਾਂ ਦਿੱਤੇ ਵੇਰੀਐਂਟ ਲਈ ਖੋਜ ਤੋਂ ਲੈ ਕੇ ਰਿਪੋਰਟ ਕਰਨ ਲਈ ਇੱਕ ਅੰਤ-ਤੋਂ-ਅੰਤ ਚੈੱਕਲਿਸਟ ਬਣਾਓ: [ਜੀਨੋਮ ਸੰਸਕਰਣ, ਜੀਨ, ਟ੍ਰਾਂਸਕ੍ਰਿਪਟ, HGVS]। ਕਾਲਮਾਂ ਦੇ ਨਾਲ ਹਰ ਪੜਾਅ (ਫਿਕਸੇਸ਼ਨ, ਗੋਪਨੀਯਤਾ, ਸਬੂਤ, ਬਣਤਰ, ਸਾਹਿਤ, ਕਲਾਸ, ਰਿਪੋਰਟ) 'ਤੇ ਲਿਖੋ "ਏਆਈ ਕੀ ਕਰਦਾ ਹੈ / ਮੈਂ ਕੀ ਤਸਦੀਕ ਕਰਦਾ ਹਾਂ / ਕੌਣ ਫੈਸਲਾ ਕਰਦਾ ਹੈ"। ਤੁਸੀਂ ਕਲਾਸ ਅਤੇ ਕਲੀਨਿਕਲ ਫੈਸਲੇ ਲੈਂਦੇ ਹੋ।

2) ਅੰਤਿਮ ਨਿਰੀਖਣ:

ਸਬਮਿਟ ਕਰਨ ਤੋਂ ਪਹਿਲਾਂ ਹੇਠਾਂ ਦਿੱਤੀ ਪੂਰੀ ਹੋਈ ਵੇਰੀਐਂਟ ਟਿੱਪਣੀ ਅਤੇ ਰਿਪੋਰਟ ਡਰਾਫਟ ਦੀ ਪ੍ਰੀ-ਚੈੱਕ ਕਰੋ: [ਸਮੱਗਰੀ]। ਇਸਦੀ ਜਾਂਚ ਕਰੋ: ਅਪੁਸ਼ਟ ਬਾਰੰਬਾਰਤਾ/ਵਿਸ਼ੇਸ਼ਤਾ, ਅਤਿਕਥਨੀ ਕਾਰਨ/ਸ਼ੁੱਧਤਾ ਬਿਆਨ, ਅਸਪਸ਼ਟਤਾ ਚੇਤਾਵਨੀ, ਗੁੰਮ ਸੀਮਾ ਵੰਡ, ਗੋਪਨੀਯਤਾ ਕਮਜ਼ੋਰੀ। ਹਰੇਕ ਸਮੱਸਿਆ ਅਤੇ ਇਸ ਨੂੰ ਹੱਲ ਕਰਨ ਲਈ ਕਿਸੇ ਵੀ ਸੁਝਾਅ ਦੀ ਸੂਚੀ ਬਣਾਓ।

ਕਮਜ਼ੋਰ ਪ੍ਰੋਂਪਟ / ਮਜ਼ਬੂਤ ​​ਪ੍ਰੋਂਪਟ

ਕਮਜ਼ੋਰ: "ਇਸ BRCA1 ਰੂਪ ਲਈ ਇੱਕ ਪੂਰੀ ਕਲੀਨਿਕਲ ਰਿਪੋਰਟ ਲਿਖੋ।"

ਸਮੱਸਿਆ: AI ਸਾਰੇ ਪੜਾਵਾਂ ਨੂੰ ਇੱਕ ਵਾਰ ਵਿੱਚ ਫਿੱਟ ਕਰਕੇ "ਰਿਪੋਰਟ" ਤਿਆਰ ਕਰਦਾ ਹੈ; ਬਾਰੰਬਾਰਤਾ, ਵਿਸ਼ੇਸ਼ਤਾ, ਸ਼੍ਰੇਣੀ, ਕਲੀਨਿਕਲ ਨਿਰਣਾ ਸਭ ਅਪ੍ਰਮਾਣਿਤ ਹਨ।

ਮਜ਼ਬੂਤ: "ਇਸ BRCA1 ਵੇਰੀਐਂਟ ਲਈ ਖੋਜ ਤੋਂ ਰਿਪੋਰਟ ਕਰਨ ਲਈ ਇੱਕ ਚੈਕਲਿਸਟ ਬਣਾਓ; ਹਰ ਪੜਾਅ 'ਤੇ ਵੱਖਰਾ ਕਰੋ ਕਿ ਤੁਸੀਂ ਕੀ ਕਰੋਗੇ, ਮੈਂ ਕੀ ਤਸਦੀਕ ਕਰਾਂਗਾ, ਅਤੇ ਕੌਣ ਫੈਸਲਾ ਲਵਾਂਗਾ। ਮੈਂ ਸਬੂਤ ਦੀ ਪੁਸ਼ਟੀ ਕਰਨ ਤੋਂ ਬਾਅਦ ਕਲਾਸ ਅਤੇ ਕਲੀਨਿਕਲ ਫੈਸਲਾ ਕਰਾਂਗਾ।"

ਇਹ ਸ਼ਕਤੀਸ਼ਾਲੀ ਕਿਉਂ ਹੈ: ਪ੍ਰਵਾਹ ਢਾਂਚਾਗਤ ਹੈ, ਹਰੇਕ ਪੜਾਅ ਪ੍ਰਮਾਣਿਕਤਾ ਨਾਲ ਜੁੜਿਆ ਹੋਇਆ ਹੈ, ਅਤੇ ਫੈਸਲਾ ਅਤੇ ਜ਼ਿੰਮੇਵਾਰੀ ਮਨੁੱਖ ਦੇ ਨਾਲ ਰਹਿੰਦੀ ਹੈ।

ਆਮ ਗਲਤੀਆਂ

• ਇੱਕ ਪ੍ਰੋਂਪਟ ਨਾਲ "ਮੁਕੰਮਲ ਰਿਪੋਰਟ" ਮੰਗਣਾ। ਪੜਾਵਾਂ ਨੂੰ ਬਿਨਾਂ ਤਸਦੀਕ ਦੇ ਜੋੜਿਆ ਜਾਂਦਾ ਹੈ; ਗਲਤੀ ਇਕੱਠੀ ਹੁੰਦੀ ਹੈ।
• ਫਿਕਸਿੰਗ ਪੜਾਅ ਨੂੰ ਨਜ਼ਰਅੰਦਾਜ਼ ਕਰਨਾ. ਗਲਤ ਸੰਸਕਰਣ/ਲਿਪੀ ਸਾਰੀ ਸਟ੍ਰੀਮ ਦਾ ਖੰਡਨ ਕਰਦਾ ਹੈ।
• ਇਸ ਨੂੰ ਪ੍ਰਮਾਣਿਤ ਕੀਤੇ ਬਿਨਾਂ ਪੜਾਵਾਂ ਦੇ ਵਿਚਕਾਰ ਆਉਟਪੁੱਟ ਨੂੰ ਮੂਵ ਕਰਨਾ। ਇੱਕ ਚੇਨ ਭਰਮ ਪੈਦਾ ਹੁੰਦਾ ਹੈ।
• ਪ੍ਰਵਾਹ ਦੇ "ਅੰਤ" 'ਤੇ ਗੋਪਨੀਯਤਾ ਬਾਰੇ ਸੋਚਣਾ। ਡੇਟਾ ਐਂਟਰੀ 'ਤੇ, ਗੁਪਤਤਾ ਨੂੰ ਪਹਿਲਾਂ ਸਥਾਨ 'ਤੇ ਸਥਾਪਿਤ ਕੀਤਾ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ।
• ਫੈਸਲਾ ਅਤੇ ਸੁਰ ਨੂੰ ਏ.ਆਈ. 'ਤੇ ਛੱਡ ਕੇ। ਕਲਾਸਰੂਮ ਅਤੇ ਕਲੀਨਿਕਲ ਮੈਸੇਜਿੰਗ ਨੂੰ ਮਾਹਰ ਦੁਆਰਾ ਮਨਜ਼ੂਰ ਕੀਤਾ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ।

ਸਾਵਧਾਨ: ਐਂਡ-ਟੂ-ਐਂਡ AI ਦੀ ਵਰਤੋਂ ਕਰਨਾ ਬਹੁਤ ਸਾਰਾ ਸਮਾਂ ਬਚਾਉਂਦਾ ਹੈ ਪਰ ਜ਼ਿੰਮੇਵਾਰੀ ਨੂੰ ਘੱਟ ਨਹੀਂ ਕਰਦਾ; ਇਸ ਦੇ ਉਲਟ, ਇਹ ਹਰੇਕ ਪੜਾਅ 'ਤੇ ਤਸਦੀਕ ਦੇ ਅਨੁਸ਼ਾਸਨ ਨੂੰ ਹੋਰ ਵੀ ਮਹੱਤਵਪੂਰਨ ਬਣਾਉਂਦਾ ਹੈ। AI ਵਹਾਅ ਨੂੰ ਤੇਜ਼ ਕਰਦਾ ਹੈ; ਮਨੁੱਖ ਸ਼ੁੱਧਤਾ, ਸੁਰੱਖਿਆ ਅਤੇ ਨੈਤਿਕ ਪਾਲਣਾ ਦੀ ਗਰੰਟੀ ਦਿੰਦਾ ਹੈ।

ਡੂੰਘਾਈ: ਵਰਕਫਲੋ ਸਮੇਂ ਦੀ ਬਚਤ, ਕਮਜ਼ੋਰੀ ਅਤੇ ਆਡਿਟ ਟ੍ਰੇਲ

ਅੰਤ-ਤੋਂ-ਅੰਤ ਦੇ ਪ੍ਰਵਾਹ ਦਾ ਅਸਲ ਮੁੱਲ "ਏਆਈ ਨੂੰ ਇਹ ਸਭ ਕਰਨ ਦਿਓ" ਨਹੀਂ ਹੈ ਬਲਕਿ ਸਹੀ ਥਾਵਾਂ 'ਤੇ ਸਮਾਂ ਪ੍ਰਾਪਤ ਕਰਨਾ ਅਤੇ ਸਹੀ ਸਥਾਨਾਂ 'ਤੇ ਹੌਲੀ ਹੋਣਾ ਹੈ। ਚਲੋ ਇਸ ਦ੍ਰਿਸ਼ ਵਿੱਚ ਲਾਭ ਦੀ ਮਾਤਰਾ ਨਿਰਧਾਰਤ ਕਰੀਏ: ਸਬੂਤ ਫਰੇਮਵਰਕ ਸਥਾਪਤ ਕਰਨਾ, ਖੋਜ ਸ਼ਬਦ ਬਣਾਉਣਾ, ਰਿਪੋਰਟ ਭਾਸ਼ਾ ਨੂੰ ਸਰਲ ਬਣਾਉਣਾ, ਅਤੇ ਪੋਸਟ-ਆਡਿਟ ਚੈਕਲਿਸਟ ਦੇ ਨਾਲ ਆਉਣਾ ਰਵਾਇਤੀ ਤੌਰ 'ਤੇ ਕਈ ਘੰਟਿਆਂ ਦੇ ਡਰਾਫਟ ਦੇ ਕੰਮ ਨੂੰ ਦਸਾਂ ਮਿੰਟਾਂ ਵਿੱਚ ਕੱਟ ਸਕਦਾ ਹੈ। ਇਸ ਦੇ ਉਲਟ, gnomAD/ClinVar ਪ੍ਰਮਾਣਿਕਤਾ, ਵੇਰੀਐਂਟ ਵੈਲੀਡੇਟਰ ਪਿਨਿੰਗ, ਡੀਓਆਈ ਜਾਂਚ, ਅਤੇ ਮਾਹਰ ਨਿਰਣੇ ਨੂੰ ਸੰਖੇਪ ਨਹੀਂ ਕੀਤਾ ਜਾ ਸਕਦਾ - ਇਹ ਸਟ੍ਰੀਮ ਦੀ ਸੁਰੱਖਿਆ ਰੀੜ੍ਹ ਦੀ ਹੱਡੀ ਹਨ। ਸਹੀ ਮਾਨਸਿਕਤਾ: "AI ਡਰਾਫਟ ਤਿਆਰ ਕਰਦਾ ਹੈ, ਮਨੁੱਖੀ ਗਾਰੰਟਰ ਵਜੋਂ ਕੰਮ ਕਰਦਾ ਹੈ।" ਲਾਭ ਡਰਾਫਟ ਵਿੱਚ ਹੈ, ਜ਼ਿੰਮੇਵਾਰੀ ਫੈਸਲੇ ਵਿੱਚ ਹੈ।

ਪ੍ਰਵਾਹ ਵਿੱਚ ਸਭ ਤੋਂ ਨਾਜ਼ੁਕ ਲਿੰਕ ਹਮੇਸ਼ਾ ਪਹਿਲਾ ਹੁੰਦਾ ਹੈ: ਐਂਕਰਿੰਗ। ਗਲਤ ਜੀਨੋਮ ਸੰਸਕਰਣ ਜਾਂ ਗਲਤ ਟ੍ਰਾਂਸਕ੍ਰਿਪਟ ਚੁੱਪਚਾਪ ਹਰ ਅਗਲੇ ਪੜਾਅ 'ਤੇ ਫੈਲਦੀ ਹੈ, ਅੰਤ ਵਿੱਚ ਇੱਕ ਪੂਰੀ ਤਰ੍ਹਾਂ ਅਵੈਧ ਰਿਪੋਰਟ ਤਿਆਰ ਕਰਦੀ ਹੈ। ਇਸ ਲਈ ਸਿੰਗਲ ਸਟੈਂਡਅਲੋਨ ਟੂਲ (ਜਿਵੇਂ ਕਿ ਵੇਰੀਐਂਟ ਵੈਲੀਡੇਟਰ) ਨਾਲ ਐਂਕਰ ਨੂੰ ਪ੍ਰਮਾਣਿਤ ਕੀਤੇ ਬਿਨਾਂ ਅਗਲੇ ਪੜਾਅ 'ਤੇ ਅੱਗੇ ਨਾ ਵਧੋ। ਦੂਜਾ ਸਭ ਤੋਂ ਕਮਜ਼ੋਰ ਬਿੰਦੂ ਪੜਾਵਾਂ ਦੇ ਵਿਚਕਾਰ ਆਉਟਪੁੱਟ ਕੈਰੀਓਵਰ ਹੈ: ਇੱਕ ਪੜਾਅ ਦੇ ਅਣ-ਪ੍ਰਮਾਣਿਤ ਆਉਟਪੁੱਟ ਨੂੰ ਅਗਲੇ ਲਈ ਇਨਪੁਟ ਬਣਾਉਣਾ ਚੇਨ ਭਰਮ ਨੂੰ ਸੱਦਾ ਦਿੰਦਾ ਹੈ।

ਅੰਤ ਵਿੱਚ, ਕਲੀਨਿਕਲ ਸੰਦਰਭ ਵਿੱਚ, ਆਡਿਟ ਟ੍ਰੇਲ ਪ੍ਰਵਾਹ ਦਾ ਅਨਿੱਖੜਵਾਂ ਅੰਗ ਹੈ: ਇਹ ਦਸਤਾਵੇਜ਼ ਹੋਣਾ ਚਾਹੀਦਾ ਹੈ ਕਿ ਕਿਹੜੇ ਸਰੋਤ ਦੀ ਕਿਸ ਮਿਤੀ ਨੂੰ ਜਾਂਚ ਕੀਤੀ ਗਈ ਸੀ, ਕਿਹੜਾ ਕਲੀਨਵਰ ਸੰਸਕਰਣ ਦੇਖਿਆ ਗਿਆ ਸੀ, ਕਿਸਨੇ ਕਿਸ ਫੈਸਲੇ ਨੂੰ ਮਨਜ਼ੂਰੀ ਦਿੱਤੀ ਸੀ। ClinVar ਸਮੀਖਿਆਵਾਂ ਸਮੇਂ ਦੇ ਨਾਲ ਬਦਲਦੀਆਂ ਹਨ; ਇੱਕ ਰਿਕਾਰਡ ਜੋ "ਜਰਾਸੀਮਿਕ ਅੱਜ" ਹੈ, ਇੱਕ ਸਾਲ ਬਾਅਦ VUS ਵਿੱਚ ਵਾਪਸ ਜਾ ਸਕਦਾ ਹੈ। ਆਡਿਟ ਟ੍ਰੇਲ ਮੁੜ-ਮੁਲਾਂਕਣ ਅਤੇ ਕਾਨੂੰਨੀ/ਨੈਤਿਕ ਜਵਾਬਦੇਹੀ ਦੋਵਾਂ ਨੂੰ ਸਮਰੱਥ ਬਣਾਉਂਦਾ ਹੈ।

ਸਟ੍ਰੀਮਿੰਗ ਵਿਸ਼ੇਸ਼ਤਾ

ਸਿਧਾਂਤ

ਐਪਲੀਕੇਸ਼ਨ

ਸਮੇਂ ਦੀ ਬਚਤ

ਡਰਾਫਟ 'ਤੇ ਗਤੀ ਲਈ ਉੱਠੋ

ਏਆਈ ਤੋਂ ਫਰੇਮਵਰਕ, ਭਾਸ਼ਾ, ਚੈੱਕਲਿਸਟ

ਨਾਜ਼ੁਕਤਾ

ਪਹਿਲੀ ਰਿੰਗ ਨੂੰ ਸੁਰੱਖਿਅਤ ਕਰੋ

ਸੁਤੰਤਰ ਟੂਲ ਨਾਲ ਫਿਕਸੇਸ਼ਨ ਦੀ ਪੁਸ਼ਟੀ ਕਰੋ

ਆਉਟਪੁੱਟ ਆਵਾਜਾਈ

ਬਿਨਾਂ ਪੁਸ਼ਟੀ ਕੀਤੇ ਚਲੇ ਜਾਓ

ਹਰ ਪੜਾਅ ਨੂੰ ਸਰੋਤ 'ਤੇ ਮਨਜ਼ੂਰੀ ਦਿੱਤੀ ਜਾਂਦੀ ਹੈ

ਆਡਿਟ ਟ੍ਰੇਲ

ਹਰ ਫੈਸਲੇ ਦਾ ਦਸਤਾਵੇਜ਼ ਬਣਾਓ

ਸਰੋਤ, ਮਿਤੀ, ਰਜਿਸਟਰਡ ਦੁਆਰਾ ਪ੍ਰਵਾਨਿਤ

ਸੰਖੇਪ ਵਿੱਚ

• ਖੋਜ ਤੋਂ ਰਿਪੋਰਟ ਤੱਕ ਇੱਕ ਰੂਪ ਦੀ ਯਾਤਰਾ; ਇਹ ਫਿਕਸਿੰਗ, ਗੁਪਤਤਾ, ਸਬੂਤ, ਬਣਤਰ, ਸਾਹਿਤ, ਕਲਾਸ ਅਤੇ ਰਿਪੋਰਟ ਦੇ ਪੜਾਵਾਂ ਨੂੰ ਕਵਰ ਕਰਦਾ ਹੈ।
• AI ਹਰੇਕ ਪੜਾਅ 'ਤੇ ਡਰਾਫਟ/ਕੋਡ/ਸਾਰਾਂਸ਼ ਤਿਆਰ ਕਰਦਾ ਹੈ; ਹਰ ਪੜਾਅ 'ਤੇ, ਮਾਹਰ ਤਸਦੀਕ ਕਰਦਾ ਹੈ ਅਤੇ ਫੈਸਲਾ ਕਰਦਾ ਹੈ।
• ਪੜਾਵਾਂ ਦੇ ਵਿਚਕਾਰ ਆਉਟਪੁੱਟ ਨੂੰ ਪੁਸ਼ਟੀਕਰਨ ਤੋਂ ਬਾਅਦ ਹੀ ਅਗਲੇ ਵਿੱਚ ਭੇਜਿਆ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ।
• ਗੁਪਤਤਾ ਸ਼ੁਰੂ ਤੋਂ ਹੀ ਸਥਾਪਿਤ ਕੀਤੀ ਜਾਂਦੀ ਹੈ; ਕਲਾਸ ਅਤੇ ਕਲੀਨਿਕਲ ਫੈਸਲਾ ਅੰਤ ਵਿੱਚ ਮਾਹਰ ਦੀ ਪ੍ਰਵਾਨਗੀ ਨਾਲ ਲਿਆ ਜਾਂਦਾ ਹੈ।

ਐਪਲੀਕੇਸ਼ਨ ਦਾ ਕੰਮ

ਇੱਕ ਕਾਲਪਨਿਕ ਰੂਪ ਚੁਣੋ (ਜਿਵੇਂ ਕਿ ਇੱਕ ਮਸ਼ਹੂਰ BRCA1 ਰਿਕਾਰਡ)। 1. ਟੈਂਪਲੇਟ ਦੇ ਨਾਲ ਇੱਕ ਅੰਤ-ਤੋਂ-ਅੰਤ ਚੈਕਲਿਸਟ ਬਣਾਓ ਅਤੇ ਹਰੇਕ ਪੜਾਅ ਨੂੰ ਇਸ ਮੋਡੀਊਲ ਵਿੱਚ ਸੰਬੰਧਿਤ ਇਕਾਈ ਦੀ ਵਿਧੀ ਵਿੱਚ ਆਪਣੇ ਆਪ ਪੂਰਾ ਕਰੋ: ਵੇਰੀਐਂਟ ਨੂੰ ਠੀਕ ਕਰੋ, gnomAD/ClinVar ਦੀ ਜਾਂਚ ਕਰੋ, ਅਲਫਾਫੋਲਡ ਢਾਂਚੇ ਨੂੰ ਦੇਖੋ, ਇੱਕ ਅਸਲੀ ਲੇਖ ਲੱਭੋ, ਸੰਭਾਵੀ ਸ਼੍ਰੇਣੀ ਨੂੰ ਜਾਇਜ਼ ਠਹਿਰਾਓ ਅਤੇ ਇੱਕ ਰਿਪੋਰਟ ਪੈਰਾਗ੍ਰਾਫ ਦਾ ਖਰੜਾ ਤਿਆਰ ਕਰੋ ਅਤੇ ਇੱਕ ਮਾਹਰ ਅੱਖ ਨਾਲ ਇਸ ਨੂੰ ਪ੍ਰਮਾਣਿਤ ਕਰੋ। ਘੱਟੋ-ਘੱਟ ਦੋ ਪੜਾਵਾਂ ਵਿੱਚ AI ਅਤੇ ਸਰੋਤ ਵਿੱਚ ਅੰਤਰ ਲੱਭਣ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰੋ।

ਚੈੱਕਲਿਸਟ

• [ ] ਮੈਂ ਸ਼ੁਰੂ ਤੋਂ ਹੀ ਗੋਪਨੀਯਤਾ ਸਥਾਪਤ ਕੀਤੀ ਹੈ; ਮੈਂ ਕੋਈ ਵੀ ਪਛਾਣ ਡੇਟਾ ਟ੍ਰਾਂਸਫਰ ਨਹੀਂ ਕੀਤਾ।
• [ ] ਮੈਂ ਸੰਸਕਰਣ/ਟ੍ਰਾਂਸਕ੍ਰਿਪਟ ਦੇ ਨਾਲ ਵੇਰੀਐਂਟ ਨੂੰ ਫਿਕਸ ਕੀਤਾ ਹੈ ਅਤੇ ਵੈਲੀਡੇਟਰ ਨਾਲ ਇਸਦੀ ਪੁਸ਼ਟੀ ਕੀਤੀ ਹੈ।
• [ ] ਮੈਂ ਪ੍ਰਾਇਮਰੀ ਸਰੋਤ ਵਿੱਚ ਹਰੇਕ ਸਬੂਤ (ਫ੍ਰੀਕੁਐਂਸੀ, ਕਲਿਨਵਰ, ਸਾਹਿਤ) ਦੀ ਪੁਸ਼ਟੀ ਕੀਤੀ ਹੈ।
• [ ] ਮੈਂ ਢਾਂਚਾ ਟਿੱਪਣੀ ਭਰੋਸੇ ਨਾਲ ਅਤੇ ਫਾਈਲ ਤੋਂ ਕੀਤੀ ਹੈ।
• [ ] ਮੈਂ ਸਬੂਤ ਦੇ ਆਧਾਰ 'ਤੇ ਕਲਾਸ ਅਤੇ ਕਲੀਨਿਕਲ ਵਿਆਖਿਆ ਨੂੰ ਨਿੱਜੀ ਤੌਰ 'ਤੇ ਪ੍ਰਮਾਣਿਤ ਕੀਤਾ ਹੈ।
• [ ] ਮੈਂ ਰਿਪੋਰਟ ਭਾਸ਼ਾ ਵਿੱਚ ਕਾਰਣਤਾ/ਸ਼ੁੱਧਤਾ ਦੀ ਜਾਂਚ ਕੀਤੀ ਅਤੇ ਸੀਮਾਵਾਂ ਜੋੜੀਆਂ।

ਮੋਡੀਊਲ ਪ੍ਰੀਖਿਆ

1. ਅਣੂ ਜੀਵ ਵਿਗਿਆਨ ਅਤੇ ਜੈਨੇਟਿਕਸ ਵਿੱਚ ਨਕਲੀ ਬੁੱਧੀ (ਖਾਸ ਕਰਕੇ ਵੱਡੀ ਭਾਸ਼ਾ ਮਾਡਲ) ਲਈ ਹੇਠਾਂ ਦਿੱਤੇ ਵਿੱਚੋਂ ਕਿਹੜਾ ਸਭ ਤੋਂ ਸਹੀ ਸਥਿਤੀ ਹੈ?

• ਏ) ਇਹ ਇੱਕ ਸਹਾਇਕ ਹੈ ਜੋ ਕੋਡ ਲਿਖਦਾ ਹੈ, ਡਰਾਫਟ ਅਤੇ ਟਿੱਪਣੀਆਂ ਤਿਆਰ ਕਰਦਾ ਹੈ; ਹਰੇਕ ਜੀਵ-ਵਿਗਿਆਨਕ ਵਰਤਾਰੇ ਨੂੰ ਪ੍ਰਾਇਮਰੀ ਸਰੋਤ ਵਿੱਚ ਪ੍ਰਮਾਣਿਤ ਕੀਤਾ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ, ਅੰਤਮ ਵਿਆਖਿਆ ਮਾਹਰ ਦੀ ਹੈ ✔
• ਅ) ਇਹ ਇੱਕ ਭਰੋਸੇਯੋਗ ਜੀਨੋਮ ਡੇਟਾਬੇਸ ਹੈ; ਦਿੱਤੇ ਗਏ ਕ੍ਰਮ ਅਤੇ ਰੂਪ ਸਿੱਧੇ ਰਿਪੋਰਟ ਵਿੱਚ ਲਿਖੇ ਜਾ ਸਕਦੇ ਹਨ।
• C) ਕਿਉਂਕਿ ਇਹ ਇੱਕ ਪ੍ਰਯੋਗਸ਼ਾਲਾ ਯੰਤਰ ਵਾਂਗ ਮਾਪਦਾ ਹੈ, ਇਸ ਦੇ ਆਉਟਪੁੱਟ ਨੂੰ ਪ੍ਰਯੋਗਾਤਮਕ ਸਬੂਤ ਮੰਨਿਆ ਜਾਂਦਾ ਹੈ।
• ਡੀ) ਇਹ ਮਨੁੱਖੀ ਪ੍ਰਵਾਨਗੀ ਤੋਂ ਬਿਨਾਂ ਕਲੀਨਿਕਲ ਪੈਥੋਜਨਿਕਤਾ ਦੇ ਫੈਸਲੇ ਨੂੰ ਅੰਤਿਮ ਰੂਪ ਦੇਣ ਲਈ ਸਮਰੱਥ ਹੈ।

ਵਿਆਖਿਆ: ਵੱਡੀ ਭਾਸ਼ਾ ਮਾਡਲ ਇੱਕ ਜੀਨੋਮ ਡੇਟਾਬੇਸ ਜਾਂ ਪ੍ਰਯੋਗਸ਼ਾਲਾ ਸੰਦ ਨਹੀਂ ਹੈ; ਇਹ ਇੱਕ ਟੈਕਸਟ ਜਨਰੇਟਰ ਹੈ ਜੋ ਸਿਖਲਾਈ ਡੇਟਾ ਵਿੱਚ ਅੰਕੜਿਆਂ ਦੀ ਨਕਲ ਕਰਦਾ ਹੈ। ਜੀਵ-ਵਿਗਿਆਨਕ ਤੱਥ ਜਿਵੇਂ ਕਿ ਕ੍ਰਮ/ਵੇਰੀਐਂਟ/ਜੀਨ ਨੂੰ ਹਮੇਸ਼ਾ ਪ੍ਰਾਇਮਰੀ ਸਰੋਤਾਂ ਜਿਵੇਂ ਕਿ NCBI, Ensembl, ClinVar, gnomAD ਤੋਂ ਪ੍ਰਮਾਣਿਤ ਕੀਤਾ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ; ਅੰਤਮ ਕਲੀਨਿਕਲ ਅਤੇ ਵਿਗਿਆਨਕ ਵਿਆਖਿਆ ਕਾਬਲ ਮਾਹਰ ਨਾਲ ਸਬੰਧਤ ਹੋਣੀ ਚਾਹੀਦੀ ਹੈ.

2. ਤੁਸੀਂ AI ਤੋਂ ਇੱਕ ਰੂਪ ਦਾ ਜੀਨੋਮ ਕੋਆਰਡੀਨੇਟ ਪ੍ਰਾਪਤ ਕੀਤਾ ਹੈ, ਪਰ ਤੁਹਾਡਾ ਪ੍ਰੋਜੈਕਟ GRCh38 (hg38) ਦੀ ਵਰਤੋਂ ਕਰਦਾ ਹੈ। ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ ਨੇ hg19 ਕੋਆਰਡੀਨੇਟ ਦਿੱਤਾ ਹੋ ਸਕਦਾ ਹੈ। ਸਹੀ ਪਹੁੰਚ ਕੀ ਹੈ?

• A) ਸਿੱਧੇ ਨਿਰਦੇਸ਼ਾਂਕ ਦੀ ਵਰਤੋਂ ਕਰਨਾ ਕਿਉਂਕਿ ਇਹ ਵਾਜਬ ਲੱਗਦਾ ਹੈ
• ਅ) ਸੰਸਕਰਣ ਦੀ ਮੰਗ ਕਰਨ ਦੀ ਕੋਈ ਲੋੜ ਨਹੀਂ ਹੈ ਕਿਉਂਕਿ ਨਕਲੀ ਬੁੱਧੀ ਹਮੇਸ਼ਾ ਸਭ ਤੋਂ ਮੌਜੂਦਾ ਸੰਸਕਰਣ ਦਿੰਦੀ ਹੈ।
• C) ਸਪੱਸ਼ਟ ਤੌਰ 'ਤੇ ਜੀਨੋਮ ਸੰਸਕਰਣ ਦੀ ਪੁਸ਼ਟੀ ਕਰੋ ਅਤੇ ਅਧਿਕਾਰਤ ਲਿਫਟਓਵਰ ਟੂਲ ਨਾਲ ਤਾਲਮੇਲ ਦੀ ਪੁਸ਼ਟੀ ਕਰੋ ✔
• D) ਕਿਉਂਕਿ hg19 ਅਤੇ hg38 ਵਿਚਕਾਰ ਅੰਤਰ ਮਾਮੂਲੀ ਹੈ, ਇੱਕ ਚੁਣੋ ਅਤੇ ਜਾਰੀ ਰੱਖੋ

ਵਰਣਨ: ਜੀਨੋਮ ਸੰਸਕਰਣਾਂ (GRCh37/hg19 ਅਤੇ GRCh38/hg38) ਵਿਚਕਾਰ ਕੋਆਰਡੀਨੇਟਸ ਸ਼ਿਫਟ ਹੁੰਦੇ ਹਨ। ਸੰਸਕਰਣ ਤੋਂ ਬਿਨਾਂ ਦਿੱਤੇ ਗਏ ਕੋਈ ਵੀ ਕੋਆਰਡੀਨੇਟ ਸ਼ੱਕੀ ਹਨ। ਕੋਆਰਡੀਨੇਟਸ ਨੂੰ ਇੱਕ ਅਧਿਕਾਰਤ ਲਿਫਟਓਵਰ ਟੂਲ ਨਾਲ ਬਦਲਿਆ/ਤਸਦੀਕ ਕੀਤਾ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ ਅਤੇ ਵਰਤੇ ਗਏ ਜੀਨੋਮ ਸੰਸਕਰਣ ਦੀ ਸਪਸ਼ਟ ਤੌਰ 'ਤੇ ਪੁਸ਼ਟੀ ਕੀਤੀ ਜਾਣੀ ਚਾਹੀਦੀ ਹੈ; ਨਹੀਂ ਤਾਂ ਸਮੁੱਚੀ ਅਲਾਈਨਮੈਂਟ ਅਤੇ ਟਿੱਪਣੀ ਗਲਤ ਸਥਾਨ ਵੱਲ ਇਸ਼ਾਰਾ ਕਰੇਗੀ।

3. HGVS ਨੋਟੇਸ਼ਨ 'c.', 'p.' ਵਿੱਚ ਅਤੇ 'ਜੀ.' ਅਗੇਤਰਾਂ ਦਾ ਕੀ ਅਰਥ ਹੈ ਅਤੇ ਉਹਨਾਂ ਨੂੰ ਉਲਝਣ ਵਿੱਚ ਕਿਉਂ ਨਹੀਂ ਹੋਣਾ ਚਾਹੀਦਾ?

• ਏ) ਤਿੰਨਾਂ ਦਾ ਅਰਥ ਇੱਕੋ ਹੀ ਹੈ, ਇਸ ਨਾਲ ਕੋਈ ਫਰਕ ਨਹੀਂ ਪੈਂਦਾ ਕਿ ਕਿਹੜਾ ਵਰਤਿਆ ਗਿਆ ਹੈ।
• ਅ) 'ਸੀ.' ਕੋਡਿੰਗ DNA/ਟ੍ਰਾਂਸਕ੍ਰਿਪਟ, 'p.' ਪ੍ਰੋਟੀਨ, 'ਜੀ.' ਜੀਨੋਮਿਕ ਪੱਧਰ ਹੈ; ਜੇਕਰ ਉਲਝਣ ਵਿੱਚ ਹੈ, ਤਾਂ ਇਹ ਇੱਕ ਵੱਖਰੇ ਸਥਾਨ ਨੂੰ ਦਰਸਾ ਸਕਦਾ ਹੈ ✔
• ਗ) 'ਪੀ.' ਹਮੇਸ਼ਾ 'c.' ਇਸਦਾ ਮੁੱਲ ਤਿੰਨ ਗੁਣਾ ਹੈ, ਪਰਿਵਰਤਨ ਆਟੋਮੈਟਿਕ ਅਤੇ ਗਲਤੀ-ਮੁਕਤ ਹੈ
• ਡੀ) ਅਗੇਤਰ ਸਿਰਫ਼ ਰਸਮੀ ਹਨ; ਪ੍ਰਤੀਲਿਪੀ ਸੰਸਕਰਣ ਨਿਰਧਾਰਤ ਕਰਨ ਦੀ ਕੋਈ ਲੋੜ ਨਹੀਂ ਹੈ

ਵਰਣਨ: HGVS ਰੂਪਾਂਤਰਾਂ ਵਾਲਾ ਮਿਆਰੀ ਸਪੈਲਿੰਗ ਫਾਰਮੈਟ ਹੈ: 'c.' ਕੋਡਿੰਗ ਡੀਐਨਏ (ਪ੍ਰਤਿਲਿਪੀ) ਪੱਧਰ, 'ਪੀ.' ਪ੍ਰੋਟੀਨ ਦਾ ਪੱਧਰ, 'ਜੀ.' ਜੀਨੋਮਿਕ ਪੱਧਰ ਦਾ ਹਵਾਲਾ ਦਿੰਦਾ ਹੈ। ਇਹਨਾਂ ਨੂੰ ਮਿਲਾਉਣਾ ਜਾਂ ਗਲਤ ਟ੍ਰਾਂਸਕ੍ਰਿਪਟ ਸੰਸਕਰਣ ਦੀ ਵਰਤੋਂ ਕਰਨਾ ਇੱਕ ਪੂਰੀ ਤਰ੍ਹਾਂ ਵੱਖਰੇ ਸਥਾਨ/ਵੇਰੀਏਂਟ ਨੂੰ ਦਰਸਾ ਸਕਦਾ ਹੈ; ਇਸ ਲਈ ਪ੍ਰਤੀਲਿਪੀ ਸੰਸਕਰਣ (ਜਿਵੇਂ ਕਿ NM_007294.4) ਦੇ ਨਾਲ ਸਹੀ ਅਗੇਤਰ ਵਰਤਿਆ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ।

4. ਕਿਸੇ ਵੇਰੀਐਂਟ ਦੀ ਜਰਾਸੀਮਤਾ ਦਾ ਮੁਲਾਂਕਣ ਕਰਨ ਲਈ ACMG ਮਾਪਦੰਡਾਂ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਸਮੇਂ AI ਦੀ ਕੀ ਭੂਮਿਕਾ ਹੋਣੀ ਚਾਹੀਦੀ ਹੈ?

• ਏ) ਨਕਲੀ ਬੁੱਧੀ ਸਬੂਤ ਅਤੇ ਸ਼੍ਰੇਣੀ ਨੂੰ ਅੰਤਿਮ ਰੂਪ ਦਿੰਦੀ ਹੈ; ਮਾਹਰ ਨਿਗਰਾਨੀ ਦੀ ਕੋਈ ਲੋੜ ਨਹੀਂ
• B) GnomAD ਨਿਯੰਤਰਣ ਬੇਲੋੜਾ ਹੈ ਕਿਉਂਕਿ ਨਕਲੀ ਬੁੱਧੀ ਇਸਦੀ ਯਾਦਦਾਸ਼ਤ ਤੋਂ ਆਬਾਦੀ ਦੀ ਬਾਰੰਬਾਰਤਾ ਦਿੰਦੀ ਹੈ।
• C) ਕਿਉਂਕਿ ACMG ਮਾਪਦੰਡ ਸਖਤ ਹਨ, AI ਆਉਟਪੁੱਟ ਨੂੰ ਆਪਣੇ ਆਪ ਹੀ ਸਹੀ ਮੰਨਿਆ ਜਾਂਦਾ ਹੈ
• ਡੀ) ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ ਡਰਾਫਟ ਸਬੂਤ ਪੈਦਾ ਕਰ ਸਕਦੀ ਹੈ; ਹਰੇਕ ਸਬੂਤ ਨੂੰ ਪ੍ਰਾਇਮਰੀ ਸਰੋਤ ਵਿੱਚ ਪ੍ਰਮਾਣਿਤ ਕੀਤਾ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ, ਅੰਤਮ ਵਰਗੀਕਰਨ ਮਾਹਰ ਦੁਆਰਾ ਕੀਤਾ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ ✔

ਵਰਣਨ: ACMG ਇੱਕ ਫਰੇਮਵਰਕ ਹੈ ਜੋ ਸਬੂਤ ਦੀਆਂ ਸ਼੍ਰੇਣੀਆਂ (ਜਨਸੰਖਿਆ ਦੀ ਬਾਰੰਬਾਰਤਾ, ਸਿਲੀਕੋ ਪੂਰਵ-ਅਨੁਮਾਨ, ਅਲੱਗ-ਥਲੱਗ, ਕਾਰਜਸ਼ੀਲ ਅਧਿਐਨ, ਸਾਹਿਤ) ਦੁਆਰਾ ਵਿਭਿੰਨ ਰੋਗਜਨਕਤਾ ਦਾ ਵਰਗੀਕਰਨ ਕਰਦਾ ਹੈ। AI ਡਰਾਫਟ ਸਬੂਤ ਪੇਸ਼ ਕਰ ਸਕਦਾ ਹੈ; ਹਾਲਾਂਕਿ, ਹਰੇਕ ਸਬੂਤ ਨੂੰ ClinVar, gnomAD ਅਤੇ ਸਾਹਿਤ ਵਿੱਚ ਨਿੱਜੀ ਤੌਰ 'ਤੇ ਤਸਦੀਕ ਕੀਤਾ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ, ਅਤੇ ਅੰਤਮ ਵਰਗੀਕਰਨ (ਪੈਥੋਜਨਿਕ/ਸੰਭਾਵਤ ਰੋਗਾਣੂ/VUS...) ਯੋਗ ਮਾਹਰ ਦੁਆਰਾ ਕੀਤਾ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ।

5. ਤੁਸੀਂ ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ ਦੁਆਰਾ ਦਿੱਤੇ ਗਏ ਡੀਐਨਏ ਕ੍ਰਮ ਨਾਲ ਕੰਮ ਕਰੋਗੇ। ਸਭ ਤੋਂ ਵਧੀਆ ਪਹਿਲਾ ਕਦਮ ਕੀ ਹੈ?

• ਏ) ਕਿਸੇ ਪ੍ਰਾਇਮਰੀ ਸਰੋਤ ਜਿਵੇਂ ਕਿ NCBI/Ensembl ਤੋਂ ਪ੍ਰਾਪਤ ਕਰਕੇ ਜਾਂ ਉੱਥੇ ਹਵਾਲੇ ਨਾਲ ਇਸ ਦੀ ਪੁਸ਼ਟੀ ਕਰਕੇ ਕ੍ਰਮ ਦੀ ਵਰਤੋਂ ਕਰਨਾ ✔
• ਅ) ਕ੍ਰਮ ਨੂੰ ਸਿੱਧੇ ਵਿਸ਼ਲੇਸ਼ਣ ਵਿੱਚ ਸ਼ਾਮਲ ਕਰਨਾ ਕਿਉਂਕਿ ਇਹ ਸਹੀ ਲੰਬਾਈ ਜਾਪਦਾ ਹੈ
• C) ਇਹ ਮੰਨਣਾ ਕਿ ਕ੍ਰਮ ਸਹੀ ਹੈ ਜੇਕਰ ਅੱਖਰਾਂ ਵਿੱਚ ਪ੍ਰਮਾਣਿਕ ਨਿਊਕਲੀਓਟਾਈਡ ਹੁੰਦੇ ਹਨ
• D) ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ ਨੂੰ ਕ੍ਰਮ ਬਾਰੇ ਦੁਬਾਰਾ ਪੁੱਛੋ ਅਤੇ ਇਸ ਨੂੰ ਸਹੀ ਗਿਣੋ ਜੇਕਰ ਦੋ ਆਉਟਪੁੱਟ ਇੱਕੋ ਹਨ।

ਵਿਆਖਿਆ: AI ਇੱਕ ਸਟ੍ਰਿੰਗ ਨੂੰ 'ਭਰ' ਸਕਦਾ ਹੈ ਜਿਸਨੂੰ ਇਹ ਸਮਝਦਾਰ ਦਿੱਖ ਵਾਲੇ ਅੱਖਰਾਂ ਨਾਲ ਯਾਦ ਨਹੀਂ ਹੈ; ਭਾਵੇਂ ਲੰਬਾਈ ਅਤੇ ਅੱਖਰ ਸਹੀ ਦਿਖਾਈ ਦੇਣ, ਉਹ ਅਸਲ ਸੰਦਰਭ ਨਾਲ ਮੇਲ ਨਹੀਂ ਖਾਂਦੇ। ਇਸ ਲਈ, ਸਿਰ ਤੋਂ ਨਕਲੀ ਬੁੱਧੀ ਦੁਆਰਾ ਦਿੱਤਾ ਗਿਆ ਕੋਈ ਵੀ ਕ੍ਰਮ ਸਿੱਧੇ ਤੌਰ 'ਤੇ ਨਹੀਂ ਵਰਤਿਆ ਜਾਂਦਾ; ਕ੍ਰਮ ਨੂੰ ਇੱਕ ਪ੍ਰਾਇਮਰੀ ਸਰੋਤ ਜਿਵੇਂ ਕਿ NCBI/Ensembl ਤੋਂ ਲਿਆ ਗਿਆ ਹੈ ਜਾਂ ਇਸ ਵਿੱਚ ਹਵਾਲੇ ਦੁਆਰਾ ਪੁਸ਼ਟੀ ਕੀਤੀ ਗਈ ਹੈ।

6. ਐਲਫਾਫੋਲਡ ਵਰਗੇ ਟੂਲ ਤੋਂ ਪ੍ਰੋਟੀਨ ਬਣਤਰ ਦੀ ਭਵਿੱਖਬਾਣੀ ਵਿੱਚ pLDDT ਸਕੋਰ ਦਾ ਕੀ ਅਰਥ ਹੈ?

• ਏ) ਇਹ ਇੱਕ ਸਰਟੀਫਿਕੇਟ ਹੈ ਜੋ ਦਰਸਾਉਂਦਾ ਹੈ ਕਿ ਢਾਂਚਾ ਪ੍ਰਯੋਗਾਤਮਕ ਤੌਰ 'ਤੇ ਸਾਬਤ ਹੋਇਆ ਹੈ
• ਬੀ) ਇਹ ਇੱਕ ਪ੍ਰਯੋਗਸ਼ਾਲਾ ਮੁੱਲ ਹੈ ਜੋ ਪ੍ਰੋਟੀਨ ਦੀ ਕਾਰਜਸ਼ੀਲ ਗਤੀਵਿਧੀ ਦੇ ਪੱਧਰ ਨੂੰ ਮਾਪਦਾ ਹੈ।
• C) ਇਹ ਇੱਕ ਸਕੋਰ ਹੈ ਜੋ ਹਰੇਕ ਰਹਿੰਦ-ਖੂੰਹਦ ਲਈ ਸਥਾਨਕ ਢਾਂਚੇ ਦੀ ਭਵਿੱਖਬਾਣੀ ਵਿੱਚ ਮਾਡਲ ਦੇ ਵਿਸ਼ਵਾਸ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ; ਘੱਟ ਮੁੱਲ ਲਚਕਦਾਰ/ਅਵਿਸ਼ਵਾਸਯੋਗ ਜ਼ੋਨ ਹੈ ✔
• D) ਇਹ ਇੱਕ ਅਨੁਪਾਤ ਹੈ ਜੋ ਆਬਾਦੀ ਵਿੱਚ ਪ੍ਰੋਟੀਨ ਦੀ ਵੇਰੀਅੰਟ ਬਾਰੰਬਾਰਤਾ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ।

ਵਰਣਨ: pLDDT (0-100) ਇੱਕ ਭਰੋਸੇਮੰਦ ਸਕੋਰ ਹੈ ਜੋ ਦਰਸਾਉਂਦਾ ਹੈ ਕਿ ਅਲਫਾਫੋਲਡ ਹਰੇਕ ਰਹਿੰਦ-ਖੂੰਹਦ (ਐਮੀਨੋ ਐਸਿਡ) ਲਈ ਇਸਦੇ ਸਥਾਨਕ ਢਾਂਚੇ ਦੀ ਭਵਿੱਖਬਾਣੀ ਵਿੱਚ ਕਿੰਨਾ ਭਰੋਸੇਮੰਦ ਹੈ। ਉੱਚ ਪੀਐਲਡੀਡੀਟੀ ਦਾ ਅਰਥ ਹੈ ਭਰੋਸੇਯੋਗ ਸਥਾਨਕ ਬਣਤਰ, ਘੱਟ ਪੀਐਲਡੀਡੀਟੀ ਦਾ ਅਰਥ ਹੈ ਲਚਕਦਾਰ/ਵਿਗਾੜ ਜਾਂ ਅਵਿਸ਼ਵਾਸਯੋਗ ਖੇਤਰ। ਬਣਤਰ ਇੱਕ ਅਨੁਮਾਨ ਹੈ; ਘੱਟ-ਵਿਸ਼ਵਾਸ ਵਾਲੇ ਖੇਤਰਾਂ ਦੀ ਜ਼ਿਆਦਾ ਵਿਆਖਿਆ ਨਹੀਂ ਕੀਤੀ ਜਾਣੀ ਚਾਹੀਦੀ ਅਤੇ ਕਾਰਜਾਤਮਕ ਦਾਅਵਿਆਂ ਦਾ ਪ੍ਰਯੋਗਾਤਮਕ ਸਬੂਤ ਦੁਆਰਾ ਸਮਰਥਨ ਕੀਤਾ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ।

7. ਇਹ ਦਾਅਵਾ ਕਰਨਾ ਜੋਖਮ ਭਰਿਆ ਕਿਉਂ ਹੈ ਕਿ ਇੱਕ ਪਰਿਵਰਤਨ ਇੱਕ ਅਲਫਾਫੋਲਡ ਢਾਂਚੇ ਦੀ ਭਵਿੱਖਬਾਣੀ ਦੇ ਅਧਾਰ ਤੇ ਪ੍ਰੋਟੀਨ ਨੂੰ 'ਬਿਲਕੁਲ ਅਯੋਗ' ਕਰ ਦਿੰਦਾ ਹੈ?

• ਏ) ਅਲਫਾਫੋਲਡ ਢਾਂਚੇ ਨੂੰ ਕਿਸੇ ਵੀ ਮਕਸਦ ਲਈ ਨਹੀਂ ਵਰਤਿਆ ਜਾ ਸਕਦਾ ਕਿਉਂਕਿ ਉਹ ਹਮੇਸ਼ਾ ਗਲਤ ਹੁੰਦੇ ਹਨ
• ਅ) ਬਣਤਰ ਇੱਕ ਅਨੁਮਾਨ ਹੈ; ਕਾਰਜਾਤਮਕ ਦਾਅਵੇ ਅਨੁਮਾਨਾਂ ਦੇ ਪੱਧਰ 'ਤੇ ਹੁੰਦੇ ਹਨ ਅਤੇ ਪ੍ਰਯੋਗਾਤਮਕ ਪੁਸ਼ਟੀਕਰਨ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ ✔
• C) ਕੋਈ ਖਤਰਾ ਨਹੀਂ ਹੈ; ਅਲਫਾਫੋਲਡ ਆਉਟਪੁੱਟ ਪ੍ਰਯੋਗਾਤਮਕ ਬਿਲਡ ਦੇ ਰੂਪ ਵਿੱਚ ਸਹੀ ਹੈ
• ਡੀ) ਜੇ ਪੀਐਲਡੀਡੀਟੀ ਘੱਟ ਹੋਵੇ ਤਾਂ ਹੀ ਜੋਖਮ ਹੁੰਦਾ ਹੈ; ਜੇਕਰ ਇਹ ਜ਼ਿਆਦਾ ਹੈ, ਤਾਂ ਦਾਅਵੇ ਨੂੰ ਆਪਣੇ ਆਪ ਸਾਬਤ ਮੰਨਿਆ ਜਾਂਦਾ ਹੈ।

ਖੁਲਾਸਾ: ਅਲਫਾਫੋਲਡ ਇੱਕ ਬਣਤਰ ਦੀ ਭਵਿੱਖਬਾਣੀ ਹੈ, ਪ੍ਰਯੋਗਾਤਮਕ ਸਬੂਤ ਨਹੀਂ; ਇਹ ਵਿਸ਼ੇਸ਼ ਤੌਰ 'ਤੇ ਲਚਕਦਾਰ/ਵਿਗਾੜ ਵਾਲੇ ਖੇਤਰਾਂ ਅਤੇ ਮਾਡਲਿੰਗ ਪਰਿਵਰਤਨ ਪ੍ਰਭਾਵਾਂ ਵਿੱਚ ਸੀਮਿਤ ਹੈ। ਕਿਸੇ ਨਿਰਮਾਣ 'ਤੇ ਆਧਾਰਿਤ ਕਾਰਜਾਤਮਕ ਦਾਅਵੇ ਪਰਿਕਲਪਨਾ ਪੱਧਰ 'ਤੇ ਹੁੰਦੇ ਹਨ ਅਤੇ ਪ੍ਰਯੋਗਾਤਮਕ ਤਸਦੀਕ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ (ਉਦਾਹਰਨ ਲਈ, ਕਾਰਜਾਤਮਕ ਅਧਿਐਨ)। ਨਹੀਂ ਤਾਂ, ਭਵਿੱਖਬਾਣੀ ਨੂੰ ਸਬੂਤ ਵਜੋਂ ਪੇਸ਼ ਕੀਤਾ ਜਾਂਦਾ ਹੈ।

8. ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ ਦੁਆਰਾ ਸੁਝਾਏ ਗਏ CRISPR gRNA (ਗਾਈਡ RNA) ਉਮੀਦਵਾਰਾਂ ਦੇ ਸਬੰਧ ਵਿੱਚ ਸਭ ਤੋਂ ਮਹੱਤਵਪੂਰਨ ਪ੍ਰਮਾਣਿਕਤਾ ਕਦਮ ਕੀ ਹੈ?

• A) ਜੇਕਰ gRNA ਦੀ ਲੰਬਾਈ ਸਹੀ ਹੈ, ਤਾਂ ਹੋਰ ਜਾਂਚਾਂ ਦੀ ਲੋੜ ਨਹੀਂ ਹੈ
• ਅ) ਜੇ ਨਕਲੀ ਬੁੱਧੀ ਕਹਿੰਦੀ ਹੈ ਕਿ 'ਆਫ-ਟਾਰਗੇਟ ਪ੍ਰਭਾਵ ਘੱਟ ਹੈ', ਤਾਂ ਸਿੱਧੇ ਪ੍ਰਯੋਗ 'ਤੇ ਅੱਗੇ ਵਧੋ
• C) ਇਹ ਕਾਫ਼ੀ ਭਰੋਸਾ ਹੈ ਕਿ gRNA ਕ੍ਰਮ ਵਿੱਚ ਪ੍ਰਮਾਣਿਕ ਨਿਊਕਲੀਓਟਾਈਡ ਸ਼ਾਮਲ ਹੁੰਦੇ ਹਨ
• D) ਉਮੀਦਵਾਰਾਂ ਨੂੰ ਸਹੀ ਜੀਨੋਮ ਅਲਾਈਨਮੈਂਟ ਅਤੇ ਮਾਹਰ ਆਫ-ਟਾਰਗੇਟ ਵਿਸ਼ਲੇਸ਼ਣ ਟੂਲ ਨਾਲ ਪ੍ਰਮਾਣਿਤ ਕਰੋ ਅਤੇ ਪ੍ਰਯੋਗਸ਼ਾਲਾ ਵਿੱਚ ਪੁਸ਼ਟੀ ਕਰੋ ✔

ਵਰਣਨ: gRNA ਇੱਕ ਗਾਈਡ RNA ਹੈ ਜੋ Cas ਐਂਜ਼ਾਈਮ ਨੂੰ ਟੀਚੇ ਵੱਲ ਨਿਰਦੇਸ਼ਿਤ ਕਰਦਾ ਹੈ; ਗਲਤ ਡਿਜ਼ਾਈਨ ਦੇ ਨਾਲ, ਇਹ ਟਾਰਗੇਟ ਖੇਤਰਾਂ ਨੂੰ ਵੀ ਕੱਟ ਸਕਦਾ ਹੈ। AI ਦੁਆਰਾ ਵਾਪਸ ਕੀਤੇ ਗਏ ਉਮੀਦਵਾਰਾਂ ਨੂੰ ਅਸਲ ਜੀਨੋਮ ਅਲਾਈਨਮੈਂਟ ਅਤੇ ਮਾਹਰ ਆਫ-ਟਾਰਗੇਟ ਵਿਸ਼ਲੇਸ਼ਣ ਟੂਲਸ ਦੁਆਰਾ ਪ੍ਰਮਾਣਿਤ ਕੀਤਾ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ, ਫਿਰ ਪ੍ਰਯੋਗਸ਼ਾਲਾ ਪ੍ਰਯੋਗ ਦੁਆਰਾ ਪੁਸ਼ਟੀ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। ਸਿਰਫ਼ ਇਸ ਲਈ ਕਿਉਂਕਿ ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ ਕਹਿੰਦੀ ਹੈ ਕਿ 'ਸੁਰੱਖਿਅਤ' ਤਸਦੀਕ ਦਾ ਬਦਲ ਨਹੀਂ ਹੈ।

9. RNA-seq ਨਾਲ ਹਜ਼ਾਰਾਂ ਜੀਨਾਂ ਦੇ ਪ੍ਰਗਟਾਵੇ ਵਿੱਚ ਅੰਤਰਾਂ ਦੀ ਜਾਂਚ ਕਰਦੇ ਸਮੇਂ ਮਲਟੀਪਲ ਟੈਸਟਿੰਗ ਸੁਧਾਰ (ਉਦਾਹਰਨ ਲਈ FDR/Benjamini-Hochberg) ਕਿਉਂ ਜ਼ਰੂਰੀ ਹੈ?

• ਏ) ਹਜ਼ਾਰਾਂ ਇੱਕੋ ਸਮੇਂ ਦੇ ਟੈਸਟ ਝੂਠੇ ਸਕਾਰਾਤਮਕ ਨੂੰ ਵਧਾਉਂਦੇ ਹਨ; FDR ਸੁਧਾਰ ਇਹਨਾਂ ਨੂੰ ਸੀਮਿਤ ਕਰਦਾ ਹੈ, ਕੱਚਾ p-ਮੁੱਲ ਗੁੰਮਰਾਹਕੁੰਨ ਹੈ ✔
• ਅ) ਸੁਧਾਰ ਤਾਂ ਹੀ ਜ਼ਰੂਰੀ ਹੈ ਜੇਕਰ ਨਮੂਨਿਆਂ ਦੀ ਗਿਣਤੀ ਛੋਟੀ ਹੋਵੇ; ਇਸ ਦਾ ਜੀਨਾਂ ਦੀ ਗਿਣਤੀ ਨਾਲ ਕੋਈ ਲੈਣਾ-ਦੇਣਾ ਨਹੀਂ ਹੈ
• C) ਮਲਟੀਪਲ ਟੈਸਟਿੰਗ ਸੁਧਾਰ ਨਤੀਜਾ ਨਹੀਂ ਬਦਲਦਾ, ਇਹ ਸਿਰਫ ਰਸਮੀ ਹੈ
• D) ਕੱਚਾ p <0.05 ਹਮੇਸ਼ਾ ਕਾਫੀ ਹੁੰਦਾ ਹੈ; ਸੁਧਾਰ ਅੰਕੜਿਆਂ ਨੂੰ ਬੇਲੋੜਾ ਮੁਸ਼ਕਲ ਬਣਾਉਂਦਾ ਹੈ

ਵਿਆਖਿਆ: ਜਦੋਂ ਹਜ਼ਾਰਾਂ ਜੀਨਾਂ ਦੀ ਇੱਕੋ ਸਮੇਂ ਜਾਂਚ ਕੀਤੀ ਜਾਂਦੀ ਹੈ, ਤਾਂ ਬਹੁਤ ਸਾਰੇ ਜੀਨ p<0.05 (ਗਲਤ ਸਕਾਰਾਤਮਕ) ਦੇ ਨਾਲ ਇੱਕਲੇ ਮੌਕਾ ਦੇ ਕਾਰਨ ਆਉਂਦੇ ਹਨ। ਮਲਟੀਪਲ ਟੈਸਟਿੰਗ ਸੁਧਾਰ (FDR - ਝੂਠੇ ਖੋਜ ਦਰ ਨਿਯੰਤਰਣ) ਇਹਨਾਂ ਗਲਤ ਸਕਾਰਾਤਮਕ ਨੂੰ ਸੀਮਿਤ ਕਰਦਾ ਹੈ। ਗਲਤ ਪੀ-ਮੁੱਲਾਂ ਦੇ ਨਾਲ 'ਮਹੱਤਵਪੂਰਨ' ਘੋਸ਼ਿਤ ਕੀਤੇ ਜੀਨਾਂ ਦੀਆਂ ਸੂਚੀਆਂ ਗੁੰਮਰਾਹਕੁੰਨ ਹਨ; ਵਿਵਸਥਿਤ ਮੁੱਲ (q-ਮੁੱਲ) ਵਰਤਿਆ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ।

10. ਇਸਦਾ ਕੀ ਅਰਥ ਹੈ ਜੇਕਰ ਇੱਕ ਪਾਥਵੇਅ ਸੰਸ਼ੋਧਨ ਵਿਸ਼ਲੇਸ਼ਣ ਵਿੱਚ ਇੱਕ ਮਾਰਗ ਨੂੰ 'ਮਹੱਤਵਪੂਰਣ ਰੂਪ ਵਿੱਚ ਅਮੀਰ' ਪਾਇਆ ਜਾਂਦਾ ਹੈ ਅਤੇ ਇਸਦੀ ਵਿਆਖਿਆ ਕਿਵੇਂ ਕੀਤੀ ਜਾਣੀ ਚਾਹੀਦੀ ਹੈ?

• ਏ) ਸਾਬਤ ਕਰਦਾ ਹੈ ਕਿ ਪਾਥਵੇਅ ਬਿਮਾਰੀ ਦਾ ਨਿਸ਼ਚਿਤ ਕਾਰਨ ਹੈ
• ਅ) ਇਹ ਪ੍ਰਯੋਗਾਤਮਕ ਸਬੂਤ ਹੈ ਕਿ ਪਾਥਵੇਅ ਸੈੱਲ ਵਿੱਚ ਸਰਗਰਮ ਹੈ
• C) ਇਹ ਇੱਕ ਅੰਕੜਾ ਸੰਕੇਤ ਹੈ ਜੋ ਦਰਸਾਉਂਦਾ ਹੈ ਕਿ ਪਾਥਵੇਅ ਜੀਨ ਉਮੀਦ ਨਾਲੋਂ ਵੱਧ ਪ੍ਰਸਤੁਤ ਕੀਤੇ ਗਏ ਹਨ; ਆਲੋਚਨਾਤਮਕ ਵਿਆਖਿਆ ਦੀ ਲੋੜ ਹੈ, ਨਾ ਕਿ ਕਾਰਨ ✔
• D) ਇਹ ਬੈਕਗ੍ਰਾਊਂਡ ਅਤੇ ਮਲਟੀਪਲ ਟੈਸਟਿੰਗ ਸੁਧਾਰਾਂ ਤੋਂ ਸੁਤੰਤਰ, ਆਪਣੇ ਆਪ 'ਤੇ ਕਾਫੀ ਨਤੀਜਾ ਹੈ

ਵਰਣਨ: ਸੰਸ਼ੋਧਨ ਇੱਕ ਅੰਕੜਾ ਸੰਕੇਤ ਹੈ ਜੋ ਇਹ ਦਰਸਾਉਂਦਾ ਹੈ ਕਿ ਇੱਕ ਖਾਸ ਮਾਰਗ ਉਹਨਾਂ ਜੀਨਾਂ ਵਿੱਚ ਜ਼ਿਆਦਾ ਪ੍ਰਸਤੁਤ ਕੀਤਾ ਗਿਆ ਹੈ ਜਿਸਦਾ ਪ੍ਰਗਟਾਵਾ ਬਦਲਦਾ ਹੈ; ਇਹ ਕਾਰਣ ਦਾ ਸਬੂਤ ਨਹੀਂ ਹੈ ਜਾਂ ਇਹ ਮਾਰਗ ਅਸਲ ਵਿੱਚ ਕਿਰਿਆਸ਼ੀਲ ਹੈ। ਸਿੱਟਾ; ਵਰਤੇ ਗਏ ਜੀਨ ਸੈੱਟ ਦੀ ਪਿਛੋਕੜ ਦੀ ਚੋਣ ਅਤੇ ਮਲਟੀਪਲ ਟੈਸਟਿੰਗ ਸੁਧਾਰ ਦੇ ਸੰਦਰਭ ਵਿੱਚ ਅਤੇ ਜੀਵ-ਵਿਗਿਆਨਕ ਅਨੁਕੂਲਤਾ ਦੇ ਨਾਲ ਆਲੋਚਨਾਤਮਕ ਤੌਰ 'ਤੇ ਵਿਆਖਿਆ ਕੀਤੀ ਜਾਣੀ ਚਾਹੀਦੀ ਹੈ।

11. ਸਾਹਿਤ ਦਾ ਸਾਰਾਂਸ਼ ਦਿੰਦੇ ਸਮੇਂ, AI ਇੱਕ ਲੇਖ ਦਾ ਹਵਾਲਾ ਦੇ ਸਕਦਾ ਹੈ ਜੋ ਅਸਲੀ ਜਾਪਦਾ ਹੈ ਪਰ ਮੌਜੂਦ ਨਹੀਂ ਹੈ (ਜਾਅਲੀ ਹਵਾਲਾ)। ਸਹੀ ਪਹੁੰਚ ਕੀ ਹੈ?

• A) ਜੇ ਲੇਖਕ ਅਤੇ ਜਰਨਲ ਦਾ ਨਾਮ ਯਥਾਰਥਵਾਦੀ ਹੈ, ਤਾਂ ਹਵਾਲਾ ਸ਼ਾਇਦ ਸਹੀ ਹੈ, ਜਾਂਚ ਬੇਲੋੜੀ ਹੈ
• B) DOI/PubMed ਦੁਆਰਾ ਪ੍ਰਾਇਮਰੀ ਸਰੋਤ ਵਿੱਚ ਹਰੇਕ ਹਵਾਲੇ ਦੀ ਪੁਸ਼ਟੀ ਕਰੋ; ✔ ਜੋ ਨਹੀਂ ਲੱਭਿਆ ਜਾ ਸਕਦਾ ਹੈ ਉਸ ਦੀ ਵਰਤੋਂ ਨਾ ਕਰਨਾ
• C) ਨਕਲੀ ਬੁੱਧੀ ਵਿਸ਼ੇਸ਼ਤਾ ਨਹੀਂ ਬਣਾਉਂਦੀ; ਉਸ ਦੇ ਹਵਾਲੇ ਸਿੱਧੇ ਬਿਬਲਿਓਗ੍ਰਾਫੀ ਵਿੱਚ ਸ਼ਾਮਲ ਕੀਤੇ ਜਾ ਸਕਦੇ ਹਨ
• ਡੀ) ਜੇਕਰ ਬਹੁਤ ਸਾਰੇ ਹਵਾਲੇ ਹਨ, ਤਾਂ ਇਹ ਕੋਈ ਸਮੱਸਿਆ ਨਹੀਂ ਹੈ ਜੇਕਰ ਉਹਨਾਂ ਵਿੱਚੋਂ ਕੁਝ ਗਲਤ ਹਨ.

ਵਰਣਨ: AI ਇੱਕ ਅਸਲੀ ਜਰਨਲ ਵਿੱਚ ਅਸਲ-ਆਵਾਜ਼ ਵਾਲੇ ਲੇਖਕਾਂ ਦੇ ਨਾਵਾਂ ਦੇ ਨਾਲ ਇੱਕ ਪੂਰੀ ਤਰ੍ਹਾਂ ਤਿਆਰ ਲੇਖ (ਅਤੇ ਜਾਅਲੀ DOI) ਤਿਆਰ ਕਰ ਸਕਦਾ ਹੈ। ਹਰੇਕ ਹਵਾਲੇ ਨੂੰ DOI/PubMed ਦੁਆਰਾ ਪ੍ਰਾਇਮਰੀ ਸਰੋਤ 'ਤੇ ਨਿੱਜੀ ਤੌਰ 'ਤੇ ਤਸਦੀਕ ਕੀਤਾ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ; ਹਵਾਲੇ ਜੋ ਨਹੀਂ ਲੱਭੇ ਜਾ ਸਕਦੇ ਹਨ, ਦੀ ਵਰਤੋਂ ਨਹੀਂ ਕੀਤੀ ਜਾਣੀ ਚਾਹੀਦੀ। ਵਿਗਿਆਨਕ ਜ਼ਿੰਮੇਵਾਰੀ ਲੇਖਕ ਦੀ ਹੈ; ਕੋਈ ਵੀ ਗੈਰ-ਪ੍ਰਮਾਣਿਤ ਹਵਾਲਾ ਟੈਕਸਟ ਵਿੱਚ ਦਾਖਲ ਨਹੀਂ ਹੋਣਾ ਚਾਹੀਦਾ।

12. ਏਆਈ ਦੁਆਰਾ ਤਿਆਰ ਕਲੀਨਿਕਲ ਜੈਨੇਟਿਕ ਰਿਪੋਰਟ ਦਾ ਖਰੜਾ ਤਿਆਰ ਕਰਨ ਸੰਬੰਧੀ ਸਭ ਤੋਂ ਸਹੀ ਸਿਧਾਂਤ ਕੀ ਹੈ?

• A) ਜੇਕਰ ਡਰਾਫਟ ਰਵਾਨੀ ਹੈ, ਤਾਂ ਇਹ ਮਰੀਜ਼ ਨੂੰ ਸਿੱਧਾ ਦਿੱਤਾ ਜਾ ਸਕਦਾ ਹੈ
• ਅ) ਕਿਸੇ ਵੱਖਰੇ ਸਰੋਤ ਤਸਦੀਕ ਦੀ ਲੋੜ ਨਹੀਂ ਹੈ ਕਿਉਂਕਿ AI ਸਬੂਤ ਵੀ ਤਿਆਰ ਕਰਦਾ ਹੈ
• C) ਰਿਪੋਰਟ ਵਿਚ ਰੋਗਾਣੂਨਾਸ਼ਕਤਾ ਦਾ ਫੈਸਲਾ ਨਕਲੀ ਬੁੱਧੀ 'ਤੇ ਛੱਡਿਆ ਜਾ ਸਕਦਾ ਹੈ, ਮਾਹਰ ਸਿਰਫ ਫਾਰਮੈਟ ਦੀ ਜਾਂਚ ਕਰਦਾ ਹੈ
• D) ਹਰੇਕ ਕਲੀਨਿਕਲ ਦਾਅਵੇ ਨੂੰ ਪ੍ਰਮਾਣਿਤ ਕੀਤਾ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ, ਅੰਤਿਮ ਰਿਪੋਰਟ ਸਮਰੱਥ ਮਾਹਰ ਦੁਆਰਾ ਮਨਜ਼ੂਰ ਕੀਤੀ ਜਾਣੀ ਚਾਹੀਦੀ ਹੈ, ਅਤੇ ਪੁਸ਼ਟੀਕਰਨ ਦੀ ਲੜੀ ਦਸਤਾਵੇਜ਼ੀ ਹੋਣੀ ਚਾਹੀਦੀ ਹੈ ✔

ਵਰਣਨ: ਨਕਲੀ ਬੁੱਧੀ ਰਿਪੋਰਟ ਡਰਾਫਟ ਅਤੇ ਸਾਰਾਂਸ਼ ਤਿਆਰ ਕਰਨ ਵਿੱਚ ਸਮਾਂ ਬਚਾਉਂਦੀ ਹੈ; ਹਾਲਾਂਕਿ, ਹਰੇਕ ਕਲੀਨਿਕਲ ਦਾਅਵੇ ਨੂੰ ਸਬੂਤ ਅਤੇ ਪ੍ਰਾਇਮਰੀ ਸਰੋਤਾਂ ਨਾਲ ਜੋੜਿਆ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ, ਅਤੇ ਅੰਤਿਮ ਰਿਪੋਰਟ ਨੂੰ ਅਧਿਕਾਰਤ ਮਾਹਰ ਦੁਆਰਾ ਮਨਜ਼ੂਰ ਕੀਤਾ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ। AI ਆਉਟਪੁੱਟ ਨੂੰ ਮਰੀਜ਼ ਦੇ ਫੈਸਲੇ ਵਿੱਚ ਸਿੱਧਾ ਅਨੁਵਾਦ ਨਹੀਂ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ; ਪੁਸ਼ਟੀਕਰਨ ਲੜੀ ਦਸਤਾਵੇਜ਼ੀ ਹੋਣੀ ਚਾਹੀਦੀ ਹੈ।

13. ਇਸ ਦਾ ਕੀ ਮਤਲਬ ਹੈ ਜੇਕਰ AI ਦਾ ਆਉਟਪੁੱਟ ਬਹੁਤ ਤਰਲ ਅਤੇ 'ਆਤਮਵਿਸ਼ਵਾਸ' ਲੱਗਦਾ ਹੈ?

• ਏ) ਭਰੋਸੇਮੰਦ ਟੋਨ ਸ਼ੁੱਧਤਾ ਦਾ ਸਬੂਤ ਨਹੀਂ ਹੈ; ਪ੍ਰਮਾਣਿਕਤਾ ਦੀ ਲੋੜ ਵਧਦੀ ਹੈ, ਘਟਦੀ ਨਹੀਂ ✔
• ਅ) ਇੱਕ ਪ੍ਰਵਾਹ ਅਤੇ ਨਿਰਣਾਇਕ ਜਵਾਬ ਸਭ ਤੋਂ ਵੱਧ ਸੰਭਾਵਤ ਤੌਰ 'ਤੇ ਸੱਚ ਹੈ, ਪੁਸ਼ਟੀ ਬੇਲੋੜੀ ਹੈ
• C) ਭਰੋਸੇਮੰਦ ਟੋਨ ਦਰਸਾਉਂਦਾ ਹੈ ਕਿ ਮਾਡਲ ਮੈਮੋਰੀ ਤੋਂ ਸਿੱਧਾ ਡਾਟਾ ਪੜ੍ਹ ਰਿਹਾ ਹੈ
• D) ਟੋਨ ਆਤਮ ਵਿਸ਼ਵਾਸ ਦਾ ਇੱਕ ਮਾਪ ਹੈ, ਕਿਉਂਕਿ ਝਿਜਕਣ ਵਾਲੇ ਜਵਾਬ ਗਲਤ ਹਨ ਅਤੇ ਭਰੋਸੇਮੰਦ ਜਵਾਬ ਸਹੀ ਹਨ।

ਵਿਆਖਿਆ: AI ਦਾ ਭਰੋਸੇਮੰਦ ਟੋਨ ਸ਼ੁੱਧਤਾ ਦਾ ਸਬੂਤ ਨਹੀਂ ਹੈ; ਸਭ ਤੋਂ ਖ਼ਤਰਨਾਕ ਭੁਲੇਖੇ ਸਭ ਤੋਂ ਵਧੀਆ ਅਤੇ ਯਕੀਨਨ ਵਾਕਾਂ ਨਾਲ ਆਉਂਦੇ ਹਨ। ਜਦੋਂ ਭਰੋਸੇਮੰਦ ਟੋਨ ਦੇਖਿਆ ਜਾਂਦਾ ਹੈ, ਤਾਂ ਤਸਦੀਕ ਦੀ ਲੋੜ ਵਧਦੀ ਹੈ, ਘਟਦੀ ਨਹੀਂ। ਹਰੇਕ ਤੱਥ (ਕ੍ਰਮ, ਰੂਪ, ਜੀਨ, ਸੰਦਰਭ) ਨੂੰ ਇੱਕ ਸੁਤੰਤਰ ਪ੍ਰਾਇਮਰੀ ਸਰੋਤ ਨਾਲ ਕਰਾਸ-ਪ੍ਰਮਾਣਿਤ ਕੀਤਾ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ।

14. ਵਿਸ਼ਲੇਸ਼ਣ ਲਈ ਜਨਤਕ ਤੌਰ 'ਤੇ ਉਪਲਬਧ ਏਆਈ ਟੂਲ ਨੂੰ ਮਰੀਜ਼ ਦੇ ਜੈਨੇਟਿਕ ਡੇਟਾ ਨੂੰ ਦੇਣ ਤੋਂ ਪਹਿਲਾਂ ਸਭ ਤੋਂ ਮਹੱਤਵਪੂਰਨ ਗੋਪਨੀਯਤਾ ਸਾਵਧਾਨੀ ਕੀ ਹੈ?

• A) ਜੇਕਰ ਡੇਟਾ ਬੇਸ 64 ਵਿੱਚ ਏਨਕੋਡ ਕੀਤਾ ਗਿਆ ਹੈ, ਤਾਂ ਇਸਨੂੰ ਸੁਰੱਖਿਅਤ ਢੰਗ ਨਾਲ ਪੇਸਟ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ
• ਅ) ਜੇਕਰ ਸਿਰਫ਼ ਮਰੀਜ਼ ਦਾ ਨਾਂ ਹੀ ਮਿਟਾ ਦਿੱਤਾ ਜਾਂਦਾ ਹੈ, ਤਾਂ ਹੋਰ ਕੋਈ ਕਾਰਵਾਈ ਕਰਨ ਦੀ ਲੋੜ ਨਹੀਂ ਹੈ
• C) ਨਿੱਜੀ ਤੌਰ 'ਤੇ ਪਛਾਣਨ ਯੋਗ ਡੇਟਾ ਪ੍ਰਦਾਨ ਨਹੀਂ ਕਰਨਾ; ਅਗਿਆਤਕਰਨ, ਡੇਟਾ ਮਿਨੀਮਾਈਜੇਸ਼ਨ ਅਤੇ ਸਹਿਮਤੀ/ਕਾਨੂੰਨੀ ਢਾਂਚੇ ਦੀ ਪਾਲਣਾ ✔
• ਡੀ) ਜੈਨੇਟਿਕ ਡੇਟਾ ਨੂੰ ਸੁਤੰਤਰ ਤੌਰ 'ਤੇ ਸਾਂਝਾ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ ਕਿਉਂਕਿ ਇਸ ਨੂੰ ਨਿੱਜੀ ਡੇਟਾ ਨਹੀਂ ਮੰਨਿਆ ਜਾਂਦਾ ਹੈ।

ਵਰਣਨ: ਜੈਨੇਟਿਕ ਡੇਟਾ ਨਿੱਜੀ ਡੇਟਾ ਦੀ ਇੱਕ ਵਿਸ਼ੇਸ਼ ਸ਼੍ਰੇਣੀ ਹੈ ਅਤੇ ਇੱਕ ਵਿਅਕਤੀ ਨੂੰ ਰੂਪਾਂ ਦੇ ਦੁਰਲੱਭ ਸੰਜੋਗਾਂ ਨਾਲ ਦੁਬਾਰਾ ਪਛਾਣਿਆ ਜਾ ਸਕਦਾ ਹੈ। ਟੂਲ ਖੋਲ੍ਹਣ ਲਈ ਪਛਾਣਯੋਗ ਜੈਨੇਟਿਕ ਡੇਟਾ ਕਦੇ ਵੀ ਪ੍ਰਦਾਨ ਨਹੀਂ ਕੀਤਾ ਜਾਂਦਾ ਹੈ; ਡੇਟਾ ਗੁਮਨਾਮ ਹੋਣਾ ਚਾਹੀਦਾ ਹੈ, ਸਿਰਫ ਘੱਟੋ-ਘੱਟ ਲੋੜੀਂਦੀ ਜਾਣਕਾਰੀ ਸਾਂਝੀ ਕੀਤੀ ਜਾਣੀ ਚਾਹੀਦੀ ਹੈ (ਡੇਟਾ ਘੱਟ ਤੋਂ ਘੱਟ) ਅਤੇ ਸਹਿਮਤੀ/ਕਾਨੂੰਨੀ ਫਰੇਮਵਰਕ (KVKK/GDPR) ਨੂੰ ਦੇਖਿਆ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ।