ආචාර ධර්ම, ජෛව ආරක්ෂාව, රහස්‍යභාවය සහ විද්‍යාත්මක අඛණ්ඩතාව

ලාභ:

• KVKK, GDPR සහ ආචාර ධර්ම කමිටු නීතිවලට අනුකූලව සංවේදී මානව/ජාන දත්ත ආරක්ෂා කිරීමට සහ ඒවා විවෘත ආකෘතියට ලබා දීමෙන් වැළකී සිටීමට ඇති හැකියාව
• ජෛව ආරක්‍ෂාව/ද්විත්ව භාවිතය සහ ජනගහන නැඹුරුව පිළිබඳ අවදානම් තක්සේරු කිරීමෙන් ප්‍රතිඵලවල වලංගුභාවය ප්‍රශ්න කිරීමේ හැකියාව
• වාහනයට සදාචාරාත්මක වගකීම පැවරිය නොහැකි බවත් අර්ථවත් මනුෂ්‍ය-පුඩුවක් අවශ්‍ය බවත් අවබෝධ කර ගැනීම

ජීව විද්‍යාවේදී කෘත්‍රිම බුද්ධිය ප්‍රබල ලෙස භාවිතා කිරීම වගකීමෙන් යුතුව භාවිතා කිරීම මගින් අනුපූරක වේ. ජීව විද්‍යාව යනු මිනිස් සෞඛ්‍යය, ජානමය පෞද්ගලිකත්වය, පරිසරය සහ ජෛව ආරක්‍ෂාව පවා ස්පර්ශ කරන සංවේදී ක්ෂේත්‍රයකි. මෙම ඒකකය තුළ, ජීව විද්‍යාත්මක අධ්‍යයනයන්හිදී කෘත්‍රිම බුද්ධිය භාවිතා කිරීමේදී ඔබ මුහුණ දෙන සදාචාරාත්මක, නීතිමය සහ ආරක්ෂක වගකීම් පිළිබඳව අපි සාකච්ඡා කරන්නෙමු. මෙම ඒකකය පෙර පැවති සියලුම ඒකකවල සත්‍යාපනය සහ අවංකභාවය පිළිබඳ මූලධර්ම මත ගොඩනගා ඇති රාමුවකි.

මූලික මූලධර්මය: AI යනු මෙවලමකි; ආචාරධාර්මික වගකීම සෑම විටම මිනිසුන් මත පවතී. "යෝජිත ආකෘතිය" නිදහසට කරුණක් නොවේ.

වගකීම් අංශ හතරක්

1. දත්ත පෞද්ගලිකත්වය සහ මානව දත්ත

මානව සහභාගිවන්නන්ගේ ජානමය, සායනික හෝ සෞඛ්‍ය දත්ත අතිශයින් සංවේදී ය. පුද්ගලයෙකුගේ DNA අනුක්‍රමය මගින් ඔවුන්ගේ සහ ඔවුන්ගේ ඥාතීන්ගේ රෝග අවදානම සහ අනන්‍යතාවය හෙළි කළ හැක; නිර්නාමික යැයි සිතන ජානමය දත්ත පවා නැවත හඳුනා ගත හැක. මෙම දත්ත ප්‍රසිද්ධියේ ලබා ගත හැකි AI ආකෘතියකට ඇලවීම දත්ත ආරක්ෂණ නීති (Türkiye හි KVKK, යුරෝපයේ GDPR) සහ ආචාර ධර්ම මණ්ඩල (IRB/ආචාර ධර්ම කමිටුව) අනුමත කිරීම් උල්ලංඝනය කළ හැක.

• විවෘත ආකෘතියට පුද්ගලික/සායනික දත්ත ලබා නොදෙන්න.
• කැමැත්තේ විෂය පථයෙන් ඔබ්බට භාවිතා කිරීමෙන් වළකින්න; සහභාගිකයා එකඟ වූයේ කුමක් ද?
• ව්‍යවසාය/දේශීය (පරිශ්‍රයේ) හෝ දත්ත සැකසුම් කොන්ත්‍රාත්තු මෙවලම් සඳහා තෝරා ගන්න.

2. ජෛව ආරක්ෂණය සහ ද්විත්ව භාවිතය

සමහර ජීව විද්‍යාත්මක තොරතුරු "ද්විත්ව භාවිතය" වේ: එය ප්‍රයෝජනවත් මෙන්ම හානිකර විය හැක; උදාහරණයක් ලෙස, ව්යාධිජනක (රෝග ඇති කරන) අනුපිළිවෙල, විෂ නිෂ්පාදනය. භයානක රෝග කාරක වැඩි දියුණු කිරීම හෝ හානිකර ජීව විද්‍යාත්මක නියෝජිතයන් සැලසුම් කිරීම පිළිබඳ තොරතුරු සඳහා AI වෙතින් විමසීම බොහෝ ස්ථානවල සදාචාර විරෝධී සහ නීති විරෝධී ය.

• භයානක ද්විත්ව භාවිත ඉල්ලීම් නොකරන්න.
• ඔබේ ආයතනයේ ජෛව ආරක්ෂණ මණ්ඩලය (IBC) මාර්ගෝපදේශ අනුගමනය කරන්න.

3. විද්‍යාත්මක අඛණ්ඩතාව

පෙර ඒකකවල අප දුටු සෑම දෙයක්ම මෙහි එකට පැමිණේ: ව්‍යාජ ආරෝපණයක් නැත, දත්ත අලංකාර කිරීමක් නැත, p-හැක් කිරීමක් නැත, තෝරාගත් වාර්තා කිරීමක් නැත. කෘත්‍රිම බුද්ධියට මේවා පහසු හෝ අමාරු කළ හැක; වෙනස ඇත්තේ ඔබේ අවංකකමේ ය.

• සියලුම ප්‍රතිඵල වාර්තා කරන්න (සෘණාත්මක ඒවා ඇතුළුව).
• කෘතිම බුද්ධිය භාවිතය ප්‍රකාශ කරන්න.
• අමු දත්ත සහ කේතය (හැකි නම්) බෙදාගැනීමෙන් ප්‍රතිනිෂ්පාදනයට සහාය වන්න.

4. පක්ෂග්රාහීත්වය සහ සාධාරණත්වය

AI ආකෘති ඔවුන් පුහුණු කරන ලද දත්තවල පක්ෂග්‍රාහීත්වය දරයි. ප්‍රවේණික දත්ත සමුදායන් ප්‍රධාන වශයෙන් යුරෝපීය සම්භවයක් ඇති ජනගහනයෙන් පැමිණේ; මෙය අනෙකුත් ජනගහනයේ දුර්වල අනාවැකි වලට මග පාදයි. පුහුණු දත්තවල අඩුවෙන් නිරූපණය වන තත්වයක් තුළ රූප ආකෘතියක් දුර්වල ලෙස ක්‍රියා කළ හැකිය.

• ආකෘතිය පුහුණු කළේ කුමන ජනගහනය/දත්තද යන්න ප්‍රශ්න කරන්න.
• සියලුම කණ්ඩායම් හරහා ප්‍රතිඵල පවතින්නේද යන්න තක්සේරු කරන්න.

ඉඟිය: ඔබෙන්ම මෙසේ අසන්න: "මම මෙම දත්ත ආකෘතියට ලබා දෙන්නේ නම්, එය අයිති කාටද සහ එම පුද්ගලයා අවසර ලබා දුන්නේද?" පිළිතුර අපැහැදිලි නම්, එය ලබා නොදෙන්න. රහස්‍යභාවය කඩ කිරීම ආපසු හැරවිය නොහැකි ය.

පියවරෙන් පියවර: වගකිවයුතු AI පාලනය

1. දත්ත මූලාශ්‍රය වර්ග කරන්න: පුද්ගලික/සංවේදී හෝ පොදුද?
2. කැමැත්ත සහ අවසර පරීක්ෂා කරන්න: මෙම භාවිතය ආවරණය කර තිබේද?
3. නිවැරදි මෙවලම තෝරන්න: සංවේදී දත්ත සඳහා ආරක්ෂිත/දේශීය පරිසරය.
4. ද්විත්ව භාවිතයේ අවදානම සලකා බලන්න.
5. ප්‍රශ්නය අගතිය: ප්‍රතිඵලය සියලුම කණ්ඩායම් සඳහා වලංගුද?
6. භාවිතය ලේඛනගත කර ප්‍රකාශ කරන්න.

පිටපත් කළ හැකි ක්ෂණික සැකිලි

සදාචාරාත්මක ඉදිරිදර්ශනයකින් පහත මගේ විශ්ලේෂණ සැලැස්ම සමාලෝචනය කරන්න: දත්ත රහස්‍යභාවය, සහභාගිවන්නන්ගේ කැමැත්ත, විභව පක්ෂග්‍රාහීත්වය සහ ද්විත්ව භාවිතයේ අවදානම සම්බන්ධයෙන් අනතුරු ඇඟවීම් ලැයිස්තුගත කරන්න. සැලැස්ම: [පෙළ] (සටහන: මම සැබෑ රෝගී දත්ත බෙදා නොගනිමි, සැලැස්ම පමණි.)

මෙම ප්‍රවේණික දත්ත කට්ටලය භාවිතා කිරීමට පෙර මා පිළිතුරු දිය යුතු රහස්‍යතා සහ කැමැත්ත ප්‍රශ්න මොනවාද? KVKK/GDPR සහ ආචාර ධර්ම කමිටුව අනුව පිරික්සුම් ලැයිස්තුවක් සකස් කර ඇත.

මගේ ලිපියේ ක්‍රම කොටසේ මා භාවිතා කරන කෘතිම බුද්ධි මෙවලම විනිවිදභාවයෙන් ප්‍රකාශ කළ යුත්තේ කෙසේද? උදාහරණ ප්‍රකාශන වාක්‍යයක් ලියන්න; එහි අඩංගු විය යුතු තොරතුරු (මෙවලම, අනුවාදය, භාවිත විෂය පථය) මොනවාද?

මෙම ආකෘතියේ ප්‍රතිඵල ජනගහන පක්ෂග්‍රාහීත්වයක් තිබේදැයි මම තක්සේරු කරන්නේ කෙසේද? පුහුණු දත්ත සහ චෙක් පියවර ගැන මා ඇසිය යුතු ප්‍රශ්න ලැයිස්තුගත කරන්න.

දුර්වල ක්ෂණික / ශක්තිමත් විමසුම

දුර්වල: "පහත රෝගියාගේ ජාන දත්ත විශ්ලේෂණය කරන්න: [සැබෑ දත්ත]."

Güçlü: "මම සායනික ප්‍රවේණික දත්ත සමඟ ක්‍රියා කරන විශ්ලේෂණ සැලැස්මක් සකසමි, නමුත් මම සැබෑ රෝගී දත්ත බෙදා නොගනිමි. ක්‍රමවේද ඉදිරිදර්ශනයකින් පමණි: මා ගත යුතු රහස්‍ය පියවර මොනවාද, මා දත්ත සැකසිය යුත්තේ කුමන පරිසරයකද, කුමන අනුමැතිය සහ ආචාර ධර්ම කමිටු කොන්දේසි සපුරාලිය යුතුද? ඔබට ව්‍යාජ/නියැදි දත්ත සමඟ ප්‍රවාහය පෙන්විය හැක."

වෙනස: බලගතු විමසුමේ සැබෑ සංවේදී දත්ත කිසිවක් බෙදා නොගනී; ක්‍රමය විතරයි අහන්නේ. පුද්ගලිකත්වය පවත්වා ගෙන යනු ලැබේ, ආකෘතිය තවමත් උපකාරී වේ.

කුඩා නඩු තුනක්

නඩුව 1 — රහස්‍යතා උල්ලංඝනය කිරීම: පර්යේෂකයෙක් නිර්නාමික රෝගියාගේ එක්සෝම් දත්ත ලෙස තමා සිතූ දේ විශ්ලේෂණය කිරීමට විවෘත ආකෘතියකට අලවා ඇත. ආචාර ධර්ම කමිටුව මෙය දැනගත් විට, අධ්යයනය අත්හිටුවන ලදී; දත්ත සැකසුම් ගිවිසුමක් නොතිබුණි. පාඩම: සංවේදී දත්ත කිසි විටෙකත් විවෘත ආකෘතියට ඇතුල් නොවේ.

සිද්ධිය 2 — ජනගහන නැඹුරුව: බහුජන අවදානම් ලකුණු මෙවලමක් යුරෝපීය සම්භවයක් ඇති දත්ත මත පුහුණු කරන ලදී; තවත් ජනගහනයක, අවදානම් ඇස්තමේන්තු සැලකිය යුතු ලෙස සාවද්‍ය විය. පුහුණු දත්තවල සංයුතිය ප්‍රශ්න කිරීමට ආකෘතිය යෝජනා කළ විට, එම ජනගහනය තුළ මෙවලම භාවිතා නොකිරීමට කණ්ඩායම තීරණය කළේය. පාඩම: පක්ෂග්රාහීත්වය ජීවිත බේරා ගැනීම හෝ හානි කරයි.

3 වන අවස්ථාව - හෙළිදරව් කිරීම සහ විනිවිදභාවය: කණ්ඩායමක් AI සමඟ දත්ත පිරිසිදු කිරීමේ කේතය ලියා එය ක්‍රම කොටසේ පැහැදිලිව සඳහන් කර ඇත; ඔහු කේතය ද බෙදා ගත්තේය. පුනරාවර්තන හැකියාව ශක්තිමත් බැවින් සමාලෝචකයින් මෙය සාදරයෙන් පිළිගත්තේය. පාඩම: විනිවිදභාවය විශ්වාසය ඇති කරයි.

සංසන්දනාත්මක සටහන

ප්රදේශය

ආරක්ෂිත හැසිරීම

අවදානම් හැසිරීම

රෝගියා දත්ත

දේශීය/ආරක්ෂිත පරිසරය

විවෘත ආකෘතියට අලවන්න

කැමැත්ත

විෂය පථය තුළ භාවිතා කරන්න

විෂය පථය ඉක්මවා නොයන්න

ජෛව ආරක්ෂාව

ද්විත්ව භාවිතය වැළැක්වීම

භයානක ඉල්ලුම

අඛණ්ඩතාව

සියලුම ප්‍රතිඵල වාර්තා කරන්න

තෝරාගත් වාර්තාකරණය

පක්ෂග්රාහී

ජනගහනය විමසන්න

අන්ධ ලෙස අයදුම් කරන්න

විනිවිදභාවය

භාවිතය ප්රකාශ කරන්න

සැඟවී සිටීම

පොදු වැරදි

• විවෘත ආකෘතියට සංවේදී දත්ත ලබා දීම: ආපසු හැරවිය නොහැකි පෞද්ගලිකත්වය උල්ලංඝනය කිරීම.
• කැමැත්තේ විෂය පථය ඉක්මවා යාම: සහභාගිවන්නාගේ අවසරය නොමැති භාවිතය.
• පක්ෂග්‍රාහීත්වය නොසලකා හැරීම: සියලුම කණ්ඩායම් සඳහා ප්‍රතිඵල සාමාන්‍යකරණය කිරීම.
• භාවිතය සැඟවීම: AI දායකත්වය ප්‍රකාශ නොකිරීම.
• "ආදර්ශ යෝජිත" ආරක්ෂාව: වාහනයට වගකීම ආරෝපණය කිරීම.

අවවාදයයි: ඉහළ ප්‍රතිවිපාක සහිත ජීව විද්‍යාත්මක වැඩ වලදී (සායනික තීරණය, ජෛව ආරක්ෂාව, මානව දත්ත) AI ප්‍රතිදානය දක්ෂ විශේෂඥ සත්‍යාපනය සහ සදාචාරාත්මක අධීක්ෂණය සඳහා ආදේශකයක් නොවේ; එය වේගවත් කරයි. තීරණයේ සදාචාරාත්මක හා විද්‍යාත්මක ප්‍රතිවිපාක සමඟින් අවසාන වගකීම සෑම විටම මිනිසා වෙත පැවරේ.

පරිසරය, පරිසර විද්යාව සහ සාම්ප්රදායික දැනුම

සදාචාරාත්මක වගකීම මානව දත්ත වලට සීමා නොවේ. පරිසර විද්‍යාව සහ සංරක්ෂණ ජීව විද්‍යාවේදී කෘත්‍රිම බුද්ධිය භාවිතා කිරීමේදීද ප්‍රවේශම් විය යුතුය. උදාහරණයක් ලෙස, වඳවීමේ තර්ජනයට ලක්ව ඇති විශේෂයක නිශ්චිත ස්ථාන දත්ත (කැමරා උගුල් ඛණ්ඩාංක) දඩයම් කිරීමේ අවදානම හේතුවෙන් සංවේදී වේ; මෙම දත්ත විවෘත ආකෘතියකට හෝ මහජනතාවට මුදා හැරීම විශේෂයට හානි කළ හැකිය. ඒ හා සමානව, ප්‍රාදේශීය ප්‍රජාවන්ගේ සාම්ප්‍රදායික ජීව විද්‍යාත්මක දැනුම (උදා: ශාකයක් භාවිතා කිරීම) අවසරයකින් තොරව භාවිතා කරන විට සදාචාරාත්මක සහ නෛතික (නගෝයා ප්‍රොටෝකෝලය වැනි) ගැටළු පැන නගී. දත්ත භාවිතා කිරීමට පෙර, "මෙම තොරතුරු අයිති කාටද සහ එය හෙළිදරව් කිරීමෙන් හානියක් වන්නේ කාටද?" සෑම විටම ප්රශ්නය අසන්න.

මානව අධීක්ෂණය සහ අවසාන තීරණය

මෙම සමස්ත මොඩියුලයේ සාරය එක් මූලධර්මයකට බැස යයි: අර්ථවත් මානව අධීක්ෂණය. AI යෝජනාවක් ඉදිරිපත් කරයි, කෙටුම්පතක් ලියයි, රටාවක් පෙන්වයි; නමුත් ජීව විද්‍යාත්මක, සායනික හෝ සදාචාරාත්මක තීරණයක් කිසිවිටෙක ආදර්ශ නිමැවුම මත ඍජුව පදනම් නොවේ. විශේෂයෙන්ම අවදානම් සහිත ප්රදේශවල (රෝග විනිශ්චය, ප්රතිකාර, විශේෂ සංරක්ෂණ තීරණය, නිදහස් කිරීම), ආකෘතියේ කාර්යභාරය තීරණ ගැනීම නොව, විශේෂඥයාගේ තීරණය වේගවත් කිරීමයි. "human-in-the-loop" ප්‍රවේශය සටන් පාඨයක් නොව අවශ්‍යතාවයකි.

මෙම සුපරීක්‍ෂණය ක්‍රියාත්මක වීමට නම්, අධීක්‍ෂකවරයා දක්ෂ විය යුතුය. අන්ධ කැමැත්ත ("ආකෘතිය කීවේ, පිළිගැනීම") අධීක්ෂණය නොවේ. සත්‍ය අධීක්‍ෂණය සඳහා ප්‍රතිදානය ප්‍රශ්න කිරීමට, එහි දෝෂය අල්ලා ගැනීමට සහ අවශ්‍ය විටෙක එය ප්‍රතික්ෂේප කිරීමට හැකි විශේෂඥතාව අවශ්‍ය වේ. එබැවින්, කෘතිම බුද්ධිය විශේෂඥයා වෙනුවට නොවේ; එය විශේෂඥයා වඩාත් අත්යවශ්ය කරයි. වාහනය හොඳටම පාවිච්චි කරන කෙනාට තමයි ඒක හොඳට පාලනය කරන්න පුළුවන්.

සාරාංශයක් ලෙස

ජීව විද්‍යාව තුළ AI හි වගකීම් සහගත භාවිතය ක්ෂේත්‍ර හතරක් ආවරණය කරයි: දත්ත පෞද්ගලිකත්වය (සංවේදී මානව දත්ත ආරක්ෂා කිරීම), ජෛව ආරක්ෂාව (ද්විත්ව භාවිතය වැළැක්වීම), විද්‍යාත්මක අඛණ්ඩතාව (අවංක සහ සම්පූර්ණ වාර්තාකරණය) සහ පක්ෂග්‍රාහී දැනුවත්භාවය (සියලු කණ්ඩායම් හරහා ප්‍රතිඵල වල වලංගුභාවය). විවෘත ආකෘතියට සංවේදී දත්ත ලබා නොදෙන්න, භාවිතය විනිවිදභාවයෙන් ප්‍රකාශ කරන්න, ජනගහන නැඹුරුව ප්‍රශ්න කරන්න. ආචාරධාර්මික වගකීම කිසි විටෙකත් නියෝජිතයා වෙත පැවරිය නොහැක; එය සැමවිටම මිනිසුන් තුළ පවතී.

යෙදුම් කාර්යය

ඔබගේම වැඩබිමෙන් (උදා: මානව දත්ත කට්ටලයක් හෝ රූප ආකෘතියක් භාවිතා කිරීම) අවස්ථාවක් සලකා බලන්න. සත්‍ය දත්ත හුවමාරු කර නොගෙන මෙම අවස්ථාවෙහි (රහස්‍යභාවය, කැමැත්ත, පක්ෂග්‍රාහීත්වය, ද්විත්ව භාවිතය, විනිවිදභාවය) ආචාරධාර්මික පිරික්සුම් ලැයිස්තුව සමඟ AI වෙත පැමිණෙන්න. සෑම අයිතමයක් සඳහාම, එය ඔබගේ තත්වය තුළ “සුදුසු/අවදානම්/අවිනිශ්චිත” ලෙස සලකුණු කර අවදානම්/අවිනිශ්චිත ඒවා සඳහා ක්‍රියාකාරී සැලැස්මක් ලියන්න. ඔබේ ලිපිය සඳහා AI භාවිත ප්‍රකාශයක් ද කෙටුම්පත් කර ගන්න.

පිරික්සුම් ලැයිස්තුව

• [ ] මම විවෘත ආකෘතියට සංවේදී/පුද්ගලික දත්ත ලබා දුන්නේ නැත.
• [ ] මම කැමැත්ත සහ ආචාර ධර්ම කමිටුවේ විෂය පථය පරීක්ෂා කළෙමි.
• [ ] මම ද්විත්ව භාවිතය/ජෛව ආරක්ෂණ අවදානම තක්සේරු කර ඇත.
• [ ] මම සියලු ප්‍රතිඵල අවංකව වාර්තා කළෙමි.
• [ ] මම ජනගහනය/දත්ත නැඹුරුව ප්‍රශ්න කළෙමි.
• [ ] මම කෘත්‍රිම බුද්ධිය භාවිතය විනිවිදභාවයෙන් ප්‍රකාශ කර වගකීම භාරගෙන ඇත.

මොඩියුල විභාගය

1. ශිෂ්‍යයෙක් භාෂා ආකෘතියෙන් 'මෙම FASTA ගොනුවේ නූල් කීයක් තිබේද?' ඔහු අසන අතර නිරූපිකාව '48' යනුවෙන් පිළිතුරු දෙයි. වඩාත්ම නිවැරදි ප්රවේශය කුමක්ද?

• A) ආකෘතියෙන් ලබා දී ඇති අංක 48 සෘජුවම භාවිතා කිරීම; එය ගොනුව දකින නිසා ආකෘතිය විශ්වසනීයයි
• B) නැවත වරක් අංකය විමසා පිළිතුරු දෙක සමාන නම් එය නිවැරදි බව පිළිගන්න
• C) Biopython සමඟ ගොනුව කියවීම, කේතය සමඟ අනුක්‍රමික ගණන ගණන් කිරීම සහ ප්‍රතිදානය භාවිතා කිරීම ✔
• D) ගොනුව අතින් විවෘත කිරීම සහ ඇස් තීරණයෙන් ගණන් කිරීම

පැහැදිලි කිරීම: ගණන් කිරීම සහ මැනීම වැනි තීරණාත්මක කාර්යයන් භාෂා ආකෘතියට නොව ඔබ ධාවනය කරන කේතයට භාර දිය යුතුය. ආකෘතිය අංකය 'මතක' නැත, එය සම්භාවිතා අගයක් නිපදවන අතර එය වැරදි ලෙස වටහා ගත හැකිය; Biopython වැනි මෙවලමක් සමඟ ගණන් කිරීම නිවැරදි සහ නැවත නිපදවිය හැකි ප්රතිඵල ලබා දෙයි.

2. ඔබට අන්වීක්ෂ රූපයක සෛල ගණන් කිරීමට සහ එක් එක් ප්රදේශය මැනීමට අවශ්ය වේ. මෙම කාර්යය සඳහා වඩාත් සුදුසු ප්රවේශය කුමක්ද?

• A) Cellpose/StarDist වැනි ප්‍රවීණ කොටස් කිරීමේ මෙවලමක් භාවිතා කර ප්‍රතිඵලය අතින් සත්‍යාපනය කිරීම ✔
• B) සාමාන්‍ය භාෂා ආකෘතියට රූපය අලවා 'කොටු කීයක් තිබේදැයි' අසන්න
• C) රූපය ආකෘතියට විස්තර කර ඇස්තමේන්තුගත අංකයක් ඉල්ලා සිටින්න
• D) කිසිදු ක්‍රමාංකනයකින් තොරව පික්සල ගණන සෛල ගණන ලෙස පිළිගැනීම

පැහැදිලි කිරීම: සෛල ඛණ්ඩනය සහ මැනීම සාමාන්‍ය භාෂා ආකෘතියේ වසම නොව, මෙම කාර්යය සඳහා විශේෂයෙන් පුහුණු කරන ලද විශේෂිත රූප ආකෘති (Cellpose, StarDist) වේ. භාෂා ආකෘතිය මෙම මෙවලම් ලෙස හඳුන්වන කේතය ලියයි; විශේෂඥ ආකෘතිය මැනීම සිදු කරයි, සහ ජීව විද්යාඥයා ප්රතිඵලය තහවුරු කරයි.

3. උපාධිධාරී ශිෂ්‍යයෙක් තම නිබන්ධනය හැඳින්වීමට භාෂා ආකෘතියෙන් නිපදවන ලද මූලාශ්‍ර 8ක් එක් කරයි. මෙයින් 3ක් කිසිසේත්ම නොපවතින බව උපදේශකවරයා සොයා ගනී. මෙම තත්ත්වය වළක්වා ගත හැක්කේ කෙසේද?

• A) නැවත වරක් සම්පත් නිෂ්පාදනය කරන ලෙස ආකෘතියෙන් ඉල්ලා සිටීමෙන්
• B) DOI සමඟ උපුටා දැක්වීම් පමණක් තේරීමෙන් (DOI තිබේ නම්, එය සැබෑ වේ)
• C) ආකෘතියට 'ගැලපෙන' ලෙස උපදෙස් දීමෙන් ලැයිස්තුව ඉල්ලා සිටීම
• D) PubMed/doi.org හි එක් එක් උපුටා දැක්වීම ස්වාධීනව සත්‍යාපනය කිරීම සහ ඔහු කියවා ඇති ලිපි පමණක් උපුටා දැක්වීම ✔

පැහැදිලි කිරීම: සාමාන්‍ය භාෂා ආකෘති සාහිත්‍ය දත්ත ගබඩාවක් නොවේ; සැබෑ වාර්තා සොයනවා වෙනුවට, එය යථාර්ථවාදී-ශබ්ද ගුණාංග (Fabricated attribution) 'උත්පාදනය' කරයි. සෑම අතුරු මාර්ගයක්ම සහ DOI PubMed/doi.org වැනි මූලාශ්‍රවල ස්වාධීන සත්‍යාපනයකින් තොරව භාවිතා නොකළ යුතු අතර ඇත්ත වශයෙන්ම කියවා ඇති ලිපි පමණක් උපුටා දක්වයි.

4. කෘත්‍රිම බුද්ධිය මගින් ලියන ලද දත්ත පිරිසිදු කිරීමේ කේතයක නිරවද්‍යතාවය සහතික කිරීමට ඇති බලවත්ම ක්‍රමය කුමක්ද?

• A) කේතය දෝෂයකින් තොරව ක්‍රියා කරන්නේ නම්, එය නිවැරදි යැයි පිළිගන්න.
• B) දන්නා කුඩා නියැදියක් සමඟ ප්‍රතිඵලය පරීක්ෂා කිරීම සහ ප්‍රකාශය සමඟ අපේක්ෂාව සත්‍යාපනය කිරීම ✔
• C) ආකෘතියෙන් අසන්න 'කේතය නිවැරදිද?' 'ඔව්' යන පිළිතුර විමසීම සහ විශ්වාස කිරීම
• D) කේතය කිහිප වතාවක් ධාවනය කර සෑම අවස්ථාවකම එකම ප්රතිදානය ලබා ගන්න

සටහන: කේතය දෝෂයකින් තොරව ක්‍රියා කළ පමණින් එය නිවැරදි බව අදහස් නොවේ; 'වැරදි නොමැතිව ක්‍රියා කරන කේතය' යනු ජීව විද්‍යාවේ භයානකම තත්වයයි. ඔබ කලින්ම දන්නා ප්‍රතිඵලයක් සහිත කුඩා නියැදියක් සමඟ පරීක්ෂා කිරීම සහ ප්‍රකාශය සමඟ කේතය තුළ අපේක්ෂාව කාවැද්දීම නිහඬ වැරදි ප්‍රතිඵලවලට එරෙහි ප්‍රබලම පලිහ වේ.

5. RNA-seq විශ්ලේෂණයකදී, ජාන 20,000ක් පරීක්ෂාවට ලක් කරන අතර, ජාන 3,800ක් නිවැරදි කිරීමකින් තොරව p<0.05 සමඟ 'සැලකිය යුතු' බව සොයා ගැනේ. මෙම නිගමනයේ ඇති ප්‍රධාන ගැටලුව කුමක්ද?

• A) සාම්පල ගණන වැඩියි, එය අඩු කළ යුතුය
• B) p එළිපත්ත ඉතා ඉහළයි, 0.10 භාවිතා කර තිබිය යුතුය
• C) බහු සංසන්දන නිවැරදි කිරීම් (FDR) සිදු නොකළේය; බොහෝ ව්‍යාජ ධනාත්මක කරුණු ඇත ✔
• D) ජාන වෙනුවට සාම්පල පරීක්ෂා කර තිබිය යුතුය

පැහැදිලි කිරීම: ඔබ ජාන දහස් ගණනක් එකවර පරීක්ෂා කරන විට, සැබෑ වෙනසක් නොමැති වුවද, බොහෝ ජාන අහම්බෙන් 'වැදගත්' ලෙස දිස් වේ; මෙය බහු සංසන්දන ගැටලුව ලෙස හැඳින්වේ. විසඳුම වන්නේ බෙන්ජමිනි-හොච්බර්ග් වැනි ක්‍රමයක් සමඟ FDR (ව්‍යාජ සොයාගැනීම් අනුපාතය) නිවැරදි කිරීම යෙදීමයි; නිවැරදි කිරීමත් සමඟ, ලැයිස්තුව සාමාන්‍යයෙන් ජාන දස සිය ගණනක් දක්වා අඩු වේ.

6. BLAST ප්‍රතිඵලයක හොඳම ගැලපීම 2.0 ක E-අගය ඇත. මෙමගින් කුමක් වෙයිද?

• A) තරඟය බොහෝ විට අහඹු වේ; ✔ විශ්වාසදායක තරගයක් නොවේ
• B) සම්බන්ධ කිරීම ඉතා ශක්තිමත් ය; ඊ-අගය වැඩි වන තරමට වඩා හොඳය
• C) අනුපිළිවෙල 2% අනුපාතයකින් ගැලපේ
• D) අනුපිළිවෙල දෙක අතර 2 මූලික වෙනසක් ඇත

පැහැදිලි කිරීම: E-අගය පෙන්නුම් කරන්නේ තරඟය අහඹු ලෙස සිදුවීමේ අපේක්ෂාවයි; කුඩා වීම වඩා හොඳය. 1 ට වඩා වැඩි e-අගය පෙන්නුම් කරන්නේ ගැළපීම බොහෝ විට අහඹු බව ය. විශ්වාසදායක ගැලපීම් සඳහා, e <1e-5 වැනි ඉතා කුඩා සීමාවන් සාමාන්‍යයෙන් සොයනු ලැබේ.

7. AlphaFold ආකෘතියක, ප්‍රෝටීනයේ පර්යන්ත කලාපය අඩු pLDDT ලකුණු (<50) පෙන්වයි. මෙම කලාපය අර්ථ දැක්විය යුත්තේ කෙසේද?

• A) AlphaFold මෙම කලාපයේ දෝෂයක් සිදු කර ඇත, කලාපය විශ්ලේෂණයෙන් ඉවත් කළ යුතුය
• B) මෙම කලාපය නියත වශයෙන්ම ඇල්ෆා හෙලික්ස් වේ
• C) ආකෘතිය සම්පූර්ණයෙන්ම විශ්වාස කළ නොහැකි ය, ව්යුහය භාවිතා නොකළ යුතුය
• D) කලාපය අක්‍රමවත්/ප්‍රත්‍යාස්ථ විය හැක; 'අසත්‍ය' වෙනුවට 'අපැහැදිලි' ලෙස අර්ථ දැක්විය යුතුය ✔

විස්තරය: pLDDT යනු එක් එක් ඇමයිනෝ අම්ල සඳහා දේශීය විශ්වාසනීය ලකුණු වේ; 50 ට අඩු අගයන් බොහෝ විට සැබවින්ම අක්‍රමවත් (නම්‍යශීලී, ස්ථාවර නොවන) කලාප පිළිබිඹු කරයි. මෙම කලාප 'වැරදි අනුමාන' ලෙස ස්වයංක්‍රීයව මකා දැමීම වැරදියි; අඩු ලකුණු අගයක් 'අනිශ්චිත/නම්‍යශීලී' ලෙස කියවිය යුතු අතර එහි ජීව විද්‍යාත්මක වැදගත්කම ඇගයීමට ලක් කළ යුතුය.

8. පර්යේෂකයෙකු සෛල ප්‍රදේශ පික්සල වලින් පමණක් වාර්තා කරන අතර ප්‍රතිඵල සාහිත්‍යයට නොගැලපේ. නැතිවූ පියවර කුමක්ද?

• A) තවත් සෛල ගණන් කළ යුතුව තිබුණි
• B) පරිමාණ ක්‍රමාංකනය (පික්සල් සිට මයික්‍රොමීටරය දක්වා පරිවර්තනය) සිදු නොකළ අතර, ප්‍රතිඵල භෞතික ඒකක බවට පරිවර්තනය කර නැත ✔
• C) ඛණ්ඩනය කිරීමේ මෙවලම වැරදි ලෙස තෝරාගෙන ඇත
• D) රූප විභේදනය ඉතා ඉහළයි

පැහැදිලි කිරීම: රූපයෙන් භෞතික ප්‍රමාණය උකහා ගැනීම සඳහා පරිමාණ ක්‍රමාංකනය (පික්සලයකට මයික්‍රොමීටර කීයක්) අත්‍යවශ්‍ය වේ. මෙම පියවර මඟ හරිනු ලැබුවහොත්, අන්වීක්ෂ සැකසුම මත පදනම්ව අගයන් අසමසම ලෙස පවතී. ප්‍රදේශ වර්ග මයික්‍රොමීටර වැනි භෞතික ඒකක බවට පරිවර්තනය කළ යුතුය.

9. ශිෂ්‍යයෙක් එක් මූසිකයකින් පටක සාම්පල 10ක් ගෙන සංඛ්‍යාලේඛනවල 'n=10' භාවිතා කරයි. මෙය වැරදි ඇයි?

• A) සංඛ්‍යාලේඛන සඳහා සාම්පල 10ක් ඉතා අල්පය, අවම වශයෙන් 30ක් අවශ්‍ය වේ
• B) විවිධ අවයවවලින් පටක සාම්පල ලබා ගැනීමට සිදු විය
• C) මෙම උදාහරණ 10 තාක්ෂණික පුනරාවර්තන වේ; ජීව විද්‍යාත්මක n තවමත් 1 වේ, මෙය ඊනියා පුනරාවර්තනයයි ✔
• D) සාම්පල එදිනම ගත් බැවින් ඒවා අවලංගු වේ

පැහැදිලි කිරීම: එකම පුද්ගලයාගෙන් නැවත නැවත මැනීම තාක්ෂණික පුනරාවර්තන වේ; මෙහි සංඛ්‍යානමය n යනු ජීව විද්‍යාත්මක ඒකක ගණනයි (මෙහි මීයන්). තාක්ෂණික පුනරාවර්තනය ජීව විද්‍යාත්මක (ව්‍යාජ ප්‍රකාශනය) ලෙස සැලකීම ව්‍යාජ වැදගත්කමක් ඇති කරයි. නිසි සැලසුම යනු පුද්ගලයන් කිහිප දෙනෙකු සමඟ වැඩ කිරීමයි.

10. එක් විශ්ලේෂණයක් p=0.03 හමු විය. මෙම අගය පිළිබඳ නිවැරදි අර්ථ නිරූපණය කුමක්ද?

• A) යථාර්ථයේ වෙනසක් නොමැති විට මෙම හෝ ඊට වඩා ආන්තික ප්‍රතිඵලයක් දැකීමට 3% සම්භාවිතාවක් ඇත ✔
• ආ) බලපෑම සැබෑ වීමේ සම්භාවිතාව 97% කි
• C) ශුන්‍ය කල්පිතය සත්‍ය වීමේ සම්භාවිතාව 3% කි
• D) ප්රතිඵලය 97% පුනරාවර්තනය වේ

පැහැදිලි කිරීම: p-අගය යනු 'උපකල්පනය සත්‍ය වීමේ සම්භාවිතාව' හෝ 'ඵලය සත්‍ය වීමේ සම්භාවිතාව' නොවේ. p-අගය යනු ඇත්ත වශයෙන්ම වෙනසක් නොමැති විට නිරීක්ෂණය කරන ලද වෙනසට වඩා අන්ත හෝ වැඩි වෙනසක් දැකීමේ සම්භාවිතාවයි. එබැවින් p=0.03 යන්නෙන් අදහස් වන්නේ 'බලපෑම 97% සැබෑ' යන්න නොවේ; ප්‍රතිඵල ප්‍රයෝගයේ ප්‍රමාණය සහ විශ්වාස අන්තරය මගින් ද ඇගයීමට ලක් කළ යුතුය.

11. ඉදිරිපත් කිරීමකදී, y-අක්ෂය 95-100 පරාසයට සම්පීඩනය කිරීමෙන් කණ්ඩායම් දෙකක් අතර 3% ක වෙනසක් විශාල ලෙස පෙන්වයි. මේ උදාහරණය කුමක් ද?

• A) හොඳ දෘශ්‍යකරණ තාක්ෂණය; වෙනස ඉස්මතු කරයි
• B) වර්ණ අන්ධ හිතකාමී පැලට් ගැටළුව
• C) පිළිගත හැකි විලාසිතාවේ තේරීමක්
• D) කප්පාදු කරන ලද අක්ෂය සමඟ වෙනස අතිශයෝක්තියට නංවන නොමඟ යවන සහ වංක සටහනක් ✔

පැහැදිලි කිරීම: අක්ෂය බිංදුවෙන් ආරම්භ නොකිරීම (කප්පාදු අක්ෂය) කුඩා වෙනසක් දෘශ්‍යමය වශයෙන් අතිශයෝක්තියට නැංවීමෙන් නරඹන්නා නොමඟ යවයි. මෙය අවංකකමේ මූලධර්මය උල්ලංඝනය කිරීමකි; විශේෂයෙන්ම තීරු ප්‍රස්ථාරවල, අක්ෂය බිංදුවෙන් ආරම්භ විය යුතු අතර වෙනස එහි සැබෑ ප්‍රමාණයෙන් පෙන්විය යුතුය.

12. පර්යේෂකයෙකු නිර්නාමික රෝගියාගේ එක්සෝම් දත්ත යැයි සිතන දේ විශ්ලේෂණය කිරීමට පොදු භාෂා ආකෘතියකට අලවයි. මෙම හැසිරීම ගැටළු සහගත වන්නේ ඇයි?

• A) කිසිදු ගැටළුවක් නොමැත; නිර්නාමික නම් දත්ත බෙදා ගත හැක
• B) විවෘත ආකෘතියකට සංවේදී රෝගී දත්ත සැපයීම පුද්ගලිකත්වය සහ සදාචාරාත්මක/නීතිමය (KVKK/GDPR) උල්ලංඝනය කිරීමක් වන අතර එය ආපසු හැරවිය නොහැක ✔
• C) එය ගැටළු සහගත වන්නේ විශ්ලේෂණය මන්දගාමී වන නිසා පමණි
• D) දත්ත තේරුම් ගැනීමට නොහැකි නිසා ආකෘතිය ගැටළු සහගත වේ

විස්තරය: රෝගියාගේ ජාන/සායනික දත්ත අතිශයින් සංවේදී ය; නිර්නාමික යැයි සිතන ජානමය දත්ත පවා නැවත හඳුනාගත හැකිය. පොදු ආකෘතියකට මෙම දත්ත සැපයීම KVKK/GDPR සහ ආචාර ධර්ම කමිටුව (IRB) අනුමත කිරීම් උල්ලංඝනය කරන අතර එය ආපසු හැරවිය නොහැකි පෞද්ගලිකත්වය උල්ලංඝනය කිරීමකි. සංවේදී දත්ත දේශීය/ආරක්ෂිත, ගිවිසුම්ගත පරිසරයන් තුළ සැකසිය යුතුය.

13. එක් අධ්‍යයනයක දී, 'රෝගියා එදිරිව පාලනය' යැයි ඔවුන් සිතූ වෙනස ඇත්ත වශයෙන්ම වෙනස් දින දෙකක නියැදි සැකසීමට හේතු විය. මෙම තත්වය හඳුන්වන්නේ කුමක්ද සහ එය හසුරුවන්නේ කෙසේද?

• A) එය බාහිර බලපෑමයි; තිත් මකා දැමිය යුතුය
• B) එය සාමාන්යකරණයේ ඌනතාවයකි; පරිමාණ නිවැරදි කිරීම පමණක් ප්රමාණවත් වේ
• C) එය කාණ්ඩ ආචරණයයි; නිර්මාණයේ සමතුලිත විය යුතු අතර, කාණ්ඩයේ විචල්‍යයක් ලෙස ආකෘතියට එකතු කළ යුතුය ✔
• D) p-හැක් කිරීම; පරීක්ෂණය වෙනස් කළ යුතුය

පැහැදිලි කිරීම: නියැදීම් කණ්ඩායම/සැකසීමේ දිනය හේතුවෙන් ඇති වන තාක්ෂණික වෙනස කණ්ඩායම් ආචරණය ලෙස හඳුන්වන අතර ජීව විද්‍යාත්මක වෙනස සමඟ පටලවා ගත හැක. නිවැරදි ප්‍රවේශය නම් නිර්මාණයේ ඇති කාණ්ඩ සමතුලිත කිරීම සහ සංඛ්‍යාන ආකෘතියට කාණ්ඩ විචල්‍යය එක් කිරීම (උදා: '~batch + කොන්දේසිය'), එමගින් තාක්ෂණික සංඥාව ජීව විද්‍යාත්මක සංඥාවෙන් වෙන් කිරීමයි.

14. ඔබට DNA අනුක්‍රමයක GC අනුපාතය ගණනය කිරීමට අවශ්‍ය වේ. නිවැරදි සහ නැවත නැවතත් කළ හැකි ප්‍රවේශය කුමක්ද?

• A) Biopython සමඟ GC අනුපාතය ගණනය කරන කේතය මුද්‍රණය කර එය ධාවනය කර ප්‍රතිදානය භාවිතා කරන්න ✔
• B) ආකෘතියට අනුපිළිවෙල ලබා දී GC අනුපාතය වාචිකව පවසන ලෙස ඉල්ලා සිටින්න
• C) වෙනත් ආකෘතියක් මඟින් ආකෘතිය විසින් ලබා දෙන අනුපාතය තහවුරු කිරීම
• D) මාලාවේ මුල් අකුරු 100 දෙස බලා ඇසින් අනුමාන කිරීම

පැහැදිලි කිරීම: GC අනුපාතය යනු නියත ගණනය කිරීමකි; භාෂා ආකෘතිය 'මතක ඇති' අගයක් මත නොව, අරාව සකසන කේතය මත පදනම් විය යුතුය. ආකෘතිය එය ගණනය කිරීම වෙනුවට, Biopython වැනි මෙවලමකින් ගණනය කිරීමේ කේතය මුද්‍රණය කර එය ඔබම ක්‍රියාත්මක කිරීමෙන් ඔබ එය ධාවනය කරන සෑම අවස්ථාවකම එකම ප්‍රති result ලය ලබා දෙන නිවැරදි ප්‍රතිදානයක් ලබා දෙනු ඇත.