Maadili, Usalama Biolojia, Usiri na Uadilifu wa Kisayansi

Faida:

• Uwezo wa kulinda data nyeti ya binadamu/jenetiki kwa mujibu wa KVKK, GDPR na sheria za kamati ya maadili na kuepuka kuwapa mfano wazi.
• Uwezo wa kuhoji uhalali wa matokeo kwa kutathmini hatari za usalama wa viumbe / matumizi mawili na upendeleo wa idadi ya watu.
• Kuelewa kwamba jukumu la kimaadili haliwezi kukabidhiwa kwa gari na kwamba mtu muhimu katika kitanzi ni muhimu.

Kutumia akili bandia kwa nguvu katika biolojia kunakamilishwa kwa kuitumia kwa kuwajibika. Biolojia ni nyanja nyeti inayogusa afya ya binadamu, faragha ya kinasaba, mazingira na hata usalama wa viumbe hai. Katika kitengo hiki, tutajadili wajibu wa kimaadili, kisheria na usalama utakaokabiliana nao unapotumia akili bandia katika masomo ya kibaolojia. Kitengo hiki ni mfumo uliojengwa juu ya kanuni za uthibitishaji na uaminifu katika vitengo vyote vilivyotangulia.

Kanuni ya msingi: AI ni chombo; Wajibu wa kimaadili daima uko kwa wanadamu. "Mfano uliopendekezwa" sio kisingizio.

Maeneo manne ya wajibu

1. Faragha ya data na data ya binadamu

Data ya kinasaba, kiafya au ya kiafya kutoka kwa washiriki wa kibinadamu ni nyeti sana. Mlolongo wa DNA wa mtu unaweza kufichua hatari na utambulisho wa ugonjwa wao na wa jamaa zao; Hata data ya jeni inayofikiriwa kutokujulikana inaweza kutambuliwa tena. Kubandika data hii kwenye muundo wa AI unaopatikana kwa umma kunaweza kukiuka sheria za ulinzi wa data (KVKK nchini Türkiye, GDPR barani Ulaya) na idhini za bodi ya maadili (IRB/kamati ya maadili).

• Usitoe data ya kibinafsi/ya kliniki kwa modeli iliyo wazi.
• Epuka matumizi zaidi ya upeo wa idhini; Je, mshiriki alikubali nini?
• Chagua zana za biashara/ndani (kwenye uwanja) au zana za mkataba wa usindikaji wa data.

2. Usalama wa viumbe hai na matumizi mawili

Baadhi ya taarifa za kibiolojia ni "matumizi mawili": zinaweza kuwa muhimu na zenye madhara; kwa mfano, mlolongo wa pathojeni (kusababisha magonjwa), uzalishaji wa sumu. Kuuliza AI kwa maelezo juu ya kuimarisha vimelea hatari au kubuni mawakala hatari wa kibaolojia ni kinyume cha maadili na kinyume cha sheria katika maeneo mengi.

• Usitume maombi hatari ya matumizi mawili.
• Fuata miongozo ya bodi ya usalama wa viumbe (IBC) ya taasisi yako.

3. Uadilifu wa kisayansi

Kila kitu ambacho tumeona katika vitengo vilivyotangulia hujumuishwa hapa: hakuna maelezo ya uwongo, hakuna urembo wa data, hakuna udukuzi, hakuna kuripoti kwa kuchagua. Akili bandia inaweza kufanya haya rahisi au magumu; Tofauti ni katika uaminifu wako.

• Ripoti matokeo yote (pamoja na hasi).
• Tangaza matumizi ya akili ya bandia.
• Saidia uzalishaji tena kwa kushiriki data na msimbo ghafi (ikiwezekana).

4. Upendeleo na haki

Aina za AI hubeba upendeleo wa data ambayo wamefunzwa. Hifadhidata za jeni kwa kiasi kikubwa hutoka kwa watu wenye asili ya Uropa; hii inasababisha utabiri duni katika idadi ya watu wengine. Muundo wa picha unaweza kufanya kazi vibaya katika hali ambayo haijawakilishwa kidogo katika data ya mafunzo.

• Swali ni idadi gani ya watu/data ambayo modeli ilifunzwa.
• Tathmini kama matokeo yanafaa katika vikundi vyote.

Kidokezo: Jiulize: "Ikiwa nitatoa data hii kwa mfano, ni ya nani na je, mtu huyo alitoa ruhusa?" Ikiwa jibu ni wazi, usitoe. Ukiukaji wa usiri hauwezi kutenduliwa.

Hatua kwa hatua: Udhibiti wa AI unaowajibika

1. Kuainisha chanzo cha data: Binafsi/nyeti au hadharani?
2. Angalia idhini na ruhusa: Je, matumizi haya yanafunikwa?
3. Chagua zana inayofaa: Mazingira salama/asili kwa data nyeti.
4. Fikiria hatari ya matumizi mawili.
5. Upendeleo wa swali: Je, matokeo ni halali katika vikundi vyote?
6. Hati na tangaza matumizi.

Violezo vya haraka vinavyoweza kunakiliwa

Kagua mpango wangu wa uchanganuzi hapa chini kwa mtazamo wa kimaadili: orodhesha maonyo kuhusu usiri wa data, ridhaa ya mshiriki, uwezekano wa upendeleo, na hatari ya matumizi mawili. Mpango: [maandishi] (Kumbuka: SISHIRIKI data halisi ya mgonjwa, mpango tu.)

Je, ni maswali gani ya faragha na ya idhini ninayopaswa kujibu kabla ya kutumia mkusanyiko huu wa data wa genomic? Orodha ya ukaguzi imeandaliwa kulingana na KVKK/GDPR na kamati ya maadili.

Je, ninawezaje kutangaza kwa uwazi zana ya kijasusi bandia ninayotumia katika sehemu ya mbinu ya makala yangu? Andika mfano wa sentensi tangazo; ni habari gani (zana, toleo, upeo wa matumizi) inapaswa kuwa na?

Ninawezaje kutathmini ikiwa matokeo ya mtindo huu yana upendeleo wa idadi ya watu? Orodhesha maswali ninayopaswa kuuliza kuhusu data ya mafunzo na hatua za ukaguzi.

Mwongozo dhaifu / Mwongozo thabiti

Dhaifu: "Changanua data ya kijeni ya mgonjwa ifuatayo: [data halisi]."

Güçlü: "Ninaweka mpango wa uchanganuzi unaofanya kazi na data ya kimatibabu ya genomic, lakini sishiriki data halisi ya mgonjwa. Ni kwa mtazamo wa mbinu tu: ni hatua gani za usiri ninazopaswa kuchukua, katika mazingira gani ninapaswa kuchakata data, ni kibali gani na masharti ya kamati ya maadili ninapaswa kutimiza? Unaweza kuonyesha mtiririko na data dummy/sampuli."

Tofauti: Hakuna data nyeti halisi inayoshirikiwa katika kidokezo chenye nguvu; Njia pekee inaulizwa. Faragha inadumishwa, mtindo bado husaidia.

kesi tatu ndogo

Kesi ya 1 - Ukiukaji wa Faragha: Mtafiti alibandika kile alichofikiri kuwa data ya mgonjwa isiyojulikana haikujulikana kwenye muundo wazi ili ichanganuliwe. Kamati ya maadili ilipopata habari hii, utafiti huo ulisitishwa; Hakukuwa na makubaliano ya kuchakata data. Somo: data nyeti haiingii kamwe katika muundo ulio wazi.

Kesi ya 2 - Upendeleo wa idadi ya watu: Zana ya alama ya hatari ya polygenic ilifunzwa juu ya data ya asili ya Uropa; Katika idadi nyingine ya watu, makadirio ya hatari hayakuwa sahihi sana. Wakati mtindo ulipendekeza kuhoji muundo wa data ya mafunzo, timu iliamua kutotumia zana katika idadi hiyo. Somo: upendeleo huokoa au kudhuru maisha.

Kesi ya 3 - Ufichuzi na uwazi: Timu iliandika msimbo wa kusafisha data na AI na ilisema hili kwa uwazi katika sehemu ya mbinu; Pia alishiriki kanuni. Wakaguzi walikaribisha hili kwa sababu uwezo wa kujirudia ulikuwa thabiti. Somo: uwazi huzaa uaminifu.

chati ya kulinganisha

eneo

tabia salama

tabia hatarishi

data ya mgonjwa

Mazingira ya ndani/salama

Bandika ili ufungue mfano

ridhaa

Tumia ndani ya upeo

Usizidi upeo

Usalama wa viumbe

Kuepuka matumizi mawili

mahitaji hatari

uadilifu

Ripoti matokeo yote

taarifa ya kuchagua

upendeleo

Kuuliza idadi ya watu

Omba kwa upofu

uwazi

Tangaza matumizi

kujificha

Makosa ya kawaida

• Kutoa data nyeti kwa muundo wazi: Ukiukaji wa faragha usioweza kutenduliwa.
• Kuzidisha upeo wa idhini: Matumizi ambayo hayajaidhinishwa na mshiriki.
• Kupuuza upendeleo: Kuongeza matokeo kwa vikundi vyote.
• Kuficha matumizi: Kutotangaza mchango wa AI.
• Ulinzi wa "Mfano uliopendekezwa": Kuhusisha uwajibikaji kwa gari.

Tahadhari: Katika kazi yenye matokeo ya juu ya kibayolojia (uamuzi wa kimatibabu, usalama wa viumbe, data ya binadamu) Matokeo ya AI si mbadala wa uthibitishaji wa kitaalamu na uangalizi wa kimaadili; inaharakisha tu. Jukumu la mwisho daima liko kwa mwanadamu, pamoja na matokeo ya kimaadili na kisayansi ya uamuzi.

Mazingira, ikolojia na maarifa ya jadi

Wajibu wa kimaadili sio tu kwa data ya binadamu. Tahadhari pia inahitajika wakati wa kutumia akili ya bandia katika ikolojia na biolojia ya uhifadhi. Kwa mfano, data sahihi ya eneo (viratibu vya mtego wa kamera) ya wanyama walio katika hatari ya kutoweka ni nyeti kutokana na hatari ya ujangili; Kutoa data hii kwa muundo wazi au kwa umma kunaweza kudhuru spishi. Vile vile, masuala ya kimaadili na kisheria (kama vile Itifaki ya Nagoya) hutokea wakati ujuzi wa jadi wa kibaolojia wa jumuiya za mitaa (k.m. matumizi ya mmea) unatumiwa bila ruhusa. Kabla ya kutumia data, "habari hii ni ya nani na nani angedhuriwa na ufichuzi wake?" Uliza swali kila wakati.

Uangalizi wa kibinadamu na uamuzi wa mwisho

Kiini cha moduli hii nzima kinatokana na kanuni moja: uangalizi wa maana wa kibinadamu. AI hutoa pendekezo, anaandika rasimu, inaonyesha muundo; Lakini uamuzi wa kibayolojia, kiafya au kimaadili kamwe hautegemei moja kwa moja kwenye matokeo ya mfano. Hasa katika maeneo ya hatari (utambuzi, matibabu, uamuzi wa uhifadhi wa aina, kutolewa), jukumu la mfano sio kufanya maamuzi, lakini kuharakisha uamuzi wa mtaalam. Mbinu ya "binadamu-katika-kitanzi" sio kauli mbiu, lakini ni lazima.

Ili ufuatiliaji huu ufanye kazi, msimamizi lazima awe na uwezo. Idhini ya upofu ("mfano ulisema, kukubalika") sio uangalizi. Uangalizi wa kweli unahitaji utaalam ambao unaweza kuhoji matokeo, kupata hitilafu yake, na kuikataa inapohitajika. Kwa hiyo, akili ya bandia haina nafasi ya mtaalam; Inafanya mtaalam kuwa muhimu zaidi. Anayetumia gari vizuri ndiye anayeweza kulidhibiti vyema.

Kwa muhtasari

Utumiaji unaowajibika wa AI katika biolojia unashughulikia maeneo manne: faragha ya data (kulinda data nyeti ya binadamu), usalama wa viumbe (kuepuka matumizi maradufu), uadilifu wa kisayansi (kuripoti kwa uaminifu na kamili) na uhamasishaji wa upendeleo (uhalali wa matokeo katika vikundi vyote). Usitoe data nyeti kwa muundo wazi, tangaza matumizi kwa uwazi, swali upendeleo wa idadi ya watu. Wajibu wa kimaadili kamwe hauwezi kukabidhiwa kwa wakala; Daima iko kwa wanadamu.

Jukumu la maombi

Zingatia hali kutoka kwa nafasi yako ya kazi (k.m. kutumia seti ya data ya binadamu au kielelezo cha picha). Acha AI ije na orodha hakiki ya kimaadili ya hali hii (usiri, ridhaa, upendeleo, matumizi mawili, uwazi) bila kushiriki data halisi. Kwa kila kipengee, weka alama kama "inafaa/hatari/isiyo na uhakika" katika hali yako na uandike mpango wa utekelezaji kwa yale ambayo ni hatari/hayana uhakika. Pia uwe na taarifa ya matumizi ya AI iliyoandaliwa kwa nakala yako.

orodha ya ukaguzi

• [ ] Sikutoa data nyeti/ya kibinafsi kwa modeli iliyofunguliwa.
• [ ] Niliangalia upeo wa kamati ya ridhaa na maadili.
• [ ] Nimetathmini hatari mbili za matumizi/usalama wa viumbe hai.
• [ ] Niliripoti matokeo yote kwa uaminifu.
• [ ] Nilitilia shaka upendeleo wa idadi ya watu/data.
• [ ] Nimetangaza kwa uwazi matumizi ya akili bandia na kuwajibika.

Mtihani wa Moduli

1. Mwanafunzi aliuliza modeli ya lugha 'ni nyuzi ngapi kwenye faili hii ya FASTA?' anauliza na mwanamitindo anajibu '48'. Ni ipi njia sahihi zaidi?

• A) Moja kwa moja kwa kutumia nambari 48 iliyotolewa na modeli; Mfano huo ni wa kuaminika kwa sababu unaona faili
• B) Uliza nambari tena na ukubali kuwa ni sahihi ikiwa majibu mawili ni sawa
• C) Kusoma faili na Biopython, kuhesabu idadi ya mlolongo na nambari na kutumia pato ✔
• D) Kufungua faili kwa mikono na kuhesabu kwa uamuzi wa jicho

Ufafanuzi: Kazi za kuamua kama vile kuhesabu na kupima zinapaswa kuachwa kwa msimbo unaoendesha, si kwa mtindo wa lugha. Mfano 'haukumbuki' nambari, hutoa thamani ya uwezekano na inaweza kuwa na makosa; Kuhesabu kwa zana kama Biopython hutoa matokeo sahihi na yanayoweza kuzaa tena.

2. Unataka kuhesabu seli katika picha ya hadubini na kupima eneo la kila moja. Ni njia gani inayofaa zaidi kwa kazi hii?

• A) Kutumia zana ya mtaalam ya kugawanya kama Cellpose/StarDist na kuthibitisha matokeo mwenyewe ✔
• B) Bandika picha kwenye modeli ya lugha ya jumla na uulize 'kuna seli ngapi'
• C) Eleza picha kwa mfano na uulize nambari inayokadiriwa
• D) Kukubali idadi ya saizi kama idadi ya seli bila urekebishaji wowote

Ufafanuzi: Ugawaji wa kisanduku na kipimo si kikoa cha modeli ya lugha ya jumla, lakini ya miundo maalum ya picha (Cellpose, StarDist) iliyofunzwa mahususi kwa kazi hii. Mtindo wa lugha huandika msimbo unaoita zana hizi; Mfano wa mtaalam hufanya kipimo, na mwanabiolojia anathibitisha matokeo.

3. Mwanafunzi aliyehitimu anaongeza vyanzo 8 vilivyotolewa na modeli ya lugha kwenye utangulizi wake wa tasnifu. Mshauri anaona kuwa 3 kati ya hizi hazipo kabisa. Je, hali hii ingezuiwaje?

• A) Kwa kuuliza modeli kutoa rasilimali kwa mara nyingine tena
• B) Kwa kuchagua nukuu tu na DOI (ikiwa kuna DOI, ni halisi)
• C) Kuomba orodha kwa kuagiza mfano 'kufaa'
• D) Kuthibitisha kwa kujitegemea kila nukuu kwenye PubMed/doi.org na kutaja tu makala ambayo amesoma ✔

Maelezo: Miundo ya jumla ya lugha si hifadhidata ya fasihi; Badala ya kutafuta rekodi halisi, 'inazalisha' sifa za sauti halisi (maelezo yaliyotengenezwa). Kila mstari mdogo na DOI haipaswi kutumiwa bila uthibitishaji huru katika vyanzo kama vile PubMed/doi.org na kunukuu tu makala ambazo zimesomwa.

4. Ni njia gani yenye nguvu zaidi ya kuhakikisha usahihi wa msimbo wa kusafisha data ulioandikwa na akili ya bandia?

• A) Ikiwa nambari inafanya kazi bila makosa, ikubali kama sahihi.
• B) Kujaribu matokeo kwa sampuli ndogo inayojulikana na kuthibitisha matarajio kwa kusisitiza ✔
• C) Uliza modeli 'je msimbo ni sahihi?' kuuliza na kuamini jibu 'ndio'
• D) Endesha msimbo mara kadhaa na upate matokeo sawa kila wakati

Kumbuka: Kwa sababu tu nambari inafanya kazi bila makosa haimaanishi kuwa ni sahihi; 'msimbo mbaya unaofanya kazi bila makosa' ndio hali hatari zaidi katika biolojia. Kujaribu kwa sampuli ndogo ambayo matokeo yake unajua mapema na kupachika matarajio katika msimbo kwa kudai ndiyo ngao thabiti dhidi ya matokeo yasiyo sahihi ya kimya.

5. Katika uchanganuzi wa RNA-seq, jeni 20,000 hujaribiwa na jeni 3,800 zinapatikana kuwa 'muhimu' na p<0.05 bila marekebisho. Tatizo kuu la hitimisho hili ni nini?

• A) Idadi ya sampuli ni kubwa mno, inapaswa kupunguzwa
• B) kizingiti cha p ni cha juu sana, 0.10 inapaswa kutumika
• C) Marekebisho mengi ya kulinganisha (FDR) hayakufanyika; Kuna alama nyingi za uwongo ✔
• D) Sampuli zilipaswa kupimwa badala ya jeni

Maelezo: Unapojaribu maelfu ya jeni kwa wakati mmoja, jeni nyingi huonekana 'muhimu' kwa bahati nasibu, hata kama hakuna tofauti halisi; Hii inaitwa shida ya kulinganisha nyingi. Suluhisho ni kutumia marekebisho ya FDR (kiwango cha ugunduzi wa uwongo) kwa njia kama vile Benjamini-Hochberg; Kwa marekebisho, orodha kawaida hupungua hadi makumi hadi jeni mia chache.

6. Mechi bora katika matokeo ya BLAST ina thamani ya E ya 2.0. Je, hii ina maana gani?

• A) Mechi ina uwezekano mkubwa wa kubahatisha; ✔ sio mechi ya kuaminika
• B) Kuunganishwa ni nguvu sana; Kadiri thamani ya elektroniki inavyokuwa, ndivyo bora zaidi
• C) Mfuatano ulilingana kwa kiwango cha 2%
• D) Kuna tofauti 2 za msingi kati ya mlolongo huo mbili

Maelezo: Thamani ya E inaonyesha matarajio ya mechi kuwa ya nasibu; Ni bora kuwa mdogo. Thamani ya kielektroni iliyo zaidi ya 1 inaonyesha kuwa kuna uwezekano mkubwa kuwa kuna uwezekano kuwa kuna bahati nasibu. Kwa mechi zinazotegemewa, vizingiti vidogo sana kama vile e <1e-5 hutafutwa kwa ujumla.

7. Katika muundo wa AlphaFold, eneo la mwisho la protini linaonyesha alama ya chini ya pLDDT (<50). Je, eneo hili linapaswa kutafsiriwaje?

• A) AlphaFold ilifanya makosa katika eneo hili, eneo linapaswa kuondolewa kutoka kwa uchambuzi
• B) Eneo hili kwa hakika ni alpha helix
• C) Mfano huo hauaminiki kabisa, muundo haupaswi kutumiwa
• D) Eneo hilo lina uwezekano wa kutokuwa wa kawaida/lastiki; inapaswa kutafsiriwa kama 'isiyo wazi' badala ya 'uongo' ✔

Maelezo: pLDDT ni alama ya imani ya ndani kwa kila asidi ya amino; Thamani zilizo chini ya 50 mara nyingi huonyesha maeneo yasiyo ya kawaida (yanayoweza kunyumbulika, yasiyobadilika). Ni makosa kufuta maeneo haya kiotomatiki kama 'makisio yasiyo sahihi'; Alama ya chini inapaswa kusomwa kama 'isiyo na uhakika/inayobadilika' na umuhimu wake wa kibayolojia unapaswa kutathminiwa.

8. Mtafiti anaripoti maeneo ya seli katika pikseli pekee na matokeo hayawiani na fasihi. Ni hatua gani inayokosekana?

• A) seli zaidi zilipaswa kuhesabiwa
• B) Urekebishaji wa kiwango (ubadilishaji wa pixel-to-micrometer) haukufanywa, matokeo hayakubadilishwa kuwa vitengo vya kimwili ✔
• C) Chombo cha kugawanya kilichaguliwa vibaya
• D) Ubora wa picha ni wa juu sana

Ufafanuzi: Urekebishaji wa mizani (ni maikromita ngapi kwa pikseli) ni muhimu ili kutoa saizi halisi kutoka kwa picha. Ikiwa hatua hii itarukwa, maadili hubaki kuwa yasiyoweza kulinganishwa, kulingana na mpangilio wa darubini. Maeneo lazima yabadilishwe kuwa vitengo halisi kama vile mikromita za mraba.

9. Mwanafunzi huchukua sampuli 10 za tishu kutoka kwa panya moja na kutumia 'n=10' katika takwimu. Kwa nini hii si sahihi?

• A) Sampuli 10 ni chache mno kwa takwimu, angalau 30 zinahitajika
• B) Sampuli za tishu zilipaswa kuchukuliwa kutoka kwa viungo tofauti
• C) Mifano hii 10 ni marudio ya kiufundi; biological n bado ni 1, hii ndiyo inayoitwa marudio ✔
• D) Sampuli ni batili kwa sababu zilichukuliwa siku moja

Maelezo: Vipimo vinavyorudiwa kuchukuliwa kutoka kwa mtu yule yule ni marudio ya kiufundi; ambapo takwimu n ni idadi ya vitengo vya kibiolojia (hapa panya). Kuzingatia marudio ya kiufundi kama ya kibaolojia (pseudoreplication) hutoa umuhimu wa uwongo. Muundo sahihi unamaanisha kufanya kazi na watu wengi.

10. Uchambuzi mmoja ulipatikana p=0.03. Ni ipi tafsiri sahihi ya thamani hii?

• A) Kuna uwezekano wa 3% wa kuona hili au matokeo mabaya zaidi wakati ukweli hakuna tofauti ✔
• B) Uwezekano wa athari kuwa halisi ni 97%
• C) Uwezekano wa nadharia tupu kuwa kweli ni 3%
• D) Matokeo yanaweza kurudiwa kwa 97%.

Ufafanuzi: thamani ya p si 'uwezekano kwamba dhana ni kweli' au 'uwezekano kwamba athari ni kweli'. Thamani ya p ni uwezekano wa kuona tofauti kama au kali zaidi kuliko ile inayozingatiwa wakati hakuna tofauti. Kwa hivyo p=0.03 haimaanishi 'athari ni 97% halisi'; matokeo yanapaswa pia kutathminiwa kwa ukubwa wa athari na muda wa kujiamini.

11. Katika wasilisho, tofauti ya 3% kati ya vikundi viwili inaonyeshwa kuwa kubwa kwa kubana mhimili wa y hadi safu ya 95-100. Huu ni mfano wa nini?

• A) Mbinu nzuri ya taswira; inaangazia tofauti
• B) Tatizo la rangi ya kirafiki ya rangi
• C) Chaguo la mtindo unaokubalika
• D) Chati potofu na isiyo ya uaminifu ambayo inatia chumvi tofauti na mhimili uliokatwa ✔

Maelezo: Kutoanzisha mhimili kutoka sufuri (mhimili uliokatwa) hupotosha mtazamaji kwa kutilia chumvi tofauti ndogo. Huu ni ukiukaji wa kanuni ya uaminifu; Hasa katika chati za bar, mhimili unapaswa kuanza kutoka sifuri na tofauti inapaswa kuonyeshwa kwa ukubwa wake halisi.

12. Mtafiti hubandika kile anachofikiri kuwa data ya mgonjwa isiyojulikana katika muundo wa lugha ya umma ili ichanganuliwe. Kwa nini tabia hii ina matatizo?

• A) hakuna shida; data inaweza kushirikiwa ikiwa haijulikani
• B) Kutoa data nyeti ya mgonjwa kwa mfano wazi ni ukiukaji wa faragha na maadili/kisheria (KVKK/GDPR) na hakuwezi kutenduliwa ✔
• C) Ni tatizo kwa sababu tu uchambuzi utakuwa wa polepole
• D) Mfano una shida kwa sababu hauwezi kuelewa data

Maelezo: Data ya kinasaba/kliniki ya mgonjwa ni nyeti sana; Hata data ya jeni inayofikiriwa kutokujulikana inaweza kutambuliwa tena. Kutoa data hii kwa muundo wa umma kunakiuka idhini za KVKK/GDPR na kamati ya maadili (IRB) na ni ukiukaji wa faragha usioweza kutenduliwa. Data nyeti inapaswa kuchakatwa katika mazingira ya ndani/salama, yenye kandarasi.

13. Katika utafiti mmoja, tofauti waliyofikiri ilikuwa 'mgonjwa dhidi ya udhibiti' ilitokana na sampuli kuchakatwa kwa siku mbili tofauti. Hali hii inaitwaje na inashughulikiwaje?

• A) Ni athari ya nje; dots inapaswa kufutwa
• B) Ni ukosefu wa kuhalalisha; marekebisho ya kiwango pekee yanatosha
• C) Ni athari ya kundi; inapaswa kusawazishwa katika muundo na kuongezwa kwa kielelezo kama kigezo cha kundi ✔
• D) p-hacking; mtihani unapaswa kubadilishwa

Ufafanuzi: Tofauti ya kiufundi kutokana na kundi la sampuli/siku ya kuchakata inaitwa batch effect na inaweza kuchanganyikiwa na tofauti ya kibaolojia. Mbinu sahihi ni kusawazisha bachi katika muundo na kuongeza utofauti wa bechi kwa muundo wa takwimu (k.m. '~batch + condition'), hivyo kutenganisha mawimbi ya kiufundi kutoka kwa mawimbi ya kibayolojia.

14. Unataka kukokotoa uwiano wa GC wa mlolongo wa DNA. Ni ipi njia sahihi na inayoweza kurudiwa?

• A) Chapisha msimbo unaokokotoa kiwango cha GC kwa kutumia Biopython, iendesha na utumie pato ✔
• B) Ipe kielelezo mfuatano na uulize kusema kwa maneno kiwango cha GC
• C) Kuthibitisha uwiano uliotolewa na mfano na mtindo mwingine
• D) Kuangalia herufi 100 za kwanza za mfululizo na kubahatisha kwa jicho

Maelezo: Kiwango cha GC ni hesabu ya kuamua; inapaswa kutegemea msimbo unaochakata safu, si kwa thamani ambayo mtindo wa lugha 'unakumbuka'. Badala ya kuwa na mfano kuhesabu, kuchapisha nambari ya kuhesabu na zana kama Biopython na kuiendesha mwenyewe itatoa matokeo sahihi ambayo hutoa matokeo sawa kila wakati unapoiendesha.