Kesi ya Mwisho hadi Mwisho: Safari ya Kibadala kutoka Ugunduzi hadi Ripoti ya Kliniki

Faida:

• Uwezo wa kuchanganya sehemu zote zilizojifunza katika moduli (mlolongo, lahaja, muundo, fasihi, kliniki) katika mtiririko wa kazi unaoungwa mkono na AI kutoka mwisho hadi mwisho.
• Uwezo wa kutumia kanuni ya 'akili ya bandia inazalisha, uthibitishaji wa binadamu na vocha' na uthibitishaji wa chanzo msingi katika kila hatua.
• Uwezo wa kudhibiti msururu wa uthibitishaji kwa kuandika usiri na idhini ya mwisho ya mtaalam katika kesi ya mwisho hadi ya mwisho.

Katika moduli hii, tulijadili kila hatua kando, kutoka kwa uchanganuzi wa mlolongo hadi muundo wa protini, kutoka kwa CRISPR hadi omics, kutoka kwa fasihi hadi maadili na usiri. Katika kitengo hiki cha mwisho, tunazichanganya zote katika mtiririko mmoja wa kweli: safari ya lahaja inayopatikana kwa mgonjwa, kutoka kwa data ghafi hadi ripoti ya kliniki iliyoidhinishwa. Lengo ni kuona kikamilifu jinsi ya kuweka akili bandia (AI) kama msaidizi wa mwisho hadi mwisho na jinsi uthibitishaji na uwajibikaji wa binadamu unavyounganishwa katika kila hatua.

Hali yetu (ya kubuni): Mgonjwa wa kike mwenye umri wa miaka 34 anakuja kwa ajili ya tathmini ya kinasaba na historia ya familia ya saratani ya matiti katika umri mdogo. Kibadala katika jeni la BRCA1 kilipatikana kwenye jaribio la paneli. Dhamira yetu: kuainisha lahaja hii, kutafsiri athari inayowezekana kwa protini, kagua fasihi, na kuandaa ripoti ya kimatibabu - kwa kutumia AI katika kila hatua na kuithibitisha kwa kila hatua.

Awamu ya 1: Kurekebisha lahaja na udhibiti wa faragha

Mwanzoni kabisa mwa mtiririko wa kazi, tunafanya mambo mawili: kusawazisha data na kuhakikisha usiri.

Faragha kwanza: Jina la mgonjwa, nambari ya kitambulisho, na tarehe ya kuzaliwa haziingii zana zozote za AI zilizofunguliwa (Kitengo cha 10). Tunafanya kazi tu na lahaja, toleo la jenomu na manukuu - na iwapo tu kibadala hakitambui mtu binafsi. Kisha tunarekebisha lahaja: GRCh38, BRCA1, NM_007294.4, kwa mfano c.5266dupC (p.Gln1756fs). Tunathibitisha hili na kithibitishaji (VariantValidator); Hatukubali uwakilishi unaotolewa na AI kwa thamani halisi (Kitengo cha 1, 3).

Hatua ya 2: Kukusanya ushahidi (Kitengo cha 3)

Tunayo AI inayounda mfumo wa uthibitisho wa ACMG - lakini bila kufanya darasa kuwaambia. Kisha tunathibitisha kila ushahidi wenyewe:

• frequency ya gnomAD: Tunatafuta lahaja katika gnomAD na kuona kwamba ni nadra sana/haipo (katika mwelekeo wa PM2).
• ClinVar: Tunafungua rekodi na kuangalia maoni yaliyopo na upya.
• Aina ya kibadala: Ikiwa mabadiliko ya fremu yatasababisha kukoma mapema, kunaweza kuwa na uthibitisho dhabiti wa kupoteza utendaji kazi (PVS1) - lakini tunatathmini hili katika muktadha wa jeni na manukuu.

Hatutumii marudio au marejeleo yoyote yanayotolewa na AI bila kuithibitisha (Kitengo cha 9).

Hatua ya 3: Tafsiri ya muundo wa protini (Kitengo cha 4)

Ili kuelewa athari ya lahaja kwenye protini, tunapakua muundo wa AlphaFold (pamoja na nambari yake ya UniProt), angalia alama ya uaminifu ya pLDDT na ufafanuzi wa utendaji wa UniProt wa eneo lililoathiriwa. Kwa sababu mabadiliko ya fremu hubadilisha sehemu kubwa ya protini, tafsiri ya muundo inaweza kuunga mkono nadharia ya upotevu wa kazi hapa—lakini muundo ni kisio, si uthibitisho dhahiri. Hatuulizi AI kwa kuratibu; Tunasoma kutoka kwa faili.

Hatua ya 4: Uthibitishaji wa Fasihi (Kitengo cha 7)

Tunapata maneno ya utafutaji kutoka kwa AI, tutafute kwenye PubMed yenyewe, na kupata makala halisi juu ya lahaja na jeni. Tunathibitisha dondoo ambazo AI inawasilisha "kutoka kwa kumbukumbu" na DOI/PMID. Tunahifadhi tofauti kati ya uhusiano na sababu kwenye chanzo.

Hatua ya 5: Uainishaji na tafsiri ya kimatibabu (Vitengo 3, 8)

Tunachanganya ushahidi ulioidhinishwa, tukizingatia darasa linalowezekana na mchanganyiko wa ACMG (katika mfano huu, upotevu mkubwa wa kazi na ushahidi wa nadra unaweza kuwa katika mwelekeo wa "pathogenic/pengine pathogenic" - lakini mtaalamu ndiye anayesema mwisho). Tunachanganya tafsiri ya kimatibabu na phenotype na historia ya familia: je, picha ya mgonjwa inalingana na BRCA1? Ikiwa hakuna uhakika, tunasema kwa uaminifu.

Hatua ya 6: Rasimu ya ripoti na idhini (Kitengo cha 8)

Kwa AI, tunatayarisha ripoti za rasimu kwa daktari na mgonjwa; Katika lugha ambayo haizidishi sababu, ni wazi juu ya kutokuwa na uhakika, na inaelekeza kwa ushauri wa maumbile. Mtaalam anathibitisha kila sentensi. Tunaongeza sehemu ya mipaka (kile ambacho mtihani haujumuishi, hali ya kutathmini upya).

Kidokezo: Unapoingiza matokeo ya kila hatua kwenye inayofuata katika mtiririko wa mwisho hadi mwisho, hakikisha kuwa matokeo yamethibitishwa. Marudio au maelezo ambayo hayajathibitishwa yanapelekwa mbele kimakosa kwa hatua zote zinazofuata (uonevu uliofungwa—Kitengo cha 9).

meza ya mtiririko wa kazi

Jukwaa

Jukumu la AI

Uthibitishaji wa lazima

mwenye maamuzi

kurekebisha

mchoro wa demo

LahajaValidator

mtaalam

Faragha

Udhibiti wa kutokutambulisha

udhibiti wa binadamu

mtaalam

ushahidi

Kuweka mfumo

gnomAD, ClinVar

mtaalam

muundo

Maoni

pLDDT, faili

mtaalam

fasihi

Neno la utafutaji, muhtasari

DOI/PMID

mtaalam

darasa

rasimu ya mchanganyiko

Sheria za ACMG

mtaalam

Ripoti

rasimu ya lugha

kibali cha sentensi kwa sentensi

Mtaalam/Mshauri

Kesi tatu ndogo (vizuizi katika mtiririko)

Kesi ya 1 - Nakala si sahihi. Timu moja ilifanya kazi na nakala iliyotolewa na AI mwanzoni mwa mkondo; baadaye aligundua kuwa jopo lilikuwa limetumia nakala tofauti. c. Nafasi zao zilikuwa zimebadilika. Hitilafu ilitatuliwa kwa kurekebisha tangu mwanzo na VariantValidator. Somo: hitilafu katika awamu ya kurekebisha huharibu mtiririko mzima.

Kesi ya 2 - Nakala bandia inayounga mkono. Katika awamu ya fasihi, AI ilipendekeza karatasi ya ushawishi inayounga mkono uainishaji. Ukaguzi wa PMID ulionyesha kuwa makala haipo; kuondolewa kwenye mlolongo wa ushahidi. Ushahidi halisi ulitosha, lakini uaminifu wa kitaaluma/kikliniki ungeharibiwa ikiwa maelezo ya uwongo yangebaki kwenye ripoti.

Kesi ya 3 - Uthibitisho umepata. Katika hatua ya kuripoti, rasimu ya AI ilijumuisha taarifa "lahaja hii hakika husababisha saratani." Mshauri alirekebisha hili kwa kusema "lahaja hii huongeza kwa kiasi kikubwa hatari ya saratani ya matiti/ovari, lakini haionyeshi ugonjwa dhahiri" na kuongeza pendekezo la ushauri wa kijeni. Toni na usahihi viliundwa kwa mikono ya wataalam.

Violezo viwili vinavyoweza kunakiliwa (mwisho hadi mwisho)

1) Mpangaji wa mtiririko:

Jukumu lako: msaidizi wa utiririshaji wa jenetiki ya kimatibabu. Unda orodha hakiki ya mwisho hadi mwisho kutoka kwa ugunduzi ili kuripoti lahaja ifuatayo: [toleo la jenomu, jeni, nakala, HGVS]. Andika katika kila hatua (urekebishaji, faragha, ushahidi, muundo, fasihi, darasa, ripoti) na safu wima "AI hufanya nini / ninathibitisha nini / ni nani anayeamua". WEWE hufanya uamuzi wa darasa na wa kimatibabu.

2) ukaguzi wa mwisho:

Angalia awali lahaja ifuatayo iliyokamilishwa na rasimu ya ripoti kabla ya kuwasilisha: [maudhui]. Angalia: mara kwa mara/maelezo ambayo hayajathibitishwa, maelezo ya sababu/usahihi yaliyokithiri, kukosa onyo la utata, kukosa mgawanyo wa mipaka, kuathiriwa kwa faragha. Orodhesha kila tatizo na mapendekezo yoyote ya kulitatua.

Mwongozo dhaifu / Mwongozo thabiti

Dhaifu: "Andika ripoti kamili ya kimatibabu ya lahaja hii ya BRCA1."

Tatizo: AI hutoa "ripoti" kwa kufaa hatua zote kwa kwenda moja; frequency, sifa, darasa, hukumu ya kimatibabu yote hayajathibitishwa.

Imara: "Tengeneza orodha ya ukaguzi kutoka kwa ugunduzi ili kuripoti lahaja hii ya BRCA1; tenganisha katika kila hatua kile utafanya, nini nitathibitisha, na nani atafanya uamuzi. Nitafanya darasa na uamuzi wa kimatibabu baada ya kuthibitisha ushahidi."

Kwa nini ina nguvu: Mtiririko umeundwa, kila hatua inafungamana na uthibitishaji, na uamuzi na wajibu hubaki kwa mwanadamu.

Makosa ya kawaida

• Kuuliza "ripoti iliyokamilika" kwa haraka moja. Hatua zimeunganishwa bila uthibitishaji; makosa hujilimbikiza.
• Kupuuza awamu ya kurekebisha. Toleo/manukuu yasiyo sahihi yanakanusha mtiririko mzima.
• Kusonga pato kati ya hatua bila kuidhibitisha. Maoni ya mnyororo hutokea.
• Kufikiria juu ya faragha "mwisho" wa mtiririko. Usiri lazima uanzishwe kwanza, wakati wa kuingiza data.
• Kuacha uamuzi na sauti kwa AI. Ujumbe wa darasani na wa kimatibabu lazima uidhinishwe na mtaalamu.

Tahadhari: Kutumia AI ya mwisho-hadi-mwisho huokoa muda mwingi lakini haipunguzi wajibu; Kinyume chake, inafanya nidhamu ya uthibitishaji katika kila hatua kuwa muhimu zaidi. AI huharakisha mtiririko; Binadamu huhakikisha usahihi, usalama na kufuata maadili.

Kina: uokoaji wa muda wa mtiririko wa kazi, udhaifu na njia ya ukaguzi

Thamani halisi ya mtiririko wa mwisho hadi mwisho sio "ruhusu AI ifanye yote" lakini katika kupata wakati katika maeneo sahihi na kupunguza kasi katika maeneo sahihi. Hebu tuhesabu faida katika hali hii: kuweka mfumo wa ushahidi, kuzalisha maneno ya utafutaji, kurahisisha lugha ya ripoti, na kuja na orodha ya ukaguzi baada ya ukaguzi kunaweza kupunguza kile ambacho kingechukua muda wa saa kadhaa kuandika kazi katika makumi ya dakika. Kinyume chake, uthibitishaji wa gnomAD/ClinVar, ubandikaji wa VariantValidator, ukaguzi wa DOI, na uamuzi wa kitaalamu hauwezi kufupishwa - ndizo uti wa mgongo wa usalama wa mtiririko. Mtazamo sahihi: "AI hutoa rasimu, vitendo vya kibinadamu kama mdhamini." Faida iko kwenye rasimu, jukumu liko kwenye uamuzi.

Kiungo tete zaidi katika mtiririko daima ni wa kwanza: nanga. Toleo lisilo sahihi la jenomu au nakala isiyo sahihi hueneza kimya kimya kwa kila hatua inayofuata, na hatimaye kutoa ripoti isiyo sahihi kabisa. Kwa hivyo usiendelee na hatua inayofuata bila kuhalalisha nanga na zana moja inayojitegemea (kama VariantValidator). Jambo la pili lililo hatarini zaidi ni uhamishaji wa pato kati ya hatua: kufanya matokeo ambayo hayajathibitishwa ya hatua moja kuwa ingizo kwa inayofuata hualika uvumbuzi wa mnyororo.

Hatimaye, katika muktadha wa kimatibabu, njia ya ukaguzi ni muhimu kwa mtiririko huo: lazima iwekwe kwenye kumbukumbu ni chanzo kipi kiliangaliwa tarehe gani, toleo la ClinVar lilionekana, ni nani aliyeidhinisha uamuzi upi. Mapitio ya ClinVar yanabadilika kwa wakati; Rekodi ambayo ni "pathogenic leo" inaweza kuwa imerejea kwa VUS mwaka mmoja baadaye. Njia ya ukaguzi inawezesha kutathmini upya na uwajibikaji wa kisheria/kimaadili.

kipengele cha utiririshaji

kanuni

Maombi

kuokoa muda

Pata kasi kwenye rasimu

Mfumo, lugha, orodha kutoka kwa AI

Udhaifu

Salama pete ya kwanza

Thibitisha urekebishaji na zana ya kujitegemea

Usafirishaji wa pato

Sogeza bila uthibitishaji

Kila hatua imeidhinishwa kwenye chanzo

njia ya ukaguzi

Andika kila uamuzi

Chanzo, tarehe, iliyoidhinishwa na kusajiliwa

Kwa muhtasari

• Safari ya lahaja kutoka ugunduzi hadi kuripoti; Inashughulikia hatua za kurekebisha, usiri, ushahidi, muundo, fasihi, darasa na ripoti.
• AI hutoa rasimu/msimbo/muhtasari katika kila hatua; Katika kila hatua, mtaalam anathibitisha na kuamua.
• Pato kati ya hatua inapaswa kuhamishwa hadi inayofuata tu baada ya uthibitishaji.
• Usiri huanzishwa tangu mwanzo kabisa; Uamuzi wa darasa na kliniki hatimaye hufanywa kwa idhini ya mtaalamu.

Jukumu la maombi

Chagua kibadala cha kubuniwa (k.m. rekodi inayojulikana ya BRCA1). 1. Unda orodha ya ukaguzi wa mwisho hadi mwisho na kiolezo na utekeleze kila hatua mwenyewe kwa njia ya kitengo kinacholingana katika moduli hii: rekebisha lahaja, angalia gnomAD/ClinVar, angalia muundo wa AlphaFold, tafuta nakala halisi, thibitisha darasa linalowezekana na uandike aya ya ripoti na uisome kwa jicho la kitaalam. Jaribu kupata tofauti kati ya AI na chanzo katika angalau hatua mbili.

orodha ya ukaguzi

• [ ] Niliweka faragha tangu mwanzo; Sikuhamisha data yoyote ya utambuzi.
• [ ] Nilirekebisha lahaja na toleo/manukuu na nikathibitisha kwa kiidhinishi.
• [ ] Nilithibitisha kila ushahidi (frequency, ClinVar, fasihi) katika chanzo msingi.
• [ ] Nilitoa maoni ya muundo kwa alama ya kujiamini na kutoka kwa faili.
• [ ] Mimi binafsi nimethibitisha darasa na ufasiri wa kimatibabu kulingana na ushahidi.
• [ ] Niliangalia sababu/usahihi katika lugha ya ripoti na kuongeza mipaka.

Mtihani wa Moduli

1. Ni ipi kati ya zifuatazo ni nafasi sahihi zaidi ya akili bandia (hasa modeli ya lugha kubwa) katika baiolojia ya molekuli na jenetiki?

• A) Ni msaidizi ambaye anaandika kanuni, hutoa rasimu na maoni; Kila jambo la kibaolojia lazima lithibitishwe katika chanzo msingi, tafsiri ya mwisho ni ya mtaalamu ✔
• B) Ni hifadhidata ya kuaminika ya jenomu; Mfuatano na lahaja zilizotolewa zinaweza kuandikwa moja kwa moja kwa ripoti.
• C) Kwa kuwa hupima kama chombo cha maabara, matokeo yake huchukuliwa kuwa ushahidi wa majaribio.
• D) Ina uwezo wa kukamilisha uamuzi wa pathogenicity ya kliniki bila idhini ya kibinadamu.

Maelezo: Muundo mkubwa wa lugha si hifadhidata ya jenomu au zana ya maabara; Ni jenereta ya maandishi ambayo kitakwimu huiga maandishi katika data ya mafunzo. Ukweli wa kibayolojia kama vile mfuatano/lahaja/jeni unapaswa kuthibitishwa kila wakati kutoka vyanzo vya msingi kama vile NCBI, Ensembl, ClinVar, gnomAD; Tafsiri ya mwisho ya kliniki na kisayansi inapaswa kuwa ya mtaalam mwenye uwezo.

2. Umepokea kiratibu cha jenomu cha lahaja kutoka kwa AI, lakini mradi wako unatumia GRCh38 (hg38). Akili bandia inaweza kuwa imetoa uratibu wa hg19. Ni ipi njia sahihi?

• A) Kutumia kuratibu moja kwa moja kwa sababu inaonekana kuwa sawa
• B) Hakuna haja ya kuuliza toleo hilo kwani akili ya bandia huwa inatoa toleo la sasa zaidi.
• C) Thibitisha kwa uwazi toleo la jenomu na uthibitishe kuratibu kwa zana rasmi ya liftOver ✔
• D) Kwa kuwa tofauti kati ya hg19 na hg38 ni ndogo, chagua moja na uendelee

Maelezo: Huratibu mabadiliko kati ya matoleo ya jenomu (GRCh37/hg19 na GRCh38/hg38). Viwianishi vyovyote vilivyotolewa bila toleo vinashukiwa. Viwianishi vinapaswa kubadilishwa/kuthibitishwa kwa zana rasmi ya liftOver na toleo la jenomu linalotumika linapaswa kuthibitishwa waziwazi; vinginevyo upatanishi wote na maoni yataelekeza kwenye eneo lisilo sahihi.

3. Katika nukuu ya HGVS 'c.', 'p.' na 'g.' Viambishi awali vinamaanisha nini na kwa nini visichanganywe?

• A) Zote tatu zinamaanisha kitu kimoja, haijalishi ni ipi inatumika.
• B) 'c.' kusimba DNA/nakala, 'p.' protini, 'g.' ni kiwango cha genomic; Ikichanganyikiwa, inaweza kuonyesha eneo tofauti ✔
• C) 'p.' daima 'c.' ni mara tatu ya thamani yake, ubadilishaji ni otomatiki na hauna makosa
• D) Viambishi awali ni rasmi tu; Hakuna haja ya kutaja toleo la nakala

Maelezo: HGVS ni umbizo la kawaida la tahajia lenye vibadala: 'c.' kiwango cha DNA (manukuu), 'p.' kiwango cha protini, 'g.' inahusu kiwango cha jeni. Kuchanganya haya au kutumia toleo lisilo sahihi la nakala kunaweza kuonyesha locus/lahaja tofauti kabisa; kwa hivyo kiambishi awali sahihi lazima kitumike pamoja na toleo la nakala (k.m. NM_007294.4).

4. Je, jukumu la AI linapaswa kuwa nini wakati wa kutumia vigezo vya ACMG ili kutathmini pathogenicity ya lahaja?

• A) Upelelezi wa bandia hukamilisha ushahidi na darasa; hakuna haja ya usimamizi wa wataalam
• B) Udhibiti wa GnomAD hauhitajiki kwa kuwa akili ya bandia hutoa mzunguko wa idadi ya watu kutoka kwa kumbukumbu yake.
• C) Kwa kuwa vigezo vya ACMG ni kali, pato la AI linazingatiwa kiotomatiki kuwa sawa
• D) Upelelezi wa bandia unaweza kutoa ushahidi wa rasimu; Kila ushahidi unapaswa kuthibitishwa katika chanzo cha msingi, uainishaji wa mwisho ufanywe na mtaalam ✔

Maelezo: ACMG ni mfumo unaoainisha lahaja ya pathogenicity kwa kategoria za ushahidi (masafa ya idadi ya watu, katika utabiri wa siliko, mgawanyiko, masomo ya kazi, fasihi). AI inaweza kutoa ushahidi wa rasimu; Hata hivyo, kila ushahidi lazima uthibitishwe kibinafsi katika ClinVar, gnomAD na fasihi, na uainishaji wa mwisho (pathogenic/uwezekano wa pathogenic/VUS...) lazima ufanywe na mtaalamu stadi.

5. Utafanya kazi na mlolongo wa DNA uliotolewa na akili ya bandia. Ni hatua gani bora ya kwanza?

• A) Kutumia mlolongo kwa kuipata kutoka kwa chanzo cha msingi kama vile NCBI/Ensemble au kuithibitisha kwa rejeleo hapo ✔
• B) Kuingiza mfuatano moja kwa moja kwenye uchanganuzi kwa sababu inaonekana kuwa urefu sahihi
• C) Kudhani mlolongo ni sahihi ikiwa herufi zinajumuisha nyukleotidi halali
• D) Uliza akili ya bandia kuhusu mfuatano huo tena na uhesabu kuwa sahihi ikiwa matokeo mawili ni sawa.

Maelezo: AI inaweza 'kujaza' kamba ambayo haikumbuki kwa herufi zinazoonekana kusadikika; Hata kama urefu na herufi zinaonekana kuwa sawa, huenda zisilingane na marejeleo halisi. Kwa hiyo, mlolongo wowote unaotolewa na akili ya bandia kutoka kwa kichwa haitumiwi moja kwa moja; mlolongo unachukuliwa kutoka chanzo msingi kama vile NCBI/Ensemble au kuthibitishwa na marejeleo humo.

6. Alama ya pLDDT inamaanisha nini katika ubashiri wa muundo wa protini kutoka kwa zana kama AlphaFold?

• A) Ni cheti kinachoonyesha kuwa muundo umethibitishwa kimajaribio
• B) Ni thamani ya maabara ambayo hupima kiwango cha shughuli za kazi ya protini.
• C) Ni alama inayoonyesha imani ya modeli katika utabiri wa muundo wa eneo kwa kila masalio; thamani ya chini inaweza kunyumbulika/eneo lisilotegemewa ✔
• D) Ni uwiano unaoonyesha tofauti ya mzunguko wa protini katika idadi ya watu.

Maelezo: pLDDT (0-100) ni alama ya tumaini inayoonyesha jinsi AlphaFold inavyojiamini katika ubashiri wake wa muundo wa ndani kwa kila mabaki (amino asidi). PLDDT ya juu ina maana ya muundo wa ndani unaotegemewa, pLDDT ya chini inamaanisha eneo linalonyumbulika/ lisilo na utaratibu au lisilotegemewa. Muundo ni nadhani; maeneo yenye imani ya chini haipaswi kufasiriwa kupita kiasi na madai ya utendaji yanapaswa kuungwa mkono na ushahidi wa majaribio.

7. Kwa nini ni hatari kudai kwamba mabadiliko 'huzima kabisa' protini kulingana na ubashiri wa muundo wa AlphaFold?

• A) Miundo ya AlphaFold haiwezi kutumika kwa madhumuni yoyote kwa sababu huwa sio sahihi kila wakati
• B) Muundo ni nadhani; madai ya utendaji yako katika kiwango cha dhana na yanahitaji uthibitishaji wa majaribio ✔
• C) Hakuna hatari; Matokeo ya AlphaFold ni sahihi kama muundo wa majaribio
• D) Kuna hatari ikiwa tu pLDDT iko chini; Ikiwa ni ya juu, dai linachukuliwa kuwa limethibitishwa kiotomatiki.

Ufichuzi: AlphaFold ni ubashiri wa muundo, si uthibitisho wa majaribio; Inadhibitiwa haswa katika maeneo yanayonyumbulika/yasio na mpangilio na katika kuiga athari za mabadiliko. Madai tendaji kulingana na muundo yako katika kiwango cha dhahania na yanahitaji uthibitishaji wa majaribio (k.m., utafiti wa utendaji). Vinginevyo, utabiri unawasilishwa kama ushahidi.

8. Ni hatua gani muhimu zaidi ya uthibitishaji kuhusu watahiniwa wa CRISPR gRNA (mwongozo wa RNA) iliyopendekezwa na akili bandia?

• A) Ikiwa urefu wa gRNA ni sahihi, hakuna ukaguzi zaidi unaohitajika
• B) Ikiwa akili bandia inasema 'athari ya lengwa ni ndogo', endelea moja kwa moja kwenye jaribio.
• C) Ni uhakikisho wa kutosha kwamba mlolongo wa gRNA una nyukleotidi halali
• D) Thibitisha watahiniwa kwa upatanishi wa kweli wa jenomu na zana za uchanganuzi zisizolengwa na uthibitishe kwenye maabara ✔

Maelezo: gRNA ni mwongozo wa RNA unaoelekeza kimeng'enya cha Cas kwa lengo; Kwa muundo usio sahihi, inaweza pia kukata maeneo yaliyolengwa. Watahiniwa waliorejeshwa na AI lazima wathibitishwe kwa upatanishi halisi wa jenomu na zana za uchanganuzi zisizolengwa, kisha zithibitishwe na majaribio ya kimaabara. Kwa sababu tu akili bandia inasema 'salama' sio mbadala wa uthibitishaji.

9. Kwa nini masahihisho mengi ya majaribio (k.m. FDR/Benjamini-Hochberg) yanahitajika wakati wa kupima tofauti za usemi wa maelfu ya jeni zenye RNA-seq?

• A) Maelfu ya vipimo vya wakati huo huo huongeza chanya za uwongo; Marekebisho ya FDR yanaweka vikwazo hivi, thamani ya p ghafi inapotosha ✔
• B) Marekebisho ni muhimu tu ikiwa idadi ya sampuli ni ndogo; Haina uhusiano wowote na idadi ya jeni
• C) Marekebisho ya majaribio mengi haibadilishi matokeo, ni rasmi tu
• D) Ghafi p<0.05 inatosha kila wakati; urekebishaji hufanya takwimu kuwa ngumu bila lazima

Maelezo: Wakati maelfu ya jeni yanajaribiwa kwa wakati mmoja, jeni nyingi huja na p<0.05 (chanya ya uwongo) kutokana na kubahatisha pekee. Marekebisho mengi ya majaribio (FDR - udhibiti wa kiwango cha ugunduzi wa uwongo) huzuia chanya hizi za uwongo. Orodha za jeni zilizotangazwa kuwa "muhimu" na maadili ya p ambayo hayajasahihishwa ni ya kupotosha; Thamani iliyorekebishwa (q-thamani) inapaswa kutumika.

10. Inamaanisha nini ikiwa njia inapatikana 'imetajirishwa kwa kiasi kikubwa' katika uchanganuzi wa uboreshaji wa njia na inapaswa kufasiriwaje?

• A) Inathibitisha kwamba njia ni sababu ya uhakika ya ugonjwa huo
• B) Ni ushahidi wa majaribio kwamba njia ni hai katika seli
• C) Ni ishara ya takwimu inayoonyesha kwamba jeni za njia zimewakilishwa kupita kiasi kuliko inavyotarajiwa; Inahitaji tafsiri ya kina, sio sababu ✔
• D) Ni tokeo la kutosha peke yake, lisilotegemea usuli na masahihisho mengi ya majaribio

Maelezo: Uboreshaji ni ishara ya takwimu inayoonyesha kuwa njia fulani imewakilishwa kupita kiasi kati ya jeni ambazo usemi wake hubadilika; Sio uthibitisho wa sababu au kwamba njia ni hai. Hitimisho; Seti ya jeni inayotumiwa lazima itafsiriwe kwa kina katika muktadha wa uteuzi wa usuli na urekebishaji wa majaribio mengi na kwa usadikifu wa kibayolojia.

11. Wakati wa kutoa muhtasari wa fasihi, AI inaweza kutaja makala ambayo inaonekana halisi lakini haipo (nukuu bandia). Ni ipi njia sahihi?

• A) Ikiwa mwandishi na jina la jarida ni la kweli, nukuu labda ni sahihi, kuangalia sio lazima
• B) Thibitisha kila dondoo katika chanzo msingi kupitia DOI/PubMed; ✔ kutotumia kile kisichoweza kupatikana
• C) Akili ya bandia haijumuishi sifa; Marejeleo yake yanaweza kuongezwa moja kwa moja kwenye biblia
• D) Ikiwa kuna nukuu nyingi, sio shida ikiwa chache kati yao sio sahihi.

Maelezo: AI inaweza kutoa nakala iliyoundwa kabisa (na DOI ghushi) yenye majina ya mwandishi yenye sauti halisi kwenye jarida halisi. Kila nukuu lazima idhibitishwe kibinafsi kwenye chanzo msingi kupitia DOI/PubMed; Marejeleo ambayo hayawezi kupatikana haipaswi kutumiwa. Wajibu wa kisayansi ni wa mwandishi; Hakuna marejeleo ambayo hayajathibitishwa yanafaa kuingia kwenye maandishi.

12. Ni kanuni gani sahihi zaidi kuhusu kuandaa ripoti ya kinasaba ya kiafya inayozalishwa na AI?

• A) Ikiwa rasimu ni nzuri, inaweza kutolewa moja kwa moja kwa mgonjwa
• B) Hakuna uthibitishaji wa chanzo tofauti unaohitajika kwani AI pia hutoa ushahidi
• C) Uamuzi wa pathogenicity katika ripoti unaweza kuachwa kwa akili ya bandia, mtaalam anaangalia tu muundo.
• D) Kila dai la kimatibabu lazima lithibitishwe, ripoti ya mwisho lazima iidhinishwe na mtaalamu mwenye uwezo, na mlolongo wa uthibitishaji lazima uandikwe ✔

Maelezo: Upelelezi wa Bandia huokoa muda katika kutoa rasimu za ripoti na muhtasari; Hata hivyo, kila dai la kimatibabu lazima lihusishwe na ushahidi na vyanzo vya msingi, na ripoti ya mwisho lazima iidhinishwe na mtaalam aliyeidhinishwa. Pato la AI haliwezi kutafsiriwa moja kwa moja katika uamuzi wa mgonjwa; Mlolongo wa uthibitishaji lazima umeandikwa.

13. Je, ina maana gani ikiwa pato la AI linasikika kwa maji na 'kujiamini'?

• A) Toni ya uhakika sio ushahidi wa usahihi; Haja ya uthibitishaji inaongezeka, sio kupungua ✔
• B) Jibu la ufasaha na la kupambanua lina uwezekano mkubwa wa kuwa kweli, uthibitisho hauhitajiki
• C) Toni ya kujiamini inaonyesha modeli inasoma data moja kwa moja kutoka kwa kumbukumbu
• D) Toni ni kipimo cha kujiamini, kwani majibu ya kusitasita si sahihi na majibu ya uhakika ni sahihi.

Maelezo: Toni ya ujasiri ya AI sio ushahidi wa usahihi; Maoni hatari zaidi huja na sentensi fasaha zaidi na zenye kusadikisha. Wakati sauti ya ujasiri inavyoonekana, haja ya uthibitishaji huongezeka, sio kupungua. Kila ukweli (mfuatano, lahaja, jeni, rejeleo) unapaswa kuthibitishwa na chanzo huru cha msingi.

14. Ni tahadhari gani muhimu zaidi ya faragha kabla ya kutoa data ya kinasaba ya mgonjwa kwa zana inayopatikana kwa umma ya AI kwa uchambuzi?

• A) Ikiwa data imesimbwa katika base64, inaweza kubandikwa kwa usalama
• B) Ikiwa tu jina la mgonjwa limefutwa, hakuna hatua zaidi inayohitajika
• C) Kutotoa data inayoweza kumtambulisha mtu hata kidogo; kutokutambulisha, kupunguza data na idhini/kuzingatia mfumo wa kisheria ✔
• D) Data ya kijeni inaweza kushirikiwa kwa uhuru kwa sababu haizingatiwi data ya kibinafsi.

Maelezo: Data ya kijeni ni kategoria maalum ya data ya kibinafsi na mtu binafsi anaweza kutambuliwa tena kwa michanganyiko adimu ya vibadala. Data ya kijeni inayoweza kutambulika haitolewi kamwe kufungua zana; data inapaswa kuficha utambulisho, ni maelezo ya chini kabisa yanayohitajika tu yanapaswa kushirikiwa (kupunguza data) na idhini/mfumo wa kisheria (KVKK/GDPR) unapaswa kuzingatiwa.