Etik, Biyogüvenlik, Gizlilik ve Bilimsel Bütünlük

Kazanimlar:

• Hassas insan/genetik verisini KVKK, GDPR ve etik kurul kurallarına göre koruyup açık modele vermekten kaçınabilme
• Biyogüvenlik/çift kullanım ve popülasyon yanlılığı risklerini değerlendirerek sonuçların geçerliliğini sorgulayabilme
• Etik sorumluluğun araca devredilemeyeceğini ve anlamlı insan gözetiminin (human-in-the-loop) zorunluluğunu kavrayabilme

Yapay zekayı biyolojide güçlü kullanmak, onu sorumlu kullanmakla tamamlanır. Biyoloji, insan sağlığına, genetik mahremiyete, çevreye ve hatta biyogüvenliğe dokunan hassas bir alandır. Bu ünitede, yapay zekayı biyolojik çalışmalarda kullanırken karşılaşacağınız etik, yasal ve güvenlik sorumluluklarını ele alacağız. Bu ünite, önceki tüm ünitelerdeki doğrulama ve dürüstlük ilkelerinin üzerine kurulan bir çatıdır.

Temel ilke: Yapay zeka bir araçtır; etik sorumluluk her zaman insandadır. "Model önerdi" bir mazeret değildir.

Dört sorumluluk alanı

1. Veri gizliliği ve insan verisi

İnsan katılımcılardan gelen genetik, klinik veya sağlık verisi son derece hassastır. Bir kişinin DNA dizisi, onun ve akrabalarının hastalık riskini, kimliğini açığa çıkarabilir; anonimleştirilmiş sanılan genomik veri bile yeniden kimliklendirilebilir. Bu veriyi herkese açık bir yapay zeka modeline yapıştırmak, veri koruma yasalarını (Türkiye'de KVKK, Avrupa'da GDPR) ve etik kurul (IRB/etik komite) onaylarını ihlal edebilir.

• Kişisel/klinik veriyi açık modele vermeyin.
• Onam (consent) kapsamını aşan kullanımdan kaçının; katılımcı neye izin verdi?
• Kurumsal/yerel (on-premise) veya veri işleme sözleşmeli araçları tercih edin.

2. Biyogüvenlik ve çift kullanım

Bazı biyolojik bilgi "çift kullanımlıdır" (dual use): hem yararlı hem zararlı olabilir; örneğin patojen (hastalık yapıcı) dizileri, toksin üretimi. Yapay zekadan tehlikeli patojenleri güçlendirmeye veya zararlı biyolojik ajanlar tasarlamaya yönelik bilgi istemek etik dışıdır ve çoğu yerde yasa dışıdır.

• Tehlikeli çift kullanımlı talepler yapmayın.
• Kurumunuzun biyogüvenlik kurulu (IBC) kurallarına uyun.

3. Bilimsel bütünlük

Önceki ünitelerde gördüğümüz her şey burada birleşir: uydurma atıf yok, veri güzelleştirme yok, p-hacking yok, seçici raporlama yok. Yapay zeka bunları kolaylaştırabilir de zorlaştırabilir de; fark, sizin dürüstlüğünüzdedir.

• Tüm sonuçları (olumsuzlar dahil) raporlayın.
• Yapay zeka kullanımını beyan edin.
• Ham veriyi ve kodu (mümkünse) paylaşarak tekrarlanabilirliği destekleyin.

4. Yanlılık ve adalet

Yapay zeka modelleri, eğitildikleri verinin yanlılıklarını taşır. Genomik veri tabanları ağırlıkla Avrupa kökenli popülasyonlardan gelir; bu, diğer popülasyonlarda tahminlerin daha zayıf olmasına yol açar. Bir görüntü modeli, eğitim verisinde az temsil edilen bir koşulda kötü çalışabilir.

• Modelin hangi popülasyon/veri üzerinde eğitildiğini sorgulayın.
• Sonuçların tüm gruplarda geçerli olup olmadığını değerlendirin.

İpucu: Kendinize sorun: "Bu veriyi modele verirsem, kime ait ve o kişi buna izin verdi mi?" Yanıt belirsizse, vermeyin. Gizlilik ihlali geri alınamaz.

Adım adım: sorumlu yapay zeka kontrolü

1. Veri kaynağını sınıflandırın: Kişisel/hassas mı, kamuya açık mı?
2. Onam ve izinleri kontrol edin: Bu kullanım kapsamda mı?
3. Doğru aracı seçin: Hassas veri için güvenli/yerel ortam.
4. Çift kullanım riskini değerlendirin.
5. Yanlılığı sorgulayın: Sonuç tüm gruplarda geçerli mi?
6. Kullanımı belgeleyin ve beyan edin.

Kopyalanabilir prompt şablonları

Aşağıdaki analiz planımı etik açıdan gözden geçir:veri gizliliği, katılımcı onamı, olası yanlılık veçift kullanım riski açısından uyarılman gereken noktaları listele.Plan: [metin] (Not: gerçek hasta verisi PAYLAŞMIYORUM, sadece plan.)

Bu genomik veri setini kullanmadan önce hangi gizlilik veonam sorularını yanıtlamalıyım? KVKK/GDPR ve etik kurulaçısından bir kontrol listesi çıkar.

Kullandığım yapay zeka aracını makalemin yöntem bölümündenasıl şeffafça beyan etmeliyim? Örnek bir beyan cümlesi yaz;hangi bilgileri (araç, sürüm, kullanım kapsamı) içermeli?

Bu modelin sonuçlarının popülasyon yanlılığı taşıyıp taşımadığınınasıl değerlendiririm? Eğitim verisi hakkında sormam gerekensoruları ve kontrol adımlarını listele.

Zayıf prompt / Güçlü prompt

Zayıf: "Şu hastanın genetik verisini analiz et: [gerçek veri]."

Güçlü: "Klinik genomik veriyle çalışan bir analiz planı kuruyorum ama gerçek hasta verisini paylaşmıyorum. Yalnızca yöntemsel açıdan: hangi gizlilik önlemlerini almalıyım, veriyi hangi ortamda işlemeliyim, hangi onam ve etik kurul koşullarını sağlamalıyım? Sahte/örnek veriyle akışı gösterebilirsin."

Fark: Güçlü promptta gerçek hassas veri paylaşılmıyor; yalnızca yöntem soruluyor. Gizlilik korunuyor, model yine de yardımcı oluyor.

Üç mini vaka

Vaka 1 — Gizlilik ihlali: Bir araştırmacı, kimliği gizli sandığı hasta ekzom verisini analiz ettirmek için açık bir modele yapıştırdı. Etik kurul bunu öğrenince çalışma askıya alındı; veri işleme sözleşmesi yoktu. Ders: hassas veri asla açık modele girmez.

Vaka 2 — Popülasyon yanlılığı: Bir poligenik risk skoru (poligenik: birçok genin toplu etkisi) aracı Avrupa kökenli veriyle eğitilmişti; başka bir popülasyonda risk tahminleri belirgin şekilde yanlıştı. Model, eğitim verisi kompozisyonunu sorgulamayı önerince ekip aracı o popülasyonda kullanmama kararı aldı. Ders: yanlılık hayat kurtarır ya da zarar verir.

Vaka 3 — Beyan ve şeffaflık: Bir ekip, veri temizleme kodunu yapay zekayla yazdı ve bunu yöntem bölümünde açıkça belirtti; kodu da paylaştı. Hakemler bunu olumlu karşıladı çünkü tekrarlanabilirlik güçlüydü. Ders: şeffaflık güven üretir.

Karşılaştırma tablosu

Alan

Güvenli davranış

Riskli davranış

Hasta verisi

Yerel/güvenli ortam

Açık modele yapıştırma

Onam

Kapsam içinde kullanım

Kapsamı aşma

Biyogüvenlik

Çift kullanımdan kaçınma

Tehlikeli talep

Bütünlük

Tüm sonuçları raporla

Seçici raporlama

Yanlılık

Popülasyonu sorgula

Körü körüne uygula

Şeffaflık

Kullanımı beyan et

Gizleme

Sık yapılan hatalar

• Hassas veriyi açık modele vermek: Geri alınamaz gizlilik ihlali.
• Onam kapsamını aşmak: Katılımcının izin vermediği kullanım.
• Yanlılığı görmezden gelmek: Sonuçları tüm gruplara genellemek.
• Kullanımı gizlemek: Yapay zeka katkısını beyan etmemek.
• "Model önerdi" savunması: Sorumluluğu araca yüklemek.

Dikkat: Yüksek sonuçlu biyolojik işlerde (klinik karar, biyogüvenlik, insan verisi) yapay zeka çıktısı, yetkin uzmanın doğrulamasının ve etik gözetimin yerine geçmez; yalnızca onu hızlandırır. Nihai sorumluluk, kararın etik ve bilimsel sonuçlarıyla birlikte her zaman insana aittir.

Çevre, ekoloji ve geleneksel bilgi

Etik sorumluluk yalnızca insan verisiyle sınırlı değildir. Ekoloji ve koruma biyolojisinde yapay zeka kullanırken de dikkat gerekir. Örneğin nesli tehlikedeki bir türün kesin konum verisi (kamera tuzağı koordinatları), kaçak avcılık riski nedeniyle hassastır; bu veriyi açık bir modele veya kamuya vermek türe zarar verebilir. Benzer şekilde, yerel toplulukların geleneksel biyolojik bilgisi (örneğin bir bitkinin kullanımı) izinsiz kullanıldığında etik ve yasal (Nagoya Protokolü gibi) sorunlar doğar. Veriyi kullanmadan önce "bu bilgi kime ait ve açığa çıkması kime zarar verir?" sorusunu her zaman sorun.

İnsan gözetimi ve nihai karar

Tüm bu modülün özü tek bir ilkede toplanır: anlamlı insan gözetimi. Yapay zeka bir öneri üretir, bir taslak yazar, bir örüntü gösterir; ama biyolojik, klinik ya da etik bir karar hiçbir zaman doğrudan model çıktısına dayandırılmaz. Özellikle yüksek riskli alanlarda (tanı, tedavi, tür koruma kararı, salım) modelin rolü karar vermek değil, uzmanın kararını hızlandırmaktır. "Döngüde insan" (human-in-the-loop) yaklaşımı bir slogan değil, bir zorunluluktur.

Bu gözetimin işe yaraması için gözetenin yetkin olması gerekir. Kör bir onay ("model dedi, kabul") gözetim değildir. Gerçek gözetim, çıktıyı sorgulayabilecek, hatasını yakalayabilecek ve gerektiğinde reddedebilecek uzmanlık ister. Bu yüzden yapay zeka, uzmanın yerini almaz; uzmanı daha da vazgeçilmez kılar. Aracı en iyi kullanan, onu en iyi denetleyebilendir.

Özetle

Yapay zekayı biyolojide sorumlu kullanmak dört alanı kapsar: veri gizliliği (hassas insan verisini korumak), biyogüvenlik (çift kullanımdan kaçınmak), bilimsel bütünlük (dürüst ve tam raporlama) ve yanlılık farkındalığı (sonuçların tüm gruplarda geçerliliği). Hassas veriyi açık modele vermeyin, kullanımı şeffafça beyan edin, popülasyon yanlılığını sorgulayın. Etik sorumluluk hiçbir zaman araca devredilemez; her zaman insandadır.

Uygulama görevi

Kendi çalışma alanınızdan bir senaryo düşünün (örneğin bir insan veri seti veya bir görüntü modeli kullanımı). Yapay zekaya, gerçek veri paylaşmadan, bu senaryonun etik kontrol listesini (gizlilik, onam, yanlılık, çift kullanım, şeffaflık) çıkarttırın. Her madde için sizin durumunuzda "uygun/riskli/belirsiz" olarak işaretleyin ve riskli/belirsiz olanlar için bir eylem planı yazın. Ayrıca makaleniz için bir yapay zeka kullanım beyanı taslağı hazırlatın.

Kontrol listesi

• [ ] Hassas/kişisel veriyi açık modele vermedim.
• [ ] Onam ve etik kurul kapsamını kontrol ettim.
• [ ] Çift kullanım/biyogüvenlik riskini değerlendirdim.
• [ ] Tüm sonuçları dürüstçe raporladım.
• [ ] Popülasyon/veri yanlılığını sorguladım.
• [ ] Yapay zeka kullanımını şeffafça beyan ettim ve sorumluluğu üstlendim.

Modul Sinavi

1. Bir öğrenci, dil modeline 'bu FASTA dosyasında kaç dizi var?' diye soruyor ve model '48' yanıtını veriyor. En doğru yaklaşım hangisidir?

• A) Modelin verdiği 48 sayısını doğrudan kullanmak; model dosyayı gördüğü için güvenilirdir
• B) Sayıyı bir kez daha sorup iki yanıt aynıysa doğru kabul etmek
• C) Biopython ile dosyayı okuyup dizi sayısını kodla saydırmak ve çıktıyı kullanmak ✔
• D) Dosyayı elle açıp göz kararı saymak

Aciklama: Sayma ve ölçme gibi deterministik işler dil modeline değil, sizin çalıştırdığınız koda bırakılmalıdır. Model sayıyı 'hatırlamaz', olası bir değer üretir ve yanılabilir; Biopython gibi bir araçla saymak kesin ve tekrarlanabilir sonuç verir.

2. Bir mikroskop görüntüsünde hücreleri sayıp her birinin alanını ölçmek istiyorsunuz. Bu görev için en uygun yaklaşım hangisidir?

• A) Cellpose/StarDist gibi bir uzman segmentasyon aracı kullanıp sonucu elle doğrulamak ✔
• B) Görüntüyü genel dil modeline yapıştırıp 'kaç hücre var' diye sormak
• C) Modele görüntüyü tarif edip tahmini bir sayı istemek
• D) Hiçbir kalibrasyon yapmadan piksel sayısını hücre sayısı kabul etmek

Aciklama: Hücre segmentasyonu ve ölçüm, genel dil modelinin değil, bu iş için özel eğitilmiş uzman görüntü modellerinin (Cellpose, StarDist) alanıdır. Dil modeli bu araçları çağıran kodu yazar; ölçümü uzman model yapar, sonucu biyolog doğrular.

3. Bir yüksek lisans öğrencisi, dil modelinin ürettiği 8 kaynağı tez girişine ekliyor. Danışman bunların 3'ünün hiç var olmadığını buluyor. Bu durum nasıl önlenirdi?

• A) Modelden kaynakları bir kez daha üretmesini isteyerek
• B) Sadece DOI'si olan künyeleri seçerek (DOI varsa gerçektir)
• C) Modele 'uydurma' talimatı vererek listeyi tekrar isteyerek
• D) Her künyeyi PubMed/doi.org'da bağımsız doğrulayıp yalnızca okuduğu makaleleri atıf vererek ✔

Aciklama: Genel dil modelleri bir literatür veri tabanı değildir; gerçek kayıtları aramak yerine gerçekçi görünen künyeler 'üretir' (uydurma atıf). Her künye ve DOI, PubMed/doi.org gibi kaynaklarda bağımsız doğrulanmadan ve yalnızca gerçekten okunan makaleler kaynak gösterilmeden kullanılmamalıdır.

4. Yapay zekanın yazdığı bir veri temizleme kodunun doğruluğundan emin olmanın en güçlü yolu nedir?

• A) Kod hata vermeden çalışıyorsa doğru kabul etmek
• B) Sonucu bilinen küçük bir örnekle test edip beklentiyi assert ile doğrulamak ✔
• C) Modele 'kod doğru mu?' diye sorup 'evet' yanıtına güvenmek
• D) Kodu birkaç kez çalıştırıp her seferinde aynı çıktıyı almak

Aciklama: Kodun hatasız çalışması doğru olduğu anlamına gelmez; 'hatasız çalışan yanlış kod' biyolojide en tehlikeli durumdur. Sonucunu önceden bildiğiniz küçük bir örnekle test edip beklentiyi assert ile koda gömmek, sessiz yanlış sonuca karşı en güçlü kalkandır.

5. Bir RNA-seq analizinde 20.000 gen test edilip düzeltme yapılmadan p<0.05 ile 3.800 gen 'anlamlı' bulunuyor. Bu sonuçtaki temel sorun nedir?

• A) Örnek sayısı çok fazladır, azaltılmalıdır
• B) p eşiği çok yüksektir, 0.10 kullanılmalıydı
• C) Çoklu karşılaştırma düzeltmesi (FDR) yapılmamıştır; çok sayıda sahte pozitif vardır ✔
• D) Genler yerine örnekler test edilmeliydi

Aciklama: Binlerce geni aynı anda test ettiğinizde, gerçek fark olmasa bile şans eseri çok sayıda gen 'anlamlı' görünür; buna çoklu karşılaştırma sorunu denir. Çözüm, Benjamini-Hochberg gibi bir yöntemle FDR (yanlış keşif oranı) düzeltmesi uygulamaktır; düzeltmeyle liste genellikle onlarca-birkaç yüz gene iner.

6. Bir BLAST sonucunda en iyi eşleşmenin e-değeri (E-value) 2.0'dır. Bu ne anlama gelir?

• A) Eşleşme büyük olasılıkla rastlantısaldır; güvenilir bir eşleşme değildir ✔
• B) Eşleşme çok güçlüdür; e-değeri ne kadar büyükse o kadar iyidir
• C) Dizi %2 oranında eşleşmiştir
• D) İki dizi arasında 2 baz farkı vardır

Aciklama: E-değeri, eşleşmenin rastlantı olma beklentisini gösterir; küçük olması iyidir. 1'den büyük bir e-değeri, eşleşmenin büyük olasılıkla rastlantısal olduğunu belirtir. Güvenilir eşleşmeler için genellikle e < 1e-5 gibi çok küçük eşikler aranır.

7. Bir AlphaFold modelinde proteinin uç bölgesi düşük pLDDT skoru (<50) gösteriyor. Bu bölge nasıl yorumlanmalıdır?

• A) AlphaFold bu bölgede hata yapmıştır, bölge analizden çıkarılmalıdır
• B) Bu bölge kesinlikle bir alfa sarmalıdır
• C) Model tamamen güvenilmezdir, yapı kullanılmamalıdır
• D) Bölge büyük olasılıkla düzensiz/esnektir; 'yanlış' değil 'belirsiz' olarak yorumlanmalıdır ✔

Aciklama: pLDDT her amino asit için yerel güven skorudur; 50 altı değerler çoğu zaman gerçekten düzensiz (sabit şekli olmayan, esnek) bölgeleri yansıtır. Bu bölgeleri otomatik olarak 'yanlış tahmin' sayıp silmek hatalıdır; düşük skor 'belirsiz/esnek' diye okunmalı ve biyolojik anlamı değerlendirilmelidir.

8. Bir araştırmacı hücre alanlarını yalnızca piksel cinsinden raporluyor ve sonuçlar literatürle uyumsuz çıkıyor. Eksik olan adım nedir?

• A) Daha fazla hücre saymak gerekirdi
• B) Ölçek kalibrasyonu (piksel-mikrometre dönüşümü) yapılmamış, sonuçlar fiziksel birime çevrilmemiştir ✔
• C) Segmentasyon aracı yanlış seçilmiştir
• D) Görüntü çözünürlüğü çok yüksektir

Aciklama: Görüntüden fiziksel boyut çıkarmak için ölçek kalibrasyonu (piksel başına kaç mikrometre olduğu) şarttır. Bu adım atlanırsa değerler mikroskop ayarına bağlı, karşılaştırılamaz kalır. Alanlar mutlaka mikrometrekare gibi fiziksel birime çevrilmelidir.

9. Bir öğrenci tek bir fareden 10 doku örneği alıp istatistikte 'n=10' kullanıyor. Bu neden hatalıdır?

• A) 10 örnek istatistik için çok azdır, en az 30 gerekir
• B) Doku örnekleri farklı organlardan alınmalıydı
• C) Bu 10 örnek teknik tekrardır; biyolojik n hâlâ 1'dir, bu sözde tekrardır ✔
• D) Örnekler aynı gün alındığı için geçersizdir

Aciklama: Aynı bireyden alınan tekrarlı ölçümler teknik tekrardır; istatistiksel n biyolojik birim (burada fare) sayısıdır. Teknik tekrarı biyolojik n saymak (sözde tekrar/pseudoreplication) sahte anlamlılık üretir. Doğru tasarım birden çok bireyle çalışmaktır.

10. Bir analizde p=0.03 bulunuyor. Bu değerin doğru yorumu hangisidir?

• A) Gerçekte fark yokken bu kadar veya daha uç bir sonucu görme olasılığı %3'tür ✔
• B) Etkinin gerçek olma olasılığı %97'dir
• C) Sıfır hipotezinin doğru olma olasılığı %3'tür
• D) Sonuç %97 tekrarlanabilir demektir

Aciklama: p-değeri, 'hipotezin doğru olma olasılığı' veya 'etkinin gerçek olma olasılığı' değildir. p-değeri, gerçekte hiç fark yokken gözlenen kadar veya daha uç bir farkı görme olasılığıdır. Bu yüzden p=0.03, 'etki %97 gerçek' anlamına gelmez; sonuçlar ayrıca etki büyüklüğü ve güven aralığıyla değerlendirilmelidir.

11. Bir sunumda iki grup arasındaki %3'lük fark, y ekseni 95-100 aralığına sıkıştırılarak devasa gösteriliyor. Bu neyin örneğidir?

• A) İyi bir görselleştirme tekniği; farkı vurgular
• B) Renk körü dostu palet sorunu
• C) Kabul edilebilir bir stil tercihi
• D) Kesilmiş eksenle farkı abartan, yanıltıcı ve dürüstlük dışı bir grafik ✔

Aciklama: Ekseni sıfırdan başlatmamak (kesilmiş eksen), küçük bir farkı görsel olarak abartarak izleyiciyi yanıltır. Bu, dürüstlük ilkesinin ihlalidir; özellikle çubuk grafiklerde eksen sıfırdan başlamalı ve fark gerçek büyüklüğüyle gösterilmelidir.

12. Bir araştırmacı, kimliği gizli sandığı hasta ekzom verisini analiz ettirmek için herkese açık bir dil modeline yapıştırıyor. Bu davranış neden sorunludur?

• A) Sorun yoktur; veri anonimse paylaşılabilir
• B) Hassas hasta verisini açık modele vermek gizlilik ve etik/yasal (KVKK/GDPR) ihlalidir ve geri alınamaz ✔
• C) Sadece analiz yavaş olacağı için sorunludur
• D) Model veriyi anlamayacağı için sorunludur

Aciklama: Hasta genetik/klinik verisi son derece hassastır; anonim sanılan genomik veri bile yeniden kimliklendirilebilir. Bu veriyi herkese açık bir modele vermek KVKK/GDPR ve etik kurul (IRB) onaylarını ihlal eder ve geri alınamaz bir gizlilik ihlalidir. Hassas veri yerel/güvenli, sözleşmeli ortamlarda işlenmelidir.

13. Bir çalışmada 'hasta vs kontrol' sandıkları fark, aslında örneklerin iki farklı günde işlenmesinden kaynaklanıyor. Bu duruma ne denir ve nasıl ele alınır?

• A) Aykırı değer etkisidir; noktalar silinmelidir
• B) Normalizasyon eksikliğidir; sadece ölçek düzeltmesi yeterlidir
• C) Batch etkisidir; tasarımda dengelenmeli ve modele batch değişkeni olarak eklenmelidir ✔
• D) p-hacking'dir; test değiştirilmelidir

Aciklama: Örnekleme partisi/işleme günü kaynaklı teknik farka batch etkisi denir ve biyolojik farkla karışabilir. Doğru yaklaşım, tasarımda partileri dengelemek ve istatistiksel modele batch değişkenini eklemektir (örneğin '~ batch + condition'), böylece teknik sinyal biyolojik sinyalden ayrılır.

14. Bir DNA dizisinin GC oranını hesaplamak istiyorsunuz. Doğru ve tekrarlanabilir yaklaşım hangisidir?

• A) Biopython ile GC oranını hesaplayan kod yazdırıp kendisi çalıştırmak ve çıktıyı kullanmak ✔
• B) Modele diziyi verip GC oranını sözlü olarak söylemesini istemek
• C) Modelin verdiği oranı bir başka modele doğrulatmak
• D) Dizinin ilk 100 harfine bakıp göz kararı tahmin etmek

Aciklama: GC oranı deterministik bir hesaptır; dil modelinin 'hatırladığı' bir değere değil, diziyi işleyen koda dayanmalıdır. Modele hesaplattırmak yerine Biopython gibi bir araçla hesaplayan kod yazdırıp kendiniz çalıştırmak, doğru ve her çalıştırmada aynı sonucu veren bir çıktı sağlar.