Uçtan Uca Vaka: Bir Varyantın Keşiften Klinik Rapora Yolculuğu

Kazanimlar:

• Modül boyunca öğrenilen tüm parçaları (dizi, varyant, yapı, literatür, klinik) tek bir uçtan uca yapay zeka destekli iş akışında birleştirebilme
• Her adımda 'yapay zeka üretir, insan doğrular ve kefil olur' ilkesini ve birincil kaynak doğrulamasını uygulayabilme
• Doğrulama zincirini, gizliliği ve nihai uzman onayını uçtan uca bir vakada belgeleyerek yönetebilme

Bu modülde dizi analizinden protein yapısına, CRISPR'dan omics'e, literatürden etik ve gizliliğe kadar her aşamayı ayrı ayrı ele aldık. Bu son ünitede hepsini tek bir gerçekçi iş akışında birleştiriyoruz: bir hastada bulunan bir varyantın, ham veriden onaylı klinik rapora kadar olan yolculuğu. Amaç, yapay zekayı (YZ) uçtan uca bir asistan olarak nasıl konumlandıracağınızı ve her aşamada doğrulama ile insan sorumluluğunun nasıl iç içe geçtiğini bütünsel görmektir.

Senaryomuz (kurgusal): 34 yaşında bir kadın hasta, ailesinde erken yaşta meme kanseri öyküsüyle genetik değerlendirmeye geliyor. Panel testinde BRCA1 geninde bir varyant bulunuyor. Görevimiz: bu varyantı sınıflandırmak, protein üzerindeki olası etkisini yorumlamak, literatürü taramak ve klinik bir rapor taslağı hazırlamak — YZ'yi her adımda kullanıp her adımda doğrulayarak.

Aşama 1: Varyantı sabitleme ve gizlilik kontrolü

İş akışının en başında iki şey yaparız: veriyi standart biçime oturtmak ve gizliliği güvenceye almak.

Önce gizlilik: Hastanın adı, kimlik numarası ve doğum tarihi hiçbir açık YZ aracına girmez (Ünite 10). Yalnızca varyantı, genom sürümü ve transkriptle çalışırız — ve varyant tek başına kişiyi tanımlamıyorsa. Sonra varyantı sabitleriz: GRCh38, BRCA1, NM_007294.4, örneğin c.5266dupC (p.Gln1756fs). Bunu bir doğrulayıcıyla (VariantValidator) teyit ederiz; YZ'nin verdiği gösterimi olduğu gibi kabul etmeyiz (Ünite 1, 3).

Aşama 2: Kanıt toplama (Ünite 3)

YZ'ye ACMG kanıt çerçevesini kurdururuz — ama sınıfı söyletmeden. Sonra her kanıtı bizzat doğrularız:

• gnomAD sıklığı: Varyantı gnomAD'de arar, çok nadir/yok olduğunu görürüz (PM2 yönünde).
• ClinVar: Kaydı açar, mevcut yorumları ve güncelliği kontrol ederiz.
• Varyant türü: Bir çerçeve kayması (frameshift) erken durdurmaya yol açıyorsa, işlev kaybı güçlü kanıt olabilir (PVS1) — ama bunu genin ve transkriptin bağlamında değerlendiririz.

YZ'nin verdiği hiçbir sıklık ya da atıfı doğrulamadan kullanmayız (Ünite 9).

Aşama 3: Protein-yapı yorumu (Ünite 4)

Varyantın proteine etkisini anlamak için AlphaFold yapısını (UniProt numarasıyla) indirir, etkilenen bölgenin pLDDT güven skoruna ve UniProt işlevsel açıklamalarına bakarız. Bir çerçeve kayması proteinin büyük bölümünü değiştirdiğinden, yapı yorumu burada işlev kaybı hipotezini destekleyebilir — ama yapı bir tahmindir, kesin kanıt değildir. YZ'den koordinat istemeyiz; dosyadan okuruz.

Aşama 4: Literatür teyidi (Ünite 7)

YZ'den arama terimleri alır, PubMed'de bizzat arar, varyanta ve gene dair gerçek makaleleri buluruz. YZ'nin "hafızadan" sunduğu atıfları DOI/PMID ile doğrularız. İlişki ile nedensellik ayrımını kaynakta koruruz.

Aşama 5: Sınıflandırma ve klinik yorum (Ünite 3, 8)

Doğrulanmış kanıtları birleştirir, ACMG kombinasyonuyla olası sınıfı çıkarırız (bu örnekte güçlü işlev-kaybı ve nadirlik kanıtları "patojenik/muhtemelen patojenik" yönünde olabilir — ama son söz uzmanındır). Klinik yorumu fenotip ve aile öyküsüyle birleştiririz: hastanın tablosu BRCA1 ile uyumlu mu? Belirsizlik varsa dürüstçe belirtiriz.

Aşama 6: Rapor taslağı ve onay (Ünite 8)

YZ ile hekime ve hastaya yönelik rapor taslakları hazırlarız; nedenselliği abartmayan, belirsizliği açık, genetik danışmanlığa yönlendiren bir dille. Her cümleyi uzman onaylar. Sınırlar bölümünü (testin kapsamadıkları, yeniden değerlendirme koşulları) ekleriz.

İpucu: Uçtan uca akışta her aşamanın çıktısını bir sonrakine girdi yaparken, o çıktının doğrulanmış olduğundan emin olun. Doğrulanmamış bir sıklık ya da atıf, sonraki tüm aşamalara yanlış taşınır (zincirleme halüsinasyon — Ünite 9).

İş akışı tablosu

Aşama

YZ'nin rolü

Zorunlu doğrulama

Kararı veren

Sabitleme

Gösterim taslağı

VariantValidator

Uzman

Gizlilik

Anonimleştirme kontrolü

İnsan denetimi

Uzman

Kanıt

Çerçeve kurma

gnomAD, ClinVar

Uzman

Yapı

Yorum

pLDDT, dosya

Uzman

Literatür

Arama terimi, özet

DOI/PMID

Uzman

Sınıf

Kombinasyon taslağı

ACMG kuralları

Uzman

Rapor

Dil taslağı

Cümle cümle onay

Uzman/Danışman

Üç mini vaka (akışın kırılma noktaları)

Vaka 1 — Yanlış transkript. Bir ekip, akışın başında YZ'nin verdiği transkriptle çalıştı; sonradan panelin farklı bir transkript kullandığını fark etti. c. konumları kaymıştı. VariantValidator ile en baştan sabitleme yapılınca hata giderildi. Ders: sabitleme aşamasındaki hata, tüm akışı bozar.

Vaka 2 — Sahte destekleyici makale. Literatür aşamasında YZ, sınıflandırmayı destekleyen ikna edici bir makale önerdi. PMID kontrolünde makalenin var olmadığı görüldü; kanıt zincirinden çıkarıldı. Gerçek kanıt yeterliydi, ama sahte atıf raporda kalsaydı akademik/klinik güven zedelenirdi.

Vaka 3 — Doğrulama kazandırdı. Rapor aşamasında YZ taslağı "bu varyant kesinlikle kanser yapar" ifadesini içeriyordu. Danışman bunu "bu varyant meme/yumurtalık kanseri riskini belirgin artırır, ancak kesin hastalık anlamına gelmez" diye düzeltti ve genetik danışmanlık önerisi ekledi. Ton ve doğruluk, uzman elinde şekillendi.

İki kopyalanabilir şablon (uçtan uca)

1) Akış planlayıcı:

Rolün: klinik genetik iş akışı asistanı. Şu varyant için keşiften raporauçtan uca bir kontrol listesi çıkar: [genom sürümü, gen, transkript, HGVS].Her aşamada (sabitleme, gizlilik, kanıt, yapı, literatür, sınıf, rapor)"YZ ne yapar / ben neyi doğrularım / kim karar verir" sütunlarıyla yaz.Sınıfı ve klinik kararı SEN verme.

2) Son denetim:

Şu tamamlanmış varyant yorumu ve rapor taslağını, teslim etmeden öncedenetle: [içerik]. Şunları işaretle: doğrulanmamış sıklık/atıf, abartılınedensellik/kesinlik ifadesi, eksik belirsizlik uyarısı, eksik sınırbölümü, gizlilik açığı. Her sorunu ve düzeltme önerisini listele.

Zayıf prompt / Güçlü prompt

Zayıf: "Bu BRCA1 varyantı için baştan sona bir klinik rapor yaz."

Sorun: YZ tüm aşamaları uydurarak tek seferde "rapor" üretir; sıklık, atıf, sınıf, klinik karar hepsi doğrulanmamış.

Güçlü: "Bu BRCA1 varyantı için keşiften rapora bir kontrol listesi çıkar; her aşamada senin yapacağını, benim doğrulayacağımı ve kararı kimin vereceğini ayır. Sınıfı ve klinik kararı ben, kanıtları doğruladıktan sonra vereceğim."

Neden güçlü: Akış yapılandırılır, her aşama doğrulamaya bağlanır, karar ve sorumluluk insanda kalır.

Sık yapılan hatalar

• Tek istemle "bitmiş rapor" istemek. Aşamalar doğrulanmadan birleştirilir; hata birikir.
• Sabitleme aşamasını savsaklamak. Yanlış sürüm/transkript tüm akışı çürütür.
• Aşamalar arası çıktıyı doğrulamadan taşımak. Zincirleme halüsinasyon doğar.
• Gizliliği akışın "sonunda" düşünmek. Gizlilik en başta, veri girişinde kurulmalıdır.
• Kararı ve tonu YZ'ye bırakmak. Sınıf ve klinik mesaj uzmanın onayından geçmelidir.

Dikkat: Uçtan uca YZ kullanımı büyük zaman kazandırır ama sorumluluğu azaltmaz; tersine, her aşamada doğrulama disiplinini daha da önemli kılar. YZ akışı hızlandırır; doğruluğu, güvenliği ve etik uygunluğu insan garanti eder.

Derinlik: iş akışında zaman kazancı, kırılganlık ve denetim izi

Uçtan uca akışın gerçek değeri, "YZ her şeyi yapsın" değil, doğru yerlerde zaman kazanıp doğru yerlerde yavaşlamaktır. Bu senaryoda kazancı sayısallaştıralım: kanıt çerçevesini kurmak, arama terimleri üretmek, rapor dilini sadeleştirmek ve bir son-denetim kontrol listesi çıkarmak, geleneksel olarak birkaç saat süren taslak işini onlarca dakikaya indirebilir. Buna karşılık gnomAD/ClinVar teyidi, VariantValidator sabitlemesi, DOI kontrolü ve uzman muhakemesi kısaltılamaz — bunlar akışın güvenlik omurgasıdır. Doğru zihniyet: "YZ taslağı üretir, insan kefil olur." Kazanç taslakta, sorumluluk kararda.

Akışın en kırılgan halkası her zaman ilk halkadır: sabitleme. Yanlış genom sürümü ya da yanlış transkript, sonraki her aşamaya sessizce yayılır ve en sonda tümüyle geçersiz bir rapor üretir. Bu yüzden sabitlemeyi tek bir bağımsız araçla (VariantValidator gibi) doğrulamadan sonraki aşamaya geçmeyin. İkinci en kırılgan nokta, aşamalar arası çıktı taşımasıdır: bir aşamanın doğrulanmamış çıktısını bir sonrakine girdi yapmak, zincirleme halüsinasyonu davet eder.

Son olarak, klinik bağlamda denetim izi (audit trail) akışın ayrılmaz parçasıdır: hangi kaynağın hangi tarihte kontrol edildiği, hangi ClinVar sürümünün görüldüğü, hangi kararı kimin onayladığı belgelenmelidir. ClinVar yorumları zamanla değişir; "bugün patojenik" olan bir kayıt bir yıl sonra VUS'a çekilmiş olabilir. Denetim izi, hem yeniden değerlendirmeyi hem de yasal/etik hesap verebilirliği mümkün kılar.

Akış özelliği

İlke

Uygulama

Zaman kazancı

Taslakta hızlan

Çerçeve, dil, kontrol listesi YZ'den

Kırılganlık

İlk halkayı sağlamlaştır

Sabitlemeyi bağımsız araçla teyit

Çıktı taşıma

Doğrulanmadan taşıma

Her aşama kaynakta onaylı

Denetim izi

Her kararı belgele

Kaynak, tarih, onaylayan kayıtlı

Özetle

• Bir varyantın keşiften rapora yolculuğu; sabitleme, gizlilik, kanıt, yapı, literatür, sınıf ve rapor aşamalarını kapsar.
• YZ her aşamada taslak/kod/özet üretir; her aşamada uzman doğrular ve karar verir.
• Aşamalar arası çıktı, bir sonrakine ancak doğrulandıktan sonra taşınmalıdır.
• Gizlilik en başta kurulur; sınıf ve klinik karar en sonda uzman onayıyla verilir.

Uygulama görevi

Kurgusal bir varyant seçin (örneğin iyi bilinen bir BRCA1 kaydı). 1. şablonla uçtan uca bir kontrol listesi oluşturun ve her aşamayı bu modüldeki ilgili ünitenin yöntemiyle bizzat yürütün: varyantı sabitleyin, gnomAD/ClinVar'ı kontrol edin, AlphaFold yapısına bakın, bir gerçek makale bulun, olası sınıfı gerekçelendirin ve bir rapor paragrafı taslaklayıp uzman gözüyle düzeltin. En az iki aşamada YZ ile kaynak arasında bir fark bulmaya çalışın.

Kontrol listesi

• [ ] Gizliliği en başta kurdum; kimlik belirleyici veri aktarmadım.
• [ ] Varyantı sürüm/transkriptle sabitleyip doğrulayıcıyla teyit ettim.
• [ ] Her kanıtı (sıklık, ClinVar, literatür) birincil kaynakta doğruladım.
• [ ] Yapı yorumunu güven skoruyla ve dosyadan yaptım.
• [ ] Sınıfı ve klinik yorumu kanıta dayanarak kendim onayladım.
• [ ] Rapor dilinde nedensellik/kesinliği denetledim ve sınırları ekledim.

Modul Sinavi

1. Moleküler biyoloji ve genetikte yapay zeka (özellikle büyük dil modeli) için en doğru konumlandırma aşağıdakilerden hangisidir?

• A) Kod yazan, taslak üreten ve yorumlayan bir asistandır; her biyolojik olgu birincil kaynakta doğrulanmalı, nihai yorum uzmana aittir ✔
• B) Güvenilir bir genom veri tabanıdır; verdiği dizi ve varyantlar doğrudan rapora yazılabilir
• C) Bir laboratuvar aleti gibi ölçüm yaptığı için çıktıları deneysel kanıt sayılır
• D) Klinik patojenite kararını insan onayı olmadan kesinleştirebilecek yetkinliktedir

Aciklama: Büyük dil modeli bir genom veri tabanı ya da laboratuvar aleti değil; eğitim verisindeki metinleri istatistiksel olarak taklit eden bir metin üreticisidir. Dizi/varyant/gen gibi biyolojik olgular her zaman NCBI, Ensembl, ClinVar, gnomAD gibi birincil kaynaklardan doğrulanmalı; nihai klinik ve bilimsel yorum yetkili uzmana ait olmalıdır.

2. Bir varyantın genom koordinatını yapay zekadan aldınız ancak projeniz GRCh38 (hg38) kullanıyor. Yapay zeka ise hg19 koordinatı vermiş olabilir. Doğru yaklaşım nedir?

• A) Koordinat makul göründüğü için doğrudan kullanmak
• B) Yapay zeka hep en güncel sürümü verdiği için sürümü sormaya gerek yoktur
• C) Genom sürümünü açıkça teyit edip koordinatı resmi bir liftOver aracıyla doğrulamak ✔
• D) hg19 ile hg38 arasında fark önemsiz olduğu için birini seçip devam etmek

Aciklama: Genom sürümleri (GRCh37/hg19 ile GRCh38/hg38) arasında koordinatlar kayar. Sürüm belirtilmeden verilen her koordinat şüphelidir. Koordinatlar resmi bir liftOver aracıyla dönüştürülüp/doğrulanmalı ve kullanılan genom sürümü açıkça teyit edilmelidir; aksi halde tüm hizalama ve yorum yanlış konumu işaret eder.

3. HGVS gösteriminde 'c.', 'p.' ve 'g.' önekleri ne anlama gelir ve neden karıştırılmamalıdır?

• A) Üçü de aynı şeyi ifade eder, hangisinin kullanıldığı fark etmez
• B) 'c.' kodlayan DNA/transkript, 'p.' protein, 'g.' genomik düzeydir; karıştırılırsa farklı bir konumu işaret edebilir ✔
• C) 'p.' her zaman 'c.' değerinin üç katıdır, dönüşüm otomatik ve hatasızdır
• D) Önekler yalnızca biçimseldir; transkript sürümü belirtmeye gerek yoktur

Aciklama: HGVS, varyantları standart yazma biçimidir: 'c.' kodlayan DNA (transkript) düzeyini, 'p.' protein düzeyini, 'g.' genomik düzeyi ifade eder. Bunların karıştırılması veya yanlış transkript sürümü kullanılması tümüyle farklı bir konumu/varyantı işaret edebilir; bu yüzden transkript sürümü (örn. NM_007294.4) ile birlikte doğru önek kullanılmalıdır.

4. Bir varyantın patojenitesini değerlendirirken ACMG kriterleri kullanılırken yapay zekanın rolü ne olmalıdır?

• A) Yapay zeka kanıtları ve sınıfı kesinleştirir; uzman denetimine gerek yoktur
• B) Yapay zeka popülasyon sıklığını hafızasından verdiği için gnomAD kontrolü gereksizdir
• C) ACMG kriterleri katı olduğundan yapay zeka çıktısı otomatik doğru kabul edilir
• D) Yapay zeka kanıt taslağı üretebilir; her kanıt birincil kaynakta doğrulanmalı, nihai sınıflandırmayı uzman yapmalıdır ✔

Aciklama: ACMG, varyant patojenitesini kanıt kategorileriyle (popülasyon sıklığı, in siliko tahmin, segregasyon, işlevsel çalışma, literatür) sınıflandıran bir çerçevedir. Yapay zeka kanıt taslağı üretebilir; ancak her kanıt ClinVar, gnomAD ve literatürde bizzat doğrulanmalı, nihai sınıflandırma (patojenik/olası patojenik/VUS...) yetkili uzman tarafından yapılmalıdır.

5. Yapay zekanın verdiği bir DNA dizisiyle çalışacaksınız. En doğru ilk adım nedir?

• A) Diziyi NCBI/Ensembl gibi bir birincil kaynaktan alıp veya oradaki referansla teyit ederek kullanmak ✔
• B) Dizi doğru uzunlukta göründüğü için doğrudan analize sokmak
• C) Harfler geçerli nükleotitlerden oluşuyorsa dizinin doğru olduğunu varsaymak
• D) Yapay zekaya diziyi bir kez daha sorup iki çıktı aynıysa doğru saymak

Aciklama: Yapay zeka hatırlamadığı bir diziyi makul görünen harflerle 'doldurabilir'; uzunluğu ve harfleri doğru görünse bile gerçek referansla eşleşmeyebilir. Bu yüzden yapay zekanın kafadan verdiği hiçbir dizi doğrudan kullanılmaz; dizi NCBI/Ensembl gibi birincil kaynaktan alınır veya oradaki referansla teyit edilir.

6. AlphaFold gibi bir araçtan gelen protein yapı tahminindeki pLDDT skoru ne anlama gelir?

• A) Yapının deneysel olarak kanıtlanmış olduğunu gösteren bir sertifikadır
• B) Proteinin işlevsel aktivite düzeyini ölçen bir laboratuvar değeridir
• C) Modelin her kalıntı için yerel yapı tahminine güvenini gösteren bir skordur; düşük değer esnek/güvenilmez bölgedir ✔
• D) Proteinin popülasyondaki varyant sıklığını gösteren bir orandır

Aciklama: pLDDT (0-100), AlphaFold'un her kalıntı (amino asit) için yerel yapı tahminine ne kadar güvendiğini gösteren bir güven skorudur. Yüksek pLDDT güvenilir yerel yapı, düşük pLDDT ise esnek/düzensiz ya da güvenilmez bölge anlamına gelir. Yapı bir tahmindir; düşük güvenli bölgeler aşırı yorumlanmamalı ve işlevsel iddialar deneysel kanıtla desteklenmelidir.

7. Bir AlphaFold yapı tahminine dayanarak bir mutasyonun proteini 'kesinlikle işlevsiz bıraktığını' iddia etmek neden risklidir?

• A) AlphaFold yapıları her zaman yanlış olduğu için hiçbir amaçla kullanılamaz
• B) Yapı bir tahmindir; işlevsel iddialar hipotez düzeyindedir ve deneysel doğrulama gerektirir ✔
• C) Risk yoktur; AlphaFold çıktısı deneysel yapı kadar kesindir
• D) Yalnızca pLDDT düşükse risk vardır; yüksekse iddia otomatik kanıtlanmış sayılır

Aciklama: AlphaFold bir yapı tahminidir, deneysel bir kanıt değildir; özellikle esnek/düzensiz bölgelerde ve mutasyon etkilerini modellemede sınırlıdır. Bir yapıdan yola çıkan işlevsel iddialar hipotez düzeyindedir ve deneysel doğrulama (örn. işlevsel çalışma) gerektirir. Aksi halde tahmin, kanıt gibi sunulmuş olur.

8. Yapay zekanın önerdiği CRISPR gRNA (rehber RNA) adaylarıyla ilgili en kritik doğrulama adımı nedir?

• A) gRNA'nın uzunluğu doğruysa başka kontrole gerek yoktur
• B) Yapay zeka 'hedef dışı etki düşük' dediyse doğrudan deneye geçmek
• C) gRNA dizisinin geçerli nükleotitlerden oluşması yeterli güvencedir
• D) Adayları gerçek genom hizalaması ve uzman hedef dışı analiz araçlarıyla doğrulayıp laboratuvarda teyit etmek ✔

Aciklama: gRNA, Cas enzimini hedefe yönlendiren rehber RNA'dır; yanlış tasarımda hedef dışı (off-target) bölgeleri de kesebilir. Yapay zekanın verdiği adaylar gerçek genom hizalaması ve uzman hedef dışı analiz araçlarıyla doğrulanmalı, ardından laboratuvar deneyiyle teyit edilmelidir. Yapay zekanın 'güvenli' demesi doğrulama yerine geçmez.

9. RNA-seq ile binlerce genin ifade farkını test ederken çoklu test düzeltmesi (örn. FDR/Benjamini-Hochberg) neden gereklidir?

• A) Binlerce eşzamanlı test yanlış pozitifleri şişirir; FDR düzeltmesi bunları sınırlar, ham p-değeri yanıltıcıdır ✔
• B) Düzeltme yalnızca örnek sayısı azsa gerekir; gen sayısıyla ilgisi yoktur
• C) Çoklu test düzeltmesi sonucu değiştirmez, yalnızca biçimseldir
• D) Ham p<0.05 her zaman yeterlidir; düzeltme istatistiği gereksiz zorlaştırır

Aciklama: Binlerce gen aynı anda test edildiğinde, yalnızca şansa bağlı olarak birçok gen p<0.05 çıkar (yanlış pozitif). Çoklu test düzeltmesi (FDR - yanlış keşif oranı kontrolü) bu yanlış pozitifleri sınırlar. Düzeltilmemiş p-değerleriyle 'anlamlı' ilan edilen gen listeleri yanıltıcıdır; ayarlanmış değer (q-değeri) kullanılmalıdır.

10. Bir yolak zenginleştirme (pathway enrichment) analizinde bir yolağın 'anlamlı zenginleşmiş' çıkması ne anlama gelir ve nasıl yorumlanmalıdır?

• A) Yolağın hastalığın kesin nedeni olduğunu kanıtlar
• B) Yolağın hücrede aktif olduğunun deneysel kanıtıdır
• C) Yolak genlerinin beklenenden fazla temsil edildiğini gösteren istatistiksel bir sinyaldir; nedensellik değil, eleştirel yorum gerektirir ✔
• D) Arka plan ve çoklu test düzeltmesinden bağımsız, tek başına yeterli bir sonuçtur

Aciklama: Zenginleşme, ifadesi değişen genler arasında belirli bir yolağın beklenenden fazla temsil edildiğini gösteren istatistiksel bir sinyaldir; nedensellik ya da yolağın gerçekten aktif olduğunun kanıtı değildir. Sonuç; kullanılan gen kümesi, arka plan (background) seçimi ve çoklu test düzeltmesi bağlamında ve biyolojik makullükle eleştirel yorumlanmalıdır.

11. Yapay zeka bir literatür özeti verirken gerçek görünen ama var olmayan bir makaleye (sahte atıf) atıfta bulunabilir. Doğru yaklaşım nedir?

• A) Yazar ve dergi adı gerçekçiyse atıf muhtemelen doğrudur, kontrol gereksizdir
• B) Her atıfı DOI/PubMed üzerinden birincil kaynakta doğrulamak; bulunamayanı kullanmamak ✔
• C) Yapay zeka atıf uydurmaz; verdiği referanslar doğrudan kaynakçaya eklenebilir
• D) Atıf sayısı çoksa birkaçının yanlış olması sorun değildir

Aciklama: Yapay zeka, gerçek bir dergide gerçek görünen yazar adlarıyla tümüyle uydurma bir makale (ve sahte DOI) üretebilir. Her atıf, DOI/PubMed üzerinden birincil kaynakta bizzat doğrulanmalı; bulunamayan atıflar kullanılmamalıdır. Bilimsel sorumluluk yazara aittir; doğrulanmamış hiçbir atıf metne girmemelidir.

12. Yapay zekanın ürettiği bir klinik genetik rapor taslağıyla ilgili en doğru ilke nedir?

• A) Taslak akıcıysa doğrudan hastaya verilebilir
• B) Yapay zeka kanıtları da ürettiği için ayrı kaynak doğrulaması gerekmez
• C) Rapordaki patojenite kararı yapay zekaya bırakılabilir, uzman yalnızca biçimi kontrol eder
• D) Her klinik iddia kanıta bağlanmalı, nihai raporu yetkili uzman onaylamalı ve doğrulama zinciri belgelenmelidir ✔

Aciklama: Yapay zeka rapor taslağı ve özet üretmede zaman kazandırır; ancak her klinik iddia kanıta ve birincil kaynağa bağlanmalı, nihai rapor yetkili uzman tarafından onaylanmalıdır. Yapay zeka çıktısı doğrudan bir hasta kararına dönüştürülemez; doğrulama zinciri belgelenmelidir.

13. Yapay zekanın çıktısı çok akıcı ve 'kendinden emin' bir tonda geliyorsa bu ne anlama gelir?

• A) Emin ton doğruluk kanıtı değildir; doğrulama ihtiyacı azalmaz, artar ✔
• B) Akıcı ve kararlı bir cevap büyük olasılıkla doğrudur, teyit gereksizdir
• C) Kendinden emin ton modelin veriyi doğrudan hafızasından okuduğunu gösterir
• D) Tereddütlü cevaplar yanlış, emin cevaplar doğru olduğu için ton bir güven ölçüsüdür

Aciklama: Yapay zekanın kendinden emin tonu doğruluğun kanıtı değildir; en tehlikeli halüsinasyonlar en akıcı ve ikna edici cümlelerle gelir. Emin ton görüldüğünde doğrulama ihtiyacı azalmaz, artar. Her olgu (dizi, varyant, gen, atıf) bağımsız bir birincil kaynakla çapraz doğrulanmalıdır.

14. Bir hastaya ait genetik veriyi analiz için herkese açık bir yapay zeka aracına vermeden önce en önemli gizlilik önlemi nedir?

• A) Veri base64 ile kodlanırsa güvenle yapıştırılabilir
• B) Sadece hastanın adı silinirse başka önlem gerekmez
• C) Kimliği belirlenebilir veriyi hiç vermemek; anonimleştirme, veri minimizasyonu ve onam/yasal çerçeveyi gözetmek ✔
• D) Genetik veri kişisel veri sayılmadığı için serbestçe paylaşılabilir

Aciklama: Genetik veri özel kategori kişisel veridir ve nadir varyant kombinasyonlarıyla bir birey yeniden kimliklendirilebilir (re-identification). Kimliği belirlenebilir genetik veri açık araçlara asla verilmez; veri anonimleştirilmeli, yalnızca gerekli asgari bilgi paylaşılmalı (veri minimizasyonu) ve onam/yasal çerçeve (KVKK/GDPR) gözetilmelidir.