فائدہ:
- پورے ماڈیول میں سیکھے گئے تمام حصوں کو یکجا کرنے کی اہلیت (ترتیب، تغیر، ساخت، ادب، طبی) ایک ہی اختتام سے آخر تک AI سے تعاون یافتہ ورک فلو میں
- 'مصنوعی ذہانت پیدا کرتی ہے، انسانوں کی تصدیق اور تصدیق' کے اصول کو لاگو کرنے کی صلاحیت اور ہر قدم پر بنیادی ذریعہ کی تصدیق
- رازداری کی دستاویز کرکے تصدیقی سلسلہ کا انتظام کرنے کی اہلیت اور اختتامی کیس میں ماہر کی حتمی منظوری
اس ماڈیول میں، ہم نے ترتیب کے تجزیہ سے لے کر پروٹین کی ساخت تک، CRISPR سے omics تک، ادب سے لے کر اخلاقیات اور رازداری تک ہر مرحلے پر الگ الگ بحث کی۔ اس حتمی یونٹ میں، ہم ان سب کو ایک حقیقت پسندانہ ورک فلو میں یکجا کرتے ہیں: ایک مریض میں پائے جانے والے مختلف قسم کا سفر، خام ڈیٹا سے لے کر منظور شدہ کلینیکل رپورٹ تک۔ مقصد مجموعی طور پر یہ دیکھنا ہے کہ مصنوعی ذہانت (AI) کو آخر سے آخر تک اسسٹنٹ کے طور پر کیسے رکھا جائے اور کس طرح ہر مرحلے پر تصدیق اور انسانی احتساب ایک دوسرے سے جڑے ہوئے ہیں۔
ہمارا منظر نامہ (افسانہ): ایک 34 سالہ خاتون مریض چھوٹی عمر میں چھاتی کے کینسر کی خاندانی تاریخ کے ساتھ جینیاتی تشخیص کے لیے آتی ہے۔ پینل ٹیسٹ میں BRCA1 جین میں ایک قسم پایا گیا۔ ہمارا مشن: اس قسم کی درجہ بندی کریں، پروٹین پر اس کے ممکنہ اثرات کی تشریح کریں، لٹریچر کا جائزہ لیں، اور کلینیکل رپورٹ کا مسودہ تیار کریں — ہر قدم پر AI کا استعمال کرتے ہوئے اور ہر قدم پر اس کی توثیق کریں۔
مرحلہ 1: متغیر اور رازداری کے کنٹرول کو درست کرنا
ورک فلو کے بالکل شروع میں، ہم دو چیزیں کرتے ہیں: ڈیٹا کو معیاری بنائیں اور رازداری کو یقینی بنائیں۔
رازداری پہلے: مریض کا نام، شناختی نمبر، اور تاریخ پیدائش کسی بھی کھلے AI ٹولز (یونٹ 10) میں داخل نہیں ہوتے ہیں۔ ہم صرف متغیر، جینوم ورژن، اور ٹرانسکرپٹ کے ساتھ کام کرتے ہیں — اور صرف اس صورت میں جب متغیر فرد کی شناخت نہ کرے۔ پھر ہم مختلف قسم کو ٹھیک کرتے ہیں: GRCh38, BRCA1, NM_007294.4، مثال کے طور پر c.5266dupC (p.Gln1756fs)۔ ہم تصدیق کنندہ (VariantValidator) سے اس کی تصدیق کرتے ہیں؛ ہم AI کی طرف سے دی گئی نمائندگی کو قبول نہیں کرتے ہیں (یونٹ 1، 3)۔
مرحلہ 2: ثبوت جمع کرنا (یونٹ 3)
ہمارے پاس AI کے پاس ACMG پروف فریم ورک ہے — لیکن کلاس کو بتائے بغیر۔ پھر ہم ثبوت کے ہر ٹکڑے کی خود تصدیق کرتے ہیں:
- gnomAD فریکوئنسی: ہم gnomAD میں مختلف حالت تلاش کرتے ہیں اور دیکھتے ہیں کہ یہ بہت نایاب/غیر موجود ہے (PM2 کی سمت میں)۔
- ClinVar: ہم ریکارڈ کھولتے ہیں اور موجودہ تبصروں اور تازگی کو چیک کرتے ہیں۔
- مختلف قسم: اگر ایک فریم شفٹ وقت سے پہلے بند ہونے کا باعث بنتا ہے، تو فنکشن کے نقصان (PVS1) کے مضبوط ثبوت ہو سکتے ہیں - لیکن ہم اس کا جائزہ جین اور ٹرانسکرپٹ کے تناظر میں کرتے ہیں۔
ہم AI کی طرف سے دی گئی کوئی فریکوئنسی یا حوالہ اس کی تصدیق کیے بغیر استعمال نہیں کرتے ہیں (یونٹ 9)۔
مرحلہ 3: پروٹین ساخت کی تشریح (یونٹ 4)
پروٹین پر متغیر کے اثر کو سمجھنے کے لیے، ہم الفا فولڈ ڈھانچہ ڈاؤن لوڈ کرتے ہیں (اس کے یونی پروٹ نمبر کے ساتھ)، pLDDT اعتماد کا سکور اور متاثرہ علاقے کی UniProt فنکشنل تشریحات کو دیکھیں۔ چونکہ ایک فریم شفٹ پروٹین کا زیادہ تر حصہ تبدیل کرتا ہے، اس لیے ساخت کی تشریح یہاں نقصان کے مفروضے کی حمایت کر سکتی ہے — لیکن ساخت ایک اندازہ ہے، قطعی ثبوت نہیں۔ ہم AI سے نقاط کے لیے نہیں پوچھتے ہیں۔ ہم فائل سے پڑھتے ہیں۔
مرحلہ 4: ادب کی تصدیق (یونٹ 7)
ہم AI سے تلاش کی اصطلاحات حاصل کرتے ہیں، اسے خود PubMed پر تلاش کرتے ہیں، اور مختلف قسم اور جین پر اصل مضامین تلاش کرتے ہیں۔ ہم ان حوالوں کی تصدیق کرتے ہیں جو AI DOI/PMID کے ساتھ "میموری سے" جمع کراتی ہے۔ ہم ماخذ پر تعلق اور وجہ کے درمیان فرق کو محفوظ رکھتے ہیں۔
مرحلہ 5: درجہ بندی اور طبی تشریح (یونٹ 3، 8)
ہم توثیق شدہ شواہد کو یکجا کرتے ہوئے، ACMG کے امتزاج کے ساتھ ممکنہ طبقے کا اندازہ لگاتے ہیں (اس مثال میں، مضبوط نقصان کا فنکشن اور نایاب شواہد "پیتھوجینک/شاید پیتھوجینک" کی سمت میں ہوسکتے ہیں - لیکن ماہر کا حتمی کہنا ہے)۔ ہم کلینیکل تشریح کو فینوٹائپ اور خاندانی تاریخ کے ساتھ جوڑتے ہیں: کیا مریض کی تصویر BRCA1 کے ساتھ مطابقت رکھتی ہے؟ اگر کوئی غیر یقینی صورتحال ہے تو ہم اسے ایمانداری سے بیان کرتے ہیں۔
مرحلہ 6: رپورٹ کا مسودہ اور منظوری (یونٹ 8)
AI کے ساتھ، ہم معالج اور مریض کے لیے رپورٹوں کا مسودہ تیار کرتے ہیں۔ ایسی زبان میں جو وجہ کو بڑھا چڑھا کر پیش نہیں کرتی ہے، غیر یقینی صورتحال کے بارے میں واضح ہے، اور جینیاتی مشاورت کی ہدایت کرتی ہے۔ ماہر ہر جملے کی تصدیق کرتا ہے۔ ہم حدود کا سیکشن شامل کرتے ہیں (جس چیز کا ٹیسٹ میں احاطہ نہیں ہوتا، دوبارہ تشخیص کی شرائط)۔
ٹپ: ہر مرحلے کے آؤٹ پٹ کو آخر سے آخر تک کے بہاؤ میں اگلے مرحلے میں داخل کرتے وقت، یقینی بنائیں کہ آؤٹ پٹ کی توثیق ہوئی ہے۔ ایک غیر تصدیق شدہ فریکوئنسی یا انتساب کو بعد کے تمام مراحل میں غلط طریقے سے آگے بڑھایا جاتا ہے (زنجیروں سے بند فریکوئنسی — یونٹ 9)۔
ورک فلو ٹیبل
اسٹیج
AI کا کردار
لازمی تصدیق
فیصلہ ساز
فکسنگ
ڈیمو خاکہ
ویرینٹ ویلیڈیٹر
ماہر
رازداری
گمنامی کنٹرول
انسانی کنٹرول
ماہر
ثبوت
ایک فریم ورک ترتیب دینا
gnomAD، ClinVar
ماہر
ساخت
تبصرہ
pLDDT، فائل
ماہر
ادب
تلاش کی اصطلاح، خلاصہ
DOI/PMID
ماہر
کلاس
امتزاج کا مسودہ
ACMG قواعد
ماہر
رپورٹ
زبان کا مسودہ
سزا کی طرف سے منظوری سزا
ماہر/کنسلٹنٹ
تین چھوٹے کیسز (بہاؤ میں بریک پوائنٹس)
کیس 1 - غلط نقل۔ ایک ٹیم نے ندی کے آغاز میں AI کی طرف سے دی گئی نقل کے ساتھ کام کیا۔ بعد میں اسے احساس ہوا کہ پینل نے ایک مختلف ٹرانسکرپٹ استعمال کیا ہے۔ c ان کی پوزیشنیں بدل چکی تھیں۔ VariantValidator کے ساتھ شروع سے ٹھیک کر کے غلطی کو دور کیا گیا۔ سبق: فکسنگ کے مرحلے میں خرابی پورے بہاؤ میں خلل ڈالتی ہے۔
کیس 2 - جعلی معاون مضمون۔ ادب کے مرحلے میں، AI نے درجہ بندی کی حمایت کرنے والے ایک قائل کاغذ کی تجویز پیش کی۔ پی ایم آئی ڈی چیک نے ظاہر کیا کہ مضمون موجود نہیں تھا۔ ثبوت کے سلسلے سے ہٹا دیا گیا ہے۔ اصل ثبوت کافی تھا، لیکن اگر رپورٹ میں غلط انتساب باقی رہتا تو تعلیمی/طبی اعتبار کو نقصان پہنچتا۔
کیس 3 - تصدیق ہو گئی۔ رپورٹنگ کے مرحلے پر، AI مسودے میں یہ بیان شامل تھا کہ "یہ قسم یقینی طور پر کینسر کا سبب بنتی ہے۔" کنسلٹنٹ نے اسے یہ کہہ کر درست کیا کہ "یہ قسم چھاتی/ڈمبگرنتی کے کینسر کے خطرے کو نمایاں طور پر بڑھاتا ہے، لیکن یہ یقینی بیماری کی نشاندہی نہیں کرتا" اور جینیاتی مشاورت کے لیے ایک سفارش شامل کی۔ لہجے اور درستگی کو ماہر ہاتھوں میں تشکیل دیا گیا۔
دو کاپی کرنے کے قابل ٹیمپلیٹس (اختتام سے آخر تک)
1) فلو پلانر:
آپ کا کردار: کلینیکل جینیٹکس ورک فلو اسسٹنٹ۔ درج ذیل قسم کے لیے دریافت سے لے کر رپورٹ کرنے کے لیے آخر سے آخر تک چیک لسٹ بنائیں: [جینوم ورژن، جین، ٹرانسکرپٹ، HGVS]۔ ہر مرحلے پر لکھیں (تعینات، رازداری، ثبوت، ڈھانچہ، ادب، کلاس، رپورٹ) "AI کیا کرتا ہے / میں کیا تصدیق کرتا ہوں / کون فیصلہ کرتا ہے"۔ آپ کلاس اور طبی فیصلہ کرتے ہیں۔
2) حتمی معائنہ:
جمع کرنے سے پہلے درج ذیل مکمل شدہ مختلف تبصرے اور رپورٹ کے مسودے کو پہلے سے چیک کریں: [content]۔ اس کے لیے چیک کریں: غیر مصدقہ تعدد/انتساب، مبالغہ آمیز وجہ/صحیح بیان، گمشدہ انتباہ، گمشدہ باؤنڈری ڈویژن، رازداری کا خطرہ۔ ہر مسئلہ اور اسے حل کرنے کے لیے کوئی تجاویز درج کریں۔
کمزور فوری / مضبوط اشارہ
کمزور: "اس BRCA1 ویرینٹ کے لیے ایک مکمل طبی رپورٹ لکھیں۔"
مسئلہ: AI تمام مراحل کو ایک ہی بار میں فٹ کر کے "رپورٹ" تیار کرتا ہے۔ تعدد، انتساب، کلاس، طبی فیصلہ سب غیر مصدقہ ہیں۔
مضبوط: "اس BRCA1 ویرینٹ کے لیے دریافت سے لے کر رپورٹ کرنے کے لیے ایک چیک لسٹ بنائیں؛ ہر مرحلے پر الگ کریں کہ آپ کیا کریں گے، میں کیا تصدیق کروں گا، اور فیصلہ کون کرے گا۔ میں ثبوت کی تصدیق کے بعد کلاس اور طبی فیصلہ کروں گا۔"
یہ طاقتور کیوں ہے: بہاؤ منظم ہے، ہر مرحلہ توثیق سے منسلک ہے، اور فیصلہ اور ذمہ داری انسان کے ساتھ رہتی ہے۔
عام غلطیاں
- ایک اشارے کے ساتھ "مکمل رپورٹ" طلب کرنا۔ مراحل بغیر تصدیق کے یکجا کیے جاتے ہیں۔ غلطی جمع ہوتی ہے.
- فکسنگ کے مرحلے کو نظر انداز کرنا۔ غلط ورژن/ٹرانسکرپٹ پورے سلسلے کی تردید کرتا ہے۔
- اس کی توثیق کیے بغیر آؤٹ پٹ کو مراحل کے درمیان منتقل کرنا۔ ایک سلسلہ فریب پیدا ہوتا ہے۔
- بہاؤ کے "اختتام" پر رازداری کے بارے میں سوچنا۔ ڈیٹا انٹری کے وقت رازداری کو پہلے جگہ پر قائم کیا جانا چاہیے۔
- فیصلہ اور لہجے کو AI پر چھوڑنا۔ کلاس روم اور کلینیکل پیغام رسانی کو ماہر کے ذریعہ منظور کیا جانا چاہئے۔
احتیاط: اینڈ ٹو اینڈ AI کا استعمال بہت وقت بچاتا ہے لیکن ذمہ داری کو کم نہیں کرتا۔ اس کے برعکس، یہ ہر مرحلے پر تصدیق کے نظم و ضبط کو اور بھی اہم بناتا ہے۔ AI بہاؤ کو تیز کرتا ہے۔ انسان درستگی، سلامتی اور اخلاقی تعمیل کی ضمانت دیتا ہے۔
گہرائی: ورک فلو وقت کی بچت، نزاکت اور آڈٹ ٹریل
آخر سے آخر تک بہاؤ کی اصل قدر "AI کو یہ سب کرنے دو" نہیں ہے بلکہ صحیح جگہوں پر وقت گزارنا اور صحیح جگہوں پر سست ہونا ہے۔ آئیے اس منظر نامے میں حاصل ہونے والے فائدے کا اندازہ لگاتے ہیں: شواہد کا فریم ورک ترتیب دینا، تلاش کی اصطلاحات تیار کرنا، رپورٹ کی زبان کو آسان بنانا، اور پوسٹ آڈٹ چیک لسٹ کے ساتھ آنا روایتی طور پر مسودہ تیار کرنے کے کئی گھنٹوں کے کام کو دسیوں منٹوں میں کاٹ سکتا ہے۔ اس کے برعکس، gnomAD/ClinVar کی توثیق، VariantValidator پننگ، DOI چیکنگ، اور ماہرانہ فیصلے کو مختصر نہیں کیا جا سکتا — وہ اس سلسلے کی حفاظتی ریڑھ کی ہڈی ہیں۔ درست ذہنیت: "AI مسودہ تیار کرتا ہے، انسان ضامن کے طور پر کام کرتا ہے۔" منافع ڈرافٹ میں ہے، ذمہ داری فیصلے میں ہے۔
بہاؤ میں سب سے نازک لنک ہمیشہ پہلا ہوتا ہے: اینکرنگ۔ غلط جینوم ورژن یا غلط ٹرانسکرپٹ خاموشی سے ہر اگلے مرحلے میں پھیلتا ہے، آخر کار مکمل طور پر غلط رپورٹ تیار کرتا ہے۔ اس لیے کسی ایک اسٹینڈ اسٹون ٹول (جیسے ویرینٹ ویلیڈیٹر) کے ساتھ اینکر کی توثیق کیے بغیر اگلے مرحلے پر نہ جائیں۔ دوسرا سب سے زیادہ کمزور نکتہ مراحل کے درمیان آؤٹ پٹ کیری اوور ہے: ایک مرحلے کے غیر تصدیق شدہ آؤٹ پٹ کو اگلے مرحلے کے لیے ان پٹ بنانا زنجیر کے فریب کو دعوت دیتا ہے۔
آخر میں، کلینیکل سیاق و سباق میں، آڈٹ ٹریل بہاؤ کے لیے لازمی ہے: یہ دستاویز ہونا ضروری ہے کہ کون سا ذریعہ کس تاریخ کو چیک کیا گیا، کون سا ClinVar ورژن دیکھا گیا، کس نے کس فیصلے کی منظوری دی۔ ClinVar کے جائزے وقت کے ساتھ بدلتے ہیں۔ ایک ریکارڈ جو "پیتھوجینک آج" ہے شاید ایک سال بعد VUS میں واپس آگیا ہو۔ آڈٹ ٹریل دوبارہ تشخیص اور قانونی/اخلاقی جوابدہی دونوں کو قابل بناتا ہے۔
سلسلہ بندی کی خصوصیت
اصول
درخواست
وقت کی بچت
ڈرافٹ پر تیزی سے اٹھیں۔
AI سے فریم ورک، زبان، چیک لسٹ
نزاکت
پہلی انگوٹھی کو محفوظ کریں۔
آزاد ٹول کے ساتھ فکسشن کی تصدیق کریں۔
آؤٹ پٹ ٹرانسپورٹ
تصدیق کے بغیر منتقل کریں۔
ہر مرحلے کو منبع پر منظور کیا جاتا ہے۔
آڈٹ ٹریل
ہر فیصلے کو دستاویز کریں۔
ماخذ، تاریخ، رجسٹرڈ کے ذریعہ منظور شدہ
خلاصہ میں
- دریافت سے رپورٹ تک مختلف قسم کا سفر؛ یہ فکسنگ، رازداری، ثبوت، ساخت، ادب، کلاس اور رپورٹ کے مراحل کا احاطہ کرتا ہے.
- AI ہر مرحلے پر ڈرافٹ/کوڈ/خلاصہ تیار کرتا ہے۔ ہر مرحلے پر، ماہر تصدیق کرتا ہے اور فیصلہ کرتا ہے۔
- مراحل کے درمیان آؤٹ پٹ کو تصدیق کے بعد ہی اگلے مرحلے میں منتقل کیا جانا چاہیے۔
- رازداری شروع سے ہی قائم ہے؛ کلاس اور طبی فیصلہ آخر کار ماہر کی منظوری سے کیا جاتا ہے۔
درخواست کا کام
ایک خیالی قسم کا انتخاب کریں (مثلاً ایک معروف BRCA1 ریکارڈ)۔ 1. ٹیمپلیٹ کے ساتھ اینڈ ٹو اینڈ چیک لسٹ بنائیں اور اس ماڈیول میں متعلقہ یونٹ کے طریقہ کار کے مطابق ہر مرحلے کو خود انجام دیں: متغیر کو درست کریں، gnomAD/ClinVar کو چیک کریں، AlphaFold ڈھانچہ دیکھیں، ایک حقیقی مضمون تلاش کریں، ممکنہ کلاس کا جواز پیش کریں اور رپورٹ کے پیراگراف کا مسودہ تیار کریں اور اسے ماہر نظر سے پروف ریڈ کریں۔ کم از کم دو مراحل میں AI اور سورس کے درمیان فرق تلاش کرنے کی کوشش کریں۔
چیک لسٹ
- میں نے شروع سے ہی پرائیویسی قائم کی ہے۔ میں نے کوئی شناختی ڈیٹا منتقل نہیں کیا۔
- میں نے ورژن/ٹرانسکرپٹ کے ساتھ متغیر کو ٹھیک کیا اور تصدیق کنندہ کے ساتھ اس کی تصدیق کی۔
- میں نے بنیادی ماخذ میں ہر ثبوت (تعدد، کلین وار، ادب) کی تصدیق کی۔
- [] میں نے اعتماد کے اسکور کے ساتھ اور فائل سے ساخت کا تبصرہ کیا۔
- [ ] میں نے ذاتی طور پر ثبوت کی بنیاد پر کلاس اور کلینیکل تشریح کی توثیق کی ہے۔
- [ ] میں نے رپورٹ کی زبان میں وجہ/ درستگی کی جانچ کی اور حدیں شامل کیں۔
ماڈیول امتحان
1. سالماتی حیاتیات اور جینیات میں مصنوعی ذہانت (خاص طور پر بڑی زبان کا ماڈل) کے لیے درج ذیل میں سے کون سی پوزیشننگ سب سے زیادہ درست ہے؟
- A) یہ ایک معاون ہے جو کوڈ لکھتا ہے، مسودے اور تبصرے تیار کرتا ہے۔ ہر حیاتیاتی رجحان کی تصدیق بنیادی ماخذ میں ہونی چاہیے، حتمی تشریح ماہر سے تعلق رکھتی ہے ✔
- ب) یہ ایک قابل اعتماد جینوم ڈیٹا بیس ہے؛ دیے گئے سلسلے اور مختلف حالتیں براہ راست رپورٹ میں لکھی جا سکتی ہیں۔
- C) چونکہ یہ لیبارٹری کے آلے کی طرح پیمائش کرتا ہے، اس لیے اس کے نتائج کو تجرباتی ثبوت سمجھا جاتا ہے۔
- D) یہ انسانی منظوری کے بغیر کلینیکل روگجنکیت کے فیصلے کو حتمی شکل دینے کے قابل ہے۔
وضاحت: بڑی زبان کا ماڈل جینوم ڈیٹا بیس یا لیبارٹری کا آلہ نہیں ہے۔ یہ ایک ٹیکسٹ جنریٹر ہے جو اعدادوشمار کے مطابق تربیتی ڈیٹا میں متن کی نقل کرتا ہے۔ حیاتیاتی حقائق جیسے ترتیب/متغیر/جین کی ہمیشہ بنیادی ذرائع سے تصدیق کی جانی چاہیے جیسے کہ NCBI، Ensembl، ClinVar، gnomAD؛ حتمی طبی اور سائنسی تشریح کا تعلق اہل ماہر سے ہونا چاہیے۔
2. آپ کو AI سے مختلف قسم کا جینوم کوآرڈینیٹ موصول ہوا، لیکن آپ کا پروجیکٹ GRCh38 (hg38) استعمال کرتا ہے۔ ہو سکتا ہے مصنوعی ذہانت نے hg19 کوآرڈینیٹ دیا ہو۔ صحیح نقطہ نظر کیا ہے؟
- A) کوآرڈینیٹ کا براہ راست استعمال کرنا کیونکہ یہ معقول لگتا ہے۔
- ب) ورژن مانگنے کی ضرورت نہیں ہے کیونکہ مصنوعی ذہانت ہمیشہ جدید ترین ورژن دیتی ہے۔
- C) جینوم ورژن کی واضح طور پر تصدیق کریں اور آفیشل لفٹ اوور ٹول کے ساتھ کوآرڈینیٹ کی تصدیق کریں ✔
- D) چونکہ hg19 اور hg38 کے درمیان فرق غیر معمولی ہے، اس لیے ایک کا انتخاب کریں اور جاری رکھیں
تفصیل: جینوم ورژن (GRCh37/hg19 اور GRCh38/hg38) کے درمیان کوآرڈینیٹ شفٹ ہوتے ہیں۔ ورژن کے بغیر دیئے گئے کوئی بھی نقاط مشتبہ ہیں۔ کوآرڈینیٹس کو ایک آفیشل لفٹ اوور ٹول سے تبدیل/تصدیق کیا جانا چاہیے اور استعمال شدہ جینوم ورژن کی واضح طور پر تصدیق ہونی چاہیے۔ بصورت دیگر پوری صف بندی اور تبصرہ غلط مقام کی طرف اشارہ کرے گا۔
3. HGVS اشارے میں 'c.'، 'p.' اور 'جی' سابقہ کا کیا مطلب ہے اور انہیں کیوں الجھن میں نہیں ڈالنا چاہئے؟
- ا) تینوں کا مطلب ایک ہی ہے، اس سے کوئی فرق نہیں پڑتا کہ کون سا استعمال کیا جاتا ہے۔
- B) 'c.' کوڈنگ DNA/ٹرانسکرپٹ، 'p.' پروٹین، 'جی' جینومک سطح ہے؛ اگر الجھن میں ہے، تو یہ ایک مختلف مقام کی نشاندہی کر سکتا ہے ✔
- ج) 'پی۔' ہمیشہ 'c.' اس کی قیمت تین گنا ہے، تبدیلی خودکار اور غلطی سے پاک ہے۔
- D) سابقے محض رسمی ہوتے ہیں۔ ٹرانسکرپٹ ورژن کی وضاحت کرنے کی ضرورت نہیں ہے۔
تفصیل: HGVS مختلف قسموں کے ساتھ ہجے کی معیاری شکل ہے: 'c.' کوڈنگ ڈی این اے (ٹرانسکرپٹ) کی سطح، 'p.' پروٹین کی سطح، 'جی' جینومک سطح سے مراد ہے۔ ان کو ملانا یا غلط ٹرانسکرپٹ ورژن استعمال کرنا بالکل مختلف لوکس/مختلف کی نشاندہی کر سکتا ہے۔ اس لیے ٹرانسکرپٹ ورژن کے ساتھ صحیح سابقہ استعمال کرنا چاہیے (مثلاً NM_007294.4)۔
4. کسی قسم کی روگجنکیت کا اندازہ لگانے کے لیے ACMG معیار کا استعمال کرتے وقت AI کا کیا کردار ہونا چاہیے؟
- الف) مصنوعی ذہانت شواہد اور کلاس کو حتمی شکل دیتی ہے۔ ماہر نگرانی کی ضرورت نہیں ہے
- B) GnomAD کنٹرول غیر ضروری ہے کیونکہ مصنوعی ذہانت آبادی کو اس کی یادداشت سے تعدد دیتی ہے۔
- C) چونکہ ACMG معیار سخت ہیں، اس لیے AI آؤٹ پٹ خود بخود درست سمجھا جاتا ہے۔
- D) مصنوعی ذہانت ڈرافٹ شواہد پیش کر سکتی ہے۔ ہر ثبوت کی تصدیق بنیادی ماخذ میں ہونی چاہیے، حتمی درجہ بندی ماہر کے ذریعے کی جانی چاہیے ✔
تفصیل: ACMG ایک ایسا فریم ورک ہے جو شواہد کے زمرے (آبادی کی تعدد، سلیکو پیشین گوئی، علیحدگی، فنکشنل اسٹڈی، ادب) کے لحاظ سے مختلف روگجنک کی درجہ بندی کرتا ہے۔ AI مسودہ ثبوت پیش کر سکتا ہے؛ تاہم، ہر ثبوت کی ذاتی طور پر ClinVar، gnomAD اور ادب میں تصدیق ہونی چاہیے، اور حتمی درجہ بندی (پیتھوجینک/ممکنہ پیتھوجینک/VUS...) قابل ماہر کے ذریعے کی جانی چاہیے۔
5. آپ مصنوعی ذہانت کے ذریعے دی گئی ڈی این اے ترتیب کے ساتھ کام کریں گے۔ بہترین پہلا قدم کیا ہے؟
- A) کسی بنیادی ذریعہ جیسے کہ NCBI/Ensembl سے حاصل کرکے یا وہاں حوالہ کے ساتھ اس کی تصدیق کرکے ترتیب کا استعمال کرتے ہوئے ✔
- ب) ترتیب کو براہ راست تجزیہ میں داخل کرنا کیونکہ یہ درست لمبائی معلوم ہوتی ہے۔
- ج) اگر حروف درست نیوکلیوٹائڈس پر مشتمل ہوں تو ترتیب کو درست سمجھنا
- D) مصنوعی ذہانت سے ایک بار پھر ترتیب کے بارے میں پوچھیں اور اگر دونوں آؤٹ پٹ ایک جیسے ہوں تو اسے درست شمار کریں۔
وضاحت: AI ایک سٹرنگ کو 'پُر' کر سکتا ہے جو اسے قابل فہم نظر آنے والے حروف کے ساتھ یاد نہیں ہے۔ اگر طوالت اور حروف درست نظر آتے ہیں تو بھی وہ اصل حوالہ سے میل نہیں کھا سکتے۔ لہذا، سر سے مصنوعی ذہانت کے ذریعہ دی گئی کوئی بھی ترتیب براہ راست استعمال نہیں کی جاتی ہے۔ ترتیب کو بنیادی ماخذ سے لیا گیا ہے جیسے کہ NCBI/Ensembl یا اس میں حوالہ سے تصدیق کی گئی ہے۔
6. الفا فولڈ جیسے آلے سے پروٹین کی ساخت کی پیشن گوئی میں pLDDT سکور کا کیا مطلب ہے؟
- A) یہ ایک سرٹیفکیٹ ہے جس سے ظاہر ہوتا ہے کہ ساخت تجرباتی طور پر ثابت ہوئی ہے۔
- ب) یہ ایک لیبارٹری قدر ہے جو پروٹین کی فعال سرگرمی کی سطح کی پیمائش کرتی ہے۔
- C) یہ ایک اسکور ہے جو ہر باقیات کے لیے مقامی ساخت کی پیشن گوئی میں ماڈل کے اعتماد کی نشاندہی کرتا ہے۔ کم قدر لچکدار/ناقابل اعتماد زون ہے ✔
- D) یہ ایک تناسب ہے جو آبادی میں پروٹین کی مختلف تعدد کو ظاہر کرتا ہے۔
تفصیل: pLDDT (0-100) ایک اعتماد کا سکور ہے جو اس بات کی نشاندہی کرتا ہے کہ AlphaFold ہر باقیات (امائنو ایسڈ) کی مقامی ساخت کی پیشین گوئی میں کتنا پراعتماد ہے۔ ہائی پی ایل ڈی ڈی ٹی کا مطلب ہے قابل اعتماد مقامی ڈھانچہ، کم پی ایل ڈی ڈی ٹی کا مطلب ہے لچکدار/ غیر منظم یا ناقابل بھروسہ علاقہ۔ ساخت ایک اندازہ ہے؛ کم اعتماد والے خطوں کی حد سے زیادہ تشریح نہیں کی جانی چاہیے اور تجرباتی شواہد سے فعال دعووں کی حمایت کی جانی چاہیے۔
7. الفا فولڈ کی ساخت کی پیشن گوئی کی بنیاد پر یہ دعوی کرنا کیوں خطرناک ہے کہ ایک تبدیلی پروٹین کو 'بالکل غیر فعال' کر دیتی ہے؟
- الف) الفا فولڈ ڈھانچے کو کسی بھی مقصد کے لیے استعمال نہیں کیا جا سکتا کیونکہ وہ ہمیشہ غلط ہوتے ہیں۔
- ب) ساخت ایک اندازہ ہے؛ عملی دعوے مفروضوں کی سطح پر ہوتے ہیں اور تجرباتی تصدیق کی ضرورت ہوتی ہے ✔
- ج) کوئی خطرہ نہیں ہے؛ الفا فولڈ آؤٹ پٹ تجرباتی تعمیر کی طرح درست ہے۔
- D) خطرہ صرف اس صورت میں ہے جب pLDDT کم ہو۔ اگر یہ زیادہ ہے، تو دعوی خود بخود ثابت سمجھا جاتا ہے.
انکشاف: الفا فولڈ ایک ساخت کی پیشین گوئی ہے، تجرباتی ثبوت نہیں۔ یہ خاص طور پر لچکدار/بے ترتیب علاقوں اور ماڈلنگ اتپریورتن اثرات میں محدود ہے۔ تعمیر پر مبنی فنکشنل دعوے مفروضے کی سطح پر ہوتے ہیں اور تجرباتی توثیق کی ضرورت ہوتی ہے (مثلاً، فنکشنل اسٹڈی)۔ دوسری صورت میں، پیشین گوئی ثبوت کے طور پر پیش کی جاتی ہے.
8. مصنوعی ذہانت کے ذریعہ تجویز کردہ CRISPR gRNA (گائیڈ RNA) امیدواروں کے حوالے سے توثیق کا سب سے اہم مرحلہ کیا ہے؟
- A) اگر gRNA کی لمبائی درست ہے، تو مزید جانچ کی ضرورت نہیں ہے۔
- ب) اگر مصنوعی ذہانت کہتی ہے کہ 'آف ٹارگٹ ایفیکٹ کم ہے'، تو براہ راست تجربے پر جائیں
- سی) یہ کافی یقین دہانی ہے کہ جی آر این اے کی ترتیب درست نیوکلیوٹائڈس پر مشتمل ہے
- D) حقیقی جینوم الائنمنٹ اور ماہر آف ٹارگٹ تجزیہ ٹولز کے ساتھ امیدواروں کی توثیق کریں اور لیبارٹری میں تصدیق کریں ✔
تفصیل: جی آر این اے وہ گائیڈ آر این اے ہے جو کاس انزائم کو ہدف تک لے جاتا ہے۔ غلط ڈیزائن کے ساتھ، یہ ہدف والے علاقوں کو بھی کاٹ سکتا ہے۔ AI کے ذریعے واپس آنے والے امیدواروں کی اصل جینوم الائنمنٹ اور ماہر آف ٹارگٹ تجزیہ ٹولز کے ذریعے توثیق کی جانی چاہیے، پھر لیبارٹری کے تجربات سے تصدیق کی جاتی ہے۔ صرف اس لیے کہ مصنوعی ذہانت کہتی ہے کہ 'محفوظ' تصدیق کا متبادل نہیں ہے۔
9. RNA-seq کے ساتھ ہزاروں جینوں کے اظہار میں فرق کی جانچ کرتے وقت متعدد جانچ کی اصلاح (جیسے FDR/Benjamini-Hochberg) کیوں ضروری ہے؟
- A) بیک وقت ہزاروں ٹیسٹ غلط مثبت کو بڑھاتے ہیں۔ FDR اصلاح ان کو محدود کرتی ہے، خام p-value گمراہ کن ہے ✔
- ب) اصلاح صرف اس صورت میں ضروری ہے جب نمونوں کی تعداد کم ہو۔ اس کا جین کی تعداد سے کوئی تعلق نہیں ہے۔
- C) ایک سے زیادہ جانچ کی اصلاح سے نتیجہ تبدیل نہیں ہوتا، یہ صرف رسمی ہے۔
- D) خام پی <0.05 ہمیشہ کافی ہے؛ اصلاح اعداد و شمار کو غیر ضروری طور پر مشکل بناتی ہے۔
وضاحت: جب ہزاروں جینوں کا بیک وقت تجربہ کیا جاتا ہے تو صرف موقع کی وجہ سے بہت سے جین p <0.05 (غلط مثبت) کے ساتھ سامنے آتے ہیں۔ ایک سے زیادہ جانچ کی اصلاح (FDR - غلط دریافت کی شرح کنٹرول) ان غلط مثبت کو محدود کرتی ہے۔ غیر درست شدہ p-values کے ساتھ 'اہم' قرار دیے گئے جینوں کی فہرستیں گمراہ کن ہیں۔ ایڈجسٹ ویلیو (q-value) استعمال کی جانی چاہیے۔
10. اس کا کیا مطلب ہے اگر پاتھ وے کی افزودگی کے تجزیہ میں کوئی راستہ 'نمایاں طور پر افزودہ' پایا جاتا ہے اور اس کی تشریح کیسے کی جائے؟
- A) ثابت کرتا ہے کہ راستہ بیماری کی حتمی وجہ ہے۔
- ب) یہ تجرباتی ثبوت ہے کہ سیل میں راستہ فعال ہے۔
- C) یہ ایک شماریاتی سگنل ہے جو اس بات کی نشاندہی کرتا ہے کہ پاتھ وے جینز کی توقع سے زیادہ نمائندگی کی گئی ہے۔ تنقیدی تشریح کی ضرورت ہے، وجہ نہیں ✔
- D) یہ اپنے طور پر ایک کافی نتیجہ ہے، پس منظر سے آزاد اور متعدد جانچ کی اصلاح
تفصیل: افزودگی ایک شماریاتی سگنل ہے جو اس بات کی نشاندہی کرتا ہے کہ ایک خاص راستہ ان جینوں کے درمیان زیادہ پیش کیا جاتا ہے جن کا اظہار بدل جاتا ہے۔ یہ وجہ کا ثبوت نہیں ہے یا یہ کہ راستہ دراصل فعال ہے۔ نتیجہ; استعمال شدہ جین سیٹ کی پس منظر کے انتخاب اور متعدد جانچ کی اصلاح کے تناظر میں اور حیاتیاتی قابلیت کے ساتھ تنقیدی تشریح کی جانی چاہئے۔
11. لٹریچر کا خلاصہ دیتے وقت، AI کسی ایسے مضمون کا حوالہ دے سکتا ہے جو بظاہر اصلی لگتا ہے لیکن موجود نہیں ہے (جعلی حوالہ)۔ صحیح نقطہ نظر کیا ہے؟
- الف) اگر مصنف اور جریدے کا نام حقیقت پسندانہ ہے تو شاید حوالہ درست ہے، جانچ پڑتال غیر ضروری ہے
- ب) DOI/PubMed کے ذریعے بنیادی ماخذ میں ہر ایک حوالہ کی تصدیق کریں۔ ✔ جو نہیں مل سکتا اسے استعمال نہ کرنا
- ج) مصنوعی ذہانت سے انتساب نہیں ہوتا ہے۔ اس کے حوالہ جات براہ راست کتابیات میں شامل کیے جا سکتے ہیں۔
- د) اگر بہت سے اقتباسات ہیں، اگر ان میں سے چند غلط ہوں تو کوئی حرج نہیں۔
تفصیل: AI ایک حقیقی جریدے میں حقیقی آواز والے مصنف کے ناموں کے ساتھ مکمل طور پر تیار کردہ مضمون (اور جعلی DOI) تیار کر سکتا ہے۔ ہر اقتباس کی ذاتی طور پر DOI/PubMed کے ذریعے بنیادی ماخذ پر تصدیق ہونی چاہیے۔ جو حوالہ جات نہ ملیں وہ استعمال نہ کریں۔ سائنسی ذمہ داری مصنف کی ہے؛ کوئی غیر تصدیق شدہ حوالہ متن میں داخل نہیں ہونا چاہیے۔
12. AI سے تیار کردہ کلینیکل جینیاتی رپورٹ کے مسودے کے بارے میں سب سے درست اصول کیا ہے؟
- A) اگر مسودہ روانی ہے تو اسے براہ راست مریض کو دیا جا سکتا ہے۔
- ب) کسی علیحدہ ذریعہ کی تصدیق کی ضرورت نہیں ہے کیونکہ AI ثبوت بھی پیدا کرتا ہے۔
- C) رپورٹ میں روگجنکیت کا فیصلہ مصنوعی ذہانت پر چھوڑا جا سکتا ہے، ماہر صرف فارمیٹ چیک کرتا ہے۔
- D) ہر کلینکل دعوے کی تصدیق ہونی چاہیے، حتمی رپورٹ کو قابل ماہر کے ذریعے منظور کیا جانا چاہیے، اور تصدیق کا سلسلہ دستاویزی ہونا چاہیے ✔
تفصیل: مصنوعی ذہانت رپورٹ کے مسودے اور خلاصے تیار کرنے میں وقت بچاتی ہے۔ تاہم، ہر کلینکل دعوے کو ثبوت اور بنیادی ذرائع سے منسلک کیا جانا چاہیے، اور حتمی رپورٹ کو مجاز ماہر سے منظور کیا جانا چاہیے۔ AI آؤٹ پٹ کا براہ راست مریض کے فیصلے میں ترجمہ نہیں کیا جا سکتا۔ تصدیقی سلسلہ کا دستاویزی ہونا ضروری ہے۔
13. اس کا کیا مطلب ہے اگر AI کا آؤٹ پٹ بہت تیز اور 'پراعتماد' لگتا ہے؟
- A) پراعتماد لہجہ درستگی کا ثبوت نہیں ہے۔ توثیق کی ضرورت بڑھتی ہے، کم نہیں ہوتی ✔
- ب) ایک روانی اور فیصلہ کن جواب غالباً درست ہے، تصدیق غیر ضروری ہے۔
- C) پراعتماد لہجہ اشارہ کرتا ہے کہ ماڈل میموری سے براہ راست ڈیٹا پڑھ رہا ہے۔
- D) لہجہ اعتماد کا ایک پیمانہ ہے، کیونکہ ہچکچاہٹ والے جوابات غلط ہیں اور پر اعتماد جوابات درست ہیں۔
وضاحت: AI کا پراعتماد لہجہ درستگی کا ثبوت نہیں ہے۔ سب سے خطرناک فریب سب سے زیادہ روانی اور قائل جملوں کے ساتھ آتے ہیں۔ جب پراعتماد لہجہ دیکھا جائے تو تصدیق کی ضرورت بڑھ جاتی ہے، کم نہیں ہوتی۔ ہر حقیقت (ترتیب، متغیر، جین، حوالہ) کو ایک آزاد بنیادی ماخذ سے کراس توثیق کیا جانا چاہیے۔
14. تجزیہ کے لیے عوامی طور پر دستیاب AI ٹول کو مریض کا جینیاتی ڈیٹا دینے سے پہلے رازداری کی سب سے اہم احتیاط کیا ہے؟
- A) اگر ڈیٹا بیس 64 میں انکوڈ ہے، تو اسے محفوظ طریقے سے پیسٹ کیا جا سکتا ہے۔
- ب) اگر صرف مریض کا نام حذف کر دیا جائے تو مزید کارروائی کی ضرورت نہیں ہے۔
- C) ذاتی طور پر قابل شناخت ڈیٹا فراہم نہ کرنا؛ گمنامی، ڈیٹا کو کم سے کم کرنا اور رضامندی/قانونی فریم ورک کا مشاہدہ ✔
- D) جینیاتی ڈیٹا کو آزادانہ طور پر شیئر کیا جاسکتا ہے کیونکہ اسے ذاتی ڈیٹا نہیں سمجھا جاتا ہے۔
تفصیل: جینیاتی ڈیٹا ذاتی ڈیٹا کا ایک خاص زمرہ ہے اور کسی فرد کی مختلف اقسام کے نادر امتزاج سے دوبارہ شناخت کی جا سکتی ہے۔ قابل شناخت جینیاتی ڈیٹا کبھی بھی ٹولز کو کھولنے کے لیے فراہم نہیں کیا جاتا ہے۔ ڈیٹا کو گمنام ہونا چاہیے، صرف کم از کم ضروری معلومات کا اشتراک کیا جانا چاہیے (ڈیٹا کم از کم) اور رضامندی/قانونی فریم ورک (KVKK/GDPR) کا مشاہدہ کیا جانا چاہیے۔