Trường hợp từ đầu đến cuối: Hành trình của một biến thể từ khám phá đến báo cáo lâm sàng

Lợi nhuận:

• Khả năng kết hợp tất cả các phần đã học trong suốt mô-đun (trình tự, biến thể, cấu trúc, tài liệu, lâm sàng) trong một quy trình làm việc toàn diện được hỗ trợ bởi AI
• Khả năng áp dụng nguyên tắc 'trí tuệ nhân tạo tạo ra, con người xác minh và chứng thực' cũng như xác minh nguồn chính ở mọi bước
• Khả năng quản lý chuỗi xác minh bằng cách ghi lại tính bảo mật và phê duyệt cuối cùng của chuyên gia trong trường hợp từ đầu đến cuối

Trong mô-đun này, chúng ta đã thảo luận từng giai đoạn riêng biệt, từ phân tích trình tự đến cấu trúc protein, từ CRISPR đến omics, từ tài liệu đến đạo đức và tính bảo mật. Trong phần cuối cùng này, chúng tôi kết hợp tất cả chúng thành một quy trình thực tế: hành trình của một biến thể được tìm thấy ở bệnh nhân, từ dữ liệu thô đến báo cáo lâm sàng đã được phê duyệt. Mục tiêu là để xem xét một cách tổng thể cách định vị trí tuệ nhân tạo (AI) như một trợ lý đầu cuối cũng như cách xác minh và trách nhiệm giải trình của con người gắn kết với nhau ở mọi giai đoạn.

Kịch bản của chúng tôi (hư cấu): Một bệnh nhân nữ 34 tuổi đến đánh giá di truyền với tiền sử gia đình mắc bệnh ung thư vú khi còn nhỏ. Một biến thể trong gen BRCA1 đã được tìm thấy trong thử nghiệm bảng. Nhiệm vụ của chúng tôi: phân loại biến thể này, giải thích tác động có thể có của nó đối với protein, xem xét tài liệu và soạn thảo báo cáo lâm sàng - sử dụng AI ở mọi bước và xác thực nó ở mọi bước.

Giai đoạn 1: Sửa biến thể và kiểm soát quyền riêng tư

Khi bắt đầu quy trình làm việc, chúng tôi thực hiện hai việc: chuẩn hóa dữ liệu và đảm bảo tính bảo mật.

Quyền riêng tư là trên hết: Tên, số nhận dạng và ngày sinh của bệnh nhân không nhập bất kỳ công cụ AI mở nào (Đơn vị 10). Chúng tôi chỉ làm việc với biến thể, phiên bản bộ gen và bản phiên mã — và chỉ khi biến thể đó không xác định được cá thể. Sau đó, chúng tôi sửa biến thể: GRCh38, BRCA1, NM_007294.4, ví dụ c.5266dupC (p.Gln1756fs). Chúng tôi xác nhận điều này bằng trình xác nhận (VariantValidator); Chúng tôi không chấp nhận sự thể hiện do AI đưa ra theo mệnh giá (Đơn vị 1, 3).

Giai đoạn 2: Thu thập bằng chứng (Đơn vị 3)

Chúng tôi có AI xây dựng khung bằng chứng ACMG - nhưng không bắt cả lớp phải nói ra điều đó. Sau đó, chúng tôi tự mình xác minh từng bằng chứng:

• tần số gnomAD: Chúng tôi tìm kiếm biến thể trong gnomAD và thấy rằng nó rất hiếm/không có (theo hướng PM2).
• ClinVar: Chúng tôi mở bản ghi và kiểm tra các nhận xét cũng như độ mới hiện có.
• Loại biến thể: Nếu dịch chuyển khung dẫn đến ngừng sớm, có thể có bằng chứng rõ ràng về việc mất chức năng (PVS1) - nhưng chúng tôi đánh giá điều này trong bối cảnh gen và bản phiên mã.

Chúng tôi không sử dụng bất kỳ tần số hoặc tham chiếu nào do AI cung cấp mà không xác minh nó (Bài 9).

Giai đoạn 3: Giải thích cấu trúc protein (Bài 4)

Để hiểu tác động của biến thể lên protein, chúng tôi tải xuống cấu trúc AlphaFold (với số UniProt), xem điểm tin cậy pLDDT và chú thích chức năng UniProt của vùng bị ảnh hưởng. Bởi vì sự dịch chuyển khung hình làm thay đổi phần lớn protein nên việc giải thích cấu trúc có thể ủng hộ giả thuyết mất chức năng ở đây nhưng cấu trúc chỉ là phỏng đoán chứ không phải bằng chứng dứt khoát. Chúng tôi không yêu cầu AI cung cấp tọa độ; Chúng tôi đọc từ tập tin.

Giai đoạn 4: Xác minh tài liệu (Bài 7)

Chúng tôi nhận các cụm từ tìm kiếm từ AI, tìm kiếm trên PubMed và tìm các bài viết thực tế về biến thể và gen. Chúng tôi xác minh các trích dẫn mà AI gửi “từ bộ nhớ” bằng DOI/PMID. Chúng ta duy trì sự phân biệt giữa mối quan hệ và quan hệ nhân quả tại nguồn.

Giai đoạn 5: Phân loại và diễn giải lâm sàng (Bài 3, 8)

Chúng tôi kết hợp bằng chứng đã được xác thực, suy ra loại có thể xảy ra với sự kết hợp của ACMG (trong ví dụ này, bằng chứng hiếm có và mất chức năng mạnh có thể theo hướng “gây bệnh/có thể gây bệnh” - nhưng chuyên gia có tiếng nói cuối cùng). Chúng tôi kết hợp giải thích lâm sàng với kiểu hình và tiền sử gia đình: hình ảnh của bệnh nhân có phù hợp với BRCA1 không? Nếu có điều gì không chắc chắn, chúng tôi sẽ trình bày điều đó một cách trung thực.

Giai đoạn 6: Dự thảo và phê duyệt báo cáo (Bài 8)

Với AI, chúng tôi chuẩn bị báo cáo dự thảo cho bác sĩ và bệnh nhân; Bằng một ngôn ngữ không phóng đại quan hệ nhân quả, rõ ràng về sự không chắc chắn và hướng đến tư vấn di truyền. Chuyên gia xác nhận từng câu. Chúng tôi thêm phần giới hạn (những gì bài kiểm tra không bao gồm, các điều kiện đánh giá lại).

Mẹo: Khi nhập đầu ra của từng giai đoạn vào giai đoạn tiếp theo trong quy trình từ đầu đến cuối, hãy đảm bảo rằng đầu ra đó được xác thực. Tần suất hoặc thuộc tính chưa được xác minh được chuyển tiếp không chính xác đến tất cả các giai đoạn tiếp theo (ảo giác xâu chuỗi—Đơn vị 9).

bảng quy trình làm việc

Sân khấu

Vai trò của AI

Xác minh bắt buộc

người ra quyết định

sửa chữa

bản phác thảo demo

Trình xác thực biến thể

chuyên gia

Quyền riêng tư

Kiểm soát ẩn danh

sự kiểm soát của con người

chuyên gia

bằng chứng

Thiết lập một khuôn khổ

gnomAD, ClinVar

chuyên gia

cấu trúc

Bình luận

pLDDT, tập tin

chuyên gia

văn chương

Thuật ngữ tìm kiếm, tóm tắt

DOI/PMID

chuyên gia

lớp học

dự thảo kết hợp

quy tắc ACMG

chuyên gia

Báo cáo

dự thảo ngôn ngữ

phê duyệt từng câu

Chuyên gia/Tư vấn

Ba trường hợp nhỏ (điểm dừng trong luồng)

Trường hợp 1 - Bảng điểm không chính xác. Một nhóm làm việc với bản ghi do AI đưa ra ở đầu luồng; sau đó anh ấy nhận ra rằng hội đồng đã sử dụng một bản ghi khác. c. Vị trí của họ đã thay đổi. Lỗi đã được giải quyết bằng cách sửa lại từ đầu bằng VariantValidator. Bài học: lỗi trong giai đoạn sửa lỗi làm gián đoạn toàn bộ quy trình.

Trường hợp 2 - Bài viết hỗ trợ giả mạo. Trong giai đoạn nghiên cứu tài liệu, AI đã đề xuất một bài viết thuyết phục hỗ trợ việc phân loại. Kiểm tra PMID cho thấy bài viết không tồn tại; được loại bỏ khỏi chuỗi bằng chứng. Bằng chứng thực tế đã đầy đủ, nhưng niềm tin về mặt học thuật/lâm sàng sẽ bị tổn hại nếu báo cáo vẫn đưa ra thông tin sai lệch.

Trường hợp 3 - Đã đạt được xác nhận. Ở giai đoạn báo cáo, dự thảo AI bao gồm tuyên bố "biến thể này chắc chắn gây ung thư". Nhà tư vấn đã sửa chữa điều này bằng cách nói rằng "biến thể này làm tăng đáng kể nguy cơ mắc bệnh ung thư vú/buồng trứng, nhưng không chỉ ra căn bệnh rõ ràng" và thêm khuyến nghị về tư vấn di truyền. Giọng điệu và độ chính xác được định hình dưới bàn tay chuyên gia.

Hai mẫu có thể sao chép (từ đầu đến cuối)

1) Lập kế hoạch dòng chảy:

Vai trò của bạn: trợ lý quy trình di truyền lâm sàng. Tạo danh sách kiểm tra từ đầu đến cuối từ phát hiện đến báo cáo cho biến thể sau: [phiên bản bộ gen, gen, bản phiên mã, HGVS]. Viết ở mỗi giai đoạn (cố định, quyền riêng tư, bằng chứng, cấu trúc, tài liệu, lớp học, báo cáo) bằng các cột "AI làm gì / Tôi xác minh điều gì / ai quyết định". BẠN đưa ra quyết định về lớp học và lâm sàng.

2) Kiểm tra lần cuối:

Kiểm tra trước nhận xét và bản thảo báo cáo đã hoàn thiện sau đây trước khi gửi: [nội dung]. Kiểm tra: tần suất/thuộc tính chưa được xác nhận, tuyên bố nhân quả/độ chính xác phóng đại, thiếu cảnh báo mơ hồ, thiếu phân chia ranh giới, lỗ hổng bảo mật. Liệt kê từng vấn đề và mọi đề xuất để khắc phục nó.

Dấu nhắc yếu / Dấu nhắc mạnh

Yếu: “Viết báo cáo lâm sàng hoàn chỉnh cho biến thể BRCA1 này.”

Vấn đề: AI tạo ra “báo cáo” bằng cách khớp tất cả các giai đoạn trong một lần; tần suất, phân bổ, phân loại, đánh giá lâm sàng đều chưa được xác nhận.

Strong: "Lập danh sách kiểm tra từ khi phát hiện đến khi báo cáo về biến thể BRCA1 này; phân chia ở mỗi giai đoạn những gì bạn sẽ làm, những gì tôi sẽ xác minh và ai sẽ đưa ra quyết định. Tôi sẽ đưa ra quyết định về phân loại và lâm sàng sau khi xác nhận bằng chứng."

Tại sao nó mạnh mẽ: Quy trình được cấu trúc, mỗi giai đoạn gắn liền với việc xác thực và quyết định cũng như trách nhiệm vẫn thuộc về con người.

Những lỗi thường gặp

• Yêu cầu "báo cáo đã hoàn thành" bằng một lời nhắc. Các giai đoạn được kết hợp mà không cần xác minh; lỗi tích lũy.
• Bỏ qua giai đoạn cố định. Phiên bản/bản ghi không chính xác sẽ bác bỏ toàn bộ luồng.
• Di chuyển đầu ra giữa các giai đoạn mà không xác nhận nó. Một ảo giác dây chuyền xuất hiện.
• Suy nghĩ về sự riêng tư ở “cuối” dòng chảy. Tính bảo mật phải được thiết lập ngay từ đầu, khi nhập dữ liệu.
• Để lại quyết định và giọng điệu cho AI. Tin nhắn trong lớp học và lâm sàng phải được chuyên gia phê duyệt.

Thận trọng: Sử dụng AI end-to-end giúp tiết kiệm rất nhiều thời gian nhưng không làm giảm trách nhiệm; Ngược lại, nó càng làm cho tính kỷ luật của việc xác minh ở mỗi giai đoạn càng trở nên quan trọng hơn. AI tăng tốc dòng chảy; Con người đảm bảo tính chính xác, bảo mật và tuân thủ đạo đức.

Độ sâu: tiết kiệm thời gian làm việc, tính dễ vỡ và quy trình kiểm tra

Giá trị thực sự của luồng từ đầu đến cuối không phải là “hãy để AI làm tất cả” mà là ở việc giành thời gian ở đúng nơi và chậm lại ở đúng nơi. Hãy định lượng lợi ích đạt được trong kịch bản này: thiết lập khung bằng chứng, tạo cụm từ tìm kiếm, đơn giản hóa ngôn ngữ báo cáo và đưa ra danh sách kiểm tra sau kiểm toán có thể cắt giảm công việc soạn thảo mất vài giờ theo truyền thống xuống còn hàng chục phút. Ngược lại, không thể viết tắt quá trình xác thực gnomAD/ClinVar, ghim VariantValidator, kiểm tra DOI và đánh giá của chuyên gia — chúng là xương sống bảo mật của luồng. Tư duy đúng: “AI tạo ra bản nháp, con người đóng vai trò bảo lãnh”. Lợi nhuận ở dự thảo, trách nhiệm ở quyết định.

Mối liên kết mong manh nhất trong dòng chảy luôn là mối liên kết đầu tiên: sự neo đậu. Phiên bản bộ gen sai hoặc bản phiên mã sai sẽ âm thầm truyền đến từng giai đoạn tiếp theo, cuối cùng tạo ra một báo cáo hoàn toàn không hợp lệ. Vì vậy, đừng chuyển sang bước tiếp theo mà không xác thực neo bằng một công cụ độc lập duy nhất (như VariantValidator). Điểm dễ bị tổn thương thứ hai là sự chuyển đổi đầu ra giữa các giai đoạn: biến đầu ra chưa được xác minh của một giai đoạn thành đầu vào cho giai đoạn tiếp theo sẽ gây ra ảo giác chuỗi.

Cuối cùng, trong bối cảnh lâm sàng, quy trình kiểm tra là không thể thiếu trong quy trình: nó phải được ghi lại nguồn nào đã được kiểm tra vào ngày nào, phiên bản ClinVar nào đã được xem, ai đã phê duyệt quyết định nào. Đánh giá của ClinVar thay đổi theo thời gian; Một kỷ lục “gây bệnh ngày nay” có thể đã thoái lui về VUS một năm sau đó. Quá trình kiểm tra cho phép đánh giá lại và giải trình trách nhiệm pháp lý/đạo đức.

tính năng phát trực tuyến

nguyên tắc

ứng dụng

tiết kiệm thời gian

Tăng tốc độ soạn thảo

Framework, ngôn ngữ, danh sách kiểm tra từ AI

Tính dễ vỡ

Bảo vệ chiếc nhẫn đầu tiên

Xác nhận cố định bằng công cụ độc lập

Vận chuyển đầu ra

Di chuyển mà không cần xác minh

Mọi giai đoạn đều được phê duyệt tại nguồn

dấu vết kiểm toán

Ghi lại mọi quyết định

Nguồn, ngày, được phê duyệt bởi người đăng ký

Tóm lại

• Hành trình của một biến thể từ khám phá đến báo cáo; Nó bao gồm các giai đoạn sửa chữa, bảo mật, bằng chứng, cấu trúc, tài liệu, lớp học và báo cáo.
• AI tạo bản nháp/mã/tóm tắt ở từng giai đoạn; Ở mỗi giai đoạn, chuyên gia xác minh và quyết định.
• Đầu ra giữa các giai đoạn chỉ nên được chuyển sang giai đoạn tiếp theo sau khi xác minh.
• Tính bảo mật được thiết lập ngay từ đầu; Quyết định về phân loại và lâm sàng cuối cùng được đưa ra với sự chấp thuận của chuyên gia.

Nhiệm vụ ứng dụng

Chọn một biến thể hư cấu (ví dụ: bản ghi BRCA1 nổi tiếng). 1. Tạo một danh sách kiểm tra từ đầu đến cuối bằng mẫu và tự thực hiện từng giai đoạn theo phương pháp của đơn vị tương ứng trong mô-đun này: sửa biến thể, kiểm tra gnomAD/ClinVar, xem cấu trúc AlphaFold, tìm một bài viết thực tế, chứng minh lớp có thể có và soạn thảo một đoạn báo cáo và hiệu đính nó bằng con mắt chuyên gia. Cố gắng tìm ra sự khác biệt giữa AI và nguồn trong ít nhất hai giai đoạn.

danh sách kiểm tra

• [ ] Tôi đã thiết lập quyền riêng tư ngay từ đầu; Tôi không chuyển bất kỳ dữ liệu nhận dạng nào.
• [ ] Tôi đã sửa biến thể bằng phiên bản/bản ghi và xác nhận nó với trình xác nhận.
• [ ] Tôi đã xác minh từng bằng chứng (tần suất, ClinVar, tài liệu) trong nguồn chính.
• [ ] Tôi đã đưa ra nhận xét về cấu trúc với điểm tin cậy và từ tệp.
• [ ] Cá nhân tôi đã xác nhận phân loại và diễn giải lâm sàng dựa trên bằng chứng.
• [ ] Tôi đã kiểm tra tính nhân quả/độ chính xác trong ngôn ngữ báo cáo và thêm giới hạn.

Thi học phần

1. Nhận định nào sau đây là định vị chính xác nhất cho trí tuệ nhân tạo (đặc biệt là mô hình ngôn ngữ lớn) trong sinh học phân tử và di truyền học?

• A) Là trợ lý viết mã, đưa ra bản nháp và nhận xét; Mọi hiện tượng sinh học đều phải được xác minh từ nguồn gốc, lời giải thích cuối cùng thuộc về chuyên gia ✔
• B) Đây là cơ sở dữ liệu bộ gen đáng tin cậy; Trình tự và biến thể đã cho có thể được ghi trực tiếp vào báo cáo.
• C) Vì nó đo giống như một dụng cụ trong phòng thí nghiệm nên kết quả đầu ra của nó được coi là bằng chứng thực nghiệm.
• D) Có thẩm quyền đưa ra quyết định cuối cùng về khả năng gây bệnh lâm sàng mà không cần sự chấp thuận của con người.

Giải thích: Mô hình ngôn ngữ lớn không phải là cơ sở dữ liệu bộ gen hay công cụ phòng thí nghiệm; Nó là một trình tạo văn bản mô phỏng thống kê các văn bản trong dữ liệu huấn luyện. Thông tin sinh học như trình tự/biến thể/gen phải luôn được xác minh từ các nguồn chính như NCBI, Makeembl, ClinVar, gnomAD; Việc giải thích lâm sàng và khoa học cuối cùng phải thuộc về chuyên gia có thẩm quyền.

2. Bạn đã nhận được tọa độ bộ gen của một biến thể từ AI, nhưng dự án của bạn sử dụng GRCh38 (hg38). Trí tuệ nhân tạo có thể đã đưa ra tọa độ hg19. Cách tiếp cận đúng đắn là gì?

• A) Sử dụng tọa độ trực tiếp vì nó có vẻ hợp lý
• B) Không cần yêu cầu phiên bản vì trí tuệ nhân tạo luôn đưa ra phiên bản mới nhất.
• C) Xác nhận rõ ràng phiên bản bộ gen và xác minh tọa độ bằng công cụ LiftOver chính thức ✔
• D) Vì sự khác biệt giữa hg19 và hg38 là không đáng kể nên hãy chọn một và tiếp tục

Mô tả: Sự dịch chuyển tọa độ giữa các phiên bản bộ gen (GRCh37/hg19 và GRCh38/hg38). Bất kỳ tọa độ nào được đưa ra mà không có phiên bản đều bị nghi ngờ. Các tọa độ phải được chuyển đổi/xác minh bằng công cụ LiftOver chính thức và phiên bản bộ gen được sử dụng phải được xác nhận rõ ràng; nếu không toàn bộ căn chỉnh và nhận xét sẽ trỏ đến vị trí sai.

3. Trong ký hiệu HGVS 'c.', 'p.' và 'g.' Tiền tố có ý nghĩa gì và tại sao không nên nhầm lẫn chúng?

• A) Cả ba đều có nghĩa giống nhau, việc sử dụng cái nào không quan trọng.
• B) 'c.' mã hóa DNA/bản phiên mã, 'p.' chất đạm, 'g.' là mức độ gen; Nếu nhầm lẫn, nó có thể chỉ ra một vị trí khác ✔
• C) 'p.' luôn luôn là 'c.' gấp ba lần giá trị của nó, việc chuyển đổi diễn ra tự động và không có lỗi
• D) Tiền tố chỉ mang tính hình thức; Không cần chỉ định phiên bản bảng điểm

Mô tả: HGVS là định dạng chính tả chuẩn với các biến thể: 'c.' mức độ mã hóa DNA (bản phiên mã), 'p.' mức độ protein, 'g.' đề cập đến mức độ gen. Việc trộn lẫn những thứ này hoặc sử dụng phiên bản bản ghi sai có thể chỉ ra một vị trí/biến thể hoàn toàn khác; do đó, tiền tố chính xác phải được sử dụng cùng với phiên bản chép lại (ví dụ: NM_007294.4).

4. Vai trò của AI khi sử dụng tiêu chí ACMG để đánh giá khả năng gây bệnh của một biến thể là gì?

• A) Trí tuệ nhân tạo hoàn thiện bằng chứng và phân loại; không cần sự giám sát của chuyên gia
• B) Việc kiểm soát GnomAD là không cần thiết vì trí tuệ nhân tạo cung cấp tần số dân số từ bộ nhớ của nó.
• C) Vì tiêu chí ACMG nghiêm ngặt nên đầu ra AI tự động được coi là chính xác
• D) Trí tuệ nhân tạo có thể đưa ra bằng chứng dự thảo; Mọi bằng chứng phải được xác minh từ nguồn chính, việc phân loại cuối cùng phải do chuyên gia thực hiện ✔

Mô tả: ACMG là một khung phân loại khả năng gây bệnh của biến thể theo các loại bằng chứng (tần số dân số, trong dự đoán silico, sự phân tách, nghiên cứu chức năng, tài liệu). AI có thể tạo ra bằng chứng dự thảo; Tuy nhiên, mỗi bằng chứng phải được xác minh cá nhân trong ClinVar, gnomAD và tài liệu, đồng thời việc phân loại cuối cùng (gây bệnh/có khả năng gây bệnh/VUS...) phải được thực hiện bởi chuyên gia có thẩm quyền.

5. Bạn sẽ làm việc với chuỗi DNA do trí tuệ nhân tạo đưa ra. Bước đầu tiên tốt nhất là gì?

• A) Sử dụng trình tự bằng cách lấy nó từ nguồn chính như NCBI/Ensembl hoặc xác nhận nó bằng tham chiếu ở đó ✔
• B) Chèn trực tiếp chuỗi vào phân tích vì nó có độ dài chính xác
• C) Giả sử trình tự đúng nếu các chữ cái bao gồm các nucleotide hợp lệ
• D) Hỏi trí tuệ nhân tạo về trình tự một lần nữa và tính nó là đúng nếu hai đầu ra giống nhau.

Giải thích: AI có thể “điền” một chuỗi mà nó không nhớ bằng những chữ cái trông có vẻ hợp lý; Ngay cả khi độ dài và các chữ cái có vẻ chính xác, chúng có thể không khớp với tham chiếu thực tế. Do đó, bất kỳ trình tự nào được trí tuệ nhân tạo đưa ra từ đầu đều không được sử dụng trực tiếp; trình tự được lấy từ nguồn chính như NCBI/Ensembl hoặc được xác nhận bằng cách tham chiếu trong đó.

6. Điểm pLDDT có ý nghĩa gì trong việc dự đoán cấu trúc protein từ một công cụ như AlphaFold?

• A) Đó là giấy chứng nhận cho thấy cấu trúc đã được chứng minh bằng thực nghiệm
• B) Đó là giá trị trong phòng thí nghiệm để đo mức độ hoạt động chức năng của protein.
• C) Đó là điểm thể hiện độ tin cậy của mô hình đối với dự đoán cấu trúc cục bộ đối với từng dư lượng; giá trị thấp hơn là vùng linh hoạt/không đáng tin cậy ✔
• D) Đó là tỷ lệ biểu thị tần số biến đổi của protein trong quần thể.

Mô tả: pLDDT (0-100) là điểm tin cậy cho biết mức độ tin cậy của AlphaFold trong dự đoán cấu trúc cục bộ của nó đối với từng dư lượng (axit amin). pLDDT cao có nghĩa là cấu trúc cục bộ đáng tin cậy, pLDDT thấp có nghĩa là vùng linh hoạt/rối loạn hoặc không đáng tin cậy. Cấu trúc là một phỏng đoán; các vùng có độ tin cậy thấp không nên được giải thích quá mức và các tuyên bố về mặt chức năng phải được hỗ trợ bằng bằng chứng thực nghiệm.

7. Tại sao lại mạo hiểm khi cho rằng một đột biến 'vô hiệu hóa tuyệt đối' protein dựa trên dự đoán cấu trúc AlphaFold?

• A) Cấu trúc AlphaFold không thể được sử dụng cho bất kỳ mục đích nào vì chúng luôn sai
• B) Cấu trúc là phỏng đoán; các tuyên bố chức năng ở mức độ giả thuyết và yêu cầu xác minh bằng thực nghiệm ✔
• C) Không có rủi ro; Đầu ra AlphaFold chính xác như bản dựng thử nghiệm
• D) Chỉ có rủi ro nếu pLDDT thấp; Nếu nó cao, tuyên bố sẽ tự động được coi là đã được chứng minh.

Tiết lộ: AlphaFold là một dự đoán về cấu trúc, không phải bằng chứng thực nghiệm; Nó đặc biệt bị hạn chế ở các vùng linh hoạt/rối loạn và trong việc mô hình hóa các hiệu ứng đột biến. Các tuyên bố về chức năng dựa trên một cấu trúc ở cấp độ giả thuyết và yêu cầu xác minh bằng thực nghiệm (ví dụ: nghiên cứu chức năng). Ngược lại, dự đoán sẽ được đưa ra làm bằng chứng.

8. Bước xác thực quan trọng nhất liên quan đến các ứng cử viên CRISPR gRNA (RNA hướng dẫn) do trí tuệ nhân tạo đề xuất là gì?

• A) Nếu độ dài của gRNA là chính xác thì không cần kiểm tra thêm
• B) Nếu trí tuệ nhân tạo cho biết 'hiệu ứng lệch mục tiêu thấp', hãy tiến hành thử nghiệm trực tiếp
• C) Có đủ sự đảm bảo rằng trình tự gRNA bao gồm các nucleotide hợp lệ
• D) Xác thực các ứng viên bằng cách căn chỉnh bộ gen thực sự và các công cụ phân tích ngoài mục tiêu chuyên nghiệp và xác nhận trong phòng thí nghiệm ✔

Mô tả: gRNA là RNA dẫn đường hướng enzyme Cas đến mục tiêu; Với thiết kế sai, nó cũng có thể cắt bỏ các khu vực mục tiêu. Các ứng cử viên được AI trả về phải được xác thực bằng cách liên kết bộ gen thực tế và các công cụ phân tích ngoài mục tiêu của chuyên gia, sau đó được xác nhận bằng thử nghiệm trong phòng thí nghiệm. Chỉ vì trí tuệ nhân tạo nói 'an toàn' không thể thay thế cho việc xác minh.

9. Tại sao việc hiệu chỉnh nhiều xét nghiệm (ví dụ FDR/Benjamini-Hochberg) lại cần thiết khi kiểm tra sự khác biệt trong biểu hiện của hàng nghìn gen với RNA-seq?

• A) Hàng nghìn xét nghiệm đồng thời làm tăng kết quả dương tính giả; Hiệu chỉnh FDR hạn chế những điều này, giá trị p thô bị sai lệch ✔
• B) Việc hiệu chỉnh chỉ cần thiết nếu số lượng mẫu ít; Nó không liên quan gì đến số lượng gen
• C) Hiệu chỉnh nhiều lần thử nghiệm không làm thay đổi kết quả, nó chỉ mang tính hình thức
• D) P<0,05 thô luôn là đủ; việc sửa chữa làm cho việc thống kê trở nên khó khăn một cách không cần thiết

Giải thích: Khi hàng nghìn gen được kiểm tra đồng thời, nhiều gen cho kết quả p<0,05 (dương tính giả) chỉ do tình cờ. Hiệu chỉnh nhiều thử nghiệm (FDR - kiểm soát tỷ lệ phát hiện sai) hạn chế các kết quả dương tính giả này. Danh sách các gen được khai báo là 'có ý nghĩa' với giá trị p không được điều chỉnh là sai lệch; Nên sử dụng giá trị đã điều chỉnh (giá trị q).

10. Điều đó có nghĩa là gì nếu một con đường được phát hiện là 'được làm giàu đáng kể' trong phân tích làm giàu con đường và nó nên được giải thích như thế nào?

• A) Chứng minh con đường là nguyên nhân chính gây bệnh
• B) Bằng chứng thực nghiệm cho thấy con đường này đang hoạt động trong tế bào
• C) Đó là một tín hiệu thống kê chỉ ra rằng các gen di truyền được biểu hiện quá mức so với dự kiến; Cần sự giải thích có tính phê phán, không phải quan hệ nhân quả ✔
• D) Bản thân nó là một kết quả đầy đủ, không phụ thuộc vào nền tảng và hiệu chỉnh nhiều thử nghiệm

Mô tả: Sự làm giàu là một tín hiệu thống kê chỉ ra rằng một con đường cụ thể được biểu hiện quá mức giữa các gen có biểu hiện thay đổi; Nó không phải là bằng chứng về quan hệ nhân quả hay con đường này thực sự đang hoạt động. Phần kết luận; Bộ gen được sử dụng phải được giải thích một cách nghiêm túc trong bối cảnh lựa chọn nền tảng và hiệu chỉnh nhiều thử nghiệm cũng như có tính hợp lý về mặt sinh học.

11. Khi đưa ra tóm tắt tài liệu, AI có thể trích dẫn một bài viết có vẻ như thật nhưng không tồn tại (trích dẫn giả). Cách tiếp cận đúng đắn là gì?

• A) Nếu tên tác giả và tạp chí là thực tế thì trích dẫn có thể đúng, không cần kiểm tra
• B) Xác minh từng trích dẫn trong nguồn chính thông qua DOI/PubMed; ✔ không sử dụng những gì không thể tìm thấy
• C) Trí tuệ nhân tạo không tạo nên sự phân bổ; Tài liệu tham khảo của ông có thể được thêm trực tiếp vào thư mục
• D) Nếu có nhiều trích dẫn, sẽ không có vấn đề gì nếu một vài trích dẫn sai.

Mô tả: AI có thể tạo ra một bài báo hoàn toàn bịa đặt (và DOI giả) với tên tác giả nghe có vẻ giống thật trên một tạp chí thật. Mỗi trích dẫn phải được xác minh cá nhân tại nguồn chính thông qua DOI/PubMed; Những tài liệu tham khảo không tìm được thì không nên sử dụng. Trách nhiệm khoa học thuộc về tác giả; Không có tài liệu tham khảo chưa được xác minh nên nhập văn bản.

12. Nguyên tắc chính xác nhất khi soạn thảo báo cáo di truyền lâm sàng do AI tạo ra là gì?

• A) Nếu bản nháp trôi chảy, có thể đưa trực tiếp cho bệnh nhân
• B) Không cần xác minh nguồn riêng vì AI cũng tạo ra bằng chứng
• C) Quyết định về khả năng gây bệnh trong báo cáo có thể được giao cho trí tuệ nhân tạo, chuyên gia chỉ kiểm tra định dạng
• D) Mỗi tuyên bố lâm sàng phải được chứng minh, báo cáo cuối cùng phải được chuyên gia có thẩm quyền phê duyệt và chuỗi xác minh phải được ghi lại ✔

Mô tả: Trí tuệ nhân tạo giúp tiết kiệm thời gian trong việc tạo bản thảo và tóm tắt báo cáo; Tuy nhiên, mỗi tuyên bố lâm sàng phải được liên kết với bằng chứng và nguồn chính và báo cáo cuối cùng phải được chuyên gia có thẩm quyền phê duyệt. Đầu ra AI không thể được chuyển trực tiếp thành quyết định của bệnh nhân; Chuỗi xác minh phải được ghi lại.

13. Điều đó có nghĩa là gì nếu đầu ra của AI nghe rất trôi chảy và “tự tin”?

• A) Giọng điệu tự tin không phải là bằng chứng về tính chính xác; Nhu cầu xác nhận tăng chứ không giảm ✔
• B) Câu trả lời trôi chảy và dứt khoát rất có thể là đúng, không cần xác nhận
• C) Âm báo chắc chắn cho biết mô hình đang đọc dữ liệu trực tiếp từ bộ nhớ
• D) Giọng điệu là thước đo sự tự tin, vì câu trả lời do dự là sai và câu trả lời tự tin là đúng.

Giải thích: Giọng điệu tự tin của AI không phải là bằng chứng về tính chính xác; Những ảo giác nguy hiểm nhất thường đi kèm với những câu nói trôi chảy và thuyết phục nhất. Khi nhìn thấy giọng điệu tự tin, nhu cầu xác minh sẽ tăng lên chứ không giảm đi. Mỗi thông tin (trình tự, biến thể, gen, tài liệu tham khảo) phải được xác thực chéo bằng một nguồn chính độc lập.

14. Biện pháp phòng ngừa quyền riêng tư quan trọng nhất trước khi cung cấp dữ liệu di truyền của bệnh nhân cho công cụ AI có sẵn công khai để phân tích là gì?

• A) Nếu dữ liệu được mã hóa ở base64, nó có thể được dán một cách an toàn
• B) Nếu chỉ xóa tên bệnh nhân thì không cần thực hiện thêm hành động nào
• C) Hoàn toàn không cung cấp dữ liệu nhận dạng cá nhân; ẩn danh, giảm thiểu dữ liệu và chấp thuận/tuân thủ khung pháp lý ✔
• D) Dữ liệu di truyền có thể được chia sẻ tự do vì nó không được coi là dữ liệu cá nhân.

Mô tả: Dữ liệu di truyền là một loại dữ liệu cá nhân đặc biệt và một cá nhân có thể được xác định lại bằng sự kết hợp hiếm có của các biến thể. Dữ liệu di truyền có thể nhận dạng không bao giờ được cung cấp cho các công cụ mở; dữ liệu phải được ẩn danh, chỉ nên chia sẻ thông tin cần thiết tối thiểu (giảm thiểu dữ liệu) và phải tuân thủ khuôn khổ pháp lý/sự đồng ý (KVKK/GDPR).