收益：
- 能够区分人工智能在生物学工作流程中节省时间的地方（问题、设计、实验室、分析、报告）以及序列、数量、来源和道德决策留给人类的地方，具体取决于风险水平。
- 能够区分针对特定问题训练的通用语言模型和专门的生物学模型（AlphaFold、Cellpose），并将它们用于适当的任务。
- 能够应用验证规则，通过数组/数据-数字-来源-道德四个步骤独立检查每个输出
生物学;这是一门庞大的数据科学，从细胞延伸到生态系统，从DNA序列到蛋白质折叠，从单个实验到数十万个基因测量。近年来，此类数据量增长如此之快，以至于一项 RNA 测序（RNA-seq：测量细胞中哪个基因被读取以及读取量的方法）研究可以为实验室提供足够的数据供实验室使用数年。这就是人工智能发挥作用的地方：作为编写代码、组织数据、生成草稿、总结文献、构建分析框架的助手。我们整个模块的目标是教您不要将人工智能用作“魔盒”，而是将其用作加速生物学家日常工作的工具，但其每个输出都必须经过生物学家的验证。
在第一个单元中，我们将讨论人工智能在生物学工作流程中的哪些方面可以节省时间，哪些方面的决定权留给人类，以及这个行业中的哪些错误应该从一开始就考虑在内。有一句话我们将在整个模块中重复：人工智能加速，生物学家决定并承担责任。
人工智能在生物学中到底做了什么？
大型语言模型 (LLM) 不是显微镜，不是 DNA 测序仪，也不是统计引擎。他是一位非常了解语言和编码模式的文本制作人。从一开始就将这种区别内化是未来所有验证学科的基础。
人工智能真正强大的生物学任务包括：
- 编码：使用Python过滤pandas表（数据框：行列格式的表格数据结构）、绘制图表、读取FASTA文件（存储DNA/蛋白质序列的标准文本格式）。
- 解释和教学：“什么是哈代-温伯格平衡？”通过简化来解释这样的概念。
- 制定大纲：方法部分的初稿、电子邮件的框架、演示计划。
- 总结编辑：将长篇文章缩减为文章，收集零散的笔记。
- 转换：构建代码以将基因列表映射到不同形式的标识 (ID)。
人工智能不可靠的任务是：产生精确的数值（“记住”基因的表达值）、引用真实的文章、精确报告序列的真实生物学功能、利用患者的数据产生临床决策。
提示：采用简单的规则。让人工智能“思考和组织”，但让“计数、测量和验证”要么通过你运行的代码来完成，要么由你手动验证。
两种不同的“人工智能”：语言模型和特定的生物学模型
当我们在生物学中说“人工智能”时，我们实际上是在谈论两个截然不同的事物，混淆它们可能会导致严重的错误。第一个是您在本模块中最常使用的通用语言模型：编写代码、生成文本、解释。第二个是专门针对特定生物问题训练的专家模型：预测蛋白质形状的 AlphaFold、对显微镜图像中的细胞进行计数的 Cellpose、识别物种声音的分类器。专家模型在其狭窄领域内比语言模型可靠得多，因为它们已经过真实生物数据的训练并在该领域进行了测试。另一方面，语言模型“对一切都了解一点”，但不能保证其中任何一个的测量准确性。强大的工作流程将两者结合起来：语言模型设置代码和流程，专家执行模型测量，生物学家验证结果。
根据风险级别划分职责
并非每项任务都具有相同的风险。你应该在多大程度上质疑人工智能的输出，取决于该输出错误时会造成的危害。下表体现了这种区别。
寻求
风险等级
男人的角色
要求澄清以学习概念
低
与来源确认、逻辑检查
打印Python分析代码
中等
运行代码并在已知情况下进行测试
绘制基因名称/ID
中高
与官方数据库确认（NCBI、Ensembl）
解释数组的功能
高
实验证据和数据库是强制性的
临床/诊断决策
非常高
人工智能永远不应该单独使用
三个迷你箱子
案例1——节省时间：一名博士生每次手动清理24个样本的RNA-seq计数表；大约花了40分钟。他把pandas的代码写给人工智能并自己运行；工作时间缩短到了 3 分钟。关键点：用小样本测试一次代码，确认保留了总行数（18,542个基因）。
案例2——虚假引文陷阱：一位研究人员向AI索要“5个关于CRISPR在植物育种中的应用的来源”作为介绍。该模型生成了 5 个看起来逼真的标签；但其中 3 篇的 DOI（数字对象标识符：文章的永久地址）在任何出版物中均不可用。如果研究人员在没有确认的情况下使用它，他的文章就会被审稿人拒绝。
案例3——数字幻觉：老师问：“人类基因组中有多少个基因？”他询问并将模型给出的值“大约 46,000”写在剪贴板上。目前估计大约有 19,000-20,000 个蛋白质编码基因。模型以自信的语气给出了错误的数字。经验教训：始终使用最新来源（Ensembl、GENCODE）确认号码。
一步一步：安全的人工智能工作流程
- 定义任务：用一句话写下您想要的内容（“从 24 个样本计数表中过滤低表达基因的代码”）。
- 给出上下文：指定数据格式、列名称、样本数。
- 要求输出格式：“给出工作Python代码，逐行注释掉。”
- 自己运行：在自己的环境中尝试代码；如果有错误请报告。
- 用已知情况进行测试：用一个你知道其结果的小例子进行验证。
- 独立事实核查：通过官方数据库或辅助方法提供关键数据和声明。
可复制的提示模板
角色：您是一位经验丰富的生物信息学家。任务：为[数据/分析]编写Python代码。上下文：数据[格式]、列[名称]、样本数[N]。约束：仅提供工作代码，向每行添加简短注释，指定库。
像向本科生解释一样简化这个概念：[概念]。用3句话进行定义，给出1个日常生活类比，纠正1个常见误解。
检查下面我的分析计划并告诉我它的弱点。具体来说：对照组、重复次数、统计检验的选择。计划：[文字]
将本文摘要缩减为 5 项：(1) 问题，(2) 方法，(3) 主要发现和问题，(4) 局限性，(5) 对我有用的推论。正文：【摘要】
弱提示/强提示
弱者：“给我一份基因表达分析。”
Güçlü：“我有一张来自 12 个对照、12 个患者样本（CSV、行基因、列样本）的 RNA-seq 原始计数表。列出差异表达分析的步骤；解释我在每个步骤中使用的 Python/R 工具及其原因；证明标准化方法的合理性。首先给出计划，而不是代码。”
区别：提示功能强大，数据结构、样本数量、输出类型、论证要求一目了然。在弱提示下，模型被迫进行猜测，并且经常会做出错误的假设。
常见错误
- 使模型计数/测量：询问法学硕士“这个表中有多少行？”去问。让代码来做吧。
- 使用未经验证的归因：模型可以创建真实的归因。检查每个 DOI。
- 依靠自信的语气：AI即使错了也能自信地说话；语气并不是准确性的证据。
- 不提供上下文：在不告知数据格式的情况下请求代码会产生不起作用的代码。
- 粘贴机密/患者数据：将个人健康数据导出到公共模型是违反道德和法律的行为（第 11 单元）。
- 混合两种类型的模型：让语言模型完成需要测量的工作（结构、细胞计数）并绕过专家模型。
注意：在高后果的生物工作中（临床、生物安全、导致发表的分析），人工智能输出并不能替代有能力的专家验证；它只会加快速度。最终的责任始终在于人类。
人工智能的知识前沿：教育领域和现状
语言模型“知道”的所有内容都来自截至其训练日期的文本（训练部分：模型上次看到数据的时间）。另一方面，生物学变化迅速：新的基因注释、更新的基因组版本（例如人类参考基因组从 GRCh37 到 GRCh38 的转变）、新的分类不断发布。模型无法知道截止日期之后的发现或更新的基因名称；它甚至可能呈现旧的、过时的信息，就好像它是最新的一样。因此，物种名称、基因 ID、数据库版本和当前统计数据应始终从官方来源（NCBI、Ensembl、UniProt）进行确认。
第二个限制是模糊性盲目性：无论模型是否很了解某个主题，它都会以同样自信的语气做出回应。当人们说“我不确定”时，他们会犹豫；模型毫不犹豫。这就是为什么使用语气作为信任的衡量标准是危险的。在批评性的回应中，模型被问到“你有多大把握？你怎么知道这一点？”询问有时会暴露出不一致的情况；但最终的确认又是来自独立消息来源。
谨防上下文窗口和大数据
模型一次只能处理一定长度的文本（上下文窗口：模型一次可以处理的文本量）。将基因组文件或数万行的表格直接粘贴到模型中不仅会超出限制，还会带来隐私风险。正确的做法是将数据交给代码，而不是模型：模型编写代码，代码处理数据。在处理大数据时，这种区别对于安全性和准确性至关重要。
该模块的路线图
在以下单元中，我们将把这些原则落实到具体的工作流程中：Python基础知识（Ü2）、序列分析（Ü3）、组学和高维数据（Ü4）、蛋白质结构和AlphaFold（Ü5）、图像和物种/细胞检测（Ü6）、实验设计（Ü7）、统计分析（Ü8）、可视化（Ü9）、文学和写作（Ü10）、伦理与生物安全（Ü11）。每个单元都重复同样的学科：人工智能产生，生物学家验证。
综上所述
人工智能是生物学的有力助手，可以编码、解释、生成大纲和总结；但它不是计算器、数据库或决策者。区分通用语言模型和特定专家模型。按风险级别划分任务：快速进行低风险披露，确保对高风险数字、归属和功能声明进行独立验证。将验证规则作为工作流程不可或缺的一部分的生物学家可以从人工智能中获得最大价值。
应用任务
从您的研究领域中选择 3 项典型任务（例如编写一些代码、学习一个概念、文献摘要）。根据上表将每个风险分为低/中/高风险。对于高风险，请用两句话写下您将如何独立验证输出。然后，使用“强提示”模板向 AI 分配任务，并在已知情况下测试输出。
清单
- [ ] 我已按风险级别对我的任务进行了分类。
- [ ] 我在提示中添加了数据格式和上下文。
- [ ] 我将计数/测量留给代码或我自己，而不是模型。
- [ ] 我已通过独立来源验证了每项数字声明和归属。
- [ ] 我将测量委托给适当的专家模型，并将流程委托给语言模型。
- [ ] 我没有向开放模型提供机密/个人数据。
- [ ] 我承认最终决定权和责任由我承担。