收益：
- 能够根据任务风险级别区分分子生物学和遗传学链（序列、变异、结构、组学、文献）中的哪些位置人工智能可以实时节省时间，以及由于没有数据库而存在危险的位置。
- 能够识别三个致命的陷阱，例如伪造的序列/基因/变体、坐标版本命名混乱和错误归因，并应用一门学科来验证主要来源中的每一种生物现象。
- 能够采用不以可识别的形式公开患者基因数据的原则来开放工具，并始终将最终的临床解释留给有能力的专家。
分子生物学和遗传学是一门用生物最基本的语言（DNA、RNA 和蛋白质的语言）解读和解释生物的科学。在该领域，误读字母（碱基对）、混淆基因名称或错误分类变体（个体基因序列中与参考不同的点）；它可能导致错误的诊断、不必要的治疗或错误的研究结果。这就是为什么在这个领域使用人工智能 (AI) 需要纪律和速度。在本单元中，您将了解我们所说的大语言模型（LLM - 一种以统计方式生成文本的人工智能，具有“下一个最可能的单词”的逻辑）的工具在分子生物学和遗传学中实际上在哪里节省了时间，它们在哪里是危险的，以及如何验证每个输出。
首先，一个关键概念：幻觉是指人工智能充满信心地产生实际上并不真实的信息，就好像它是真实的一样。这是遗传学的内容。它可能以不存在的基因名称、虚构的变异代码（例如不存在的“c.1234A>G”）、不正确的遗传模式或对不存在的文章的引用的形式出现。关键点是法学硕士不是基因组数据库或实验室工具。它是一个文本生成器，可以统计地模仿它在训练数据中看到的文本。他大部分时间都能写出正确的生物学，因为他看过很多正确的生物学文本；但“大多数时候真实”和“始终真实”之间的区别可能是临床遗传学中一个人的一生。
人工智能在这个领域的哪些领域发挥作用，哪些领域不发挥作用？
将人工智能视为快速起草、编码和解释的合作伙伴：有价值但必须进行验证。以下区别是该模块的支柱。
任务
人工智能的贡献
专家的责任
序列分析
编写对齐/分析代码，解释输出
运行代码并与源数据库确认数组
变体解释
ACMG 标准草案提供文献摘要
在原始来源验证每个证明，验证类
蛋白质结构
解释 AlphaFold 输出，解释置信度得分
检查置信度得分和经验证据
CRISPR设计
生成 gRNA 候选列表和代码
使用专家工具验证脱靶情况
组学分析
RNA-seq/统计代码提供通路解释
确认统计数据和生物学意义
文学/写作
进行摘要、草稿、语言更正
从源头上确认每一个参考资料和事实
经验法则：不要让人工智能“记住”数据本身；用它来编写代码、设置工作流程、起草和编辑；始终从可靠的主要来源验证每个生物学事实（序列、变异、基因功能、常数）。这里的主要来源是权威数据库，例如 NCBI、Ensembl、UniProt、ClinVar、gnomAD 或同行评审的文章；这不是LLM从他的头脑中给出的系列。
这个领域的三大致命陷阱
1. 虚构的序列、基因和变体。人工智能可以“填写”它不记得的 DNA 序列、变异坐标或基因名称，这些内容看起来似乎合理。即使字符串的长度和字母显示正确，它们也可能与实际参考不匹配。
2. 坐标和命名混乱。人工智能;基因组版本（GRCh37/hg19 到 GRCh38/hg38）可以在基于 0 和基于 1 的坐标、HGVS 表示（变体的标准书写格式）之间默默切换。结果看似“合理”，但却指向了错误的立场。
3. 虚假归因和虚假临床声明。人工智能可以在真实的期刊上生成一篇完全虚构的文章，并附上听起来真实的作者姓名；或者它可能在没有证据的情况下声称某个变体具有“致病性”。我们将在第 8 单元和第 9 单元中深入讨论这些内容。
提示：用三个问题来处理每个生物人工智能输出：（1）什么主要来源证实了这一事实（序列、变异、基因）？ (2)基因组版本和坐标系是否正确？ (3) 我如何独立确认这一点？这三个问题将绝大多数错误消灭在萌芽状态。
循序渐进：安全的人工智能工作流程
1. 定义任务的上下文和版本。 “这个基因有什么作用？”相反，明确地写出上下文、转录本和基因组版本，例如“我想评估 GRCh38 版本中以下变体（BRCA1 基因的转录本 NM_007294.4）的功能影响。”
2. 要求来源和可验证性。要求 AI 指定每个事实要检查哪个数据库。 “如果你不知道，就不要编造，说‘必须验证’”的指令减少了幻觉，但并没有结束它。
3. 通过运行或使用工具确认代码。使用可执行 Python (Biopython) 代码验证数组操作，使用正式转换器验证变体坐标，使用 AlphaFold 数据库分数验证结构。
4. 进行生物复核。密码子框架成立吗？变异 (gnomAD) 的群体频率与疾病相符吗？蛋白质结构域是否受到影响？这些可以捕获人工智能遗漏的错误。
5. 进行隐私和道德检查。切勿以可识别的形式将患者基因数据粘贴到公开可用的人工智能工具中。我们将在第 10 单元详细介绍这一点。
三个迷你箱子
案例 1——虚构的变体。一位遗传咨询师询问AI患者报告中“CFTR c.1521_1523delCTT”变异的含义，并得到了明确的解释。然而，虽然 YZ 也用不同的符号“p.Phe508del”写了这个，但他在另一个问题中添加了一个虚构的“c.1600A>T”变体，尽管他正确地给出了变体的位置。当顾问搜索 ClinVar 时，他发现第二种变体根本不可用。损失时间：4分钟；错误被阻止：在报告中输入虚假变体。
情况 2 — 坐标陷阱。一名研究人员向人工智能询问变体的基因组坐标。 AI给出的坐标是hg19，但研究人员的项目使用的是hg38。坐标移动了大约 3,000 个碱基。研究人员在使用“liftOver”（版本间坐标变换）工具检查图像时注意到了差异。如果没有验证，整个对齐将是错误的。
案例 3 — 获得确认。一名研究生向 AI 请求一段 Python 代码，用于查找序列的开放阅读框（ORF——蛋白质编码区）。该代码有效，但发现蛋白质很短，因为它在错误的框架中寻找起始密码子。当学生将结果与已知的参考蛋白进行比较时，他注意到长度差异，要求AI扫描全部三帧，并在10分钟内纠正。
四个可复制模板
1) 需要来源、可验证的解释：
您的角色：分子遗传学助理。评估以下事实：[基因/变异/序列]。清楚地说明基因组版本 (GRCh37/38) 和转录本。对于每项声明，请写出应验证的主要来源（NCBI、Ensembl、UniProt、ClinVar、gnomAD）。不要编造任何您不确定的序列/坐标/变体；输入“必须验证”。
2）通过代码确认数组操作：
编写一个可执行的 Python (Biopython) 代码来分析以下字符串：[task].Code；在注释行中明确说明基因组版本、框架和链假设。添加验证步骤以将结果与已知参考进行比较。
3）先列出风险：
在执行此遗传学任务之前，请列出此任务中 5 个最常见的错误以及如何避免每个错误：[任务]。特别关注坐标系、基因组版本和命名错误。
4）隐私控制：
在将此文本交给人工智能工具之前，它包含哪些可以识别患者的信息（姓名、ID 号、日期、罕见变异组合）？我怎样才能匿名这些？将其列在列表中。
弱提示/强提示
弱者：“BRCA1 的这种突变有害吗？”
问题：没有基因组版本，没有转录本，变异名称不清楚，未请求来源。人工智能可以在你的头脑中做出解释。
Strong：“我想根据 ACMG 标准评估 GRCh38、BRCA1 (NM_007294.4) 转录本中的变体 NM_007294.4:c.68_69delAG。告诉我在 ClinVar 和 gnomAD 中寻找每项证据的内容；不要进行精确分类，列出需要的数据。”
为什么它强大：清晰的上下文、版本、文字记录、标准符号和验证路径；人工智能的发明领域已经缩小。
常见错误
- 未指定基因组版本。坐标在hg19和hg38之间移动；每个没有版本的坐标都是可疑的。
- 直接使用AI给出的序列/变体。每个序列和变体都必须在主要来源中得到确认。
- 将临床决策留给人工智能。人工智能可以“告诉”致病性类别，但最终的临床解释取决于有能力的专家。
- 将患者数据粘贴到开放工具中。可识别的基因数据构成隐私侵犯。
- 令人困惑的命名法。 c.、p.、g。混合表示和转录版本指向错误的变体。
注意：人工智能的“自信”语气并不能证明其准确性。最危险的幻觉伴随着最流畅、最令人信服的句子。当您听到自信的语气时，您对确认的需求会增加，而不是减少。
综上所述
- 分子生物学和遗传学中的人工智能；它是一个强大的助手，可以编写、起草、评论和编辑代码，但它不是数据库或实验室工具。
- 三个致命陷阱：虚假序列/基因/变异、坐标版本命名混淆、虚假归因和虚假临床声明。
- 每个生物学事实都必须在原始来源中得到验证；每个代码都必须通过运行来确认。
- 最终的临床和科学责任，包括保密和道德，始终由有能力的专家承担。
应用任务
对于您拥有的基因和变异（或样本），请 AI 使用上面的模板 1 进行评估。然后亲自检查 ClinVar 和 gnomAD 中 AI 返回的每个事实（基因组版本、转录本、变异表示）。尝试找出 AI 和源之间至少一点的差异，并用一句话记下这一差异。
清单
- [ ] 我通过基因组版本、转录本和上下文描述了该任务。
- [ ] 我向 AI 询问了每个事实的主要来源。
- [ ] 我亲自确认了每个序列/坐标/变体。
- [ ] 我通过运行代码或使用工具进行了验证。
- [ ] 我已检查患者数据的机密性。
- [ ] 我自己批准了最终的评论，我没有把它留给AI。