人工智能技術(shù)在遺傳學(xué)實驗教學(xué)中的應(yīng)用探索

摘 "要：為探討人工智能（artificial intelligence，AI）技術(shù)在遺傳學(xué)實驗教學(xué)中的應(yīng)用，以及對提升教學(xué)效果、激發(fā)學(xué)生學(xué)習(xí)興趣和創(chuàng)新能力的作用，筆者通過分析當(dāng)前遺傳學(xué)實驗教學(xué)的現(xiàn)狀，提出了AI技術(shù)融合實驗教學(xué)內(nèi)容、實驗指導(dǎo)、個性化學(xué)習(xí)、考核評價、沉浸式學(xué)習(xí)等革新方法，并對其應(yīng)用潛力進行了一些初步探索。結(jié)果發(fā)現(xiàn)，在實驗教學(xué)中應(yīng)用AI技術(shù)能夠顯著提高學(xué)生對復(fù)雜遺傳原理的理解，激發(fā)他們的創(chuàng)新思維與實踐能力。

關(guān)鍵詞：AI技術(shù)；遺傳學(xué)實驗；創(chuàng)新能力

中圖分類號：G642.421 文獻標(biāo)志碼：A 文章編號：1001-0769（2025）01-0098-06

人工智能（artificial intelligence，AI）是一門研究、開發(fā)用于模擬、延伸和擴展人的智能的理論、方法、技術(shù)及應(yīng)用系統(tǒng)的新技術(shù)科學(xué)[1]。AI領(lǐng)域廣泛，涵蓋了機器人、語言識別、圖像識別、自然語言處理、專家系統(tǒng)、機器學(xué)習(xí)、計算機視覺等多個方面[2]。隨著第四次工業(yè)革命的推進，AI正深刻改變著人類生產(chǎn)和生活方式，也促使教育領(lǐng)域發(fā)生變化，如線上線下融合創(chuàng)新教學(xué)模式、智能評估與反饋優(yōu)化個性化教學(xué)等。此外，AI的發(fā)展已受到了全球的關(guān)注和重視，各國都在積極推動AI技術(shù)的創(chuàng)新與應(yīng)用。遺傳學(xué)作為生命科學(xué)領(lǐng)域的基礎(chǔ)學(xué)科，涵蓋了遺傳規(guī)律、基因表達、染色體結(jié)構(gòu)等多個核心內(nèi)容。對于本科生，遺傳學(xué)實驗教學(xué)是培養(yǎng)學(xué)生基本素質(zhì)和科研能力的重要教學(xué)環(huán)節(jié)，能夠幫助學(xué)生鞏固和深化遺傳學(xué)的理論知識，培養(yǎng)學(xué)生的實驗技能和科學(xué)態(tài)度。

當(dāng)前AI技術(shù)在遺傳學(xué)實驗教學(xué)中的應(yīng)用正逐漸改變傳統(tǒng)的教學(xué)方式，為學(xué)生提供了更為互動、高效的學(xué)習(xí)體驗。通過AI技術(shù)的引入，遺傳學(xué)實驗教學(xué)不僅能夠更好地模擬真實的實驗場景，還能實現(xiàn)個性化教學(xué)，提高學(xué)生對復(fù)雜遺傳現(xiàn)象的理解。

1 "遺傳學(xué)實驗教學(xué)現(xiàn)狀分析

遺傳學(xué)實驗教學(xué)作為一門實踐性強、內(nèi)容廣泛的學(xué)科，課程難度大，缺乏直觀性、系統(tǒng)性，導(dǎo)致學(xué)生學(xué)習(xí)主動性不強。目前，遺傳學(xué)實驗教學(xué)主要是教師指定實驗內(nèi)容、確定實驗步驟、準(zhǔn)確預(yù)見實驗結(jié)果、驗證前人結(jié)論，學(xué)生被動接受，缺乏積極主動思考和探索，加之實驗設(shè)備、實驗器材、實驗材料、實驗課時緊張等的限制，特別是在一些地方院校，遺傳學(xué)實驗往往處于無足輕重的地位，造成在實驗教學(xué)過程中出現(xiàn)教師重視不足、學(xué)生理解不深入的現(xiàn)象。

1.1 實驗內(nèi)容陳舊

目前大多遺傳學(xué)實驗教學(xué)僅僅依賴于實體實驗室和有限的網(wǎng)絡(luò)資源，由于實驗設(shè)備、實驗課時、教師應(yīng)用新技術(shù)的能力等有限，實驗內(nèi)容久未更新，例如雌雄果蠅形態(tài)特征觀察、果蠅細胞有絲分裂、減數(shù)分裂、微核技術(shù)和巴氏小體等都是簡單的基礎(chǔ)實驗項目，難以滿足人才培養(yǎng)的需求，無法讓學(xué)生接觸到最新的遺傳學(xué)研究成果和實驗技術(shù)。

1.2 實驗設(shè)備簡單

地方院校的遺傳學(xué)實驗室一般只有普通顯微鏡、智能培養(yǎng)箱、PCR儀、干燥箱、水浴鍋等常規(guī)設(shè)備，無法開展染色體組型、染色體顯帶技術(shù)、染色體熒光原位雜交等經(jīng)典遺傳學(xué)實驗項目，不能滿足創(chuàng)新人才培養(yǎng)需求。

1.3 時間的局限性

大多院校的遺傳學(xué)實驗課只有30～40學(xué)時，限制了實驗項目設(shè)置。遺傳學(xué)中多數(shù)經(jīng)典實驗周期都比較長，例如植物雜交實驗、植物多倍體的誘導(dǎo)鑒定實驗，即使以生長周期較短的植物（短命菊、雛菊等）為實驗材料也至少需要60 d，而且誘導(dǎo)結(jié)果還是未知。學(xué)生無法充分掌握遺傳學(xué)的基本實驗技能，只是走過場。

1.4 實驗指導(dǎo)不夠

1個實驗項目需要2～3 h，每次平均20個學(xué)生，教師沒有足夠的時間指導(dǎo)所有學(xué)生，學(xué)生也沒有足夠的機會去練習(xí)和掌握復(fù)雜和先進的實驗操作技能。此外，一些如細菌中斷雜交、細菌轉(zhuǎn)化等實驗過于注重操作流程而忽視了原理的講解和探究，導(dǎo)致學(xué)生在實驗技能上的成長受到限制。

1.5 實踐與科研脫節(jié)

實驗教學(xué)內(nèi)容覆蓋了基礎(chǔ)實驗，但無法與前沿科研內(nèi)容接軌。學(xué)生了解不到本領(lǐng)域前沿知識和技術(shù)，例如風(fēng)靡世界的基因編輯技術(shù)、精準(zhǔn)治療等，只能通過網(wǎng)絡(luò)了解而已，難以激發(fā)學(xué)生的科研興趣與創(chuàng)新思維。

1.6 安全意識和環(huán)保意識不足

遺傳學(xué)實驗室會涉及到電、有毒有害化學(xué)試劑、微生物等安全隱患，教師或?qū)W生操作不當(dāng)、試劑存放不規(guī)范等問題極易引起實驗室安全事故，大量的實驗廢棄物和殘留物也帶來安全隱患和環(huán)境污染問題。

為了解決這些問題，遺傳學(xué)實驗教學(xué)需要不斷探索和改革，引入現(xiàn)代化的教學(xué)手段和技術(shù)。這不僅可以豐富教學(xué)資源，增加學(xué)生的主動學(xué)習(xí)和探究機會，更新實驗內(nèi)容以緊跟學(xué)科發(fā)展的步伐，而且可以強化理論與實踐的結(jié)合，培養(yǎng)具有較強實踐能力、創(chuàng)新能力和國際競爭力的高素質(zhì)復(fù)合型人才[3]。

2 "AI技術(shù)在遺傳學(xué)實驗教學(xué)中的創(chuàng)新應(yīng)用

AI技術(shù)在遺傳學(xué)實驗中的應(yīng)用已經(jīng)成為現(xiàn)代科學(xué)研究的重要推動力量。通過機器學(xué)習(xí)、深度學(xué)習(xí)和大數(shù)據(jù)分析，AI技術(shù)可以幫助遺傳學(xué)科研工作者更加高效、精確地進行實驗設(shè)計、數(shù)據(jù)分析和結(jié)果預(yù)測。

2.1 虛擬實驗平臺與模擬環(huán)境

傳統(tǒng)的遺傳學(xué)實驗通常依賴于實驗室環(huán)境，需要進行復(fù)雜的實驗操作，如果蠅雜交實驗、基因分離實驗等。但是，實驗設(shè)備和時間限制使得這些實驗難以開展。通過AI驅(qū)動的虛擬實驗平臺，學(xué)生能夠在數(shù)字環(huán)境中模擬真實的實驗操作，重復(fù)實驗步驟并觀察結(jié)果。例如，虛擬果蠅實驗室能夠讓學(xué)生通過選擇不同的果蠅基因型，觀察雜交后代的基因分離與表現(xiàn)型分布。這種虛擬實驗不僅可以節(jié)約實驗資源，還可以隨時隨地進行操作，幫助學(xué)生反復(fù)練習(xí)和強化知識[4-5]。

2.2 智能實驗指導(dǎo)與反饋

AI技術(shù)能夠充當(dāng)智能實驗助手，實時為學(xué)生提供實驗指導(dǎo)和反饋。在傳統(tǒng)教學(xué)中，教師需要指導(dǎo)多個學(xué)生進行實驗操作，難以為每個學(xué)生提供個性化的幫助。而AI可以通過分析學(xué)生的實驗進展，實時提供建議和提示。例如，當(dāng)學(xué)生在進行基因突變實驗時，AI可以提示正確的操作步驟，并在學(xué)生出錯時提供即時反饋，幫助他們分析原因。這樣不僅可提高實驗效率，還能讓學(xué)生在實驗過程中獲得深入的理解[6-7]。

2.3 個性化學(xué)習(xí)路徑與自適應(yīng)教學(xué)

每個學(xué)生對遺傳學(xué)實驗的理解程度和學(xué)習(xí)進度不同，AI技術(shù)能通過自適應(yīng)學(xué)習(xí)算法，為學(xué)生設(shè)計個性化的學(xué)習(xí)路徑。AI可以根據(jù)學(xué)生的學(xué)習(xí)行為和實驗結(jié)果，分析他們的知識掌握情況，并動態(tài)調(diào)整教學(xué)內(nèi)容。例如，如果某個學(xué)生沒有掌握基因分離實驗，AI系統(tǒng)可以為其提供更多的相關(guān)練習(xí)和指導(dǎo)，幫助學(xué)生逐步掌握知識點。通過這種方式，AI實現(xiàn)了因材施教，確保每個學(xué)生都能在適合自己的節(jié)奏下完成學(xué)習(xí)[8-9]。

2.4 遺傳數(shù)據(jù)分析與解讀

遺傳學(xué)實驗教學(xué)中常常涉及大量數(shù)據(jù)的分析，如基因型頻率、表現(xiàn)型比例、連鎖圖譜繪制等。傳統(tǒng)的手動計算和數(shù)據(jù)分析方式耗時且容易出錯，而AI能夠通過自動化的數(shù)據(jù)分析工具，幫助學(xué)生快速、準(zhǔn)確地處理實驗數(shù)據(jù)。例如，AI算法能夠自動計算出孟德爾遺傳學(xué)實驗中的表現(xiàn)型比例，并生成相關(guān)圖表。此外，AI還可以通過模式識別技術(shù)，幫助學(xué)生分析復(fù)雜的遺傳現(xiàn)象，如基因連鎖和交叉現(xiàn)象，提升他們對遺傳學(xué)數(shù)據(jù)的解讀能力[10]。

2.5 基因編輯與生物信息學(xué)教學(xué)

隨著CRISPR等基因編輯技術(shù)的普及，遺傳學(xué)教學(xué)也逐漸涉及到更為前沿的基因編輯實驗。在基因編輯實驗中應(yīng)用AI能夠幫助學(xué)生理解復(fù)雜的基因操作流程。通過AI技術(shù)，學(xué)生可以在虛擬環(huán)境中設(shè)計和模擬基因編輯實驗，觀察基因編輯的效果。同時，AI驅(qū)動的生物信息學(xué)工具能夠幫助學(xué)生分析基因組數(shù)據(jù)，尋找基因突變點，理解遺傳信息如何影響生物體的性狀。這為遺傳學(xué)實驗教學(xué)帶來了更加豐富的內(nèi)容和更高的技術(shù)要求。

2.6 智能考核與評估系統(tǒng)

AI技術(shù)還可以用于設(shè)計智能評估系統(tǒng)，通過分析學(xué)生的實驗操作和數(shù)據(jù)處理過程，進行自動化的成績評估。與傳統(tǒng)的考核方式相比，AI能夠更為細致地分析學(xué)生在實驗中的表現(xiàn)，例如實驗設(shè)計的合理性、數(shù)據(jù)分析的準(zhǔn)確性以及實驗結(jié)果的解釋能力。通過這種智能評估系統(tǒng)，教師能夠更加全面地了解學(xué)生的學(xué)習(xí)情況，并為其提供個性化的反饋意見[11-12]。

2.7 沉浸式學(xué)習(xí)體驗

AI技術(shù)與虛擬現(xiàn)實（virtual reality，VR）相結(jié)合，可為學(xué)生提供沉浸式的遺傳學(xué)實驗體驗。通過VR技術(shù)，學(xué)生可以身臨其境地參與復(fù)雜的遺傳學(xué)實驗，例如走進一個虛擬的實驗室進行基因操作，觀察細胞分裂或染色體行為。AI在這些虛擬環(huán)境中充當(dāng)智能引導(dǎo)者，幫助學(xué)生理解每一步的科學(xué)原理。沉浸式學(xué)習(xí)極大地增強了學(xué)生的學(xué)習(xí)興趣，使得復(fù)雜的遺傳學(xué)概念更易于理解[13-15]。

3 "教學(xué)案例

遺傳算法是仿真遺傳學(xué)和自然選擇原理，通過人工方式構(gòu)造的一類搜索算法，從某種程度上說遺傳算法是對生物進化構(gòu)成進行的數(shù)學(xué)方式仿真[16]。使用遺傳算法可以自動搜索巨大的設(shè)計空間，找到最優(yōu)的設(shè)計方案，大大節(jié)省時間和人力資源。

3.1 實驗內(nèi)容

用遺傳算法找到目標(biāo)函數(shù)f（x）=xxx-6xx的最小值，由求解目標(biāo)函數(shù)最小值求得最大的適應(yīng)度，適應(yīng)度函數(shù)可以定義為fitness（x）=n/1+abs（f（x））。式中abs用來保證f（x）的值為非負數(shù)，保證適應(yīng)度的分母不會為0，n為生成的種群數(shù)量，個體X1和X2交叉產(chǎn)生新個體X3，使用X3=aX1+（1-a）X2，式中a是一個在[0，1]內(nèi)的隨機數(shù)，可以有效結(jié)合兩個父代個體的特征，交叉概率取0.6～0.95的隨機值，變異概率為0.001～0.01的隨機值，通過隨機改變個體的基因序列編碼模擬自然突變，在每次選擇個體交叉之前使用突變函數(shù)計算個體是否突變，然后將選擇的個體交叉，并計算更新適應(yīng)度，迭代交叉十代，在每一代的種群中選出適應(yīng)度最高的個體。

3.2 實驗步驟

①選擇目標(biāo)函數(shù)，求解函數(shù)的最小值來求得最大適應(yīng)度，生成個體的基因序列編碼；②使用隨機數(shù)生成來構(gòu)建初始種群中個體的基因序列編碼；③使用遺傳算法程序來計算種群中個體的適應(yīng)度；④選擇運算——使用輪盤賭算法作為選擇算法在群體中選擇個體，將選擇的優(yōu)化個體的基因序列遺傳到子代個體，或通過使用交叉算法將兩個個體交叉后產(chǎn)生新的基因序列遺傳到下一代，選擇的標(biāo)準(zhǔn)是適應(yīng)度；⑤通過選擇算法選擇種群個體，將個體之間進行交叉操作，將交叉產(chǎn)生的新個體作為新的種群；⑥使用隨機概率在種群中隨機選擇某個個體進行變異操作，使用隨機函數(shù)作為基因編碼的變異，變異后產(chǎn)生的新個體組成新種群；⑦利用適應(yīng)度函數(shù)計算種群中個體的適應(yīng)度；⑧根據(jù)適應(yīng)度值概率選擇新個體組成新種群；⑨在算法調(diào)用中循環(huán)檢測種群，若滿足對種群的要求，結(jié)束算法運行，所得種群中適應(yīng)度最高的個體就是符合要求的新個體；否則返回，繼續(xù)運行第3步，循環(huán)直到得到結(jié)果（圖1）。

3.2.1 選擇操作

使用適應(yīng)度函數(shù)作為種群個體適應(yīng)度的評價函數(shù)，通過求解目標(biāo)函數(shù)的最小值得到最大的適應(yīng)度，適應(yīng)度函數(shù)表示了種群個體的優(yōu)劣，同時適應(yīng)度也決定了個體是否會被選擇，設(shè)Xi表示種群中第i個個體的適應(yīng)度值，通過適應(yīng)度計算出該個體被選擇的概率Xi/∑Xj，從而決定第i個個體是否保留在種群中。使用輪盤算法，將個體的適應(yīng)度看作輪盤的轉(zhuǎn)盤，適應(yīng)度的值表示轉(zhuǎn)盤的大小，轉(zhuǎn)盤越大，被選擇的概率就越大。

3.2.2 交叉操作

交叉操作是通過交叉函數(shù)，讓2個以上的個體進行染色體交叉來產(chǎn)生新個體的過程，使用一個隨機因子將父代個體進行交叉，類似加權(quán)操作，從而考慮到父代不同個體對后代的影響，不考慮附帶個體的排列組合關(guān)系，依靠隨機權(quán)重來衡量不同父代個體對新個體的影響，從而得到后代個體的基因序列編碼。

3.2.3 變異操作

用隨機突變函數(shù)模擬自然界中的突變，從而豐富種群個體的基因編碼庫，通過適應(yīng)度函數(shù)計算，保留適應(yīng)度高的基因編碼，從而得到適應(yīng)力更高的種群。反轉(zhuǎn)基因編碼序列中的字符串來表示染色體的基因變異，在變異的基礎(chǔ)上保留個體或者交叉產(chǎn)生新個體來豐富種群的基因編碼序列。

在整個種群中使用隨機函數(shù)進行隨機變異，模擬生物的變異和交叉的概率來進行基因的突變和延續(xù)，根據(jù)經(jīng)驗，交叉概率選擇0.6～0.95的隨機值，變異概率選擇0.001～0.01的隨機值。

3.3 實驗程序

遺傳算法的實驗程序見圖2。

3.4 實驗結(jié)果

初始種群50進行10代的變異和交叉來迭代更新種群，種群中最優(yōu)個體的適應(yīng)度獲得提升并收斂到某個值，種群的平均適應(yīng)度隨著變異和交叉操作的迭代逐步升高（圖3）。

4 "結(jié)論與展望

AI技術(shù)正在改變遺傳學(xué)實驗教學(xué)的方式，從虛擬實驗室到個性化教學(xué)，AI的應(yīng)用使得教學(xué)更加高效、互動和靈活。AI不僅提高了實驗的可操作性和學(xué)生的學(xué)習(xí)體驗，還通過智能反饋和數(shù)據(jù)分析幫助學(xué)生更好地掌握遺傳學(xué)知識。然而，AI在教學(xué)中的應(yīng)用也面臨挑戰(zhàn)，如技術(shù)成本、教師對新技術(shù)的適應(yīng)性等。隨著AI技術(shù)的不斷發(fā)展，其在遺傳學(xué)實驗教學(xué)中的作用將愈加重要，推動遺傳學(xué)教學(xué)向更加智能化和個性化方向發(fā)展。

參考文獻

[1] 黃榮懷．AI正加速教育變革：現(xiàn)實挑戰(zhàn)與應(yīng)對舉措[J]．中國教育學(xué)刊，2023（6）：26-33.

[2] 柯清超，米橋偉，鮑婷婷．生成式AI在基礎(chǔ)教育領(lǐng)域的應(yīng)用：機遇、風(fēng)險與對策[J]．現(xiàn)代教育技術(shù)，2024，34（9）：5-13.

[3] 賈保先．AI時代高校教師職業(yè)發(fā)展路徑探析[J]．職教發(fā)展研究，2019（3）：53-57.

[4] 張茂，王艷艷，白云，等．醫(yī)學(xué)遺傳學(xué)虛擬仿真實驗的建設(shè)探索[J]．中國醫(yī)藥科學(xué)，2024，14（10）：56-59，123.

[5] 李凌云，王佳，王海軍．我國虛擬實驗研究現(xiàn)狀的實證分析[J]．現(xiàn)代教育技術(shù)，2009，19（12）：111-114.

[6] 曹鑫，李文生，韓祥斌．基于Drools Flow的虛擬實驗智能指導(dǎo)系統(tǒng)[J]．實驗室研究與探索，2010，29（10）：277-281，291.

[7] 趙小吾，霍劍青，王曉蒲．基于遠程虛擬實驗的實時智能指導(dǎo)系統(tǒng)[J]．中國科學(xué)技術(shù)大學(xué)學(xué)報，2006，36（12）：1336-1341.

[8] 劉宏偉，季瑩，高雨，等．發(fā)揮學(xué)術(shù)資源優(yōu)勢，利用AI技術(shù)提升大學(xué)圖書館支撐個性化學(xué)習(xí)的能力[J]．大學(xué)圖書館學(xué)報，2024，42（4）：5-12.

[9] 劉革平，胡翰林，秦渝超，等．Sora變革教育：基于教師角色與學(xué)習(xí)方式的洞見[J]．國家教育行政學(xué)院學(xué)報，2024（4）：48-59.

[10] 黃煒，吳昀璟，余輝，等．生成式AI技術(shù)在實驗教學(xué)中的應(yīng)用——以數(shù)據(jù)科學(xué)實驗為例[J/OL]．實驗室研究與探索，2024，43（9）：122-128，154..

[11] 高文蓓，王新福，凌一洲．基于AI的化學(xué)實驗現(xiàn)象評價與反饋系統(tǒng)開發(fā)[J]．化學(xué)教學(xué)，2024（6）：63-67.

[12] 謝暉，詹勇華，曾琦，等．基于AI技術(shù)的生命科學(xué)類虛擬仿真實驗課程學(xué)習(xí)評價研究[J]．高校生物學(xué)教學(xué)研究（電子版），2021，11（1）：35-41.

[13] 楊必，董光靜，牛繼堂，等．虛擬現(xiàn)實技術(shù)在低視力教學(xué)中的應(yīng)用研究[J]．華西醫(yī)學(xué)，2024，39（9）：1478-1482.

[14] 張金，宮曉利，高小鵬，等．基于通用大語言模型的計算機系統(tǒng)創(chuàng)新實驗設(shè)計[J/OL]．實驗技術(shù)與管理，2024，41（10）：1-9.

[15] 劉曉東．虛擬現(xiàn)實技術(shù)運用于生物學(xué)教學(xué)的案例分析[J]．生物學(xué)教學(xué)，2022，47（8）：52-53.

[16] 張青鳳．遺傳算法在最優(yōu)化問題中的應(yīng)用研究[J]．山西師范大學(xué)學(xué)報（自然科學(xué)版），2014，28（1）：38-42.