人工智能辅助遗传学实验教学的探索与体验

doi:10.16288/j.yczz.25-347

[an error occurred while processing this directive]

Hereditas(Beijing) ›› 2026, Vol. 48 ›› Issue (5): 544-554.doi: 10.16288/j.yczz.25-347

• Genetics Teaching • Previous Articles

Exploration and practice of artificial intelligence-assisted genetics experiment teaching

Xueying Zhao¹^,²(), Yiming Guan¹^,², Guangqi A¹^,², Daru Lu², Yan Pi¹^,²()

¹ National Demonstration Center for Experimental Biology Education, Fudan University, Shanghai 200433, China
² School of Life Sciences, Fudan University, Shanghai 200433, China

Received:2025-12-29 Revised:2026-03-10 Online:2026-05-20 Published:2026-03-27
Contact: Yan Pi E-mail:xueying_zhao@fudan.edu.cn;yanpi@fudan.edu.cn
Supported by:
2022 Shanghai Municipal-level Key Courses Construction Project for Higher Education Institutions(19);2023 Fudan University Curriculum Ideological and Political Education Teaching Reform Research Project—Genetics Experiment(IAH6222054/096)

Abstract

Abstract:

With the rapid advancement of artificial intelligence (AI) technology, exploring how to integrate AI with traditional genetic experiment courses has become a key focus of current teaching reform. Based on the conventional teaching system of genetic experiments, this study introduced an innovative student-led module focused on AI-assisted experimental design, thereby establishing a model for the deep integration of AI and genetic experiment teaching. Practice results demonstrate that this integrated model not only significantly improves teaching efficiency and quality, but also effectively breaks down the disciplinary barriers inherent in traditional teaching. It provides students with a cross-disciplinary perspective for innovative thinking, stimulates their learning interest and independent creativity, and further enhances their practical ability and scientific literacy in using AI tools to explore complex scientific problems. In addition, the multi-dimensional evaluation system constructed based on AI technology realizes the automated collection and precise analysis of student learning behavior data, which further improves the comprehensive quality evaluation mechanism for students. This study offers a practical approach to the digital reform of experimental teaching in universities and holds significant theoretical and practical value for advancing experimental teaching innovation and cultivating high-quality innovative talents in the digital era.

Key words: artificial intelligence, genetics experiment teaching, AI-assisted experimental design, multi- dimensional evaluation system

Xueying Zhao, Yiming Guan, Guangqi A, Daru Lu, Yan Pi. Exploration and practice of artificial intelligence-assisted genetics experiment teaching[J]. Hereditas(Beijing), 2026, 48(5): 544-554.

Figures/Tables 7

Table 1

Table 2

Table 3

Example 2: AI simulation of Drosophila dominant-recessive verification in multiple scenarios"

检索方式	使用的提示词	采纳的来自AI的建议	拒绝的来自AI的建议(及原因)
AI助教模拟“引导式学习助手”	我是一名遗传学新手，对孟德尔定律只有模糊的了解。请通过逐步提问的方式，引导我自己设计出验证果蝇翅形(长翅vs残翅)显隐性关系的杂交实验。你的第一个问题可以是：“我们首先需要确定什么样的亲本?”	(1)使用苏格拉底式提问法，通过问题链(如“选择什么亲本?”“如何交配?”“预测F₁代?”)引导思考； (2)强调逻辑推导，让学习者自己从分离定律推出F₂代的3∶1比例； (3)最后总结，将散落的答案整合成完整实验步骤	拒绝任何直接给出完整实验方案的建议。原因：本角色的核心是“引导”而非“告知”，任何跳过引导过程直接给出答案的行为都违背了设计初衷
AI助教结合教材知识库模拟“严谨的课程助教”	请严格依据经典遗传学教材中关于“杂交实验”的标准范式进行回答，以果蝇的刚毛性状(直刚毛vs卷刚毛)为例，要求： (1)必须包含正反交实验设计并阐明其意义； (2)必须明确亲本为纯合子这一关键前提； (3)必须详细描述从P代、F₁代到F₂代的完整流程及观察与统计方法	(1)强调实验的规范性：明确亲本为纯合子，并设置正反交； (2)步骤完整清晰：严格按照“选择亲本→正反交→观察F₁→F₂自交→观察统计F₂”的逻辑展开； (3)阐明设计原理：解释了为何要做正反交(排除性连锁与母性影响)及为何要统计大量样本(符合统计学规律)	拒绝任何简化或跳跃式的步骤描述(如忽略正反交或未强调亲本纯度)。原因：教材知识库要求答案必须具备严谨性和完整性，服务于标准化考试与理解
其他AI网站模拟“生动的虚拟导师”	请摆脱教科书式的语言，扮演一个在果蝇实验室里充满热情的学长/学姐。用生动、口语化、带比喻的语言，向刚进实验室的学弟学妹解释如何通过一个“家族繁衍”游戏(即杂交实验)来找出谁是显性“大佬”，谁是隐性“小弟”。请以果蝇的体色(黑檀体vs灰体)为例，让讲解变得有趣且容易记忆	(1)使用生活化比喻：将显性基因比作“大佬”，能掩盖“小弟”(隐性基因)的表现； (2)创设场景感：用“组建家族”“观察宝宝”“宝宝近亲结婚”等说法描述实验步骤； (3)聚焦核心逻辑：牢牢抓住“F₁代像谁谁就是显性”“F₂代冒出隐藏性状”这两个关键点，用夸张的方式强化记忆	拒绝使用过于学术或枯燥的术语(如“表型”“基因型”等)。原因：本回答的目的是降低认知负荷、激发兴趣，因此任何可能增加距离感的表达都被替换

Table 3

Table 4

Example 3: comparative analysis of AI-based and manual approaches for diagnosis and treatment of phenylketonuria"

比较项目	AI助教方案	ChatGPT方案	人工方案
设计出发点	为了让学生学会。内容服务于教学和记忆	为了生成一个“最优方案”。内容服务于信息整合与前沿覆盖	为了在临床上安全执行。内容服务于标准化和风险规避
检测方案	列举式、对比式。用表格清晰列出不同检测阶段的技术、流程、优缺点	流程式、步骤式。详细描述从取样到分析的完整实验流程和判断标准	阶梯式、条件式。明确每一步的适用条件、阳性判断标准和下一步操作，强调鉴别判断
治疗方案	分层与量化。直接给出各年龄段的苯丙氨酸摄入量、药物剂量，非常具体	决策与前景展望。强调根据疾病分型选择治疗路径，并详细介绍基因治疗等前沿方向	原则性与保守性。强调“终身治疗”原则，给出控制目标范围，对新型疗法持谨慎态度
特色与侧重	价格与产品：提及具体检测成本和推荐使用的商品名。社会资源：列出具体基金会和组织名称	前沿动态：提及具体临床试验编号和新药名国际化：参照美国食品药品监督管理局(FDA)标准和Nature Medicine等国际期刊相关研究	伦理与规范：强调产前诊断的知情同意原则，规范遗传咨询的流程国情化：参考中华医学会指南，更贴近国内临床实际
患者沟通	直接给建议。如“饮食误区是什么”“心理如何调适”，非常实用	隐含在流程中。建议体现在“遗传咨询”和“患者教育”环节，风格更正式	强调依从性。反复强调“终身坚持”和“治疗依从性是关键”，并警示中断后果
总体优点	(1)极佳的可读性和易学性：通过表格和要点罗列，非常适合学生快速抓住重点，用于备考或复习； (2)实用性强：提供具体数据、商品名和求助渠道，对患者和家属有直接帮助； (3)内容精准：知识点浓缩，没有冗余信息	(1)全面性和前瞻性：覆盖范围最广，从经典方法到最前沿的基因治疗、新药都有涉及，信息更新及时； (2)强于综述与设计：能够像一名研究员一样，构建一个完整的方案框架，并论证其合理性； (3)逻辑清晰：“总体流程与设计要点”部分很好地勾勒出了全貌	(1)权威性和可靠性最高：基于成熟的临床指南，是经过实践检验的“金标准”，风险最低； (2)临床实操性强：每一步都明确、规范，直接指导医生如何进行诊断和治疗； (3)强调伦理和安全性：对产前诊断、遗传咨询等环节有严格的流程和伦理考量
总体不足	(1)深度和广度有限：为了简洁，会省略一些背后的原理和复杂的临床考量； (2)缺乏前瞻性：较少涉及仍在临床试验阶段的最新疗法； (3)灵活性差：呈现的是“标准答案”，不利于培养批判性思维	(1)细节可能不精确：生成的内容可能混合不同国家的指南，具体剂量、流程可能需要二次核实； (2)临床直接落地性稍弱：过于侧重“未来可能性”，可能分散对当前主流、必须的治疗方案的注意力； (3)缺乏“人情味”：虽然内容全面，但在患者心理支持和沟通方面的建议不如AI助教方案直接	(1)保守和滞后：对新疗法、新技术的纳入较慢，可能跟不上前沿发展的步伐； (2)形式较为刻板：语言严谨但显得枯燥，不利于快速检索关键信息； (3)创新性不足：主要目的是“正确执行”，而非“探索创新”

Table 4

Fig. 1

Table 5

Fig. 2

References 16

[1]	Wu D, Feng QY. Educational transformation in the era of artificial intelligence: development trends and practical pathways. J Cent China Norm Univ (Humanit Soc Sci), 2025, 64(6): 136-145.
	吴砥, 冯倩怡. 人工智能时代的教育变革: 发展形势与现实路径. 华中师范大学学报(人文社会科学版), 2025, 64(6): 136-145.
[2]	吴伟. 社会建构主义视角下人工智能技术在高等教育应用中的赋能与异化. 现代职业教育, 2025(30): 133-136.
[3]	Lai BX, Chen HJ. Artificial intelligence empowering higher education: features, practical cases and risk mitigation. Future Dev, 2025, 49(11): 15-20+35.
	赖博轩, 陈宏钧. 人工智能赋能高等教育:发展特点、实践案例与风险应对. 未来与发展, 2025, 49(11): 15-20+35.
[4]	潘越. 人工智能在高校个性化教育中的应用与挑战. 中国新通信, 2025, 27(20): 31-33.
[5]	Duong D, Solomon BD. Artificial intelligence in clinical genetics. Eur J Hum Genet, 2025, 33(3): 281-288. pmid: 39806188
[6]	Kundaje A, Pollard KS, Ma J, Chang X, Chen MJ, Rohs R. Artificial intelligence in molecular biology. Mol Cell, 2025, 85(2): 193-198. pmid: 39824161
[7]	Kamble P, Dubey K, Mukherjee A, Jain R, Roy I, Puri V, Garg P. Decoding cervical cancer biomarkers: an integrated framework of bioinformatics, machine learning, and experimental confirmation. Cancer Invest, 2025, 43(10): 882-902. pmid: 41123057
[8]	Novakovsky G, Dexter N, Libbrecht MW, Wasserman WW, Mostafavi S. Obtaining genetics insights from deep learning via explainable artificial intelligence. Nat Rev Genet, 2023, 24(2): 125-137. pmid: 36192604
[9]	Liu Y, Tang KL, Lv AP, Wang HY. Experimental design for protein structure prediction using AI models. Res Explor Lab, 2025, 44(6): 32-35+81.
	刘艳, 唐凯临, 吕爱平, 王海芸. 基于AI模型的蛋白质结构预测的实验设计. 实验室研究与探索, 2025, 44(6): 32-35+81.
[10]	Zhang LT, Liu MY, Yuan HJ, Wang H. AI-driven new materials development and data standardization. Chin Sci Bull, 2025, 70(24): 4066-4080.
	张澜庭, 刘明洋, 袁宏建, 汪洪. AI驱动的新材料智能研发与数据标准化. 科学通报, 2025, 70(24): 4066-4080.
[11]	Wang YJ, Chen Y, Yang DJ, Lei XG. Research on personalized treatment of tumors based on artificial intelligence analysis of tumor genes. Chin Bull Life Sci, 2025, 37(12): 1624-1633.
	王亚军, 陈瑛, 杨得军, 雷新刚. 基于人工智能分析肿瘤基因的个性化治疗研究. 生命科学, 2025, 37(12): 1624-1633.
[12]	Gibson D, Kovanovic V, Ifenthaler D, Dexter S, Feng SH. Learning theories for artificial intelligence promoting learning processes. Br J Educ Technol, 2023, 54(5): 1125-1146.
[13]	Koć-Januchta MM, Schönborn KJ, Tibell LAE, Chaudhri VK, Heller HC. Engaging with biology by asking questions: investigating students' interaction and learning with an artificial intelligence-enriched textbook. J Educ Comput Res, 2020, 58(6): 1190-1224.
[14]	He BY, Wang LL, Xie ZW, Lu G, Li QS. Artificial intelligence-assisted teaching of comprehensive design- oriented experiments: a case study of the microbial detection project in Environmental Microbiology Experiment. Microbiol China, 2025, 52(11): 5406-5414.
	何宝燕, 王立立, 谢志旺, 陆钢, 李取生. 人工智能辅助综合设计性实验教学: 以“环境微生物检测实验项目”为例. 微生物学通报, 2025, 52(11): 5406-5414.
[15]	Qin Y, Xie HM, Li YJ, Tan BY, Sun SH. Design and practice of project-based comprehensive experimental teaching platform for artificial intelligence. Res Explor Lab, 2024, 43(9): 135-141.
	覃阳, 谢慧明, 李玉洁, 谭本英, 孙邵华. 人工智能项目式综合实验教学平台设计与实践. 实验室研究与探索, 2024, 43(9): 135-141.
[16]	Yu H, Xia WL, Cheng Y, Wang JY. Design and practice of classroom teaching experiment based on artificial intelligence generated content. Res Explor Lab, 2025, 44(11): 121-125+221.
	余辉, 夏文蕾, 程钰, 王骏阳. 基于生成式人工智能的课堂教学实验设计与实践. 实验室研究与探索, 2025, 44(11): 121-125+221.

Metrics

Comments

www.chinagene.cn
备案号：京ICP备09063187号

评分维度	分数	权重设定依据	维度描述
医学知识准确性	30	该维度权重最高，强调遗传咨询的核心是提供准确的医学信息(如病因、遗传模式、检测方法)	评估学生对特定遗传病的病因、遗传模式、检测方法及治疗方案等医学知识的掌握程度与表述准确性
医患沟通有效性	25	权重次高，突出沟通在咨询中的关键作用。有效沟通能提升患者理解度和依从性，减少误解	评估学生作为患者能否清晰表达症状、合理提问并有效理解医生解释，体现医患间信息传递的顺畅度
治疗方案决策参与度	20	中等权重，反映患者参与决策的重要性。鼓励患者结合自身情况选择治疗方案，提升治疗依从性，优化个性化护理	评估学生作为患者在了解不同治疗选项后，结合自身情况参与决策过程的积极性与合理性判断能力
心理与社会因素考量	15	较低权重，但不可或缺。考虑疾病对患者心理、家庭和社会的影响，体现整体关怀。权重设定规避技术层面的过度偏重，保障遗传咨询的人性化导向	评估学生是否考虑疾病对心理状态、家庭关系及社会生活的影响，以及在对话中体现的应对态度
信息获取与追问能力	10	最低权重，聚焦患者的主动学习能力，为沟通、决策等其他维度提供支撑，但该能力属于辅助技能，而非核心输出能力	评估学生作为患者针对检测流程、治疗风险、预后效果等关键信息的主动获取意识与深度追问技巧

检索方式	采纳的来自AI的建议	拒绝的来自AI的建议(及原因)
AI助教	(1)采纳完整的经典实验流程：采纳了其“正交/反交→F₁自交/测交”的经典设计，该流程逻辑清晰、步骤完整，符合科学规范； (2)采纳关键操作指导：采纳了关于“挑选处女蝇”“移除亲本”等关键操作的提醒； (3)采纳实用性建议：采纳了“常见问题与解决方案”相关表述，这对于实际操作中处理意外结果非常有价值。	需补充其他遗传模型的相关表述。原因：该回答的内容逻辑仅局限于标准的完全显性(3∶1分离比)，没有包含显性纯合致死(导致2∶1分离比)或不完全显性等常见生物学现象
AI助教结合“教材知识库”	(1)采纳对关键细节的强调：采纳了其对“处女蝇”“温度控制”“亲本移除时间”等核心操作细节的反复强调，这有助于提高实验成功率； (2)采纳统计学检验的建议：明确提出使用“卡方检验”来验证数据，这是严谨科学研究中必不可少的一环，应予采纳	拒绝表述中对教材的引用。原因：通过提问发现，该模型下对于知识库的引用出现大量错误
ChatGPT5 Thinking	(1)采纳其全面且广义的遗传分析逻辑：涵盖常染色体/性染色体、显性/隐性、完全/不完全显性及致死现象的全套分析逻辑； (2)采纳其更准确的显隐性基因型表示方法(如A/a)，使得表述内容更易理解	拒绝引入“平衡子”相关的复杂内容。原因：对于仅仅是为了“验证显隐性关系”的基础杂交实验而言，引入平衡子染色体遗传学内容增加了不必要的复杂性，超出了基础验证实验的内容范畴

评分维度	分数	评分依据
医学知识准确性	28分	学生对成骨不全症的典型症状、遗传模式、检测方法及治疗方案等知识有较好掌握，表述准确，能结合孩子具体情况提问，仅在个别罕见亚型的遗传机制上未深入涉及，整体准确性高
医患沟通有效性	24分	学生作为患者家长能清晰、有条理地描述孩子症状(骨折史、巩膜颜色、牙齿情况、家族史)，提问聚焦核心问题，对医生的解释能有效理解并及时反馈后续计划，沟通顺畅，仅在初期未主动提及骨密度等检查结果，整体沟通效果良好
治疗方案决策参与度	19分	学生积极了解检测与治疗方案选择，能结合孩子情况与医生建议制定下一步计划，参与决策意识强，判断合理，仅在对双膦酸盐长期疗效与青春期调整细节的主动探讨稍显不足
心理与社会因素考量	14分	学生表现出对孩子健康的担忧(担心错过最佳干预时间)及对治疗时机的关注，体现了对疾病影响的重视，但未明确提及疾病对孩子心理状态(如活动受限可能导致的情绪问题)及家庭生活(如未来生育计划)的影响，考量维度略有欠缺
信息获取与追问能力	9分	学生能针对关键信息主动追问，问题具体且有深度，体现较强的信息获取意识，但对检测机构选择标准及康复训练细节未进一步追问，追问广度可提升

Exploration and practice of artificial intelligence-assisted genetics experiment teaching

RichHTML

PDF (PC)

Knowledge

Abstract

Cite this article

share this article

Figures/Tables 7

References 16

Related Articles 5

Recommended Articles

Metrics

Comments

[1]	Dingwei Lei, Ruichu Gu, Xiaoxue Xie, Shizhi Ding, Han Wen. Application and prospects of current computational methods in m⁶A research: a comprehensive review [J]. Hereditas(Beijing), 2025, 47(8): 903-927.
[2]	Linyao Tang, Jingrouzi Wu, Ge Lin. Application of ultrasound and artificial intelligence in the prediction of fetal chromosomal numerical abnormalities [J]. Hereditas(Beijing), 2025, 47(12): 1326-1339.
[3]	Guangyong Zheng, Tao Zeng, Yixue Li. Application and prospect of cutting-edge information technology in biomedical big data [J]. Hereditas(Beijing), 2021, 43(10): 924-929.
[4]	Xinyue Wang, Hongzhu Qu, Xiangdong Fang. Omics big data and medical artificial intelligence [J]. Hereditas(Beijing), 2021, 43(10): 930-937.
[5]	Zhao Xuetong, Yang Yadong, Qu Hongzhu, Fang Xiangdong. Applications of machine learning in clinical decision support in the omic era [J]. Hereditas(Beijing), 2018, 40(9): 693-703.