Τεχνητή νοημοσύνη και βιολογία στο λύκειο: από την αναδίπλωση πρωτεϊνών στη διερευνητική μάθηση

Το άρθρο «Integrating AI in Research & Project-Based Learning in Biology Instruction» της Sarmistha Ghosh παρουσιάζει πρακτικούς τρόπους με τους οποίους εργαλεία τεχνητής νοημοσύνης μπορούν να ενταχθούν στη διδασκαλία της βιολογίας στο λύκειο, κυρίως μέσα από ερευνητική και ομαδοσυνεργατική μάθηση με επίκεντρο την αναδίπλωση των πρωτεϊνών. Η συγγραφέας ξεκινά από το γεγονός ότι η πρόβλεψη της τρισδιάστατης δομής των πρωτεϊνών από την αλληλουχία αμινοξέων υπήρξε για δεκαετίες ένα από τα πιο απαιτητικά προβλήματα της βιολογίας. Τονίζει ότι οι παραδοσιακές πειραματικές μέθοδοι, όπως η κρυσταλλογραφία ακτίνων Χ και η cryo-EM, είναι ισχυρές αλλά δύσκολα προσβάσιμες σε σχολικά περιβάλλοντα. Σε αυτό το πλαίσιο, το AlphaFold παρουσιάζεται ως μια σημαντική καινοτομία, επειδή επιτρέπει την πρόβλεψη πρωτεϊνικών δομών με υψηλή ακρίβεια από δεδομένα αλληλουχίας. Η συγγραφέας δεν αντιμετωπίζει την τεχνητή νοημοσύνη ως τεχνολογικό εντυπωσιασμό, αλλά ως παιδαγωγικό εργαλείο που μπορεί να συνδέσει τον κεντρικό δόγμα της μοριακής βιολογίας με πραγματικές βιοϊατρικές εφαρμογές. Υποστηρίζει ότι οι μαθητές/μαθήτριες μπορούν έτσι να δουν πώς μια αλληλουχία DNA καταλήγει σε πρωτεΐνη με συγκεκριμένη δομή και λειτουργία. Η εισαγωγή θέτει από την αρχή έναν βασικό διδακτικό στόχο: να γίνουν ορατές οι σχέσεις ανάμεσα σε αλληλουχία, δομή, λειτουργία και ασθένεια. Επιπλέον, διατυπώνει την ιδέα ότι η τεχνητή νοημοσύνη μπορεί να λειτουργήσει ως γέφυρα ανάμεσα στη σχολική βιολογία και στη σύγχρονη έρευνα. Έτσι, το άρθρο θεμελιώνει μια προσέγγιση στην οποία η τεχνολογία υποστηρίζει τη βαθύτερη επιστημονική κατανόηση και όχι την επιφανειακή εξοικείωση με ψηφιακά εργαλεία [Sarmistha Ghosh; Integrating AI in Research & Project-Based Learning in Biology Instruction. The American Biology Teacher 1 March 2026; 88 (3): 159–165. doi: https://doi.org/10.1525/abt.2026.88.3.159].

Στη συνέχεια η συγγραφέας οργανώνει τη διδακτική ενότητα γύρω από τέσσερα καθοδηγητικά ερωτήματα που λειτουργούν ως άξονες διερεύνησης. Τα ερωτήματα αυτά αφορούν τον τρόπο με τον οποίο η τεχνητή νοημοσύνη αξιοποιεί γνωστές πρωτεϊνικές δομές για να προβλέψει νέες, γιατί η σωστή αναδίπλωση είναι αναγκαία για τη λειτουργία των κυττάρων, ποιες είναι οι ιατρικές συνέπειες της πρόβλεψης πρωτεϊνών και πώς μπορούν να μελετηθούν καλύτερα οι ασθένειες που σχετίζονται με λανθασμένη αναδίπλωση. Η επιλογή τέτοιων ερωτημάτων είναι σημαντική, επειδή μετατρέπει το μάθημα από απλή παρουσίαση γνώσεων σε διερευνητική διαδικασία. Οι μαθητές/μαθήτριες δεν καλούνται απλώς να απομνημονεύσουν τι είναι το AlphaFold, αλλά να αναρωτηθούν τι αλλάζει στη βιολογία όταν μια μηχανή μπορεί να προβλέπει δομές πρωτεϊνών. Τα ερωτήματα ωθούν επίσης τους μαθητές/μαθήτριες να συνδέσουν τη μοριακή βιολογία με την ιατρική, τη φαρμακολογία και τη βιοτεχνολογία. Η συγγραφέας αναφέρει ότι οι συζητήσεις στην τάξη οργανώθηκαν γύρω από την ιδέα πως η σχέση δομής και λειτουργίας είναι θεμελιώδης στη βιολογία. Αυτό είναι κρίσιμο, επειδή η έννοια αυτή διατρέχει πολλές ενότητες του λυκείου, από τα ένζυμα μέχρι τις κυτταρικές μεμβράνες και την κληρονομικότητα. Τα καθοδηγητικά ερωτήματα υποστηρίζουν μια διδασκαλία που χτίζει έννοιες με συνοχή. Παράλληλα, ευνοούν την ανάπτυξη επιχειρηματολογίας, επειδή κάθε απάντηση χρειάζεται σύνδεση δεδομένων και ερμηνειών. Έτσι, η ενότητα δομείται ως πλαίσιο σκέψης και όχι ως σειρά τεχνικών οδηγιών.

Ένα βασικό σημείο του άρθρου είναι η παρουσίαση της αναδίπλωσης των πρωτεϊνών με χειραπτικά και οπτικά μέσα πριν από τη χρήση ψηφιακών εργαλείων. Η συγγραφέας περιγράφει ότι στο μάθημά της οι μαθητές/μαθήτριες διερευνούν πώς οι δισουλφιδικοί δεσμοί, οι δεσμοί υδρογόνου, τα ιοντικά φορτία και οι πολικές ή μη πολικές ομάδες συμβάλλουν στη διαμόρφωση της τρισδιάστατης δομής μιας πρωτεΐνης. Για να γίνει αυτό κατανοητό, χρησιμοποιούνται χάντρες, σύρματα πίπας και άλλα υλικά χειροτεχνίας, καθώς και εμπορικά κιτ κατασκευής αμινοξέων. Η προσέγγιση αυτή είναι παιδαγωγικά ιδιαίτερα ισχυρή, επειδή μετατρέπει ένα αόρατο μοριακό φαινόμενο σε κάτι απτό. Οι μαθητές/μαθήτριες δεν παρατηρούν απλώς μια έτοιμη εικόνα σε οθόνη, αλλά προσπαθούν να «χτίσουν» μόνοι/μόνες τους μια δομή, αναγνωρίζοντας ποια μέρη έλκονται και ποια απωθούνται. Στη συνέχεια συγκρίνουν τα φυσικά μοντέλα τους με τις προβλέψεις του AlphaFold. Η συγγραφέας παρατηρεί ότι οι μαθητές/μαθήτριες χρειάζονται υποστηρικτικά βήματα, ιδιαίτερα για να ερμηνεύσουν σωστά τις αλληλεπιδράσεις πολικών και μη πολικών ομάδων. Παρ’ όλα αυτά, οι περισσότεροι/ες καταφέρνουν τελικά να αναγνωρίσουν βασικά σημεία δεσμών και περιοχών αναδίπλωσης. Αυτή η εναλλαγή ανάμεσα στο χειραπτικό, το οπτικό και το υπολογιστικό μοντέλο βοηθά στην οικοδόμηση βαθύτερης κατανόησης. Το άρθρο έτσι υπογραμμίζει ότι η τεχνητή νοημοσύνη αποδίδει καλύτερα εκπαιδευτικά όταν στηρίζεται πάνω σε προϋπάρχουσα εννοιολογική οικοδόμηση.

Ιδιαίτερη θέση στο άρθρο έχει η μελέτη περίπτωσης της κυστικής ίνωσης μέσω της πρωτεΐνης CFTR. Η συγγραφέας εξηγεί ότι οι μαθητές/μαθήτριες προσέγγισαν την πρωτεΐνη CFTR μέσα από δεδομένα UniProt και μέσω της προβλεπόμενης δομής που προσφέρει το AlphaFold, ενώ παράλληλα κατασκεύασαν δικά τους μοντέλα με υλικά. Η εκπαιδευτική δύναμη της περίπτωσης αυτής βρίσκεται στο ότι μια μοριακή αλλαγή συνδέεται άμεσα με μια αναγνωρίσιμη ανθρώπινη νόσο. Η μετάλλαξη ΔF508 χρησιμοποιείται ως παράδειγμα για να φανεί πώς η απώλεια ενός μόνο αμινοξέος μπορεί να προκαλέσει λανθασμένη αναδίπλωση, αποικοδόμηση της πρωτεΐνης στο ενδοπλασματικό δίκτυο και τελικά απώλεια λειτουργίας στη μεμβράνη. Οι μαθητές/μαθήτριες βλέπουν έτσι στην πράξη ότι η δομή δεν είναι μια αφηρημένη αισθητική ιδιότητα της πρωτεΐνης, αλλά ο λόγος που η πρωτεΐνη λειτουργεί ή αποτυγχάνει να λειτουργήσει. Μέσα από αυτή την εφαρμογή συνδέεται η γενετική πληροφορία με το φαινότυπο και τη νόσο. Η συγγραφέας αξιοποιεί επίσης διαδραστικές προσομοιώσεις μεταγραφής και μετάφρασης, ώστε οι μαθητές/μαθήτριες να ξαναδούν όλη τη διαδρομή από το γονίδιο στην πρωτεΐνη. Αυτή η πολυεπίπεδη προσέγγιση ενισχύει τη συνοχή της βιολογικής γνώσης. Ταυτόχρονα, η περίπτωση της CFTR κάνει πιο εμφανές γιατί η τεχνητή νοημοσύνη έχει πρακτική αξία στην ιατρική έρευνα. Έτσι, η ασθένεια λειτουργεί ως γόνιμο πεδίο σύνδεσης βιολογίας, τεχνολογίας και κοινωνικής σημασίας.

Ένα ακόμα βασικό στοιχείο του άρθρου είναι η περιγραφή των πηγών δεδομένων και των εργαλείων οπτικοποίησης που χρησιμοποιούνται στη διδασκαλία. Η συγγραφέας αναφέρει συγκεκριμένα τις βάσεις UniProt και PDB, τα εργαλεία Jmol/JSmol και την πλατφόρμα Tinkercad. Οι μαθητές/μαθήτριες εργάζονται με αληθινά επιστημονικά δεδομένα, όπως αλληλουχίες πρωτεϊνών και πειραματικά καθορισμένες δομές. Αυτό έχει μεγάλη διδακτική σημασία, επειδή τους επιτρέπει να προσεγγίσουν τη βιολογία όχι ως κλειστό σχολικό σύστημα γνώσεων αλλά ως ανοιχτό πεδίο δεδομένων, ερμηνειών και συγκρίσεων. Η συγγραφέας δείχνει πώς μπορούν να περάσουν από την «ακατέργαστη» αλληλουχία στο υπολογιστικό μοντέλο και έπειτα στη φυσική ή εικονική τρισδιάστατη αναπαράσταση. Η διαδοχή αυτή λειτουργεί σαν μαθησιακή γέφυρα μεταξύ διαφορετικών επιπέδων αναπαράστασης. Για παράδειγμα, το ανθρώπινο ινσουλινικό μόριο χρησιμοποιείται ώστε οι μαθητές/μαθήτριες να εντοπίσουν πολικά και υδρόφοβα αμινοξέα, να συγκρίνουν αλυσίδες μεταξύ ειδών και να εξετάσουν τη διατήρηση κυστεϊνών που συμμετέχουν σε δισουλφιδικούς δεσμούς. Η σύγκριση με γορίλλα και ουρακοτάγκο δείχνει την εξελικτική συντήρηση κρίσιμων δομικών στοιχείων. Η ενασχόληση αυτή αναπτύσσει δεξιότητες βιοπληροφορικής σε αρχικό επίπεδο. Επιπλέον, δίνει στους μαθητές/μαθήτριες την αίσθηση ότι συμμετέχουν σε μια αυθεντική επιστημονική πρακτική.

Το άρθρο περιγράφει ακόμη με σαφήνεια πώς μπορεί να ενταχθεί το AlphaFold σε μια διδακτική ενότητα για την αναδίπλωση πρωτεϊνών. Η συγγραφέας προτείνει να εισαχθούν οι μαθητές/μαθήτριες στο εργαλείο ως σε μια τεχνολογία που παράγει προβλέψεις δομής από αλληλουχίες και όχι ως σε ένα «μαύρο κουτί» που δίνει έτοιμες απαντήσεις. Σημαντικό είναι ότι ζητεί από τους μαθητές/μαθήτριες να συγκρίνουν τις προβλέψεις του AlphaFold με πειραματικά δεδομένα από την PDB. Με αυτόν τον τρόπο αναδεικνύεται ο ρόλος της τεχνητής νοημοσύνης ως συμπληρωματικού μέσου και όχι ως αντικαταστάτη της εργαστηριακής επιστήμης. Η συγγραφέας προτείνει συζητήσεις γύρω από το ερώτημα πώς συγκρίνονται τα αποτελέσματα της υπολογιστικής πρόβλεψης με τα πειραματικά αποτελέσματα και τι σημαίνει αυτό για την ανάπτυξη φαρμάκων ή τη μελέτη ασθενειών. Έτσι, η αξιοποίηση του εργαλείου δεν περιορίζεται στην τεχνική πλοήγηση, αλλά συνδέεται με επιστημολογικά ερωτήματα για τη φύση της επιστημονικής γνώσης. Επιπλέον, προτείνονται εφαρμογές όπως η ανάλυση εικόνων μαθητικών μοντέλων με εργαλεία τεχνητής νοημοσύνης και η χρήση AI-assisted sequence alignment. Οι μαθητές/μαθήτριες μπορούν έτσι να δουν ότι η τεχνητή νοημοσύνη δεν περιορίζεται στην πρόβλεψη δομών αλλά επεκτείνεται στην ανάλυση μορφών, στην αναγνώριση μοτίβων και στη σύγκριση ομολόγων πρωτεϊνών. Αυτή η διεύρυνση των εφαρμογών ενισχύει την εικόνα της βιολογίας ως επιστήμης δεδομένων και μοντέλων. Παράλληλα, στηρίζει τη μεταφορά γνώσης σε νέα προβλήματα και όχι μόνο σε ένα απομονωμένο παράδειγμα.

Σημαντικό μέρος του άρθρου αποτελεί η προαιρετική επέκταση της συζήτησης στη σχέση CRISPR και τεχνητής νοημοσύνης. Η συγγραφέας εξηγεί ότι τα εργαλεία AI μπορούν να συμβάλουν στον σχεδιασμό guide RNAs, στην πρόβλεψη αποτελεσμάτων γονιδιακής επεξεργασίας, στη βελτιστοποίηση CRISPRa και CRISPRi, στην επιλογή γονιδιακών στόχων και στην πρόβλεψη εκτός στόχου επιδράσεων. Αν και αυτή η ενότητα είναι πιο προχωρημένη, έχει ιδιαίτερη αξία επειδή δείχνει στους μαθητές/μαθήτριες ότι η τεχνητή νοημοσύνη δεν αφορά μόνο τη δομή πρωτεϊνών, αλλά γενικότερα τη λήψη αποφάσεων στη σύγχρονη βιοτεχνολογία. Η συγγραφέας αναφέρει παραδείγματα όπως DeepCRISPR, Azimuth και inDelphi, εξηγώντας ότι τέτοια συστήματα μπορούν να μειώσουν τις δοκιμές και τα σφάλματα. Για ένα σχολικό περιβάλλον, το πιο σημαντικό εδώ δεν είναι οι τεχνικές λεπτομέρειες κάθε λογισμικού αλλά η κατανόηση ότι η βιολογία εισέρχεται σε μια εποχή στην οποία οι υπολογιστικές προβλέψεις καθοδηγούν πειραματικές παρεμβάσεις. Οι μαθητές/μαθήτριες μπορούν έτσι να συζητήσουν τι σημαίνει να σχεδιάζεις στοχευμένες γενετικές παρεμβάσεις με τη βοήθεια αλγορίθμων. Η ενότητα αυτή λειτουργεί και ως γέφυρα προς την ηθική της βιοτεχνολογίας. Επίσης, βοηθά να γίνει φανερή η διασύνδεση μεταξύ γονιδιακής ρύθμισης, πρωτεϊνοσύνθεσης και κυτταρικής λειτουργίας. Με αυτόν τον τρόπο, το άρθρο διευρύνει το διδακτικό πλαίσιο πέρα από τη μοριακή δομή προς την εφαρμοσμένη βιοϊατρική. Τέλος, προβάλλει ένα μέλλον της βιολογίας στο οποίο οι μαθητές/μαθήτριες θα χρειάζονται τόσο βιολογική κατανόηση όσο και κριτική ψηφιακή παιδεία.

Ιδιαίτερη βαρύτητα δίνεται στο ερώτημα γιατί όλα αυτά έχουν σημασία στην εκπαίδευση. Η συγγραφέας επιμένει ότι η τεχνητή νοημοσύνη δεν πρέπει να εκλαμβάνεται ως ένα αφηρημένο, μακρινό θέμα, αλλά ως δύναμη που ήδη μετασχηματίζει τη βιολογία, από τη μελέτη πρωτεϊνών που σχετίζονται με ασθένειες μέχρι τον σχεδιασμό φαρμάκων. Την ίδια στιγμή, θέτει σαφή όρια. Υπογραμμίζει ότι τα εργαλεία AI δεν πρέπει να αντικαθιστούν τη χειραπτική, εννοιολογική και διερευνητική μάθηση που είναι απαραίτητη για τη βαθιά κατανόηση. Αντίθετα, πρέπει να ενισχύουν την κριτική σκέψη και να μην καλλιεργούν παθητική εξάρτηση από αυτοματοποιημένες απαντήσεις. Το άρθρο μιλά καθαρά και για την ηθική ευθύνη που συνοδεύει τη χρήση τέτοιων εργαλείων. Οι μαθητές/μαθήτριες χρειάζεται να μάθουν τόσο τις δυνατότητες όσο και τους περιορισμούς της τεχνητής νοημοσύνης. Πρέπει επίσης να αντιληφθούν πότε η ανθρώπινη κρίση παραμένει αναντικατάστατη. Αυτή η οπτική είναι πολύτιμη για τη σχολική βιολογία, επειδή επιτρέπει μια ώριμη εισαγωγή των νέων τεχνολογιών χωρίς τεχνολογικό ενθουσιασμό. Επιπλέον, εντάσσει τη συζήτηση στις επιστημονικές πρακτικές της ερμηνείας μοντέλων, της αξιολόγησης δεδομένων και της εκτίμησης κοινωνικών επιπτώσεων. Έτσι, η τεχνητή νοημοσύνη παρουσιάζεται όχι μόνο ως περιεχόμενο αλλά και ως αφορμή για επιστημονικό και ηθικό εγγραμματισμό.

Το άρθρο προσφέρει και συγκεκριμένες προτάσεις αξιολόγησης και δραστηριοτήτων τάξης. Μεταξύ αυτών περιλαμβάνονται η σύγκριση προβλέψεων AlphaFold με πειραματικές δομές, η ανάλυση του πώς μεταλλάξεις επηρεάζουν τη δομή πρωτεϊνών, η διεξαγωγή συζήτησης ή debate για βιοηθικά ζητήματα και η κριτική αξιολόγηση των πλεονεκτημάτων και περιορισμών της AI στη βιολογία. Οι δραστηριότητες αυτές δείχνουν ότι η τεχνητή νοημοσύνη μπορεί να ενταχθεί τόσο στην κατανόηση βασικών εννοιών όσο και στην καλλιέργεια επιχειρηματολογίας. Είναι σημαντικό ότι οι μαθητές/μαθήτριες καλούνται να επιλέξουν μια πρωτεΐνη σχετιζόμενη με νόσο και να μελετήσουν πώς πιθανές μεταλλάξεις επηρεάζουν την αναδίπλωσή της. Αυτό δίνει αυθεντικό χαρακτήρα στο έργο τους. Η αναφορά στον ιό SARS-CoV-2 και στην πρωτεΐνη ακίδα δείχνει επίσης ότι η προσέγγιση μπορεί να συνδεθεί με πρόσφατες κοινωνικές εμπειρίες και επιστημονικές εξελίξεις. Η συγγραφέας συνδέει ρητά τη διδακτική αυτή πρακτική με θεματικές της AP Biology, αλλά οι ιδέες της είναι εύκολα μετασχηματίσιμες και για γενικό μάθημα βιολογίας στο λύκειο. Το ισχυρότερο στοιχείο είναι ότι οι μαθητές/μαθήτριες δεν μένουν σε περιγραφές, αλλά εμπλέκονται σε ανάλυση, κατασκευή, ερμηνεία και αξιολόγηση. Η προσέγγιση αυτή καλλιεργεί ταυτόχρονα εννοιολογική κατανόηση και δεξιότητες επιστημονικής πρακτικής. Γι’ αυτό το άρθρο λειτουργεί ως πρότυπο για μια σύγχρονη, πλούσια και ισορροπημένη ενσωμάτωση της AI στη βιολογία.

Στο συμπέρασμά της η συγγραφέας υποστηρίζει ότι η τεχνητή νοημοσύνη ανοίγει νέους δρόμους για να γίνουν προσιτές στους μαθητές/μαθήτριες έννοιες της μοριακής βιολογίας που παλαιότερα θεωρούνταν υπερβολικά αφηρημένες ή τεχνικά δυσπρόσιτες. Μέσα από τη συνδυαστική χρήση εργαλείων όπως AlphaFold, UniProt και PDB με μοντελοποίηση και διαδραστικές προσομοιώσεις, οι μαθητές/μαθήτριες μπορούν να βιώσουν πώς η βιολογία οργανώνεται γύρω από δεδομένα, μοντέλα και αποδείξεις. Το άρθρο δεν εξιδανικεύει την τεχνητή νοημοσύνη, αλλά την εντάσσει σε μια ισορροπημένη διδακτική λογική όπου οι υπολογιστικές προβλέψεις συγκρίνονται με πειραματικά δεδομένα και με μοντέλα τάξης. Με αυτόν τον τρόπο η τεχνητή νοημοσύνη γίνεται μέσο ενίσχυσης της κατανόησης και όχι συντόμευση της σκέψης. Η προσέγγιση ενισχύει, κατά τη συγγραφέα, την κριτική σκέψη, τη συνεργασία και τη γραμματισμό στα δεδομένα. Παράλληλα, προετοιμάζει τους μαθητές/μαθήτριες να δουν τον εαυτό τους ως μελλοντικούς/ές συμμετέχοντες/ουσες σε ένα επιστημονικό τοπίο που μετασχηματίζεται από αναδυόμενες τεχνολογίες. Η σύνδεση με την έρευνα, την ιατρική και τη βιοηθική κάνει τη σχολική βιολογία πιο ζωντανή και επίκαιρη. Τελικά, η αξία του άρθρου έγκειται στο ότι προτείνει μια εφαρμόσιμη παιδαγωγική γλώσσα για να μιλήσουμε για την AI χωρίς να χάσουμε τη βιολογία. Έτσι, το κείμενο αποτελεί ουσιαστική πρόταση για μια ανανεωμένη διδασκαλία της μοριακής βιολογίας στο λύκειο.

Μπορείτε να ανακτήσετε το πλήρες άρθρο, πατώντας εδώ.

Πιθανή διερευνητική δεξιότητα που μπορεί να καλλιεργηθεί: Η ερμηνεία και αξιολόγηση επιστημονικών μοντέλων και δεδομένων.

Αξιοποίηση για εκπαιδευτική χρήση μέσω διερευνητικής μάθησης
Μια κατάλληλη εφαρμογή για μαθητές/μαθήτριες 15–17 ετών είναι μια διερευνητική δραστηριότητα με κεντρικό ερώτημα: «Πώς μπορεί μια αλλαγή στην αλληλουχία αμινοξέων να επηρεάσει τη δομή και τη λειτουργία μιας πρωτεΐνης;». Στην αφόρμηση, ο/η εκπαιδευτικός παρουσιάζει δύο εικόνες: μία φυσιολογικής πρωτεΐνης και μία πρωτεΐνης με λανθασμένη αναδίπλωση, για παράδειγμα της CFTR, και ζητά από τους μαθητές/μαθήτριες να κάνουν πρώτες υποθέσεις για το τι μπορεί να αλλάζει. Στη φάση της διατύπωσης υποθέσεων, οι μαθητές/μαθήτριες σε μικρές ομάδες προτείνουν πώς μια διαγραφή ή αντικατάσταση αμινοξέος θα μπορούσε να μεταβάλει δεσμούς, αλληλεπιδράσεις και τελικά λειτουργία. Στη φάση συλλογής δεδομένων, κάθε ομάδα χρησιμοποιεί απλοποιημένο υλικό από UniProt και εικόνες AlphaFold που έχει προεπιλέξει ο/η εκπαιδευτικός, ώστε να εντοπίσει πολικές/μη πολικές περιοχές, κυστεΐνες, πιθανούς δισουλφιδικούς δεσμούς και περιοχές κρίσιμες για τη λειτουργία. Έπειτα οι μαθητές/μαθήτριες κατασκευάζουν ένα πρόχειρο φυσικό ή ψηφιακό μοντέλο της πρωτεΐνης και το συγκρίνουν με την προβλεπόμενη δομή. Στην ανάλυση, καταγράφουν ποιες μεταβολές στη δομή ενδέχεται να επηρεάζουν τη λειτουργία της πρωτεΐνης, συνδέοντάς τες με συμπτώματα ή κυτταρικές συνέπειες. Στην παρουσίαση, κάθε ομάδα υπερασπίζεται το μοντέλο της με βιολογικά τεκμήρια και απαντά σε ερωτήσεις από τις άλλες ομάδες. Στον αναστοχασμό, συζητούν πώς η τεχνητή νοημοσύνη βοηθά την έρευνα αλλά και γιατί δεν αρκεί από μόνη της χωρίς πειραματικό έλεγχο. Η δραστηριότητα ολοκληρώνεται με ατομικό σύντομο κείμενο στο οποίο οι μαθητές/μαθήτριες εξηγούν πώς συνδέονται η αλληλουχία, η δομή και η λειτουργία και πού ακριβώς ήταν χρήσιμη η AI στη διερεύνησή τους.

Αξιοποίηση μέσω διαφοροποιημένης διδασκαλίας και μάθησης
Η ίδια θεματική μπορεί να οργανωθεί διαφοροποιημένα με τρεις παράλληλες διαδρομές μάθησης. Η πρώτη διαδρομή, πιο οπτικοχειραπτική, απευθύνεται σε μαθητές/μαθήτριες που ωφελούνται από απτές αναπαραστάσεις: δουλεύουν με κιτ αμινοξέων, χάντρες ή χαρτονένια σχήματα και στόχο έχουν να αποδώσουν βασικές κατηγορίες αλληλεπιδράσεων και να εντοπίσουν πώς «διπλώνει» ένα τμήμα πρωτεΐνης. Η δεύτερη διαδρομή, πιο αναλυτική, απευθύνεται σε μαθητές/μαθήτριες που μπορούν να χειριστούν περισσότερα δεδομένα: εξετάζουν αλληλουχίες σε πίνακες, συγκρίνουν πρωτεΐνες μεταξύ ειδών, εντοπίζουν διατηρημένα αμινοξέα και εξηγούν γιατί ορισμένες θέσεις είναι κρίσιμες. Η τρίτη διαδρομή, πιο συνθετική και ερευνητική, απευθύνεται σε μαθητές/μαθήτριες που χρειάζονται μεγαλύτερη πρόκληση: μελετούν μια νόσο που σχετίζεται με λανθασμένη αναδίπλωση ή μια εφαρμογή CRISPR και ετοιμάζουν τεκμηριωμένη παρουσίαση για το πώς συμβάλλει η AI στη μελέτη ή στην παρέμβαση. Ο/η εκπαιδευτικός διαφοροποιεί και τα προϊόντα μάθησης: κάποιοι/ες παραδίδουν αφίσα, άλλοι/ες εννοιολογικό χάρτη, άλλοι/ες σύντομο επιστημονικό υπόμνημα ή προφορική παρουσίαση. Διαφοροποιείται επίσης η υποστήριξη, με έτοιμα λεξιλόγια όρων, ημιδομημένα φύλλα εργασίας, καθοδηγητικές ερωτήσεις και παραδείγματα για όσους/ες το χρειάζονται, ενώ για πιο προχωρημένους/ες παρέχονται ανοικτά ερωτήματα και συγκριτικά δεδομένα. Στο κοινό κλείσιμο, όλες οι ομάδες συνεισφέρουν σε έναν συλλογικό πίνακα με τρεις στήλες: «τι ξέρουμε από τα δεδομένα», «τι προβλέπει το μοντέλο», «τι χρειάζεται πειραματικό έλεγχο». Έτσι, κάθε μαθητής/μαθήτρια συμμετέχει από διαφορετική αφετηρία αλλά καταλήγει στον ίδιο βασικό επιστημονικό στόχο. Η διαφοροποιημένη αυτή οργάνωση είναι ιδιαίτερα κατάλληλη για τάξη λυκείου, επειδή επιτρέπει ταυτόχρονα εννοιολογική ακρίβεια, ενεργό συμμετοχή και αυθεντική σύνδεση με σύγχρονη βιολογία.