让基因资料被正确理解—前处理在精準医疗中的角色与挑战
让基因资料被正确理解—前处理在精準医疗中的角色与挑战
让基因资料被正确理解—前处理在精準医疗中的角色与挑战
医工系 邱彦榕助理教授
现行精準医疗的研究上，基因体资料分析是不可或缺的基础。无论是癌症的分型、免疫反应的预测，还是药物反应的个人化的建议，这些决策背后往往仰赖一笔笔顿狈础定序、搁狈础定序、单细胞序列或空间转录体等定序定量资料所提供的资讯。然而，资料量的日益增加导致挑战愈加明显，研究者试图以础滨来解决问题。但使用础滨前，基因体资料适合直接拿来分析吗？
本團隊的研究核心，在於「AI訓練前的第一步：基因體資料的前處理」。雖然此環節經常被視為準備工作，但它影響智慧醫療能否真正落實。基因體資料前處理至關重要，例如：在不同實驗、平台、時間與場所中取得的基因資料，常混入技術性雜訊，稱之為批次效應（batch effect）。批次效應的產生原因很多，包含儀器設備差異、樣本處理流程、定序平台、甚至分析人員的操作習慣。這些因素往往會在無聲無息中影響基因表現的分析結果，使得資料之間存在「非生物性」的系統性偏移。若未經妥善處理，AI模型很可能會學習到錯誤的規則，把技術誤差估計成疾病訊號，導致預測偏差，甚至無法在不同資料集之間通用。既然這些珍貴的資料已經存在，為何不好好利用？
為了解决这些问题，本团队已整合多来源的数据，成功且有效地建立前处理流程。这其中包含从序列资料开始分析，到基因表现值的转换与正规化，再到最关键的批次效应校正。本团队在资料整合的过程中，运用了不同的模型架构来进行分佈转换与对齐，让原本来自不同来源与实验批次的资料得以被投射到特定空间中，使得不同来源的相同细胞，能够群聚，进而降低批次效应对下游分析的干扰，保留真正具有生物学意义的讯号。
這些方法仍在持續優化之中，唯就目前的肝癌相關的研究成果中，本團隊成功整合來自不同公開資料庫的bulk RNA-Seq分析，發現與免疫細胞浸潤相關的表現趨勢。此外，本團隊亦已建立單細胞定序資料的整合分析，利用批次去除的演算法減少不同數據來源的系統錯誤，建立預測模型，用於估算大規模組織樣本中的細胞組成，進一步解讀腫瘤微環境中的異質性。目前，我們正嘗試系統性分析多來源的癌症基因體數據與其藥物反應結果，試圖預測癌症患者的預後。
未來，本團隊將發展利用Foundation Models進行前處理分析，因為這些模型具備上下文理解與跨結構資訊整合的能力，若能有效應用於基因體資料，相信更有潛力協助進行批次來源辨識、樣本間分布對齊，甚至分析細胞組成與多模態資料整合。
基因资料本身不会说话，但它们蕴藏着疾病的线索、生命的密码与疗癒的可能。我们试图理解这些资料的脉络，并找到合适的语言解释疾病与健康的解方。要让模型听得懂、学得準，前提是给它乾净、无偏且可信的资料，而这一切，当从最基本的资料「前处理」开始。