讓基因資料被正確理解—前處理在精準醫療中的角色與挑戰
讓基因資料被正確理解—前處理在精準醫療中的角色與挑戰
讓基因資料被正確理解—前處理在精準醫療中的角色與挑戰
醫工系 邱彥榕助理教授
現行精準醫療的研究上，基因體資料分析是不可或缺的基礎。無論是癌症的分型、免疫反應的預測，還是藥物反應的個人化的建議，這些決策背後往往仰賴一筆筆DNA定序、RNA定序、單細胞序列或空間轉錄體等定序定量資料所提供的資訊。然而，資料量的日益增加導致挑戰愈加明顯，研究者試圖以AI來解決問題。但使用AI前，基因體資料適合直接拿來分析嗎？
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？
為了解決這些問題，本團隊已整合多來源的數據，成功且有效地建立前處理流程。這其中包含從序列資料開始分析，到基因表現值的轉換與正規化，再到最關鍵的批次效應校正。本團隊在資料整合的過程中，運用了不同的模型架構來進行分佈轉換與對齊，讓原本來自不同來源與實驗批次的資料得以被投射到特定空間中，使得不同來源的相同細胞，能夠群聚，進而降低批次效應對下游分析的干擾，保留真正具有生物學意義的訊號。
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。
基因資料本身不會說話，但它們蘊藏著疾病的線索、生命的密碼與療癒的可能。我們試圖理解這些資料的脈絡，並找到合適的語言解釋疾病與健康的解方。要讓模型聽得懂、學得準，前提是給它乾淨、無偏且可信的資料，而這一切，當從最基本的資料「前處理」開始。