推薦哈佛大學應用電腦科學研究所(IACS) 2018-1-16的 數位醫師(The Digital Doctor)研討會錄影

 長庚大學 教授 林口長庚醫院 主治醫師 王子豪

 

2018年1月16日到1月19日是哈佛大學應用電腦科學研究所(Institute for Applied Computational Science, IACS) 舉辦的2018電腦節 (ComputeFest 2018)。首日的重頭戲就是一整天的研討會,主題是:數位醫師:人工智慧和大數據時代的醫療 (The Digital Doctor: Health Care in an Age of AI and Big Data)。1/17到1/19是開放給哈佛相關人員的 Skill Building Workshop,1/18到1/19另有只開放給哈佛學生的Student Data Challenge。

 

推薦哈佛討論會錄影_1

 

演講人除了Emery Brown是麻醉科和電腦科學的雙料教授外,其他人的主要專長在於電腦科學和數據科學,但他們都透過和醫療人員的合作,從跨領域的交流中,獲知人工智慧和大數據對醫療可能產生的沖擊。因為IACS的這場硏究會賦有促進學術交流的教育目的,1/16當天的演講錄影開放在YouTube供全球人士免費聆聽。我個人覺得:聆聽國際研討會的錄影,從演講中所獲得的心得要比出國親自到場參加的更多,因為不但沒有時差打瞌睡的問題,聽不懂的還可以一再反覆聆聽,重要的投影片也可以暫停來詳加閱讀。

 

推薦哈佛討論會錄影_2

 

首位演講者(Finale Doshi-Velez, PhD)演講的主題是 “醫療照護的加強學習:挑戰和機會” (https://www.youtube.com/watch?v=OsGxPVYR2xo&feature=youtu.be)。她把機器學習應用於愛滋病人的藥物治療最優化,從測試組獲得的演算法應用在其他獨立族群上,果然效果良好。這樣的經驗顯示:深諳機器學習或人工智慧的人員,可參考演講者的執行經驗,找醫師合作,針對特定醫療問題來提出解決。值得一提的是,演講者將上述開發的演算化應用於較複雜的臨床問題,例如加護病房發生的敗血症時,她的研究結果卻顯示:有人工智慧參與決策的病人預後,並未獲得改善。人工智慧雖然有 “總結許多病人的病史,從中來預測可能的長期預後”的強處,但她的結論是:在當今醫療體系中,只能把AI當作醫療團隊的一個成員,利用此專長來協助醫師下醫療決策。

 

 

醫療照護的加強學習:挑戰和機會

第二位演講者(Mathew Might, PhD.)曾經是歐巴馬總統的精準醫學決策顧問,現任阿拉巴馬大學(University of Alabama at Birmingham)個人化醫學所所長,在其演講 “精準醫學的演算法 (The Algorithm for Precision Medicine)  (https://www.youtube.com/watch?v=0rXcQweD23M&feature=youtu.be) 中,他以他兒子的罕見疾病(NGLY1基因發生錯義突變)的實例,來闡述精準醫學時代,罕見疾病病人和家屬的可能境遇。從這個演講,我們同時也可以看到網路媒介的龐大潛力,通過它可找到散佈在世界各地的潛在同類患者;更有啟發意義的是:即使是罕見疾病,一旦機制弄到很清楚,還是會有藥廠願意為這樣的「小眾疾病」開發治療藥物。

精準醫學的演算法

第三位演講者(John S. Brwonstein, PhD.) 是哈佛醫學院的創新長(Chief Innovation Officer),在其演講 用人工智慧來優化患者旅程” (Optimizing the patient journey with AI) (https://www.youtube.com/watch?v=DJwTudmdxcs&feature=youtu.be) 中,強調病人的數位表現型(Digital phenotype)的觀念。數位表現型不只是病患的電子病歷,也必須納入個人穿戴式器具收集的活動數據、生活型態、實時間的生理變化,更包括從網路社交媒介經由文字探勘所萃取出的訊息。HealthMap是2006年波士頓兒童醫院開發出來的資訊網頁,利用人工智慧來處理上述的大數據,有助於即時監控疾病的爆發和公共衛生威脅,甚至比各國政府的衛生機關更能夠提供即時的訊息。

用人工智慧來優化患者旅程

第四位演講者(Marzyeh Ghassemi, PhD.) 在其演講 表現體學是新的基因體學(Phenomics is the New Genomics) (https://www.youtube.com/watch?v=XKE8UY4_lWw&feature=youtu.be) 中,強調了從醫療體系中要萃取出知識的困難,因為醫療數據非常異質性、資料也常常不完全、記錄也不一定完整,所以要判讀這些資料,專業知識 (domain knowledge)非常重要,數據科學家最好有醫師合作。她舉出的一個例子:一個研究應用機器學習發現,氣喘病人比較不會死於肺炎。結果真正的原因是,醫師知道氣喘病人比較有肺炎的高風險,所以會積極的以抗生素治療氣喘病人;根本不是氣喘能夠減少肺炎的發生。她的研究用了ICU資料 MIMIC III ICU data,這是哈佛附設醫院 Beth Israel Deaconess Medical Center研究人員利用某時期加護病房病人的真正數據,模擬出來的一組資料,可供全球數據科學家用來開發和測試演算法。她也強調收集數位表現型(digital phenotyping) 的重要性,尤其是要利用各種穿戴式器具、合併應用程式(mobile App),來收集到個人的行為數據。

表現體學是新的基因體學

美國五大科技公司(Apple, Amazon, Facebook, Google, Microsoft)都努力提供全球網友各種免費網路App,收集各式各樣的個人健康醫療數據,再利用其強大的電腦運算能力,盛大進軍於健康醫療事業。從第五位演講者(Jennifer Chayes, PhD.)的演講 機器學習在癌症免疫治療的挑戰和機會” (Challenges and Opportunities for Machine Learning in Cancer Immunotherapy) (https://www.youtube.com/watch?v=rWPS7pmrq88&feature=youtu.be) 中,我們感覺Microsoft採取的策略似乎比較傳統:Microsoft 和Adaptive Biotechnologies合作,用基因體學和蛋白質體學來分析人類靜脈血的T細胞,以機器學習來處理獲得的龐大數據,希望能夠回答兩個癌症免疫治療的重要問題:預測癌細胞新生抗原(neoantigens)的免疫原性,和預測癌病人對檢查點抑制劑(check point inhibitors)的免疫療效。

機器學習在癌症免疫治療的挑戰和機會

第六位演講者(Emery Brown, MD., PhD.) 是哈佛醫學院的麻醉學教授和MIT的電腦神經科學教授。在其演講 解碼麻醉中的人腦動力學” (Deciphering the Dynamics of the Anesthetized Brain: A Case Study in Statistical and Mathematical Modeling) (https://www.youtube.com/watch?v=8Cm3KYBvpwo&feature=youtu.be) 中,他展示了應用資訊科學的演算法來解析腦波所呈現的人腦神經科學,而麻醉可以降低其他器官動作衍生的腦波雜訊。這個演講所用的實例,涉及許多麻醉學和麻醉藥物的專業知識,如非麻醉科醫師可能較不易了解;但是即使是非麻醉專業人員,也可以體認:資訊科學在神經科學是一個非常重要的工具。

解碼麻醉中的人腦動力學

第七個時段是綜合討論 (Panel Discussion: Opportunities and Challenges) (https://www.youtube.com/watch?v=spiLqAlAJuQ&feature=youtu.be)。許多人參加研討會,聽完知名學者的主題演講就走人了;但在這天的研討會,如果錯過這個綜合討論就太可惜了,因為這個時段討論到許多深具啟發性的議題。

  • 如何取得有用的醫療資料?因為要保護病患隱私,現在醫療資訊大多只優化於醫療給付系統(billing system,例如美國的保險給付或台灣的健保給付),其他的醫療資訊串聯,都非常的困難。然而為了醫學研究、改善治療預後、或促進人口健康(population health) ,至少都需要將多樣的醫療資訊串聯,並讓不同醫療機構能有效地分享資訊(data sharing),才能獲得有用的洞見。若進一步要協助開發更好的藥物或診斷工具,這些資料更要分享到藥廠與生技產業界。執行面上,要鼓勵醫療資料分享,除了必須解決病患隱私的保護以外,最實際的是要提出利益誘因(incentives),不同醫療機構才會考慮加入。台灣的醫療生態,因為全民健保是超大的給付者,以其為中心來推動醫療資料的整合,應該是很可行的。
  • 未來醫師如何準備來面對資訊時代?與會學者也討論到如何提供機器學習課程給未來的醫師(現在的醫學生),讓他們有能力來駕馭一定會面對到的龐大資訊,並應用於其醫療專業。講者和與會學者都提出一些方案,例如:提供電腦科學、數據科學、統計學的碩士學程給醫學生。但是也許這些教育家是多慮了,因為下述這個實例顯示:世界一流的醫學生早已體認自己的這種需求。哈佛醫學系給第三年醫學生開了一門選修課Computation in Medicine,嚴格要求選課者必須先具備R語言程式設計和統計學能力才可選修,開課老師原預期能來修課的人寥寥無幾,結果開放選修一星期就已經額滿。
  • 如何協助醫師掌握各式各樣的醫療資訊? 一位與會者提到一篇2003年研究顯示:在美國的醫學中心的醫師,平均一年只讀1.2到1.5篇研究論文,而醫學中心以外的醫師幾乎完全不讀研究論文,所以他很擔心如何讓現代的醫師掌握各種有用的跨領域資訊。一位演講者答覆:逃避困難是天性,每個人都喜歡過輕鬆的日子,所以提供教育者應該要把資訊整理得令人可親近,容易了解。對此,我也深有同感,事實上這也是台灣精準醫學學會(Taiwan Precision Medicine Society, TPMS) 成立的目標之一。所以,我們在學會的網頁(www.tpms.org.tw)上,整理好各種精準醫學相關的資訊。例如,將各種執行精準醫學的短片整理在「精準醫學科技」專欄,在「新知分享」的專欄中摘要精準醫學相關的最新論文,在「推薦影片」專欄列出國際上精準醫學的演講,而在「會員專區」裡可以聆聽本學會辦過的研討會的每一場演講。
  • 什麼是非傳統性的健康醫療數據?多位演講者提到數位表現型(digital phenotypes),而每一個人的數位表現型,除了各自的電子醫療紀錄外,還包括從個人穿戴器具所收集到的各種生理數據、睡眠與運動的時間和品質,現在更包括從社交媒體和網路搜尋 (Facebook, Twitter, Google Search, Line)所透露出來的資訊。就像一位演講者舉例的HealthMaps,就能根據網友的網路搜尋和地方報導,來了解全球各地的公共衛生或疾病爆發,並能用於預測未來的人口健康。除此之外,在下列的情況,收集這些資料更有益於使用者的促進健康。
  • 如何激勵個人應用自己的數據來促進健康?一位講者提到:年長者如果能經常獲得血壓和血糖資料,最能有效預防慢性疾病。一位與會者提到,我們都擁有一些保健知識,但要如何實踐這些知識來促進健康卻非常不容易;演講者回覆:利用上述的非傳統性健康醫療數據,設計一些簡單實用的App,將有助於激勵使用者利用自己的數據來促進健康。例如,讓一個人知道自己的運動量,在一萬名相同年紀和性別的族群裡,是排名最後10%,對某些人應該會產生同儕壓力,而激發他開始運動。事實上,這些數據的收集真的已用在健康促進網了:我女兒買了一個人壽保險,保險公司就送給她一個Applewatch,並開始收集她的數據,當她的運動量越高就能夠獲得越多點數,當累積點數到一個程度,每個月的保費就能降低。這的確能非常有效地激勵個人促進健康,當然保險公司也能夠收集非常值錢的大眾健康資料。

綜合討論

Immunotherapy Biomarkers and Patient Selection

影片標題: Immunotherapy Biomarkers and Patient Selection

演講人: Dr. Julie Brahmer, Johns Hopkins University

演講會議和時間:2016-01-20

 影片推薦人:中國醫藥大學 放射腫瘤科 陳尚文醫師

影片來源: https://www.youtube.com/watch?v=jVdyAb0jVo0&t=1145s

美國Johns Hopkins University的 Dr. Julie Brahmer以臨床醫師的角度討論癌症免疫治療的生物標記。近年來免疫檢查點療法能顯著延長黑色素瘤、肺癌、腎臟癌、膀胱癌、淋巴癌、及頭頸癌病患存活時間。但問題是仍有7至8成病患反應不佳,再加上免疫治療的費用昂貴,都使其在臨床上使用上受到限制。因此如何提高癌症免疫治療療效,及發展以生物標記導向的精準醫學癌症免疫治療為當今癌病臨床研究的重要課題。影片中以1)腫瘤組織的 program cell death ligand 1 (PD-L1) 及2)腫瘤之基因突變量(mutation burden)為討論重點,解釋生物標記作為個人化癌症免疫治療用藥的效用與限制。

 

Immunotherapy Biomarkers and Patient Selection_1

 

 

Immunotherapy Biomarkers and Patient Selection_2

Secrets of the Human Genome

影片標題: 2017 Killian Lecture: Eric Lander,

     "Secrets of the Human Genome"

演講人:Eric Lander , M.D. President and Founding Director, MIT and Harvard Broad Institute

演講會議和時間:2017 Killian Lecture , 2017-02-23  

影片推薦人:中國醫藥大學 放射腫瘤科 陳尚文醫師

影片來源: https://www.youtube.com/watch?v=ztMBrL21bP4

 

 

  Dr Eric Lander 教授為美國 Broad Institute of MIT and Harvard 之創始總監(founding director),他也是 human genome project 的領導者。在此60分的演講中,他首先介紹Broad Institute of MIT之研究團隊,接下詳細說明研究生涯所經歷的不同基因發展里程碑及基因體研究對4種常見疾病的致病機轉(圖2),最後敘述基因體研究如何影響美國對精準醫學政策的制定。

secrect of the human genome1
圖1 從事基因體的研究,研究者不一定必須在提出機轉的假說後才能進行研究

 

圖2  Eric Lander 的研究生涯所經歷的不同基因體發展里程碑
圖2 Eric Lander 的研究生涯所經歷的不同基因體發展里程碑

 

圖3. common variants association study(CVAS) 與rare variants association study(RVAS)對研究常見疾病的致病機轉同等重要
圖3. common variants association study(CVAS) 與rare variants association study(RVAS)對研究常見疾病的致病機轉同等重要

 

圖4. 缺血性心臟病之基因體發展策略及藥物發展
圖4. 缺血性心臟病之基因體發展策略及藥物發展

 

 

secrect of the human genome5
圖5. 樣本數的增加使導致精神分裂症的突變基因之研究成果露出曙光,這說明常見疾病的致病機轉的研究發現與大樣本數的使用是有密切相關

 

圖6. 基因體的研究使人類發現精神分裂症的致病機轉,與腦內complement (C4A) 的表現高低導致突觸發展障礙有關
圖6. 基因體的研究使人類發現精神分裂症的致病機轉,與腦內complement (C4A) 的表現高低導致突觸發展障礙有關

 

Biological Sequence Analysis I – Andy Baxevanis

影片標題: Biological Sequence Analysis I - Andy Baxevanis

演講人: Andy Baxevanis, Ph.D,National Human Genome Research Institute

演講會議和時間:Current Topics in Genomics Analysis 2016 Lecture Series , 2016-02-17

 影片推薦人:銘傳大學 生物科學糸 李御賢教授

影片來源: https://www.youtube.com/watch?v=jVdyAb0jVo0&t=1145s

Andy Baxevanis教授在二周的課程中,提供生物資訊學基礎。第一周的課程主要包含Alignment的原理,BLAST的原理與NCBI BLAST的應用,三大部份,說明如下:

PART1: Alignment (DNA or Amino Acid 相似性的定量測量) 的原理:

  1. 可以找到Polymorphism, insertion and deletion (InDel) 的位置。
  2. 兩序列共同的演化歷史和生物學功能的共同性。

推薦影片1

 

1.Homologs (同源)的定義

  1. Homologs:是二序列有沒有Homologous,而不是二序列 Homologous 有多少比例。
  2. 當我們有兩種序列被稱為Homologous(同源),這意味著它們的基因可能從一個共同的祖先出現。推薦影片2
  3. Orthologs vs paralogs:

         Orthologs:       不同物種間的同源序列。

         Paralogs:         同物種間的同源序列。

推薦影片3

 

2.何決定二序列Alignment好不好:而Alignment的score計算,要用到score matrix,gap分別說明如後。而score的例子如下圖。

推薦影片

推薦影片4

 

3.Score matrix:用Score matrix 可以用來定義兩個Amino acid (or nucleotide) 的相似性,而Score matrix是依據conservation (amino acid性質)或演化出現的frequency計算。

推薦影片5

  1. 而針對不同的目的,要使用不同的Score matrix,如下圖BLOSUM90是應用在找高相似的短片段序列,而BLOSUM30應用在找相似較低的長片段。如NCBI BLASTP的預設值為: BLOSUM62。推薦影片6
  2. Andy Baxevanis教授強調,沒有一種score matrix可以應用在所有的序列比對分析,因此依據上圖的基本概念,改變所要使用的score matrix。

推薦影片7

 

4.Gap:gap的評分,都是扣分,而gap有opening與extension兩種。

An origination penalty (gap opening) for starting a new series of gaps in one of the sequences being aligned (連續 Gap 的個數算一個)

A length penalty (gap extension) that depends on the number of sequential missing characters (每個Gap 都算)

在NCBI BLAST的預設值如下圖。

推薦影片8

PART2: BLAST (Basic local alignment search tool) 的原理

BLAST:它是一個用來比對生物序列的一級結構(如不同蛋白質的胺基酸序列或不同基因的DNA序列)的算法。 已知一個包含若干序列的資料庫,BLAST可以讓研究者在其中尋找與其感興趣的序列相同或類似的序列。 例如如果某種非人動物的一個以前未知的基因被發現,研究者一般會在人類基因組中做一個BLAST搜尋來確認人類是否包含類似的基因(通過序列的相似性),BLAST演算法以及實現它的程式由美國國家生物技術資訊中心(NCBI)開發[維基百科]

 推薦影片9

而NCBI BLAST依據Query sequences (你的序列),Target sequences (資料庫的序列)的種類不同(nucleotide or protein) 而有6種演算法。

推薦影片10

而Andy Baxevanis教授告訴我們,在BLAST中,使用Alignment所得到的score值與Alignment到的序列長度,可能並不能代表你要找尋的序列。

推薦影片11

經過一番的計算與說明,BLAST使用Probabilities 的E值,來排序所找到的序列。而E值的建議值如下圖。而E值的計算,原則上同時看”Alignment所得到的score值”(下圖Y軸為cumulative score值) 與 ”Alignment到的序列長度” (下圖X軸)。

推薦影片12

 

PART3: NCBI BLAST的應用

  1. NCBI BLAST的資料庫種類,如下圖 (upper是nucleotide,lower是protein)。

 

推薦影片13推薦影片14

為簡化BLAST結果的複雜性,建議使用refSeq,而refSeq的說明如下圖。

推薦影片15

而refSeq的accession number有特定的字首,如下圖。

推薦影片16

 

2.BLAST的設定,再來說明BLASTP的設定,而scoring matrix (BLOSM62),Gap cost在PART1,已經有說明。而low complexity region 預設值是不選。而建義可以考慮選取。

推薦影片17

low complexity region 預設值是不要filter。而建義可以考慮filter的原因,如下圖,主要是。low complexity region常常會有biased sequences造成false positive的結果。

 

推薦影片18

 

而BLAST的cutoff數值,建議如下圖。

推薦影片19

3.NCBI也可以進行二序列的比較à BLAST2SEQ,如下圖,要選取Align two or more sequences。

推薦影片20

 

4.依據query sequences(你的序列)的長短,要使用不同的score matrix (+/-, + match score, -:mismatch score) 與gap分數 (opening and extension penality),

長序列/高相似序列 (>95%)         ->  MegaBLAST (預設值)

不同物種間/中度相似(<80%)         ->   Discontiguous MegaBLAST/BLASTN

短序列 (<20 base)                           ->    BLASTN

推薦影片21

5. UCSC Genome Browser BLAT與NCBI BLAST的異同。

推薦影片22

而BLAT的使用時機,如下圖。

推薦影片23

 

Precision Medicine: the Promise, the Journey, the Future

影片標題:Precision Medicine: the Promise, the Journey, the Future

演講人: Eric Lander , M.D. President and Founding Director, MIT and Harvard Broad Institute

演講會議和時間: The Aspen Institute lunchtime conversation, 2016-04-18  

影片推薦人:中國醫藥大學 放射腫瘤科 陳尚文醫師

影片來源: https://www.youtube.com/watch?v=Rfh-0xlVCpo&t=3829s

  Dr. Eric Lander 是美國Human Genome Project的領導者,他的團隊於基因定序的方法,以及研究基因定序在在癌症、糖尿病等疾病的致病機轉上,有卓越的貢獻。在此精彩的論談中,他首先回顧Human Genome Project發展的過程,並以精準醫學在轉移性乳癌藥物應用上的突破為例,說明病人臨床研究的參與與大數據資源的共享為人類帶來的治療精進的契機。接下來提及決定與限制21世紀人類科學發展的因素,包括團隊合作、獎勵、專利、動機、資源共享等。 最後他論述基因工程之CRISPR技術對人類健康及自然生態可能的衝擊,並簡述表觀遺傳學(epigenetics)對人類疾病的影響。 

Precision Medicine- the Promise, the Journey, the Future

Identifying the Genomic Basis of Rare Diseases

影片標題:Identifying the Genomic Basis of Rare Diseases

演講人: David Valle , M.D. The Johns Hopkins University School of Medicine

演講會議和時間:Current Topics in Genome Analysis 2016 Lecture Series , 2016-04-13  

影片推薦人:中國醫藥大學 放射腫瘤科 陳尚文醫師

影片來源: https://www.youtube.com/watch?v=igZ2uATCNXI&t=99s

 

Discovery of genetic basis of Mendelian disorder

  在此2016年的美國NHGRI的特別演講中,Johns Hopkins 大學的 Dr. David Valle很詳細的介紹基因體學於孟德爾遺傳性疾病 (Mendelian disorder) 的角色。孟德爾遺傳性疾病是屬罕見疾病,許多患者於年紀很輕時就發病,但非每位患者都能早期得到確定的診斷,目前的研究成果已經開啟了利用基因定序突破診斷盲點的道路,他的演講有3個重點:

  1. 孟德爾遺傳性疾病的特徵
  2. 臨床基因定序(DNA sequencing) 的型態
  3. 基因體學於孟德爾遺傳性疾病的研究結果
圖1 孟德爾遺傳性疾病的特徵
圖1 孟德爾遺傳性疾病的特徵

 

Identifying the Genomic Basis of Rare Diseases3
圖2 目前基因定序的型態(2A)及應用實例(2B)

 

Identifying the Genomic Basis of Rare Diseases4
圖3 外顯子測序 (exome sequencing)的研究發現(2實例)

 

圖4 基因定序的精準醫學於孟德爾遺傳性疾病的優點
圖4 基因定序的精準醫學於孟德爾遺傳性疾病的優點

 

Identifying the Genomic Basis of Rare Diseases7
圖5 目前基因體學於孟德爾遺傳性疾病的研究成果 (5A 與5B)

Wearables and the Wired Person

影片標題:Wearables and the Wired Person

演講人: Michael Snyder, Stanford University

演講會議和時間:TED conference format(TEDxHarkerSchool) , 2015-12-17  

影片推薦人:中國醫藥大學 放射腫瘤科 陳尚文醫師

影片來源: https://www.youtube.com/watch?v=d70Wm_-JDcA

 

 

  Stanford大學Michael Snyder博士生動活潑的說明穿戴式技術在精準醫學的發展,且以圖示介紹許多穿戴式設備(wearable device)。未來穿戴式設備除了監視人類的健康外,也可提醒人類吃了多少熱量,用什麼方式提升運動的效能。手機可作為行控中心,告訴你該做什麼,也可將個人的有關健康的資訊提供負責個人健康的醫師參考。

圖1  手錶是一種最常使用之穿戴式設備
圖1 手錶是一種最常使用之穿戴式設備

 

圖2  穿戴式設備可監測個人吃了多少熱量
圖2 穿戴式設備可監測個人吃了多少熱量

 

圖3  手機可作為行控中心,告訴你該做什麼來增加健康
圖3 手機可作為行控中心,告訴你該做什麼來增加健康

 

圖4  穿戴式設備可提升運動的效能
圖4 穿戴式設備可提升運動的效能

 

圖5  有穿戴式設備的人
圖5 有穿戴式設備的人

Using your genome sequence and big data to manage your health

影片標題:

Using your genome sequence and big data to manage your health

演講人:

 Michael Snyder, Stanford University

演講會議和時間:

TED conference format (TEDxGunnHighSchool), 2015-2-20

影片推薦人:

中國醫藥大學 放射腫瘤科 陳尚文醫師

影片來源:

https://www.youtube.com/watch?v=JFunUF2lnC8

 

  Stanford大學Michael Snyder博士以淺顯易懂的方式敘述幾個重點: 1) 基因體學在癌病上的應用、2) 個人體學表現 (personal omics profile)在預測疾病上的表現,他以糖尿病為實例、3) 表觀遺傳學(epigenetics): 透過生活模式或環境機制引起基因表達或細胞表現型的變化、4) 人體消化道微生物相(microbiome): 其功能包括協助和分解養分及調節免疫系統,與基因體與表觀遺傳學存在交互作用。他的演講內容簡要豐富,可使初學者瞭解精準醫學的範疇及未來人類醫學所扮演的角色。

圖1  健康決定於個人的基因體與環境機制
圖1 健康決定於個人的基因體與環境機制

 

圖2  個人體學表現都是精準醫學研究的範疇
圖2 個人體學表現都是精準醫學研究的範疇

 

圖3  精準醫學預測糖尿病病程發展的生物機制
圖3 精準醫學預測糖尿病病程發展的生物機制

 

圖4  表觀遺傳學常與DNA的甲基化(methylation)有關
圖4 表觀遺傳學常與DNA的甲基化(methylation)有關

 

圖5  人體消化道微生物相
圖5 人體消化道微生物相

Personalized prescriptions

影片標題:Personalized prescriptions

演講人: Dr. Russ Altman, Stanford University

演講會議和時間:

TED conference format (TEDxStanford), 2013-6-20

影片推薦人:中國醫藥大學 放射腫瘤科 陳尚文醫師

影片來源: https://www.youtube.com/watch?v=X1iKibDqtck

  Stanford 大學Dr. Russ Altman以生動的演講說明精準醫學在用藥的效能與安全(pharmogogenetics)上的角色。他以止痛藥codeine 為例,有些人使用後效果不彰,有些人副作用較大,都可能與肝臟之代謝酵素 CYP2D6 的活性有關,而人類基因體差異可能影響此酵素的活性,進而影響用藥的效果,最後他建議成立專責的協會統合pharmogogenetics,並依精準醫學的概念建立醫師用藥的準則。

Personalized prescriptions-1

Beyond Accurate: Embracing Precision Medicine

影片標題:Beyond Accurate: Embracing Precision Medicine

演講人: Dr. Dave Vigerust

演講會議和時間:TED conference format (TEDxNashville), 2016-6-2

影片推薦人:中國醫藥大學 放射腫瘤科 陳尚文醫師

影片來源: https://www.youtube.com/watch?v=AIjU6VtpVO4

  Dr. Dave Vigerust 以清楚生動的說明人類未來健康照顧必須進展精準醫學,不單只是用對的藥或正確的治療策略(accurate medicine)。首先他簡述精準醫學可提升用藥的效能與安全(pharmocogenetics),接下來他強調及時的使用精準醫學觀念取代傳統治療失敗後再考慮精準醫學,應可再提高癌病的藥物的治療效果,最後引用基因工程中CRISPR的模式解釋未來許多疾病可以針對錯誤的基因進行修復,而返轉疾病的惡化。

圖1  Pharmogogenetics 近年來快速的發展
圖1 Pharmogogenetics 近年來快速的發展

 

圖2  經由 next generation sequencing篩選上人類數萬個基因中的少數目標基因,而精準的診斷某一疾病
圖2 經由 next generation sequencing篩選上人類數萬個基因中的少數目標基因,而精準的診斷某一疾病

 

Beyond Accurate-Embracing Precision Medicine 4

Beyond Accurate-Embracing Precision Medicine 3
圖3 未來許多疾病可以針對錯誤的基因進行修復,而返轉疾病的惡化