執行計畫 Ongoing Projects
2019.9-2024.8
科技部專題研究計畫 [愛因斯坦培植計畫]
2021.4-2022.3
國際合作研究計畫[日本京都大學-ICR]
Integrating omics data and module-based network with deep learning to develop cancer type predictive models
[Co-PI; 與交大生資所楊進木教授及日本京都大學化學研究所生物資訊中心 Prof. Akutsu共同合作]
2022.6-2023.5
產學合作案 [葡萄王生技股份有限公司]
猴頭菇萃取取物erinacine S 對神經類固醇含量提升之評估研究
研究目標 Research Objectives
建立疾病生物網路調控模型
SysMed.net 實驗室致力於將細胞內分子間的關係建構成生物網路調控模型,用於探討細胞內分子間如何透過交互作用來調控細胞行為,進一步結合疾病基因體/蛋白質體等多體學資料來探究疾病的發生原因
次世代精準癌症檢測及治療
腫瘤內異質性是造成癌症難以治療的關鍵原因之一,也是現今癌症檢測及治療極具挑戰的研究議題。
SysMed.net 實驗室針對個體患者、單細胞和藥物基因組學建立癌症聚焦網路模型,用於探討腫瘤內異質性機制,輔助醫藥產業開發個人化生物標記及新適應症藥物(或組合藥物),希冀未來能發展成癌症臨床治療決策之輔助工具。
研究方向及合作夥伴 Research Interests & Partners
主要研究成果 Research Results
蛋白質間交互作用、蛋白質模組及生物網路
隨著各種組學資料(Omics data)的快速增長,如何整合這些資料與生物網路來探討疾病機制成為當前的重要課題。然而絕大部分物種之交互作用體(Interactomes)並不完整;靜態的網路無法反映細胞內的變動尚未被解決。
解決方法
我們過去已發表多項新概念及新技術:
- 透過映射不同物種之交互作用實驗資料於特定物種,可精準預測蛋白質間交互作用、蛋白質模組及模組間交互作用,進而模擬真實細胞內的生物網路。蛋白質間交互作用家族(PPI family;發表於Nucleic Acids Research, 2009)和蛋白質模組家族(MoNetFamily;發表於Nucleic Acids Research, 2012)。
- 透過必要基因分析、模組變化分析及大規模基因共表現分析,我們成功發現蛋白質模組在生化網路的組成原則及變動行為(發表於Scientific Reports, 2015),該成果有助於生物學家找出細胞在特定狀態下(如癌症)的關鍵基因及潛在藥物標靶。
- 為了從全基因組表達譜資料中提取生物網路訊息,我們開發了單樣本網路推測方法來建立患者個人化的網路(SWEET;發表於Briefings in Bioinformatics, 2023),該成果有助於將網路醫學應用在臨床上,並促進個人化治療策略的研究。
計算腫瘤學及臨床診斷/治療之開發
至今,我們已應用所發展之概念及方法與國內外數個頂尖研究機構及公司合作進行臨床癌症研究,包含日本京都大學、澳洲Monash大學、Nvidia AI Technology Center (日本及新加坡)與台北醫學大學。
合作
- 我們與北醫共同發展一個系統化整合計算模型,透過分析15種癌症5,922腫瘤基因表現資料及臨床資訊,大規模針對2,594個人類膜蛋白預測並建立其癌症膜蛋白調控網路(發表於Nature Communications, 2019),可進一步用於探討癌症同質/異質性及發展15種癌症的預後生物標記組與藥物標靶蛋白;我們更透過此系統成功找到一個新穎抑制劑 (舊藥新用;美國專利申請中),可有效抑制乳癌轉移發生。
- 我們與日本NVIDIA公司共同合作透過深度學習(Deep Learning)開發AI 智慧演算模型,藉由分析腫瘤基因體大數據資料進行癌症亞型精準檢測技術,可應用於患者癌症亞群及單細胞分類甚至是臨床資訊預測(發表於Journal of Bioinformatics and Computational Biology, 2019)。