執行中計畫 Ongoing Projects

2019.9-2024.8

科技部專題研究計畫 [愛因斯坦培植計畫]

2024.4-2025.3

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]

研究主軸 Research Projects

從基因/蛋白質細胞間交互作用到建立疾病調控網路模型

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。我們已發表多項新概念及新技術,例如: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。

構建患者數位分身應用於個人化臨床診斷及治療

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。藉由計算網路中藥物相關基因與生物途徑的接近程度,預測相關藥物反應。近年來,我們團隊與三總及北醫攜手進行臨床試驗合作,透過患者個體或單細胞之多體學資料,以患者個體網路模型 (SWEET;發表於Briefings in Bioinformatics, 2023)與開發中的單細胞網路模型 (SINUM & CHOSEN) 為基礎,透過所開發之基因集相關性富集分析 方法(Gscore ;發表於Nucleic Acids Research, 2024)辨識治療藥物之作用生化途徑,進一步結合機器/深度學習構建患者數位分身 (Digital Twin),用於發展次世代精準醫療決策輔助系統,提供患者個人化疾病進程模擬、藥物療效預測以及預後評估。

研究方向及合作夥伴 Research Interests & Partners

實驗室已應用所發展之概念及方法與國內外數個頂尖機構及企業具長期合作關係,包含日本京都大學、澳洲蒙納許大學、Nvidia AI Technology Center (日本及新加坡)、台北醫學大學、三軍總醫院、台北榮民總醫院、高雄醫學院等,例如:我們與北醫共同發展一個系統化整合模型,透過分析15種癌症並針對2,594個人類膜蛋白預測並建立其癌症膜蛋白調控網路(CaMPNets;發表於Nature Communications, 2019);我們更透過此系統成功找到一個新穎抑制劑 (舊藥新用;已獲得兩項專利【專利號:I713875 & I736452 】),可有效抑制乳癌轉移發生。目前與合作夥伴共同發表18篇國際期刊,並每年提供實驗室優秀學生或研究人員前往日本京都大學生物資訊中心交流訪問的機會(由科技部愛因斯坦培植計畫支持)。

合作共同發表
  1. 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(CaMPNets;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;已獲得兩項專利),可有效抑制乳癌轉移發生。
  2. 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)。
  3. 與臺北榮民總醫院合作,應用並成功揭示頭頸癌病患的鐵依賴性死亡、上皮細胞間質轉化以及免疫特徵的相關性 (發表於Advanced Science, 2023)。

主要研究成果 Research Results

從基因/蛋白質細胞間交互作用到建立疾病調控網路模型

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。我們過去已發表多項新概念及新技術:

成果發表
  1. 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)。
  2. 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。
  3. 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(CaMPNets;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;已獲得兩項專利),可有效抑制乳癌轉移發生。
  4. 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)。
  5. 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。
  6. 我們與日本京都大學合作開發多個布爾網路中的共同吸引子辨識模型,這些模型模型可進一步為探索腫瘤的同質性和異質性提供線索(發表於IEEE-ACM Transactions on Computational Biology and Bioinformatics, 2023)。

構建患者數位分身應用於個人化臨床診斷及治療

透過患者個體或單細胞之多體學資料,以患者個體網路模型 (SWEET與開發中的單細胞網路模型 (SINUM & CHOSEN) 為基礎,透過所開發之基因集相關性富集分析 方法(Gscore )辨識治療藥物之作用生化途徑,進一步結合機器/深度學習構建患者數位分身 (Digital Twin),用於發展次世代精準醫療決策輔助系統,提供患者個人化疾病進程模擬、藥物療效預測以及預後評估。

成果發表
  1. 為了解決功能基因集大小的依賴和受到生物網路不完整性的限制,並且需要自行選擇背景網路的限制,我們開發基因集相關性富集分析(Gscore ;發表於Nucleic Acids Research, 2024),並建立了網頁服務器工具(https://gscore.ibsb.nycu.edu.tw/),該成果從基因表達資料中提取一定見解的策略,並為癌症應用的進一步研究和臨床轉化提供了許多線索
  2. 我們發展了全新的SINUM方法,利用MI度量構建單細胞網路,並驗證了在分群分析上,SINUM方法相較於過去的CSN方法與傳統基因表現分析,具有更高的準確性。我們的方法不只能夠在單細胞解析度上用來識別基因之間的關係,更是擁有挖掘潛藏關鍵基因的能力。此研究目前已於BMC Bioinformatics國際期刊進行到編輯最後評估階段。
  3. 與臺北榮民總醫院合作,應用並成功揭示頭頸癌病患的鐵依賴性死亡、上皮細胞間質轉化以及免疫特徵的相關性 (發表於Advanced Science, 2023)。