書籍閱讀:基因泰克-生物科技的起源(Genentech: The Beginnings of Biotech)

基因泰克:生物科技的起源(Genentech: The Beginnings of Biotech)

這本書發表於2012年,其內容在講基因泰克公司的故事,這間公司在生醫領域幾乎沒有人不知道,時至如今已經是行業裡的巨頭,很難想像他們在1976年左右是如何從零開始的。而這本書撰寫的就是從Robert A. Swanson和Herbert Boyer教授兩人公司到上市這段時間的胼手便足,閱讀的時候很難想像那時候的氛圍,從今天的角度會認為頂尖大學教授創辦生技公司很正面(在台灣可能還沒有那麼正面,往往都會從自肥的角度來看),但實際上在30幾年前對於科學家們還很難接受這件事。

主題分享:腦膜炎和腦炎的病原菌診斷新工具和未來方向(一)

這主題是幫林長檢驗科晨會所準備的資料,剛好科內要進新的診斷工具,順便瀏覽了相關資料,這部分主要是由王信堯醫師所提供指導的內容。

New Tool and Future possibility in Pathogen Identification of Meningitis and Encephalitis

中樞神經的感染性疾病中,腦膜炎(Meningitis)和腦炎(Encephalitis)算是最常見且可能致命的疾病,尤其病人往往會有意識和神經學的變化,這部分常常是臨床上的困難案例。

簡介

腦膜炎(Meningitis),是蜘蛛腦膜下腔(Subarachnoid space)發生感染或是發炎,可能由細菌、病毒、黴菌、寄生蟲、阿米巴原蟲、非感染性原因造成,其中細菌性感染是最常見的導因。病人通常伴隨者發燒、頸部疼痛和僵硬表現,可能合併其他神經學症狀,雖然可以由病人的年齡和危險因子來猜測可能導因,但絕對的診斷必須依靠腦脊髓液的檢驗,而傳統上會同時做脊髓液的體液分析和培養,另外假如腦脊髓液培養呈陰性的話,則診斷為無菌性腦膜炎(Aseptic Meningitis),通常有較好的預後。

腦炎(Encephalitis),指腦實質的發炎,可能由感染或是非感染造成,最常見的原因是病毒性感染,病人會伴隨者意識的改變,因其大腦的功能受到相關的影響。

臨床上在還沒有腦脊髓液培養結果的時候,通常可以用病人的危險因子來使用經驗性抗生素。

另外,除了腦脊隨液的培養外,腦脊隨液的分析則是可以提供腦脊隨液中是否有病原菌的資訊,這些資訊包含腦脊隨液的壓力、白血球量、葡萄糖、蛋白質。

目前依靠單純的腦脊隨液培養會有許多的限制,像是:

  • 腦脊隨液中的培養往往耗時,且敏感性沒有想像中高,尤其是在病人使用過抗生素後,更難從腦脊隨液中培養中病原菌。
  • 另外,像是腦脊隨液中的格蘭氏染色等等,但假如在腦脊髓液中的箘量不多時,這類方法就不容易驗出來

所以如今的趨勢開始找尋新的檢驗方式,漸漸傾向於採取分子檢驗的技術,直接去檢驗腦脊髓液中是否有各式各樣病原菌的核酸,也就是去檢測這些細菌、病毒、黴菌等DNA是否有出現在病人的腦脊髓液中。最近林口長庚即將開始提供新的檢驗技術,可以在更短的時間內提供第一線人員有關病人檢體內疑似病原體的東西。

The BioFire®FilmArray®

腦膜炎、腦炎套組

簡單來說,BioFire FilmArray是一個整合性的病原菌檢測套組,裡頭可以將檢體進行PCR、並且同時做多種病原菌的DNA/RNA的檢測,看是否特定病原箘的遺傳物質出現在檢體中。整組看起來像下面這樣:

The Biofire FilmArray Device Appearance

Poritz, Mark A., Anne J. Blaschke, Carrie L. Byington, Lindsay Meyers, Kody Nilsson, David E. Jones, Stephanie A. Thatcher, et al. 2011. “FilmArray, an Automated Nested Multiplex PCR System for Multi-Pathogen Detection: Development and Application to Respiratory Tract Infection.” PloS One 6 (10): e26047.

這篇文章有這個檢測產品的技術細節:

其藉由流道來讓檢體的檢驗流程整個自動化,且能同時看許多病原菌。

其實這技術已經很久了,就是Multiplex Nested PCR,只是如何整合成一個儀器,就是一門學問了,其中採用了流道的設計思維,將多個反應穿接在一起,但又能保有各自獨立的反應空間。


從原本的一天以上的檢驗時間,藉由這套工具,可以縮短知道結果的時間,且其操作簡單,只要將檢體上機就可以了,只花大概5分鐘以內的時間,相對於傳統微生物培養的操作流程非常多。相信這類型的設計在未來會越來越流行,幫助檢驗人員可以用更少的時間達成更多的事情。

BioFire ME在腦膜炎和腦炎的相關論文發表:

Messacar K, et al. Potential clinical impact of the filmarray meningitis encephalitis panel in children with suspected central nervous system infections. Diagn Microbiol Infect Dis. 2016 Sep;86(1):118-20.

書籍閱讀:簡談合成生物學(Synthetic Biology)

Synthetic Biology: A Very Short Introduction

又挑了一本牛津出版社A Very Short Introduction的書來閱讀,此本是針對合成生物學(Synthetic biology)的入門簡介,作者傑米.戴維斯(Jamie A. Davies)為愛丁堡大學實驗姐頗學教授,本身的研究專注在使用合成生物學工具來理解胚胎發育和組織工程的應用,其還有一本再談胚胎發育的科普書Life Unfolding

這本書的內容大致有以下的章節:

  • 合成生物學:從分析到創造
  • 合成生物學的核心
  • 於環境的應用
  • 於醫學的應用
  • 於工程上的應用
  • 於基礎醫學上的應用
  • 創造生命
  • 文化衝擊

對許多人來說,即使是身處生物醫學領域的人也不一定有聽過合成生物學,但這實際上是個非常重要的領域,書中以英國的角度來說,其前英國大學及科學國務大臣大衛威利茲(David Willetts)則說過,合成生物學是英國未來八大領域中重要的一環。

The Eight Great Technologies

這本書起頭談論了許多一兩百年前的科學家和實驗,回朔式地去整理可以歸結在合成生物學領域的研究,這邊的合成生物學其實是在談論探索科學的方式,最常見的方式是用觀察和分析的方式來理解生物,但另一種方式,如何創造或是合成來理解生命,則是歸結在合成生物學的領域之中。

生命能否單純用物理化學來解釋呢?這算是科學家們很好奇的一個問題,而從很早以前,就開始有許多科學家用各種實驗來探索生物世界底層的邏輯

  • 觀察分析 :一開始,最簡單的方式就是直接對這些生物世界做出觀察,所以在當實驗分析儀器還不那麼進步的時候,最多的實驗都是以觀察和收集資料為主,甚至如今大多數的生物醫學研究也是這類型的。
    • 1850 孟德爾(Mendel)的碗豆實驗 •
    • 1868 米歇爾(Friedrich Miescher)核酸分離實驗
    • 1953 華生(James Watson)與克拉克(Francis Crick)發現DNA結構
  • 合成創造 :另一種探索知識的方式便是主動去創造跟有興趣的目標相關的機制,如同工程領域的觀念,唯有你可以造出一個車子,才代表你對這部車子真的理解了,而直到分子生物學的許多技術發展出來,才真的慢慢開始能去改造甚至合成生物世界的一些蛋白質。
    • 1828 維勒(Friedrich Wohler)尿素合成實驗:
      在老早以前,總認為不能從無機物合成有機物質,直到這個尿素實驗,才慢慢推進這個想法。
    • 1912 史蒂芬(Stephane Leduce), La Bioloogie Synthetique
      這本書算是合成生物學這詞彙第一個出現的地方,整本書在用各式各樣的方式去模擬生物系統,主不過大都停留在外觀層面的樣貌。

近代的合成生物學

生物系統中,蛋白質作為核心功能的執行分子,可以藉由調控相關路徑中的蛋白質,來達到目標的效果。 而近代的合成生物學便是以此為基礎來達成各式各樣可以說是“充滿想像力”的事情。

比如可調控的基因開關

設計成振盪器的基因迴路

合成生物學在醫療的應用

柏克萊大學生醫工程教授Jay Keasling實驗室開發許多合成生物學相關的主題,其中一個是改造酵母菌的代謝路徑,使其能具有跟黃花嵩一樣將糖代謝成青蒿素的原料。

原本在蘇黎世聯邦理工學院的Christia Kemmer博士,其利用合成生物學的技術將大腸桿菌內設計出能根據環境尿酸濃度,做出回饋,表現出尿酸代謝酶的基因,並且在尿素濃度降低後,關閉基因,目前Christia Kemmer博士已在一家生技公司BioVersys AG開發新型態的治療藥物

演講摘要-中國YC陸奇:人工智能時代的創新創業浪潮

無意間在知乎上看到的演講,是YC中國陸奇在清華的演講,陸奇是微軟和雅虎前總裁,算是華人在矽谷科技業中頂到最高職位的理工人,前陣子被百度挖角回來,目前則是負責中國YC的業務,Y combinator是著名的矽谷創業加速器,從2005年開始,已經培養了4000多位創始人,像是Airbnb, Dropbox都是從這裡培養出來的。

整場演講的大綱

  • AI技術的核心與發展趨勢
  • AI時代的創新機會
  • AI時代的創業
  • AI時代的大學生:准備、探索、參與

第一部分:AI技術的核心和發展趨勢

在這邊提到一個關於感知觀察系統之於整個AI系統的重要性,這邊讓我想到當初對於基因科技的興奮,便是他將人類的遺傳疾病整個轉換成資料科學問題,所以說NGS的技術其實也可以說是一個感知系統,換句話說,實驗室醫學在未來會越來越重要,因為其扮演者將人體生理資訊轉換成資料的角色,當然,也要開始有能打造自己的儀器的能力。

第二部分 AI時代的創新機會

第三部分:AI時代的創業

第四部分:AI時代的大學生:准備、探索、參與

雖然是以大學生為對象,但其實對所有人都有幫助。有趣的一點是陸奇還強調了提升人與人的交互能力,其實就是社交能力。

書籍閱讀:原則 Principles: Life & Work

原則

這本書是由橋水集團創辦人Ray Dalio所寫,會知道Ray Dalio是因為之前看到youtube上面史丹佛商學院的大師訪談(View From The Top)中看了一場關於他的訪談集。這本書很扎實,字字都直得省思和實踐,佩服能以這態度去生活。

這本書分三大部分:介紹、Life Principles、Work Principles

第一部分主要是Ray Dalio介紹自己的生命歷程,直白且具有參考價值,呼應他自己關於radical transparant的原則。

第二部分 Life Principles

Life Principles
擁抱現實
1. Embrace Reality and Deal with it
1.1 Be a hyper-realist
1.2 Truth – accurate understanding of reality is the esential foundation for any good outcome.
1.3 Be radically open-minded and radically transparent.
1.4 Look to nature to learn how reality work
1.5 Evolving is life’s greatest accomplishment and its greatest reward
1.6 Understand nature’s practical lessons
1.7 Pain + Reflection = Progress
1.8 Weigh second- and third-order consequences.
1.9 Own your outcomes.
1.10 Look at the machine from the higher level.

2. Use the 5-step Process to Get What You Want Out of Life
2.1 Have clear goals.
2.2 Identify and don’t tolerate problems.
2.3 Diagnose problems to get at their root causes.
2.4 Design a plan.
2.5 Push through to completion.
2.6 Remember that weakness don’t matter if you find solutions.
2.7 Understand your own and other’s mental maps and humility.

  1. Be radically open-minded
    3.1 Recognize your two barriers
    3.2 Practice radical open-mindedness
    3.3 Appreciate the art of thoughtful disagreement
    3.4 Triangulate your view with believable people who are willing to disagree
    3.5 Recognize the signs of closed-mindedness and open-mindedness that you should watch out for
    3.6 Understand how you can become radically open-minded
  2. Understand that people are wired very differently
    4.1 Understand the power that comes from knowing how you and others are wired

4.2 Meaningful work and meaningful relationships aren’t just nice things we chose for ourselves – they are genetically programmed into us
4.3 Understand the great brain battles and how to control them to get what “you" want
4.4 Find out what you and others are like.
4.5 Getting the right people in the right roles in support of your goal is the key to succeeding at whatever you choose to accomplish

  1. Learn how to make decisions effectively
    5.1 Recognize that 1) the biggest threat to good decsion making is harmful emotions, and 2) decision making is a two-step process

5.2 Synthesize the situation the situation at hand
5.3 Synthesize the situation through time.
5.4 Navigate levels effectively
5.5 Logic, reason, and common sense are your best tools for synthesizing reality and understanding what to do about it
5.6 Make your decisions as expected value calculations
5.7 Prioritize by weighing the value of additional information against the cost of not deciding.
5.8 Simplify!
5.9 Use principles
5.10 Believability weight your decision making
5.11 Convert your principles into algorithms and have the computer make decisions alongside you
5.12 Be

Work Principles

待續

飢餓與長壽:科學家Valter Longo

二十年前研究長壽是一個很瘋狂的概念,如今卻有許多公司以此為目標,比如科學家Craig venter成立的Human Longevity公司,而這位科學家Valter Longo便是在二十年前就從酵母菌為工具,開始探索這個主題。如此,長壽或者老化隨者高齡化時代的來臨,逐漸變成一個重要議題,當然,相關的研究也開始被主流接受,仔細看Valter Longo的研究,算是非常的有意思。

Valter Longo教授,本身是義大利人,到美國求學,本來想成為音樂人,但陰錯陽差鑽入了生化領域,這篇訪談文章Interview with Professor Valter Longo,可以以覽他過去的走的路,其實從某一方面講,蠻特立獨行的,最令我有興趣的是,他還成立組織,販售一種FMD(Fasting Mimic Diet),藉由特殊的營養組成,來模仿身體飢餓的狀態,這算是我蠻欣賞的勇氣,用實際的行動來驗證自己過去的研究,雖然還有許多證據需要累積,但這算是讓人可以嘗試的一個路徑,研究本身除了滿足好奇心外,要是能應用到生活,是多棒的事情呀!當然,談論各種另類飲食療法的人相當多,但要能發表各種嚴謹研究來支持的人卻是少數。

致敬科學家Sydney Brenner

分子生物學家Syndey Brenner在2019年4月5號在新加坡過世,這位科學家在2002年獲得諾貝爾生醫獎,其以線蟲作為模式生物,在細胞凋亡和發育上的研究獲得肯定。

Photo from Nature, https://www.nature.com/articles/d41586-019-01097-7, Credit: Andrew Cutraro/Redux/eyevine

在閱讀這篇關於調控網絡的文獻(1),意外看到他的名字,發現了一篇在2008年訪問他的文章,刊登在Nature Review的Molecular Cell Biology上,訪談的內容有許多他個人對於現今研究的觀點和看法,頗具批判性的。

I prefer to see outstanding MDs go into the clinic and train to do research there.

…generating an effective bedside to bench approach is going to require major adjustments in medical education. We will need to introduce more basic science into the medical school curriculum

他過去的研究開啟了分子生物學很多知識的源頭,比如三個DNA代碼,對應一個氨基酸,或是RNA分子是如何讓核糖體製造出蛋白質的,以及發展使用線蟲作為模式生物,來進行研究的方法學。

他在劍橋大學時,跟DNA雙股螺旋結構的發現者Francis Crick在同一個研究室大約20年,能激發思考和討論的環境下,真的是件很幸福的事情。他們兩個在這段時光中奠定了許多分子生物學的機制基礎。

閱讀參考:

  1. Celine Lefebvre, G. R., Andrea Califano. (2012). Reverse-engineering human regulatory networks. Wiley Interdiscip Rev Syst Biol Med. doi:10.1002/wsbm.1159

論文閱讀:Machine Learning in Medicine

跟之前撰寫的另一篇文章機器學習在實驗室醫學的應用中,這一篇刊登在新英格蘭雜誌的文章,算是由黃金陣容提出的看法,通訊作者Isaac Kohane是美國哈佛大學醫療資訊的資深教授,另一個,Jeffrey Dean則是google brain的負責人,這兩個人在醫療和資訊領域分別佔有重要的角色,讓這篇文章格外引人注目。在這集的文章中,還有編輯和通訊作者Issac Kohane的訪談和一隻影片,文章的內容算是精實。

本篇文章分成幾個部分:

  • 簡介:醫療場域的問題和機器學習可以給予的解法
  • 解釋機器學習的定義 Machine Learning Explained
  • 機器學習在臨床場域中的應用How Machine Learning Can Augment the Work of Clinicians
    • 預後Prognosis
    • 診斷Diagnosis
    • 治療Treatment
    • 臨床工作流Clinician workflow
    • 擴大臨床專家的可近性Expanding the availability of clinical expertise
  • 重要挑戰 Key challenges
    • 高品質的資料 Availability of high-quality data
    • 在使用模型中可能的問題Learning from undesirable past practices
    • 法律規範和安全監管Expertise in regulation, oversight, and safe use
    • 發表的模式Publications and dissemination of research
  • 結論 Conclusion

醫療場域中常見的問題是病人往往需要多處去詢問,以便能轉診給特定問題的專家,來處理他的問題,假如可以讓病人更容易地獲得這些專家們的經驗,在單一次的診察中獲得,或是讓基層醫師能獲得醫學中心特定領域的經驗支持,那這樣可以改善目前這些常見的困擾,而機器學習便是一個可以發揮作用的科技。

機器學習的重點在於用演算法是基於資料或是案例,而非寫好的規則(rule-based),在這前提下,其實機器學習是個包含很廣的,裡頭很多方法都是從統計學而來的,只是加上資訊工程。(推薦這本Computer Age Statistical Inference,裡頭有蠻多統計學家對於這些事物的看法。)

There is no bright line between machine-learning models and traditional statistical models. However, sophisticated new machine-learning models are well suited to learn from the complex and heterogeneous kinds of data that are generated from modern clinical care, such as medical notes entered by physicians, medical images, continuous monitoring data from sensors, and genomic data to help make medically relevant predictions.

如何使用機器學習?

機器學習是個大概念,裡面有許多不同的模型,所以重點就變成要根據資料的特性來挑選適合的算法,以便達到理想的結果。

這過程可以分成大部分:1. 定義清楚這模型要完成的任務和目標 2. 模型的訓練方式 3. 如何評估這個模型。

這篇有提到的一些有趣的想法:

  • 臨床流程的改善
  • 病人主導的資料應用系統(Patient-controlled application programming interface)
  • 擴增臨床人員的技能
  • 相關的規範和品管
  • 如何讓這領域的發表能更容易讓醫療領域的研究人員觸及

這篇文章裡面可以看到蠻多Isaac Kohane教授過去所推動的蠻多概念,比如統一的醫療資訊交換系統FHIR,或者是病患為主的應用介面,或是應用程式如何改善傳統的醫療流程等等問題。

書籍閱讀:科學之路 The Art of Scientific Investigation (一)

會接觸到這本書,其實是搜尋到台大莊榮輝教授(目前已退休,轉任台科大)的網頁,算是從高中就開始看他準備的網頁資訊(研究生涯),從今日的觀點來看,依舊是非常棒的東西,還好台灣還有這些充滿熱情的教師,在努力散布學習的熱忱,話說回來,這本書是英國劍橋大學 病理學教授William Ian Beardmore Beveridge的書,寫於1950年,時至今日,依舊能帶給人許多的啟發,某些共通性的事物,總是不變的。

The lame in the path outstrip the swift who wander from it

Francis Bacon

不得不驚訝,原來經過快七十年的時光,人類如何努力獲得知識這件事,在觀念上依舊是如此相通。這本書的架構如下:

  • 準備工作
  • 實驗
  • 機遇
  • 假設
  • 想像力
  • 直覺
  • 推理
  • 觀察
  • 困難
  • 戰略與戰術
  • 科學家

在第一章準備工作裡面,提到科學工作者(對應到今日,可以廣泛稱知識工作者或許更為恰當,不一定只有科學家才必須如此),必須抱有終身學習的態度。

盡興書,不如無書

簡單來說,大量的閱讀,不必然代表能給予你做出新研究的能力,因為你閱讀的資料可能提供錯誤的想法,所以為了避免這個結果,大量閱讀必須放在擁有批判性思考的前提下,才對你的智識成長有幫助,否則反而會侷限住你對於問題的想法,在當時後的時代背景,閱讀完所有期刊論文已經是困難挑戰了(哇靠!七十年前就這樣了,那現在不就是整個很崩潰,可見資訊爆炸對於人類算是個古老的問題了),當時候的研究者,會把閱讀所花的時間根據精讀的程度來做分類,這部分也許之後分享約翰霍普金斯統計學家Jeffrey Leek的書How to be a modern scientist時,更近一步分享。

培養廣泛的興趣

這點緊扣著前面所說的,盡信書,不如無書,更近一步,作者提到很多重大科學的發現,往往不是由原本領域的人所提出,而是由outsider所提出的,因為outsider不會被既定的觀念和想法所限制,又能帶入其他領域的觀點,那如何培養這樣的觀點,那就是抱持者廣泛的興趣。

從問題出發

實際開始著手一個科學研究時,最好是從問題出發,比如做動物感染研究,那麼不要害怕去接觸農場的工人,往往會發現更有趣的題目,從問題出發的重點是在把收集的相關文獻,客觀地評估其對於這問題的貢獻和提出的想法,藉此找出還沒有回答的部分,再以此作為研究的方向。

與其學知識,不如學方法

這邊有提到,過去往往強調讀通教科書的重要性(這部分可能深植於華人教育),但作者強調多去學習一些方法學的東西,如統計學和數學,或許幫助更大,因為教科書的內容往往會刪去許多細節,以創造合理性,這部分除非直接閱讀出處的研究,否則很容易就會失去批判性,這部分讓我想到之前讀醫學院的時候,教授往往說你這時候讀的醫學知識,可能五年後就不適用了,如今真的是稍有體會到,學方法比學知識本身更重要。

閱讀巨人的過去

閱讀成功科學家的歷史多少能給自己一些觀點(也許有倖存者偏差存在),但實際上還是能給予一個人對於生涯選擇的想法,最後的重點便是跟隨者自己的興趣,如此來形塑一個人的特色。

R視覺化小套件:ggsignif,幫圖表加上統計顯著標記

在實際使用ggplot2去畫發表文章的時候,很常見的一個需求是需要標注一些“顯著標記”的符號,這時候可以使用ggsignif這個library來幫助你完成這件事。


閱讀參考

ggsignif官方文檔一 官方文檔二
Add P-values and Significance levels to ggplots
R語言可視化學習筆記之添加p-value和顯著標記
繪圖專題:使用ggsignif添加顯著標籤