NUS · AI-ENABLED GENOMICS
同一個基因，為什麼會產生不同的生命「說明書」？
NUS團隊藉助AI，追蹤遺傳變異如何改變RNA剪接並影響疾病
人類基因組中存在數以百萬計的遺傳差異。
其中大多數不會直接改變蛋白質的編碼內容，卻可能悄悄影響細胞讀取和重組遺傳信息的方式。
要判斷一個變異是否與疾病有關，科學家不僅要看DNA上「寫了什麼」，還要理解細胞最終「讀出了什麼」。
新加坡國立大學（NUS）理學院藥學與藥理科學系Liu Boxiang助理教授及團隊，近日獲得Google.org Impact Challenge: AI for Science資助，將利用人工智慧研究遺傳變異如何影響RNA剪接，並進一步預測其疾病效應。
NUS是全球17家入選機構之一，
也是本輪入選名單中唯一來自亞洲的機構。
01｜先認識RNA剪接：細胞里的「剪輯工作」
DNA保存著遺傳信息，但細胞通常不會直接拿DNA製造蛋白質。它會先把相關信息轉錄成一份RNA初稿。
這份初稿包含需要保留的片段，也包含需要移除的部分。細胞會把某些片段剪掉，再把剩餘部分連接起來，這個過程就是RNA剪接。
同一份RNA初稿還可能採用不同的剪接組合，產生不同版本的成熟RNA，進而製造功能不同的蛋白質。
可以把基因想成一段待剪輯的影片素材。
保留哪些鏡頭、刪除哪些片段、以什麼順序連接，都會影響最終成片。
如果遺傳變異改變了剪接位置或調控信號，細胞可能跳過重要片段、保留本應刪除的部分，或改變不同RNA版本的比例。這些變化有可能影響蛋白質功能，並參與疾病發生。
Liu Boxiang助理教授及其團隊獲得了「Google.org 影響挑戰：人工智慧為科學」項目的資助，研究遺傳變異如何影響RNA剪接和疾病。
02｜真正的難題：每個變異都做實驗，速度遠遠不夠
研究人員可以在實驗室中逐個測試某個遺傳變異是否改變RNA剪接，但人類基因組的變異數量極其龐大，且不同人群的變異頻率與遺傳背景並不相同。
傳統逐一驗證的方法需要大量時間、樣本和實驗資源。許多在基因檢測中發現的變異，因此仍然難以解釋。
Liu助理教授團隊希望建立AI預測模型，在群體尺度學習DNA序列、遺傳變異與RNA剪接之間的規律。
模型的目標不是簡單把變異分成「有害」或「無害」，而是預測：
● 哪一個RNA片段可能被跳過或錯誤保留
● 剪接模式可能發生多大變化
● 這種影響是否在不同人群中表現一致
● 哪些變異更值得進入下一步實驗驗證
03｜為什麼要在「不同人群」中繪製圖譜？
遺傳研究長期面臨一個現實問題：許多大型資料庫中的樣本來源並不均衡。
當模型主要從有限人群中學習，它對其他群體中較少見的變異可能不夠準確。這不僅影響科學理解，也可能讓基因研究成果難以公平地服務不同地區和族群。
NUS團隊將繪製遺傳變異如何在不同人群中調控RNA剪接的圖譜，為AI驅動的變異解釋建立基礎設施。
群體尺度的研究有助於找出普遍存在的生物規律，也能識別可能受到遺傳背景影響的差異，為後續更具代表性的基因組研究打下基礎。
「覆蓋更多人群」不等於自動消除偏差。
數據質量、樣本規模、隱私保護和模型在獨立人群中的驗證，仍然決定研究結果是否可靠。
04｜AI能為基因組研究帶來什麼？
AI擅長從海量序列和生物數據中尋找複雜模式。訓練完成的模型可以先對大量遺傳變異進行計算篩選，幫助研究人員確定更值得優先投入實驗資源的候選對象。
這可能讓科研流程從「發現一個變異，再逐一摸索」轉向：
第一步：AI預測變異可能怎樣影響RNA剪接
第二步：實驗驗證最重要、最不確定的預測
第三步：結合生物機制和臨床資料評估疾病關聯
這種「計算預測＋實驗驗證」的組合有望提高研究效率，但AI並不能替代實驗。模型可能學到數據偏差，也可能在訓練數據之外失准，因此預測必須經過獨立驗證和生物學解釋。
05｜這筆資助包含什麼？
Google.org本輪「AI for Science」影響力挑戰共選出17家機構，項目覆蓋健康與生命科學、氣候韌性及環境科學。
所有入選機構共同分享3600萬美元資助。這個數字是17家機構的總額，並不是NUS單獨獲得的金額。
入選者還可選擇參加為期六個月的Google.org加速器，獲得工程支持、技術輔導和Google基礎設施資源，幫助團隊把研究構想發展為可擴展的科學工具。
NUS項目獲選，也讓亞洲人群與區域科研能力在這一全球AI科學計劃中擁有重要位置。
06｜距離疾病診斷和治療，還有多遠？
理解RNA剪接與疾病之間的聯繫，未來可能幫助研究人員解釋罕見變異、尋找疾病機制，並為精準醫學提供新的候選線索。
但本項目當前的核心任務，是建立群體尺度的預測模型和基礎研究圖譜。它並不是一項已經進入臨床使用的基因檢測，也不能僅憑模型結果診斷疾病或決定治療。
真正走向醫療應用，還需要實驗驗證、獨立隊列重複、臨床關聯研究、倫理審查及監管評估。
AI可以幫助科學家更快提出值得驗證的問題，
但可靠的醫學答案，仍需要證據一步一步建立。
Liu助理教授表示，科學研究正處在AI改變研究方式的重要轉折點。對NUS團隊而言，這項合作的價值不僅是運算速度，更在於構建一套可以從人群差異出發、連接基因變異與生物機制的新方法。
讀懂基因，不只要看DNA寫了什麼，
還要理解細胞最終選擇了怎樣的表達方式。
