AI如何成為微生物研究與臨床應用的關鍵工具？黃耀廷、吳育瑋、劉勃佑分別運用AI強化mNGS判讀、提升不明感染診斷效率，以泛基因體與可解釋機器學習精準預測抗藥性基因，也透過多體學與模型分析，解析菌叢代謝互補與疫苗反應；謝清河、劉志銘、黃雪莉則揭示腸道菌相與心肌梗塞、肥胖、自體免疫等疾病密切相關，大型縱向資料庫與AI整合，正為精準醫療開啟新路徑。

撰文/吳培安、彭梓涵

AI成科學家破譯工具 臨床鑑定、預測超級細菌、菌叢生態解析都靠它！

⊙AI助mNGS釐清具病因意義病原體 幫助不明緊急感染症及早介入

國立中正大學資工系主任黃耀廷說明，宏基因體次世代定序(mNGS)是一種極高靈敏度的技術，它是一種不依賴培養、假設自由的診斷方法，但其臨床效用常受限於採樣部位特異性的污染、組織特異性的定殖、宿主免疫狀態、既往抗生素暴露，以及病原體本身的系統性偏差，因此在去除汙染與干擾的步驟上需格外小心，才能應用在臨床場域的準確診斷。

黃耀廷指出，mNGS在不同檢體類型與病原體之間的定序圖譜存在高度複雜性，也可能受到時間、病原體、醫院場域與宿主層級的影響，進而使得傳統上以陰性對照(Negative Control)為基礎的過濾方法變得不可靠，也因訓練資料稀缺而限制了機器學習的應用。

為此，黃耀廷研究團隊建立了一套可持續更新、具分層設計的知識庫，依據檢體類型、宿主因子與病原體特異性偏差，建模背景微生物的分布。

團隊將大型語言模型(LLM)與統計校準層(Statistical Calibration Layer)結合，用以區分真正具病因意義的病原體與背景微生物，並透過約束LLM的非決定性行為，產生可解釋的分類結果。

此外，研究團隊也開發出一套AI代理(agentic AI)，整合傳統微生物學檢驗、放射影像、病人病史與mNGS圖譜，生成能反映臨床情境的診斷報告，並應用在臺大醫院一位葉克膜(ECMO)患者出現急性呼吸窘迫症候群(ARDS)，以及高醫附醫一位突發性語言困難患者的案例，他們在危急狀況下先接受mNGS檢測、及時得到醫療介入而脫離危機。

黃耀廷表示，研究團隊現在正與高醫、北榮、三總等醫學中心合作，透過跨越合作收集可供訓練的數據，嘗試將影像、檢驗數據、mNGS與已發表的學術文獻一同整合，發展多代理(Multi-Agent)的感染輔助診斷系統，以更貼近臨床醫師的實際思考流程。

⊙泛基因體+機器學習特徵選擇演算法 預測細菌抗藥性

臺北醫學大學教授吳育瑋表示，針對全球抗生素過度使用、細菌抗藥性(AMR)危機浮現的趨勢，過去已有研究指出，全基因體定序(WGS)難以做為預測細菌AMR基因的工具。

因此，他們積極投入以演算法整合各種細菌基因、建構出細菌泛基因體(Pan-Genome)，並據此開發一套機器學習特徵選擇方法，以更好地預測AMR基因。

此外，吳育瑋強調，他們希望打造的是一套可解釋(Explainable)的機器學習系統，而不是「黑盒子」。如果發現小型模型運作已經足以和複雜的大型模型匹敵，便不會繼續擴大資料規模，而是善用小型模型可解釋性更高、運作更有效率的優點。

吳育瑋研究團隊，已經運用細菌與病毒生物資訊資源中心(BV-BRC)的公開資料，從基因層面，系統性彙整了四組細菌的泛基因體，以找出與AMR表現高度相關的基因，並提升對抗微生物AMR的預測能力。

在第一階段中，他們運用交叉驗證特徵篩選(Cross-Validated Feature Selection)，預測、篩選出最小且具代表性的基因集合，將潛在AMR基因從將近100個範圍縮小到30個；第二階段則利用多次重複、尋找交集的整體演算法(Ensemble Algorithm)，將潛在AMR基因縮到少於10個，更便於進行後續的基因功能分析。

不過，吳育瑋分享，根據演算結果，不是每個運算出來的基因都屬於已知功能基因，也有一些基因具有可動性(例如轉座子)，甚至是好幾個基因之間產生協同效應，共同促成AMR。