Technology Networks : 運算方法與代謝體學的進展帶來生物標記物的興盛
生物標記物，是在臨床上衡量病人健康狀況的可測量指標。這些標誌物對於根據個人需求定製醫療治療至關重要，從而促進個人化醫療。生物標記物有多種形式，例如診斷、預後和預測標誌物，它們分別用於疾病診斷、確定疾病結果和評估治療反應。帕金森氏症（Parkinson’s disease，PD）是一個從生物標記物研究中受益的明顯例子。這種神經退行性疾病的特點是α-synuclein蛋白的聚集。傳統上被認為是一種運動障礙，但PD已逐漸被理解為影響多種身體功能的多系統疾病。PD的複雜性，從運動到非運動的症狀，使即早診斷變得相當困難。非運動症狀可能比運動症狀早出現多年，使確定性大減且經常導致誤診。新興技術，尤其是演算方法，已經推動了生物標記物的發現。人工智慧(AI)和機器學習(ML)的整合使得能夠識別大型生物數據集之中不易察覺的模式。除了基因組學，代謝體學在生物標記物的發現中也越來越受到重視，因為它提供了一個生物體實時狀態的快照，反映了基因組、表觀基因組和蛋白質組的相互作用。在PD的情況下，歐洲盧森堡大學的Dr. Enrico Glaab應用了統計和計算方法，如機器學習來挖掘潛在的PD生物標記物。他認為分析疾病早期階段的生物醫學數據可以確定診斷標誌物，從而幫助更準確和及時地確定疾病。一種創新方法為使用血漿代謝組學和正子斷層造影（positron emission tomography，PET)進行整合研究。這種組合顯著提高了模型識別PD患者的能力。未來PD的生物標記物發現也可用於預測疾病的進展。通過提前識別潛在的併發症，病人可以接受更即時和更具針對性的干預。例如，使用快速眼動/睡眠行為障礙，Glaab和他的團隊能夠區分兩種類型的PD進展模式。這些發現可以引導臨床醫生優化患者護理計劃。代謝體學領域正成為生物標記物識別的有價值的工具。人類的代謝體包含數十萬的代謝物，代表了潛在標記發現的巨大資源。代謝體學的優點包括其反映實時的生化反應和通過如血液或唾液的液體進行非入侵性取樣的容易性。美國田納西大學已經將ML應用於血清代謝組學數據集，以區分癌症患者和對照組，達到了令人印象深刻的準確性。然而，儘管在生物標記物的發現方面有大幅進展，挑戰仍然存在。一個主要的關鍵是可用的測量數據的限制，特別是像PD這樣的疾病，大腦活體組織無法獲得。此外，多種混淆因素，如研究組之間的年齡和性別差異，可能會使結果產生偏差。在代謝體學中，主要的障礙仍然是當前全面數據的匱乏。但隨著研究人員繼續探索和了解全球健康和疾病的代謝體，生物標記物前景看好。
Genetic Engineering & Technology News：在Chardan年度會議上，基因組编輯先驅 David Liu 預見2024年將有首次 Prime Editing 臨床試驗
來自麻省理工學院（MIT）與哈佛大學共創 Broad Institute 的知名基因組編輯專家，David R. Liu博士，同時也擔任哈佛大學的教授。在過去的十年中，其實驗室首創了基因 base editing 與 prime editing 技術。最近在紐約市舉行的Chardan第七屆遺傳醫學會議上，Liu指出預計prime editing 將於2024年進入人體臨床試驗。他亦是Prime Medicine的共同創辦人，該公司成立是為了將 prime editing 技術引入市場。這種技術採用搜索和替換的方法進行基因編輯，為可能會導致雙鏈DNA斷裂的傳統CRISPR-Cas9方法提供了潛在的替代方案。Prime Medicine表示將於明年啟動其基因編輯技術的首次臨床試驗，預計2025年將有更多的IND申請。對照之下，由Liu的實驗室於2016年開發的基因 base editing 技術，目前已在六項正在進行的臨床試驗中進行研究。Liu的團隊已經發表了關於 prime editing 的顯著工作，展示了其潛在的治療應用。例如，Nature Biotechnology的最近一項研究強調了雙AAV系統在幫助小白鼠器官（如腦、肝和心）進行 prime editing 方面的有效性。 5月份來自Prime Medicine研究人員的另一項重大發現集中在 prime editing 的潛在能力，用於糾正導致慢性肉芽腫病 ( Chronic Granulomatous Disease，CGD)的突變。