跳到主要內容

癌?

 

 



 最近總覺得身體不適,尤其是胃。

或許是一直以來無視生理時鍾的生活終於反應在身體上了。

 

前陣子看了不少與癌症有關的書文,像緒的"大鼻抗癌日記"、小懶鬼推薦的"醫界風雲",

它們都敘述了患者對癌症的遭遇、治療與心境。

當中雖然有艱熬有痛苦,但就如"醫界風雲"所描述的,

 

每個人身體內都存有癌症因子,

得到癌症或許並不可悲,因為生命終將一視同仁的走到終點。

癌症讓我們有幸知悉我們僅剩的時間,讓我們有心裡準備去面對、去珍惜、去道別。

人終將歸於泯滅,能坦然面對它是幸福的不是嗎?

 

 

癌症的致病機轉,基本上分為五個階段,

一開始為良性腫瘤(Tumor),隨後轉化為惡性腫瘤(即癌症Cancer)便進入後四期,

第一期,細胞異常增生,但尚未轉移。

第二期,癌細胞開始感染週遭組織,當轉移到週遭的淋巴系統(前哨淋巴結)時,便進入第二期

第三期,癌細胞更進一步轉移擴散至週遭器官

第四期,即為所謂的癌症末期,此時癌症開始透過體內循環系統轉移至遠處器官

 

 

在生物資學上,這也是一個極熱門的研究主題,

透過如微陣列(Microarray)這類大量表現分析工具,可以將各階段組織樣本與基因探針進行雜交(hybridization),

藉由所得基因的表現程度,瞭解癌症於基因層次各時期所產生的影響。

其中最重要的,便是尋求各階段轉變間的調控基因(或許是致病基因、或許是抑制基因),

 

然而目前遭遇的最大瓶頸,首先是統計分析上的不對稱性,

因為要在僅僅五階段內,尋找高達數千目標基因當中少數的調控因子,

這在統計分析上難以精準實現。

 

其次為癌症微陣列分析中的樣本一致性,

在癌症Time Series 樣本分析中,我們很難得到單一受檢者在不同時期的取樣結果。

道理很簡單,因為沒有人會眼睜睜看著自己得癌症卻不接受治療,

甚至讓它由良性腫瘤轉變為癌症。

所以在樣本組合上,往往也會因為不同人的基因表現懸殊,而產生雜訊甚至影響結果。

 

 

 

最近我常常思考,

 

   『   如果我罹患癌症!  我該怎麼辦?  』

 

或許,我會考慮安寧療護吧。


坦然接受死神的搖鈴,面對生命必然的殞落。

 

 

但身為研究人員,我希望將身體提供實驗性醫學研究( 如Translational Medicine)
將自身的疾病轉為有用的研究數據,
提供在癌症中,不同Time series時期各種採樣資訊,如基因表現數據、小RNA調控數據等等

最後將數據結果公佈學術界,提供致力於癌症研究的學者們另一個詳細的臨床資料。

 

我的存在或許是渺小的,

 

      但我期許它帶給醫學、學術上更大的貢獻。

 


  

    呵,我是不是太天真了呢?

 

 

                                                                         BP

 

留言

這個網誌中的熱門文章

醫學健康跨領域合作的開始:資料工程

一直都很喜歡在會議上與跨領域的專家、醫師、學者分享我們在數據工程與分析應用上的發展經驗。 許多的專家學者,對於大數據應用的認知都仍侷限在一個超大型結構化資料集的子集合應用,在規劃好的條件設定下,針對特定的目標(疾病、行為)進行篩選,將數據narrow down到可以被個人電腦或是單一伺服器架構處理的小型資料集。 這樣的半手工處理方式,對於專一(Specific)領域主題的資料追蹤計算或許已經十分足夠,但當中倘若資料清理方式有改變、篩選條件增減,所有的數據都要從raw重新處理,不僅造成大量的時間與人力浪費,對於專案計畫進度的延宕更是麻煩。這些還不包含

Google 資料庫方案–Spreadsheet–(1)資料呈現

HEMiDEMi 的標籤: Google , Google SpreadSheet , 雲端 早在規劃『 教育,意義! 』project時, 便有打算將整個網站建立過程撰寫一篇教學,讓有興趣以google 服務為基礎進行開發的朋友參考。 沒想到這個想法擺著就拖了好幾個月, 好在學生提出了問題,就趁這機會寫一寫吧。 基本上『 教育,意義! 』網站的架構完全建立在Google提供的服務, 廣義來說也是個雲端的系統, 所有的資料是分散在不同的服務架構下,再用GAE, Javascrript將服務資訊串接起來, 由Blogspot 統一呈現。 省了租主機的費用,或架站的硬體、電費, 最好的地方在於不用管理主機維運的問題, 只要專心做我的創意、嘗鮮就好了!!   多棒! 若將『 教育,意義! 』網站依功能層次來分類,可以分為三層結構, 當中的層次與使用技術大致如下: UI 介面層 服務 : Blogspot (網站介面) , Picasa (相簿空間), Google Apps 技術 : Javascript , AJAX ( JQuery ) App應用層  服務 : Google App Engine (GAE) 技術 : Java, Java Server Page (JSP) 資料層 服務 : Google Docs (文件), Google Spreadsheet (試算表) 技術/函式庫 : Java, Google Data APIs 本篇文章將著重在介紹以Google Spreadsheet 做為雲端資料庫, 其他主題將會陸續推出。 若對Google API 與 Google App Engine 初步建置有興趣, 可以參考之前文章: 佛心來著的 Google Data API – for JAVA 雲端的開始:Netbeans 無痛 Google App Engine Java 服務開發 Google Spreadsheet 做為資料庫系統 對於小型的資料系統來說, 採用Google Spreadsheet做為應用程式資料庫(如問卷調查或線上系統) 也算堪用, 目前的儲存限制為 : 40 萬個儲存格 每張工作表最多...

當咒術成真 - 文字生成的虛擬世界

  2024/02  這幾天灌爆各大ai社群的,不外乎就是文字生成高清畫質影像的OpenAI Sora , 讓人驚艷的細膩表現,自動化的場景生成與運鏡效果,縱使這個概念並不是多創新的模式,但Open AI始終很懂得抓住大家眼球  (Sora的各種生成影片: https://openai.com/sora  ) 關於Sora 的技術與介紹,不妨看看chatGPT 對它的描述: OpenAI Sora文字-視訊生成模型 在視頻數據上進行大規模訓練生成模型,具體而言,OpenAI聯合訓練了文本條件擴散模型,處理不同持續時間、解析度和長寬比的視頻和圖像。利用了一種在視頻和圖像潛碼的時空塊上操作的轉換器架構。受到Srivastava等人(2015年)在使用LSTMs進行視頻表示學習的無監督學習的啟發,OpenAI的最大模型Sora擴展了這些概念,能夠生成一分鐘的高保真度視頻。此外,Chiappa等人(2017年)描述的循環環境模擬器方法與我們的方法論框架相一致,表明擴大視頻生成模型的規模是建立通用物理世界模擬器的一條有希望的道路。 一、技術創新 OpenAI 的 Sora 模型在技術創新上主要融合了 diffusion models 與 transformer models 的特點,這一結合代表著從文字描述到視覺內容生成的一大進步。根據 Goodfellow et al. (2014) 的研究,Generative Adversarial Nets (GANs) 開創了使用機器學習生成圖像的新方法,而 diffusion models 則透過逆向的擴散過程從隨機噪聲中逐步建構出有意義的圖像,提供了一種不同於傳統 GANs 的新途徑。另一方面,Vaswani et al. (2017) 提出的 transformer 模型,通過其自注意力機制有效處理長距離依賴關係,已廣泛應用於語言模型中。Sora 模型的創新之處在於將這兩種技術融合應用,實現了從簡單文本提示生成高質量視覺內容的能力,這不僅展示了機器學習技術的新高度,也為未來的影像生成、自然語言處理和人機交互開啟了新的可能性。 二、物理現象與現實世界的模擬 Sora 的另一大進步是在模擬現實世界物理現象方面的表現。雖然現有模型如 Raissi et al. (2019) 所提出的 Physi...