為推廣科普知識，本院自94年起，每年定期推薦本院院士或研究人員至高中演講，與年輕學子交流互動，以深入淺出的方式分享學術研究成果。

今（110）年4月7日，本院統計科學研究所楊欣洲研究員受邀前往臺南一中，擔任竹園學術講座主講人，主講「大數據科學讓新冠病毒現形」，由該校一年級徐兆廷同學撰寫側記及心得，內容如下：

在COVID-19疫情肆虐全球下，許多國家分別研發疫苗，但隨著疾病的傳播與流行，病毒開始出現各種變異並產生不同的基因體、生物特徵、型態。而楊研究員說明他與研究團隊是如何運用大數據科學（Big data analysis）將病毒分類、追蹤，並應用此技術。

（一）為何需要利用大數據科學分析和追蹤新冠病毒？

新冠病毒的遺傳物質為RNA，且容易發生突變。在世界各地傳播時會產生各種不同的突變種如：南非變種、英國變種等，而不同的變種有不同的基因，因此有不同的生物特徵或構造，進而造成在群體中傳染力、致死率及症狀不同的影響。

以在群體中的傳染能力為例，病毒侵入細胞時，仰賴病毒表面特異性高的刺突蛋白（Spike protein）與細胞表面的血管收縮素轉化酶2（Angiotensin-converting enzyme 2, ACE2）結合（圖一），也就是將ACE2作為受體侵入細胞（圖二）。藉由此方式，製造類似於病毒刺突蛋白之物質，促使免疫反應發生，並引起專一性防禦，即疫苗的作用方式。而當病毒發生變種時，其刺突蛋白可能因此改變，而降低先前注射之疫苗所造成的專一性防禦功效。

圖一：血管收縮素轉化酶2（Angiotensin-converting enzyme 2, ACE2）
資料來源：Wikipedia. Structure of the ACE2 protein. (Dec.15, 2009)
Retrieved from https://en.wikipedia.org/wiki/File:Protein_ACE2_PDB_1r42.png

圖二：新冠病毒侵入細胞過程
資料來源：「研之有物」https://research.sinica.edu.tw/covid19-p3lab-academiasinica/

故相同的疫苗對於不同的變種病毒在人體上的功效具有差異，需藉由病毒的刺突蛋白設計疫苗，才能達到最佳的療效。因此才須將新冠病毒進行分類，以利追蹤與製造疫苗，而大數據分析恰為妥當分析變種病毒間的親緣關係與演化歷程，方便進行病毒變種追蹤與類別分析。

（二）如何取得分析新冠病毒之資料庫？

分析前，其中一項關鍵要素為建立資料庫。新冠肺炎病毒是RNA病毒，故其遺傳密碼由四種鹼基組成，分別為腺嘌呤（Adenine, A）、脲嘧啶（Uracil, U）、鳥嘌呤（Guanine, G）、胞嘧啶（Cytosine, C）構成。新冠病毒的遺傳序列中共有約30,000個鹼基。當世界各地的醫生在病患身上採檢後，將病毒的遺傳物質定序，並經過篩檢後上傳至全球共享流感數據倡議組織（GISAID），以公開來自世界各地的病毒序列資訊，使不同實驗室皆能進行病毒序列分析。在疫情爆發最初，僅有約1,000組病毒序列，而隨著疫情蔓延，至今已累計超越一百萬組病毒序列可供分析，使資料庫更加齊全。

（三）如何比較病毒親緣關係、歸類及建立演化樹？

首先，科學家將在中國武漢採取到的最初病毒序列訂為武漢一號，將其他病毒30,000個鹼基與其逐一比較，將不同者列為1，相同者列為0。則每一則病毒序列可得30,000個不同的變數。而累計至今的資料庫，該資料將變為矩陣，將其矩陣視覺化（圖三），每類型中的直線為不同病毒株間相同某特定基因變異造成，並可分類出六大類病毒。如同在下圖之中可知第五類病毒擁有共同的遺傳特徵是編號1397與編號11083與28688之鹼基發生變異；而第四類病毒則是擁有在編號8782、17747、17858、18060、28144之鹼基遺傳變異所致。

將1,932株病毒株依據其基因序列建立親緣關係樹，並將親緣關係樹與已視覺化之矩陣合併後，發現兩者結果十分吻合。而依照兩者互相比對即可作為辨識突變種之依據，可明確歸類出六大類新冠病毒突變種及其亞種（圖四）。如在第六型突變種中可發現變異鹼基編號1059、25563的亞變異種和變異鹼基編號28881、28882、28883的亞變異種，但除此之外仍有許多不同病毒株具有相同的鹼基變異，卻未被歸類為某亞種，是由於亞種的分類仍較依靠親緣關係樹的辨識。

圖三：Variation matrix map and viral strain type.（Yang. et al 2020）

但在分析資料時，楊研究員與其團隊面臨了資料量過大的困難。國家高速網路與計算中心無法分析38,248*30,000之矩陣，而楊研究員則利用直接比對某特定基因（如上述可鑑定種類的基因，即上圖中不同基因為所連成的直線），以及基因序列間兩兩比對以減少計算量。在得到幾乎相同的研究效果前提下，大幅度降低了分析時間。透過使用不同的分析方式，儘管分析樣本數增加，分析時間仍降低（表一）。

圖四：Maximum parsimony dendrogram, variation matrix map and defined six types for 1,932 SARS-CoV-2 viral strains.（Yang. et al 2020）

表一：Number and proportion of the SARS-CoV-2 strains in our defined six types.（Yang. et al 2020）

（四）目前世界盛行哪一類型突變種，以及其基因特徵？

由圖五可知，世界各地目前主要以第六型為主。而其他類型的病毒在爆發初期皆可見，但由於第六型具有更強的生存優勢，如：較強的傳染力，因此目前世界所盛行的皆為第六型突變種（圖中藍線）。

圖五：Temporal distributions of the six types.（Yang. et al 2020）

心得
楊欣洲研究員的演講十分精彩，讓我收獲許多。不過讓我最印象深刻的是了解跨領域人才的重要性，尤其當代有許多複雜的科學問題，例如新冠病毒的研究，更需要不同領域的科學家共同努力，才能從不同面向解析問題。其中，楊老師擅長統計，使用GISAID的資料，是上傳自世界各地能進行病毒基因序列分析的實驗室，若沒有這些不同領域的專家互助合作，應無法單方面解決問題。

演講中也讓我領悟在解決跨領域問題時，需具有基本的不同領域的基本知識，如同楊老師必須得知病毒的基因序列與其突變模式，方能改良分析方法。因此，這場演講讓我更加相信，應勇於在不同領域多所涉略學習，並整合各科所學習到的知識，為研究科學問題打好根基。