讓血液的表觀遺傳線索跨越組織：機器學習探路產前變異判讀

產前基因定序有時能找到一個變異，卻無法回答它是否真的會致病。這類「意義未明變異」可能讓家庭與醫療團隊面對艱難而資訊不足的決定。加拿大多倫多病童醫院（SickKids）研究團隊提出一種機器學習方法，試圖把出生後血液累積的表觀遺傳資料，轉化為可用於胎盤、臍帶血等產前樣本的判讀工具。

研究焦點是DNA甲基化「表觀特徵」（episignature）：某些遺傳疾病會在基因組留下相對穩定、具有疾病辨識度的甲基化模式，可用來協助判斷基因變異是否具有致病性。然而，多數既有特徵來自出生後的全血，而甲基化會隨細胞種類及發育階段改變，直接套用於產前組織往往行不通。

這項刊於《美國人類遺傳學期刊》的概念驗證研究選擇21三體、亦即唐氏症作為模型。研究人員先從266份樣本建立血液來源的21三體表觀特徵，再整合公開資料，以橫跨六種產前與出生後組織的850份21三體及對照樣本訓練機器學習模型。依論文摘要，模型能在所有受測組織中準確預測21三體狀態，顯示疾病相關訊號中可能存在不受細胞類型限制的共同部分。

更接近實際應用的一步，是把已建立的出生後表觀特徵與少量產前樣本合併訓練。研究結果顯示，這種做法可以產生能辨識產前樣本的分類器，意味著研究者未必需要為每種疾病重新蒐集大量、取得不易的胎兒組織，便可能開始建立產前表觀遺傳判讀模型。

不過，這項成果並非新的唐氏症篩檢，也尚未證明能改善現行產前診斷的臨床準確度。21三體具有明確且廣泛的基因組效應，比單一基因疾病更容易形成可辨識訊號；模型能否推廣至較罕見、表型差異較大的神經發育疾病，以及能否可靠判讀特定意義未明變異，仍需逐項驗證。

若要進入臨床流程，後續研究還須以獨立且具代表性的產前病例進行盲性、前瞻驗證，並釐清不同孕期、採樣組織、母體細胞混入及實驗平台差異對結果的影響。現階段，這套方法較適合被視為跨越組織障礙的技術起點，而不是可單獨左右孕期醫療決策的成熟檢驗。