社團法人中華民國內分泌暨糖尿病學會 基礎醫學研究工作小組 實體分享會

把買了看不完的線上課程,一鍵變成能讀完的筆記。

1門課程3篇筆記一鍵自動整理
📘

社團法人中華民國內分泌暨糖尿病學會 基礎醫學研究工作小組 實體分享會(115年10月17日(星期六)02:00-04:35)

· 3 篇
🗺️ 本課地圖(點單元標題可跳到那一篇)
Cell Study 方法學- Thyroid cancer cell study 研究方法與經驗分享核心主張:甲狀腺癌(尤其放射碘無效的分化型與未分化癌)仍缺有效治療,講者以細胞株加小鼠異種移植為流程,示範三個切入點(溶瘤病毒、PI3K/mTOR 抑制、DNA 損傷反應抑制劑 Wee1 與 DNA-PK),並說明細胞研究如何一步步從「有沒有殺死細胞」走到「機轉、藥物合併、動物安全性」。
Meta-analysis- 方法與實作分享核心主張:AI 時代做系統性回顧與統合分析(systematic review / meta-analysis)的門檻大幅下降、審稿卻大幅變嚴,研究者必須先親手走完一次流程,才有能力駕馭 AI、核對它的統計與判讀,並把使用方式揭露出來。▶ 00:55 ▶ 26:41 ▶ 28:45
海外求學與動物實驗經驗- 愛丁堡留學經驗分享核心主張:從「臨床醫師、沒有基礎實驗底子」出發,主動寫信找到研究骨髓脂肪組織(BMAT)的老師,靠「Learning by Doing, Growing by Reflecting」在愛丁堡完成熱量限制(CR)、BMAT 與 adiponectin 的小鼠研究,並分享申請、準備、經費與生活的實際經驗。▶ 00:58

Cell Study 方法學- Thyroid cancer cell study 研究方法與經驗分享

社團法人中華民國內分泌暨糖尿病學會 基礎醫學研究工作小組 實體分享會 · 林樹福醫師 · 片長 41:12
一句話總結

核心主張:甲狀腺癌(尤其放射碘無效的分化型與未分化癌)仍缺有效治療,講者以細胞株加小鼠異種移植為流程,示範三個切入點(溶瘤病毒、PI3K/mTOR 抑制、DNA 損傷反應抑制劑 Wee1 與 DNA-PK),並說明細胞研究如何一步步從「有沒有殺死細胞」走到「機轉、藥物合併、動物安全性」。

你會學到
  • 台灣甲狀腺癌的發生與死亡趨勢、各亞型的治療現況與預後缺口
  • 一個典型細胞研究流程:細胞存活分析、西方墨點確認標靶、細胞週期、細胞凋亡、合併用藥協同分析、小鼠異種移植
  • DNA 損傷反應(DDR)網路中六個可標靶節點,以及 Wee1 抑制劑 adavosertib、DNA-PK 抑制劑 M3814 在甲狀腺癌細胞的結果
  • 如何用 combination index(CI)判斷兩藥是協同、加成或拮抗
  • 一位臨床醫師從出國進修到回台建立基礎研究的心路歷程

內容筆記

開場與動機:為什麼做甲狀腺癌細胞研究 ⏱ 00:00

  • 講者為內分泌科醫師,說明今天只談細胞研究部分,並帶一些研究歷程與心得;他強調做研究需要投入,也要覺得有趣、能從臨床發現問題再想辦法處理 ▶ 00:42。
  • 甲狀腺疾病包含結節、癌症、甲狀腺腫、功能亢進、功能低下與甲狀腺炎(急性、亞急性、慢性,以及產後)▶ 01:32。講者認為其中最令臨床困擾的是甲狀腺癌,因為部分病人沒有可用的治療,促成他想找突破 ▶ 02:14。
  • 四大主要亞型:乳突癌(papillary)、濾泡癌(follicular)、髓質癌(medullary)、未分化癌(anaplastic);平常看細胞學可做初步區分 ▶ 02:46。

流行病學 ⏱ 03:05

  • 台灣新診斷甲狀腺癌人數:民國 84 年(1995)688 人,至民國 112 年(2023)6,045 人(國民健康署癌症登記報告)▶ 03:09。女性排名第五,男性講者印象為第十名 ▶ 03:25。
圖示重建:台灣新診斷甲狀腺癌人數(1995–2023)

折線圖,橫軸民國 84–112 年,縱軸新診斷人數(0–7,000)。起點 688(民國 84 年),整體逐年上升,約 108–110 年間有一段下凹(約 4,600 左右,圖上未標確切數字),終點 6,045(民國 112 年)。

台灣新診斷甲狀腺癌人數 1995-2023,由 688 升至 6,045
台灣新診斷甲狀腺癌人數 1995-2023,由 688 升至 6,045
  • 2023 年新診斷的甲狀腺癌中 92.8% 為乳突癌,是門診最常遇到的;其餘為濾泡癌、髓質癌、嗜酸細胞癌(oncocytic / Hürthle cell,口述為 oncocytic cell cancer)、未分化癌 ▶ 04:02。
  • 其他亞型人數少但逐年緩增:濾泡癌女性約 200 人、男性約 50 人(講者以 112 年為例);髓質癌更少,約二三十位 ▶ 04:41。
  • 未分化癌發生率約百萬分之一,與國外相近,台灣一年約 20 幾位 ▶ 04:51。
  • 甲狀腺癌死亡人數:民國 84 年 106 人,民國 113 年 225 人,呈逐年增加 ▶ 08:41。

治療現況與預後缺口 ⏱ 05:02

投影片整理的治療架構(講者口述補充如下):

亞型治療
分化型(PTC、FTC、OTC)甲狀腺切除;放射碘(I-131)消融與治療;TSH 抑制治療(levothyroxine);標靶藥 sorafenib、lenvatinib、cabozantinib
髓質癌手術;轉移後無根治性治療;RET 抑制劑 selpercatinib、pralsetinib;標靶藥 vandetanib、cabozantinib
未分化癌診斷時全為第四期;有 BRAF V600E 突變者用 dabrafenib 加 trametinib
  • 分化型:首選手術(全切或部分切除,依風險與分期),視需要加放射碘,術後給 levothyroxine 有兩個目的:補充甲狀腺素,以及用較高劑量把 TSH 壓低(TSH suppression)▶ 05:11。
  • 標靶藥:sorafenib 與 lenvatinib 目前健保給付;cabozantinib 美國數年前已核准,台灣尚無健保 ▶ 06:04。
  • 放射碘無效(refractory)的分化型病人,即使用了手術、放射碘與標靶,仍有一部分無法治癒而死亡,這是必須克服的缺口 ▶ 06:25。
  • 髓質癌:唯一可根治的是手術全切除;若有淋巴結或遠端轉移,剩標靶;有 RET 融合突變可用 RET 抑制劑 ▶ 06:47。
  • 未分化癌:全為第四期;有 BRAF 突變可用 dabrafenib 加 trametinib;沒有突變時,講者在林口長庚有時會嘗試 lenvatinib(逐字稿聽似 nevatinib,ASR 不確定),初期或可控制,但整體效果不佳 ▶ 07:30。
  • 預後:一般認為甲狀腺癌預後好,尤其乳突癌與濾泡癌;但分化型到第四期時,10 年內仍有許多病人死亡 ▶ 07:51。未分化癌平均存活約 6 個月(投影片標 median survival 6 months),講者提到另有資料為 3 至 5 個月;存活超過一至兩年者不多 ▶ 08:16。
圖示重建:四種主要甲狀腺癌存活曲線

乳突癌、濾泡癌、髓質癌各以 TNM 分期(I 至 IV)畫出存活曲線,橫軸為初次治療後年數、縱軸為存活百分比;越高期別存活越低。投影片以醒目標註標出長期存活數字:乳突癌 1%、濾泡癌 4% 與 15%、髓質癌 47% 與 5%(各數字對應哪一期、哪個時間點,講者未口述,此處不硬配)。未分化癌欄寫「全為第四期,median survival 6 個月」。

四種主要甲狀腺癌依分期的存活曲線
四種主要甲狀腺癌依分期的存活曲線

講者背景:Memorial Sloan Kettering Cancer Center ⏱ 09:13

  • 講者於 2006–2008 在紐約 Memorial Sloan Kettering Cancer Center(MSKCC)進修兩年,這是專門治療癌症、以研究著名的機構;講者出國時它在美國癌症中心排名為第一(MD Anderson 另為著名中心),當時的院長是諾貝爾獎得主、曾任 NIH 主任 ▶ 09:13。
  • 實驗室成員來自多國(中國、巴西、美國、奧地利、俄羅斯等),他的老闆後來成為頭頸外科主任並為 NCCN 指引撰寫者之一(講者提及的是頭頸部門的 chief,姓名逐字稿不清)▶ 11:41。

研究一:溶瘤病毒(Oncolytic viral therapy)治療未分化癌 ⏱ 13:04

概念:部分病毒會優先感染快速分裂的癌細胞(也可能影響正常細胞),在細胞內複製到一定量後使細胞裂解死亡,因此可注射病毒做治療 ▶ 13:40。使用的病毒為 vaccinia 病毒株 GLV-1h68(投影片標 X-gal 細胞化學染色,MOI 2)。

細胞實驗

  • 把 5 株未分化癌細胞株(包含 8505C、DRO90-1)鋪在培養盤,隔天加病毒,於 12、24、36 小時染色看被感染的細胞;感染細胞隨時間越來越多,且感染後大部分細胞死亡 ▶ 15:10。
  • 全部測試的細胞株都可被感染,但敏感度不同:8505C 在 12 小時就有許多細胞被感染,DRO90-1 在 12 小時只有少部分,給足時間後多數細胞仍會被感染 ▶ 16:11。

小鼠實驗(Lin SF et al. J Clin Endocrinol Metab 2008;93:4403-7)

  • 把細胞種在小鼠背部形成腫瘤後經靜脈給病毒:影像顯示只有腫瘤處有訊號;取下腫瘤、甲狀腺、肝、肌肉、睪丸做 LacZ 染色(病毒攜帶的標記,口述 negative 為 ASR 錯字)與 H&E,只有腫瘤有 LacZ 訊號,其他正常器官沒有,組織型態也健康 ▶ 17:51。
  • 另一組把腫瘤種在小鼠側腹,長大後給病毒:對照組腫瘤長約 50 倍(時間口述不清);低劑量有一定效果,高劑量幾乎抑制腫瘤生長;DRO90-1 組類似,但反應不如 8505C 顯著 ▶ 18:51。投影片標示兩個劑量為 5×10^5 與 5×10^6 pfu。
圖示重建:溶瘤 vaccinia 病毒治療未分化癌(活體)

A:小鼠活體影像,五隻小鼠各自在肌肉、睪丸、甲狀腺、肝、腫瘤處取樣,只有腫瘤位置出現訊號。B:腫瘤、甲狀腺、肝、肌肉、睪丸的 LacZ 與 H&E 染色,只有腫瘤 LacZ 陽性。C、D:8505C 與 DRO90-1 腫瘤體積曲線與小鼠照片,比較對照組與 GLV-1h68 5×10^5、5×10^6 pfu,高劑量腫瘤最小。

溶瘤 vaccinia 病毒在未分化癌小鼠模型的分布與療效
溶瘤 vaccinia 病毒在未分化癌小鼠模型的分布與療效
  • 小插曲:講者當時被老闆要求去美國內分泌外科學會(AAES)年會報告,原本想貼海報,結果被指定上台口頭報告;內科醫師到外科學會報告是有趣的經驗 ▶ 19:40。

回台灣建立實驗室:經驗與 PI3K/mTOR 抑制劑 ⏱ 20:13

  • 2008 年回台灣,第一篇回台完成的基礎研究 2012 年才發表,歷時約四年:即便林教授實驗室有培養箱等設備,仍要自己寫院內外與國科會計畫、找助理、摸索實驗,才逐漸產出數據;講者認為環境已經很好,仍需要相當努力克服 ▶ 20:26。
  • 該研究使用 PI3K/mTOR 抑制劑 NVP-BEZ235(投影片標 Utility of a PI3K/mTOR Inhibitor),治療 8505C 異種移植:治療 21 天,治療組腫瘤較小;但 21 天後停藥,約第 24 至 28 天腫瘤開始變大,與對照組差距消失,講者解讀為藥物抑制腫瘤生長,而非造成腫瘤細胞大量凋亡 ▶ 21:28。
  • 治療期間體重略輕,但無顯著差異,停藥後恢復 ▶ 21:58。
  • 標靶確認:用藥後 2 小時,S6 ribosomal protein 磷酸化顯著下降,免疫組織化學(IHC)呈相同現象,符合 PI3K/mTOR 抑制預期 ▶ 22:18。
  • 講者說下面兩項較近期研究的概念相似:測試不同路徑對細胞存活的影響,抑制重要蛋白後是否使甲狀腺癌細胞死亡,二者均為 DNA 損傷反應(DDR)▶ 22:47。

DNA 損傷反應(DDR)與合成致死概念 ⏱ 23:15

  • 細胞 DNA 每天因內外壓力(例如氧化壓力)受損,必須修補;DDR 是複雜的網絡,維持基因組穩定 ▶ 23:17。
  • 受損時細胞須暫停細胞週期,讓 DNA 有時間修補、確保複製準確;若修補失敗、損傷過多,細胞會停滯、衰老,甚至凋亡 ▶ 23:40。
  • 癌化的過程中,細胞被認為至少失去一條 DDR 路徑,因此必須依賴替代的 DDR 路徑存活;若把剩下的替代路徑也阻斷,癌細胞更不穩定而死亡,對癌細胞毒性較大、對正常細胞毒性較低 ▶ 24:19。
  • 已有成功例子:有 BRCA 突變的乳癌與卵巢癌使用 PARP 抑制劑有療效 ▶ 25:01。
圖示重建:DNA 損傷反應路徑與可標靶節點(Pilié PG et al., Nat Rev Clin Oncol 2019;16:81-104)

DNA 損傷型態(錯配、單股斷裂 SSB、雙股斷裂 DSB)對應不同修補路徑。投影片標出六個可標靶節點,各有對應抑制劑:

編號標靶投影片列出的藥物(辨識清楚者)
1PARPtalazoparib、rucaparib、niraparib、olaparib、veliparib
2ATMAZD0156 等
3ATRberzosertib、AZD6738 等
4DNA-PK另有藥物,字小不清
5CHK1prexasertib 等
6WEE1adavosertib

講者本堂只談第 6(Wee1)與第 4(DNA-PK)。

DNA 損傷反應路徑,六個可標靶節點與抑制劑
DNA 損傷反應路徑,六個可標靶節點與抑制劑
  • 阻斷其中一個或數個節點,細胞 DNA 無法修補,細胞週期受抑制、可能凋亡,因而有治療潛力;今天報告第 6 個(Wee1 抑制劑)與第 4 個(DNA-PK 抑制劑)▶ 25:57。

研究二:Wee1 抑制劑 adavosertib 治療未分化癌(ATC)⏱ 26:33

機轉:DNA 損傷後,Wee1 被活化並抑制 CDK1(以及 CDK2),使細胞卡在 G2/M(與 G1/S)檢查點,爭取修補時間;若抑制 Wee1,細胞帶著未修補的 DNA 進入有絲分裂,走向 mitotic catastrophe ▶ 26:39。測試藥物 adavosertib 當時為二期臨床試驗用藥,成果發表於 Endocr Relat Cancer 2021;28:311-324 ▶ 27:12。

圖示重建:Wee1 在癌症的治療策略

DNA 損傷活化 Wee1;Wee1 抑制 CDK1 與 CDK2。CDK2 控制 G1/S 檢查點(對應複製叉停滯),CDK1 控制 G2/M 檢查點(對應 mitotic catastrophe)。抑制 Wee1 即解除這道煞車。

Wee1 抑制 CDK1 與 CDK2、控制 G1/S 與 G2/M 檢查點的示意圖
Wee1 抑制 CDK1 與 CDK2、控制 G1/S 與 G2/M 檢查點的示意圖

實驗一:細胞毒性(細胞存活分析) ▶ 27:46

  • 作法:用多孔培養盤鋪細胞(接種數口述不清),隔天早上加藥,共 6 個劑量、每格兩倍稀釋,另設對照組;治療 4 天後做存活分析(講者口述聽似 LDH assay,無法確定)▶ 28:02。
  • 結果:三株未分化癌細胞株皆呈劑量依賴性死亡;在約 1000 nM 的高劑量下,超過約 40% 細胞死亡(口述不夠清楚,未在畫面上核對),對照組為 0 ▶ 28:34。

實驗二:西方墨點確認標靶(24、48 小時,8505C、8305C、KAT18) ▶ 29:15

  • p-CDK1(Tyr15)訊號明顯下降,證明 Wee1 被抑制。
  • p-CHK1 增加,符合預期(CHK1 被活化)▶ 29:31。
  • p-H2AX(Ser139,雙股 DNA 損傷標記)顯著增加,尤其 8505C 與 8305C ▶ 29:42。

實驗三:合併用藥 ▶ 30:12

  • 背景:有 BRAF 突變的未分化癌可用 dabrafenib 加 trametinib(雙標靶)。講者設三組:adavosertib 單用、dabrafenib 加 trametinib、三藥合併,各分低中高劑量。
  • 結果:在 8505C,三組皆隨劑量增加效果越強,三藥合併在低中高劑量都比單一組合更有效;8305C 結果類似 ▶ 31:23。
圖示重建:adavosertib 與 dabrafenib+trametinib 合併的細胞存活與 CI

A:8505C 與 8305C 的細胞存活率(0–100%),各分低、中、高三個劑量組。8505C 的 adavosertib 劑量為 151.7、303.4、606.8 nM,dabrafenib 33.3、66.6、133.2 nM,trametinib 3.125、6.25、12.5 nM;8305C 的 adavosertib 劑量為 186.5、373.0、746.0 nM,dabrafenib 17.525、35.05、70.1 nM,trametinib 3.5、7.0、14.0 nM。每個劑量組內依序為單用 adavosertib、dabrafenib+trametinib、三藥合併;三藥合併存活率最低。 B:combination index(CI)對 fraction affected(Fa,0.1–0.9)。CI 小於 1 代表協同;8505C 在低 Fa(約 0.1–0.3)CI 略大於 1,之後隨 Fa 上升降到 1 以下;8305C 在整個 Fa 範圍都低於 1。

adavosertib 合併 dabrafenib+trametinib 的細胞存活與 CI 曲線
adavosertib 合併 dabrafenib+trametinib 的細胞存活與 CI 曲線

如何判讀協同:Chou-Talalay 法與 CompuSyn ▶ 31:43

  • 只看到「合併較有效」不知道是否真的協同;講者引用 Chou-Talalay 的 combination index 理論(Chou 為 MSKCC 資深學者,高雄醫學大學學士、耶魯博士,已退休),其軟體 CompuSyn 可免費取得 ▶ 32:13。
  • 判讀:CI 小於 1 為協同(synergy),大於 1 為拮抗(antagonism);橫軸 Fa 越高代表死亡細胞越多。8305C 與 8505C 在死亡細胞較多的區間,三藥合併都呈協同(8505C 在低 Fa 區間 CI 略大於 1)▶ 32:56。
研究方法小 pearl

合併用藥不要只說「合併比較好」。劑量要成比例設計,用 CI 對 Fa 作圖;講者強調關注高 Fa(死亡細胞多)區間是否協同,因為這與臨床要殺死大部分腫瘤細胞的目標較接近。

實驗四:細胞週期 ▶ 33:50

  • 加藥後流式細胞儀分析:三株細胞(8505C、8305C、KAT18)的 G2/M 比例皆增加,表示細胞被卡在 G2/M ▶ 33:58。

實驗五:細胞凋亡(三種以上方法交叉確認) ▶ 34:25

  • caspase-3 活性在三株細胞加藥後皆增加 ▶ 34:29。
  • Annexin V 與 PI 染色:早期凋亡象限(Annexin V 陽性、PI 陰性)比例增加,三株皆有,並做統計量化 ▶ 34:38。
  • sub-G1 比例(DNA 含量低於 G1 的細胞,代表凋亡細胞)有統計上顯著增加 ▶ 35:09。
  • 另以 PARP 作為凋亡標記的西方墨點確認凋亡(切割型的細節口述不清)▶ 35:39。

實驗六:小鼠異種移植 ▶ 35:54

  • 8505C 模型:對照組、adavosertib、dabrafenib+trametinib、三藥合併四組,治療 20 天後三藥合併腫瘤最小;體重四組差不多,無明顯毒性;治療最後一天拍照留存 ▶ 36:13。
  • 8305C 模型:結果類似,有效 ▶ 36:34。
圖示重建:adavosertib 加 dabrafenib+trametinib 在兩種 ATC 異種移植

8505C(A–C)與 8305C(D–F)各含:腫瘤體積倍數曲線(四組:對照、adavosertib、dabrafenib+trametinib、三藥合併)、體重百分比、以及小鼠照片。三藥合併組腫瘤抑制最好,體重在各組都維持約 100%。8305C 追蹤到第 35 天,dabrafenib+trametinib 組腫瘤在後期明顯回升(約 14 倍),而三藥合併組仍維持很小。

8505C 與 8305C 異種移植:三藥合併腫瘤抑制最佳且體重穩定
8505C 與 8305C 異種移植:三藥合併腫瘤抑制最佳且體重穩定
研究二結論(投影片)
  1. adavosertib 抑制 Wee1 活性並對 ATC 細胞產生細胞毒性。
  2. 兩個 ATC 異種移植模型證實 adavosertib 的療效與安全性。
  3. adavosertib 增強 dabrafenib 加 trametinib 在 8505C 與 8305C 異種移植的療效,並提升 sorafenib 與 lenvatinib 在 8505C 異種移植的療效。

▶ 36:40

研究三:DNA-PK 抑制劑 M3814 治療分化型甲狀腺癌(DTC)⏱ 36:57

發表於 Endocr Relat Cancer 2025;32:e250031(講者說是去年發表)▶ 36:57。

  • 細胞株:乳突癌 TPC1、K1;濾泡癌 FTC-133、FTC-238(投影片標示)。
  • 細胞毒性:M3814 在最高劑量時大部分細胞死亡,低劑量效果不顯著,呈劑量依賴;IC50 為 TPC1 1.5 µM、K1 4.7 µM、FTC-133 2.0 µM、FTC-238 2.3 µM ▶ 37:12。
  • 標靶確認:p-DNA-PKcs(Ser2056)在 24 與 48 小時下降,證明確實抑制 DNA-PK 並有毒性 ▶ 37:30。
圖示重建:M3814 在四株 DTC 細胞的細胞毒性與標靶抑制

A:四株細胞的劑量反應曲線(M3814 0.3125 至 10 µM,存活率 0–120%)。B:各細胞株 IC50(µM):TPC1 1.5、K1 4.7、FTC-133 2.0、FTC-238 2.3。C:西方墨點,24、48 小時後 p-DNA-PKcs(Ser2056)訊號下降,而總 DNA-PKcs 與 β-actin 不變。

M3814 的 IC50 與 p-DNA-PKcs 下降
M3814 的 IC50 與 p-DNA-PKcs 下降
  • 細胞週期:M3814 使細胞增加 S 期、被卡在 S 期(講者口述,投影片標題同)▶ 37:51。
  • 合併用藥:PTC 搭配 sorafenib 與 lenvatinib;K1 有 BRAF 突變,搭配 dabrafenib 加 trametinib。以 CI 看:加 sorafenib 時,部分細胞株在某些 Fa 的 CI 略大於 1;加 lenvatinib 時四株細胞 CI 全部小於 1(協同);K1 加 dabrafenib+trametinib 時 CI 非常低,約都不到 0.2 ▶ 38:17。
  • K1 小鼠異種移植:M3814 單用 21 天可顯著減少腫瘤增長(有統計意義,這是此模型中唯一達到顯著的單藥結果);再加其他藥(lenvatinib、dabrafenib+trametinib)並未進一步達到顯著差異,但各組都安全、體重穩定;並確認小鼠腫瘤內 p-DNA-PKcs 下降 ▶ 39:05。
圖示重建:M3814 在 K1 異種移植

A:腫瘤體積倍數曲線,治療 21 天,六組:對照、M3814、lenvatinib、dabrafenib+trametinib、M3814+lenvatinib、M3814+dabrafenib+trametinib;對照組長到約 14 倍,M3814 單用明顯較低,含 dabrafenib+trametinib 的組別腫瘤幾乎不長。B:體重在各組穩定。C:小鼠照片。D:腫瘤內 p-DNA-PKcs(Ser2056)在 M3814 給藥後下降,PCNA 與 β-actin 為對照。

M3814 在 K1 異種移植抑制腫瘤生長
M3814 在 K1 異種移植抑制腫瘤生長
  • FTC-133 異種移植:M3814 單用沒有明顯療效,但合併 lenvatinib 有加乘效果,且安全 ▶ 39:55。
圖示重建:M3814 加強 lenvatinib 在 FTC-133

A:腫瘤體積曲線(約至第 25 天),六組:對照、M3814、sorafenib、lenvatinib、M3814+sorafenib、M3814+lenvatinib;M3814+lenvatinib 腫瘤最小,各組之間有標示 P 值(數值字小不清)。B:體重各組穩定。C:小鼠照片。

M3814 增強 lenvatinib 對 FTC-133 異種移植的療效
M3814 增強 lenvatinib 對 FTC-133 異種移植的療效
研究三結論(投影片)
  1. M3814 對 DTC 細胞有細胞毒性。
  2. 以 K1 異種移植模型證實 M3814 的療效與安全性。
  3. 在 FTC-133 腫瘤模型中,M3814 加 lenvatinib 的雙藥合併療效優於任一單藥。

講者總結:DNA-PK 抑制劑在分化型甲狀腺癌有可能有效,未來需要臨床驗證 ▶ 40:15。

收尾 ⏱ 40:25

  • 講者分享在美國進修時的生活照(雪地、肯尼迪太空中心、迪士尼),強調研究生活仍要有休閒;並歡迎大家到他現在服務的醫院交流 ▶ 40:25。

現場 Q&A

(逐字稿未收錄現場提問,本堂結束在講者致謝。)

關鍵詞

  • 溶瘤病毒治療(oncolytic viral therapy):利用病毒優先感染並裂解快速分裂的癌細胞的治療概念,本堂使用 vaccinia 病毒株 GLV-1h68
  • 異種移植(xenograft):把人類癌細胞種在免疫缺陷小鼠身上,用來觀察藥物療效與毒性
  • DNA 損傷反應(DDR):細胞偵測並修補 DNA 損傷的網絡,含 PARP、ATM、ATR、DNA-PK、CHK1、Wee1 等節點
  • Wee1 / adavosertib:Wee1 為抑制 CDK1 的激酶,阻斷後細胞無法在 G2/M 檢查點停下修補;adavosertib 為其抑制劑
  • DNA-PK / M3814:DNA 依賴性蛋白激酶,參與雙股斷裂修補(NHEJ);M3814 為其抑制劑
  • combination index(CI):評估合併用藥的指標,小於 1 協同、大於 1 拮抗;常搭配 Fa(fraction affected,死亡比例)作圖
  • Chou-Talalay 法 / CompuSyn:計算 CI 的理論與免費軟體
  • 細胞凋亡常用讀值:caspase-3 活性、Annexin V/PI、sub-G1、PARP 標記
  • γH2AX(p-H2AX Ser139):雙股 DNA 損傷標記
  • mitotic catastrophe:細胞在 DNA 未修補下進入有絲分裂而死亡

臨床可執行要點

📝 隨堂測驗(點選項作答)
講者以 combination index(CI)分析兩藥合併,下列哪個判讀正確?
依講者與投影片,CI 小於 1 為協同、大於 1 為拮抗,並要搭配 Fa(死亡比例)作圖看。
adavosertib 抑制 Wee1 後,西方墨點預期看到哪一組變化?
講者結果為 p-CDK1(Tyr15)下降,p-CHK1 與 p-H2AX(Ser139)增加,符合預期。
講者的 NVP-BEZ235(PI3K/mTOR 抑制劑)異種移植停藥後腫瘤又長回,最合理的解讀是?
講者解讀停藥後腫瘤回升表示藥物以抑制生長為主,而非大量凋亡。
M3814 在 FTC-133 異種移植的結果是?
講者說 M3814 單用在 FTC-133 沒有顯著療效,但加 lenvatinib 有加乘效果且安全。

Meta-analysis- 方法與實作分享

社團法人中華民國內分泌暨糖尿病學會 基礎醫學研究工作小組 實體分享會 · 李卓豪醫師 · 片長 29:29
一句話總結

核心主張:AI 時代做系統性回顧與統合分析(systematic review / meta-analysis)的門檻大幅下降、審稿卻大幅變嚴,研究者必須先親手走完一次流程,才有能力駕馭 AI、核對它的統計與判讀,並把使用方式揭露出來。▶ 00:55 ▶ 26:41 ▶ 28:45

你會學到
  • 為什麼要「駕馭 AI」而不是讓它端到端自動駕駛,以及 AI 時代 EBM 研究者真正不可取代的能力
  • 以 micafungin vs azole 的統合分析為例,逐步看 AI 在選題、protocol、搜尋、篩選、評讀、萃取、統計各步驟可以幫什麼、要怎麼核對
  • AI 產出統計的幾個典型陷阱:I² 數值不穩、自行推估個別數字、ROC 式事後切 subgroup、小樣本仍輸出數值
  • 登錄(PROSPERO)、AI 使用揭露與審稿人常問的十個問題
  • 新手最常犯的六個錯誤

內容筆記

講者背景與演講主旨 ⏱ 00:00

  • 講者自 2017 年 PGY1 起做實證醫學(evidence-based medicine, EBM),後來做到網絡統合分析(network meta-analysis),並在 Cochrane review 發表三篇,也擔任期刊的客座編輯(guest editor)。▶ 01:01 ▶ 01:10 ▶ 01:28
  • 講者所屬團隊近期也發表 SGLT2 抑制劑與乳癌預後的研究(刊於 eClinicalMedicine);他的觀察是代謝科藥物(SGLT2i、GLP-1RA)與各科連結密切,研究已跨科別進行。▶ 00:20 ▶ 00:41
  • 本場主軸:過去約 5 到 7 年做 EBM 與真實世界數據(real world data)的心得,以及 AI 時代還需要學什麼。▶ 00:46

AI 讓研究變簡單,但審稿變嚴 ⏱ 01:37

  • 講者以投稿與擔任 editor 的經驗指出:現在大多數 reviewer 會用 AI 協助審稿,任何小瑕疵(該做的統計沒做、該走的步驟沒走)都會被挑出。過去回覆意見一兩頁已算多,現在「沒超過五頁基本上不太可能」,連圖上的小細節都會逐一點出。▶ 01:46 ▶ 01:57 ▶ 02:09
  • 因此結論是:要學會「駕馭 AI(用 AI 讓研究更容易)」,不要「讓 AI 自動駕駛」。▶ 02:26 ▶ 02:33
  • 投影片的對比:駕馭 AI=每一步你都知道在做什麼;AI 自動駕駛=結果出來了,中間發生什麼你不知道。
為什麼不能只看終點

講者的比喻:台灣有很多條「中正路」。叫 AI 自動駕駛到「中正路」,你睡一覺它就到了,但你不知道到的是台北還是南投的中正路;中間過程不懂,連到了正確目的地你也沒有概念。▶ 04:02 ▶ 04:17

研究方式的演進:每一代工具都讓人忘掉一些核心 ⏱ 02:36

  • 投影片列出的演進:研究者親自做(搜尋、篩選、萃取、自己寫統計 code)→ RevMan(制式化軟體)→ Shiny(網頁化工具,丟資料就出圖)→ AI(end-to-end)。▶ 02:40 ▶ 02:52 ▶ 02:58 ▶ 03:09
  • 每一代進步都讓人更不需要懂統計與過程;到 2026 年,會用 AI agent 的人只給一個題目就能「端到端」跑出結果,坊間也有許多這類教學。▶ 03:24 ▶ 03:42
  • 講者仍主張從頭做一次,理由:▶ 03:47
    1. 不需要太多研究資源:不需要實驗室、經費或資料庫,一台電腦加時間即可。▶ 04:41
    2. 過程強迫你看懂每一篇 paper(RCT、cohort),並判斷其可靠度;EBM 近乎是基本需求——看懂文章好壞、並把證據合成後用到病人或研究上。▶ 04:53 ▶ 05:11

時程變化與 AI 時代的能力需求 ⏱ 05:24

  • 2016–2024 年間,講者對 EBM 研究者的估計是:從題目發想到完成一個 project 約一年(問題發想→研究設計→系統回顧→統合分析,各階段約數月;投影片以約 3 個月、約 6 個月、約 3 個月表示);2026 年會用工具者一兩個月內可完成最基本的研究(投影片分段估計:1–2 週、2–4 週、幾天)。▶ 05:24 ▶ 05:51
  • 但「問一個好問題」仍是最重要的,這取決於臨床背景與方法學背景夠不夠強。▶ 06:01 ▶ 06:10
  • 常見流程:確定臨床問題→設定納入的病人與條件→搜尋→取出文章萃取 data→分析。AI 把前端文獻搜尋與閱讀的工作量壓縮到很小,讓人把心力放在選題與最後的臨床詮釋。投影片:「AI 減的是工作量,不是難度」。▶ 06:21 ▶ 06:42
  • 2026 年做 SR/MA 的能力需求(投影片排序):▶ 07:00
    1. 找尋題目的靈敏度(依自身背景找出適合做的題目)▶ 07:05
    2. 搜尋的能力(查全率)→ AI 可先做、你核對
    3. 整理資料的能力 → AI 先做、你核對
    4. 解讀統計圖形的能力(統計能力外包給 AI 也要自己看得懂)
    5. 核對 AI、交代 AI 的能力 ▶ 07:21 ▶ 07:30

選題:從哪裡來 ⏱ 07:48

  • 講者的題目來源:臨床問題(病人、同儕、輪各科做 journal reading 時的問題);大型研討會揭露的大型試驗;周邊合作夥伴即將發表的新 RCT 或大型 cohort(有時大型試驗發表後一個月就接著出個人層級的統合分析,individual patient data meta-analysis);以及由傳統 PICO 做變形(例如換族群)。▶ 07:54 ▶ 08:08 ▶ 08:18 ▶ 08:36 ▶ 08:52
  • AI 的角色:丟入原本想做的題目,請它 brainstorming,再自己判斷題目適不適合。投影片的選題公式:族群 × 介入 × 結果 × 型態=∞(AI 三秒可以給你一百個題目,值得做的沒幾個)。▶ 09:15

實戰例子:micafungin vs azole ⏱ 09:24

從臨床疑問到統合分析
  • 講者擔任第一年住院醫師時,感染科反過來問他該用哪種抗黴菌藥;他查了後發現不同指引中各抗黴菌藥的證據等級逐年變動(有的從 B 變 C、有的 C 變 B),代表證據仍在更新、臨床確實存在不確定性。▶ 09:46 ▶ 10:02 ▶ 10:08 ▶ 10:16
  • 他確認當時沒有人針對此問題做出好的回答,於是做了第一篇研究:血液腫瘤惡性腫瘤病人、免疫低下,以抗黴菌藥物做預防,比較 micafungin 與 azole 類。▶ 10:35 ▶ 10:41 ▶ 10:47
  • 投影片資訊:此為 9 篇 RCT 的統合分析,發表於 PLoS ONE 2017;族群為血液惡性腫瘤、中性球低下;情境為預防與治療侵襲性黴菌感染(IFI)。主要結果為治療成功率與 IFI 發生率;講者口述 primary outcome 為治療成功率與抗黴菌發生率。▶ 10:59
  • 後續延伸:同題改做 network meta-analysis(Antimicrobial Agents and Chemotherapy,投影片標示 2018);投影片另列族群改為肝臟移植、急重症,介入改為單純預防或單純治療,結果為安全性。講者結論:不同的 EBM 設計可做不同延伸、回答不同臨床問題。▶ 26:57 ▶ 27:09

投影片上的「步驟一:題目怎麼來」三問:

  1. 臨床上真的不確定嗎?(指引之間等級不一致)
  2. 既有的 SR 夠嗎?(沒有人合併過 micafungin vs azole 的 RCT)
  3. 能不能合併?(預防 vs 治療分開,事先定的 subgroup)

步驟一到三:拆題目、寫 protocol ⏱ 10:41

  • 以 PICO(講者口述 PSEO/PICO)展開:族群=血液惡性腫瘤、中性球低下、真菌感染;介入=micafungin vs azole(預防與治療);結果=治療效果、藥物安全;型態=純 RCT。
  • Protocol 草稿(投影片):主要結果=治療成功率、IFI 發生率;次要結果=不良反應、停藥;事先定的 subgroup=預防 vs 治療、年齡;統計=random effects + prediction interval;風險偏差評估用 RoB 2、兩人獨立做;並在 PROSPERO 登錄。▶ 10:47 ▶ 11:28
  • AI 的用法:把已確定的 PICO 交給它先綜合成簡單 protocol,再自己修訂;也可請 AI 搜尋 PROSPERO 上已公開的 protocol,看是否已有人做過同題,若相同可考慮變形。▶ 11:15 ▶ 11:45
  • 講者提醒:AI 能把 PICO 展開成 protocol 草稿,但什麼樣的 PICO 有臨床意義,取決於研究者自己。

如何設定 AI:把書丟給它 ⏱ 11:59

  • 廣泛問 AI 臨床研究問題時,它引用的方法有時不正確;除非已設定好專屬 skill 或 agent。▶ 11:59
  • 講者做法:在 ChatGPT 或 Claude 開一個獨立專案,先放入「底層知識」,也就是這個領域的聖經:Cochrane Handbook、PRISMA 2020、RoB 2 指引,再加上自己的 protocol(PICO、納入排除)、萃取表格範本與 seed papers。要求它所有工作都以這些資料為準,超出範圍就不要做、要回報。▶ 12:20 ▶ 12:38 ▶ 12:55
  • 投影片提示詞:照 Handbook 一步一步做,每一步做完停下來給我看。「現在不太需要特別的 prompt:把書丟給它」。▶ 13:19
  • 講者的評估:給了這些規範後,AI 做出來的東西「蠻可以用」,但不是叫它全做,自己做完仍要核對。▶ 13:24 ▶ 13:30
  • 簡單說,是把 AI 訓練成在你管控範圍內的「輔助研究員」。▶ 13:11

步驟四:搜尋 ⏱ 13:53

  • 搜尋要找出同義詞(不同文獻對同一概念用不同字),過去需整天課程學 PubMed / Embase 搜尋;現在可請 AI 列出同義關鍵字並生成 PubMed 搜尋策略,貼到 PubMed advanced search 即可。▶ 13:53 ▶ 14:21 ▶ 14:39
  • 不要直接叫 LLM 去搜尋:PubMed 與 Embase 擋爬蟲,結果不完整,而且只能搜到摘要(abstract)。給 AI agent PubMed API 也許可行,但講者目前仍建議:由 AI 生成 keyword 策略,自己去資料庫搜,結果比較正確。▶ 14:52 ▶ 15:06 ▶ 15:13
  • 投影片提醒:用已知應納入的 5 篇文章來測試搜尋策略,漏一篇就要改;資料庫要自己搜(找圖書館員),不能拿 ChatGPT 當 PubMed。
圖示重建:本例搜尋篩選流程(PRISMA 式,數字取自投影片)
階段篇數
Embase 73、PubMed 31、CENTRAL 69 合計173
加其他來源 8 篇、去除重複後100
初篩排除 8614 篇全文
全文排除 59 篇納入
搜尋流程:173→100→14→9 篇納入
搜尋流程:173→100→14→9 篇納入

步驟四:篩選 ⏱ 15:20

  • AI 當第二位 reviewer:只回答 include / exclude / unsure,各附一句理由,不確定一律答 unsure、不要猜。本例 100 篇初篩中,它排除 86 篇,講者抽 20 篇檢查;剩 14 篇全文,由兩人決定,排除的 5 篇要寫理由(PRISMA 流程圖要用)。▶ 15:20 ▶ 15:55 ▶ 16:05
  • 講者特別要求:AI 每刪一篇都要給明確理由(不符合 PICO 或 study design 的哪一項),並隨機抽查(例如 80 篇抽 20 篇)驗證其判斷邏輯。年輕合作者常只看 AI 留下的篇數,講者認為「被排除的更要抽查」。▶ 15:36 ▶ 15:55 ▶ 16:05
  • 用這種方式,講者估計可節省一半以上的時間。▶ 16:23

步驟五:文章評讀(風險偏差,RoB)⏱ 16:27

  • 評讀品質偏主觀,需要以臨床研究者角度判斷設計是否合理。講者說 2025 年以前 LLM 與人的評讀一致性「非常差」;今年在底層知識建立完整後,他認為可達七、八成正確。▶ 16:30 ▶ 16:45 ▶ 17:02
  • 投影片引用的 2025 年比較研究:LLM 做 RoB 2 與人的一致性 κ 為 0.06–0.13;LLM 看不出 allocation concealment 其實沒做。▶ 16:45
  • 講者現行做法:自己先評完,再請 LLM 補充文章中能佐證的證據並列成表,由自己做第二次檢查,或交給團隊其他人檢查。投影片結論:RoB 有主觀的部分,最好還是與 AI 協作。▶ 17:09
  • 投影片的方法學提醒:RCT 用 RoB 2;觀察性研究用 ROBINS-I;合併結果要用 GRADE 講確定性,不是只看 p 值。
  • 整體而言,講者說 AI 可以幫你完成系統性回顧約六、七成的工夫,但你必須知道它如何做、是否正確(口述「6 7 層」,疑為六、七成)。▶ 17:23
圖示重建:LLM 與人類 RoB 2 一致性
LLM 做 RoB 2 與人的一致性 κ 0.06–0.13(2025 比較研究)
LLM 做 RoB 2 與人的一致性 κ 0.06–0.13(2025 比較研究)

此圖為 RoB 2 風險偏差摘要矩陣(9 項研究 × 隨機序列產生、allocation concealment、盲法、不完整結果資料、選擇性報告、其他偏差),並附 κ 數值與使用提醒。

步驟六:資料萃取 ⏱ 17:35

  • 傳統做法是從每篇文章的圖、表、補充資料手動抓 data 做成表格,再丟進統計軟體。講者認為 AI 做萃取「做得非常好」,也沒有倫理問題;只要它列出出處、再由人核對,目前沒有 reviewer 或 editor 會對此有疑慮。▶ 17:35 ▶ 17:53 ▶ 18:01 ▶ 18:14
  • 投影片的實務規則:每一格要有出處(第幾頁、哪個表);AI 當第二位萃取者,人核對至少兩成;特別盯 SE 還是 SD、median 還是 mean、多臂試驗。▶ 18:14
  • 講者要求提供 manuscript 時一併提供 supplement,才能得到最精確的數據。▶ 23:51
AI 會自行「推估」個別數字

當論文沒有個別研究的 event 與 number,只給總數時,AI 可能隨機把總數分配到各篇研究,因為「總數是合理的」就覺得推估合理。但統合分析需要每篇研究精確的 event 與 number。投影片以一篇 aspirin 的統合分析為例(各 outcome 僅有合併的 events / participants,無逐篇數值),提醒:AI 可以估出一組看起來很合理的數字,文獻也會有小錯誤。▶ 23:19 ▶ 23:34 ▶ 23:41

步驟六:統計,請 AI 寫 code 然後問它 ⏱ 18:26

  • 大部分情況 AI 跑出的統計是正確的,但它只給圖與表、不給過程。要請它同時給 R code 或 Python code,「像有統計學家在背書」。原因:同樣是 risk ratio 與 I²,細節上通常有三、四種方法可選。▶ 18:26 ▶ 18:49 ▶ 19:05 ▶ 19:16
  • 講者擔任 editor 的觀察:第一版稿件通常沒問題,問題出在回覆審稿後的第二版。作者把圖丟回 AI 重畫,Figure 2 的風格與第一版完全不同,講者通常會 reject,因為這顯示作者沒有 baseline、不知道統計如何跑出來。▶ 19:24 ▶ 19:44 ▶ 20:07 ▶ 20:23
  • 處方:請 AI 留下 Python 或 R code,之後修改圖表都依該 code 調整,風格才一致,內容仍可調整。▶ 20:36
圖示重建:投影片上的 R code 範例(package meta)
  • 讀入 CSV(欄位:study, e.e, n.e, e.c, n.c, type)
  • metabin(...):sm = "RR"、method = "MH"、method.tau = "REML"、hakn = TRUE、prediction = TRUE、subgroup = type(prophylaxis / empirical)
  • 畫 forest、funnel;註解 k = 9 < 10:不做 Egger test

寫完要先問 AI 的問題(皆為未來 reviewer 會問):為什麼用 MH 而不是 inverse variance?為什麼 τ² 用 REML?Hartung-Knapp 要不要開?Oyake 45/45 的 continuity correction?subgroup 是 protocol 裡的嗎?

解讀圖形的能力:森林圖與 prediction interval ⏱ 20:48

  • AI 會產出大量圖表,包括基本與進階分析圖;研究者要能自己解讀,才知道圖是否正確。講者早年與統計學家合作時,也要花很久才理解統計學家交來的圖。▶ 20:48 ▶ 20:59
  • 可靠度可用信賴區間(confidence interval)、預測區間(prediction interval)等不同方式呈現,必須了解背後的統計。▶ 21:23
  • 傳統的森林圖、漏斗圖(funnel plot)AI 都做得出來;但進階的 prediction interval 或試驗序貫分析(trial sequential analysis, TSA),若你自己沒有概念,AI 不會主動做;你有這些知識才請得動它。▶ 22:04 ▶ 22:11 ▶ 22:20
圖示重建:森林圖與 prediction interval(本例,投影片數字)
  • Random effects 合併結果:RR 1.13,95% CI [1.02; 1.25],I² = 87%;講者解釋:1.13 是這些研究效果的平均,CI 講的是這個平均值估得多準。
  • 同一組資料加上預測區間:95% CI 1.02–1.25,95% prediction interval 0.81–1.57。CI 表示「平均而言有效」;PI 表示「下一個試驗可能 0.81,也可能 1.57」。
  • R 的 meta 套件加 prediction = TRUE 就有;講者說你知道的越多,請 AI 產出的越多(PI、TSA 等)。▶ 21:23
森林圖:micafungin vs azole 合併 RR 1.13(95% CI 1.02–1.25),I² 87%
森林圖:micafungin vs azole 合併 RR 1.13(95% CI 1.02–1.25),I² 87%
同一組資料:95% CI 1.02–1.25 對 95% prediction interval 0.81–1.57
同一組資料:95% CI 1.02–1.25 對 95% prediction interval 0.81–1.57

I² 的三個誤會與 AI 給出不同數值 ⏱ 22:31

  • I²(異質性)本質上是相對比例,背後的統計量有三、四種算法,所以同一組資料叫 AI 跑,可能今天 87、明天 76、後天 72,因為 AI 隨機選用不同方法。▶ 22:31 ▶ 22:44 ▶ 22:54
  • 本例:87%(RevMan / R meta 預設,Q 以 Mantel-Haenszel 為中心);76%(另一種常見算法,Q 以 inverse-variance 為中心);72%(多加 0.5 校正;Oyake 2015:45/45、事件率 100%)。「三個都沒錯,但 AI 不會主動講用的是哪一種」。▶ 22:44
I² 常見的三個誤會(投影片)
  1. I² 是比例,不是大小:同樣的 τ,研究做得越大、越精確,I² 越高;要看大小請看 τ² 或 prediction interval。
  2. 高不代表不能合併,低也不代表可以:能不能合併是臨床問題,不是看 I²。
  3. 研究少的時候很不穩:少於 10 篇時信賴區間非常寬;同一組數據算法不同可得 76% 或 87%。▶ 22:31
同一組數字,AI 給你三種 I²:87%(Mantel-Haenszel)、76%(inverse-variance)、72%(加 0.5 校正)
同一組數字,AI 給你三種 I²:87%(Mantel-Haenszel)、76%(inverse-variance)、72%(加 0.5 校正)

Subgroup 分析:AI 會用 ROC 找出「很顯著」的切點 ⏱ 24:02

學生做的 subgroup

某學生做 subgroup analysis,年齡切在 45 歲,小於 45 歲組效果顯著、45 歲以上沒差別。講者問為何切 45,學生答「AI 出來就這麼顯著」。講者的推論:當你要求 AI 切出有意義的次群,它可能用 ROC curve 找最極端的切點,統計上顯著、文章看來也合理,但臨床上怪異:44.9 歲與 45.1 歲是不同人群嗎?▶ 24:04 ▶ 24:22 ▶ 24:39 ▶ 24:50 投影片數字:年齡 < 45 歲 RR 1.22 [1.09; 1.36];≥ 45 歲 RR 1.02 [0.94; 1.10](整體 RR 1.13 [1.02; 1.25])。投影片註記:subgroup 只能提出假設、不能當結論;事先寫在 protocol,事後切的註明探索性。

Subgroup 分析:年齡 <45 歲 RR 1.22(1.09–1.36)對 ≥45 歲 RR 1.02(0.94–1.10)
Subgroup 分析:年齡 <45 歲 RR 1.22(1.09–1.36)對 ≥45 歲 RR 1.02(0.94–1.10)
  • 傳統從臨床角度切分;AI 可用 ROC 找新切點,但得判斷是否合理。AI 會產出許多統計上顯著的結果,仍要從臨床角度詮釋。▶ 25:00 ▶ 25:07

漏斗圖與小樣本 ⏱ 25:12

  • 投影片:不對稱 ≠ 發表偏差(可能是小型研究效應、真實異質性、運氣);Egger test 至少要 10 篇,九篇算出來的 p 值沒有意義;Trim-and-fill 是敏感度分析,補進去的研究是假設出來的,不是真的。需要教 AI 去找灰色文獻(grey literature)、翻 ClinicalTrials.gov。▶ 25:19
  • 講者口述:把 Cochrane handbook 丟入後,若研究數小於約 10 篇,AI 就不會幫你做這些圖與統計;若沒告訴它,它仍會給一個數值,但數字過小在真實世界是失真的,照實報告會出問題。▶ 25:19 ▶ 25:31
漏斗圖:Egger test 需至少 10 篇、trim-and-fill 為敏感度分析
漏斗圖:Egger test 需至少 10 篇、trim-and-fill 為敏感度分析

登錄與揭露 ⏱ 25:40

  • 講者認為使用 AI 做研究本身合理,只要好好報告在哪裡用了 AI,就沒有太大問題。▶ 25:40 ▶ 25:46
  • AI 讓統計門檻降低,發表量每年倍增,同題很快被做掉;若有提前註冊,審稿時才能看出你有自己的新穎性、並非抄襲。做 EBM 是否像臨床試驗一樣事先註冊「非常重要」。▶ 25:52 ▶ 26:04 ▶ 26:15
  • 投影片重點:PROSPERO 2025 新版自動審核、幾天內發布;所有共同作者 email 核准才發布;投件時自動比對相似題目;搜尋之前登錄,登錄號寫進 Methods。報告:PRISMA 2020;AI 使用可參考 PRISMA-trAIce;ICMJE:AI 不掛名、投稿揭露。
  • Methods 一段就夠(範例大意):我們使用 [模型、版本、日期] 草擬搜尋策略、協助標題與摘要篩選(作為第二位 reviewer)、並從全文萃取 data;所有 AI 輸出皆由兩位 reviewer 獨立對照原文驗證(搜尋策略以 N 篇已知相關研究測試;萃取資料 100% 核對);AI 未用於風險偏差評估、GRADE 或詮釋;protocol 已登錄於 PROSPERO(CRD____)。投影片註記:這段寫得出來,流程就是乾淨的;先登錄,才能證明結果不是事後挑的。

步驟八:審稿人會問的十個問題 ⏱ 26:23

  • 講者指出 AI 審稿會從基本統計方式、方法學等每一點挑錯;若是 end-to-end 的結果,研究者不知道中間怎麼出來。建議初入門者一定要自己完整做過一次 meta-analysis,再用 AI 輔助,才知道問題會出在哪裡。▶ 26:23 ▶ 26:41
  • 投影片十題(每一題的答案都應該已在 protocol 和紀錄裡):
    1. 為什麼用 random effects?
    2. I² 87% 為什麼還合併?
    3. 預防和治療為什麼放一起?
    4. 9 篇為什麼不做 Egger?
    5. subgroup 是事先的嗎?
    6. 多臂試驗怎麼處理?
    7. 沒有個別數值的那篇?
    8. RoB 誰做的、幾個人?
    9. GRADE 為什麼降級?
    10. AI 用在哪幾步、怎麼核對?

書裡有規則,判斷還是你的 ⏱ 27:19

  • 講者把重點放在:本場主要談傳統成對(pairwise)統合分析;新的網絡統合分析可把十幾種藥物合併比較,同一主題可以有許多不同變形。▶ 26:51 ▶ 27:01
  • 即使把 Handbook 給了 AI,它仍可能做錯;使用 AI 同時一定要自己判斷。若沒意識到 AI 的輸出而直接默認正確,修訂時才會發現從一開始就錯。▶ 27:41 ▶ 27:54 ▶ 28:00
  • 投影片:Handbook 不會替你判斷:這些研究臨床上像不像?I² 多少算高、能不能合併?fixed 還是 random?邊緣的研究要不要納入?RoB 是 some concerns 還是 high?subgroup 切不切、GRADE 降不降級?這個效果對病人有沒有意義?
新手最常犯的六個錯(投影片)
  1. 把 SE 當 SD
  2. 用 I² 決定 fixed 還是 random
  3. 多臂試驗的對照組重複算
  4. 事後亂切 subgroup
  5. 健保資料庫族群重疊(同一族群發表於不同研究,樣本被重複計算)
  6. median / IQR 硬換 mean / SD

講者說 AI 常以統計方式推估來處理這些(誤差看起來很低、可「視為一樣」),但真實世界不能這樣做。投影片:這六個是 AI 可以自動處理,但怎麼處理,你是不會知道的。▶ 28:05 ▶ 28:12 ▶ 28:23

結論與 Take Home ⏱ 28:36

  • 在 AI 年代做 EBM,研究門檻降低很多,審稿嚴格程度卻大幅上升;AI 只能作為助手、無法取代研究者。▶ 28:45 ▶ 28:51
  • 研究者的價值在於從臨床角度想出非常好的問題;用了 AI 沒有問題,但要核對、也要揭露。▶ 28:56 ▶ 29:04
  • 講者感嘆過去「十年才做一篇 paper」,現在一個月可產一兩篇,但若不從臨床角度著手,容易變成 garbage in, garbage out。▶ 29:12 ▶ 29:20
  • Take Home(投影片):
    1. 研究門檻降低,但審稿嚴格程度上升:AI 減的是工作量,不是難度。
    2. 題目與判讀,是別人拿不走的:為什麼要 pool?pool 出來對病人代表什麼?
    3. 用了 AI,要核對,要寫出來:提醒、把關、負責、說明理由。

現場 Q&A

逐字稿至 29:29 結束於講者總結,無現場提問。

關鍵詞

  • Systematic review / Meta-analysis(系統性回顧/統合分析):系統性搜尋、篩選並量化合併多個研究的結果。
  • PICO:Population、Intervention、Comparison/Outcome,用來把臨床問題拆解成可搜尋的題目。
  • PROSPERO:系統性回顧 protocol 的公開登錄平台;先登錄可證明結果不是事後挑選,並顯示題目的新穎性。
  • PRISMA 2020 / PRISMA-trAIce:系統性回顧報告規範;後者供 AI 使用的報告參考(口述與投影片,名稱依投影片)。
  • RoB 2 / ROBINS-I:RCT 與觀察性研究的風險偏差評估工具。
  • GRADE:評估合併證據確定性的分級方法,不只看 p 值。
  • I²/τ²/prediction interval:異質性指標與預測區間;I² 是比例,不是大小,且受算法影響。
  • Egger test / trim-and-fill / funnel plot:發表偏差相關檢測;Egger 至少 10 篇。
  • Subgroup analysis(次群分析):只能提出假設;應事先寫在 protocol。
  • Network meta-analysis(網絡統合分析):同時合併比較多種介入。
  • Trial sequential analysis(TSA):進階的序貫分析,AI 不會主動做。

臨床可執行要點

📝 隨堂測驗(點選項作答)
請 AI 對同一組資料多次計算 I²,結果在 87%、76%、72% 之間變動。最合理的處理是?
講者指出三者都沒錯,但 AI 不會主動說明用的是哪一種算法;要固定算法並保留 code。
審稿回覆後,作者請 AI 重畫 Figure 2,風格與第一版完全不同。最佳預防做法是?
講者以 editor 身分指出風格劇變代表沒有 baseline,常會 reject;保留 code 才能維持一致。
學生用 AI 做 subgroup,把年齡切在 45 歲、結果非常顯著。最應該先問的問題是?
AI 可能用 ROC 找極端切點製造顯著;subgroup 只能提出假設,且應事先寫在 protocol。
統合分析僅納入 9 篇研究,下列何者較合適?
投影片:Egger test 至少 10 篇,九篇算出的 p 值沒有意義;trim-and-fill 只是敏感度分析。

海外求學與動物實驗經驗- 愛丁堡留學經驗分享

社團法人中華民國內分泌暨糖尿病學會 基礎醫學研究工作小組 實體分享會 · 陳寬展醫師 · 片長 36:37
一句話總結

核心主張:從「臨床醫師、沒有基礎實驗底子」出發,主動寫信找到研究骨髓脂肪組織(BMAT)的老師,靠「Learning by Doing, Growing by Reflecting」在愛丁堡完成熱量限制(CR)、BMAT 與 adiponectin 的小鼠研究,並分享申請、準備、經費與生活的實際經驗。▶ 00:58

你會學到
  • 出國讀 PhD 的動機、英文檢定、經濟負擔與找老師的實際做法
  • 熱量限制、骨髓脂肪組織(BMAT)、adiponectin 三者在代謝上的研究脈絡
  • 熱量限制下女性小鼠為何較抗拒減重/減脂:脂質新生(lipogenesis)較強、脂肪酸氧化較低
  • 熱量限制誘發 BMAT 增加具有部位特異性、性別依賴性、時間依賴性
  • 小鼠實驗的排程、技術障礙、無經費與失敗時的應對

內容筆記

開場與場地 ⏱ 00:00

  • 講者為三軍總醫院新陳代謝科醫師。2026 年 9 月曾回愛丁堡參加其老闆 William Cawthorn 舉辦的國際會議(投影片:9th International Meeting on Bone Marrow Adiposity,2026 年 9 月 10–11 日,Edinburgh UK),並在會中做簡短報告。▶ 00:45
  • 愛丁堡大學的 Old College 過去用於上課,現在有圖書館、新生報到處,也可作為研討會場地。▶ 00:24

為什麼想出國念 PhD ⏱ 01:03

  • 國防醫學大學學長學弟同住宿舍約 5–7 年,有許多可參考的「模板」(出國進修或走其他路線),師長上課也會分享留學經驗,因此早知道有出國機會。▶ 01:14
  • 住院醫師期間,一位在美國取得 PhD 的腎臟科醫師與科內郭鋒之主任,給予許多求學與研究想法。▶ 02:12
  • 個人因素:住院醫師臨床工作有倦怠感(fatigue);第一個孩子出生時大部分時間在醫院、與孩子關係不夠親近,第二個孩子將出生時覺得不能再這樣下去,想暫時離開臨床。▶ 02:36
  • 借用五月天歌詞「有些事現在不做,一輩子都不會做了」作為決定的動力。▶ 03:21
  • 機會來源:國防醫學大學每年固定提供出國進修員額。講者自認在同儕中並不突出,錄取主因是申請當時剛好 COVID 發生、申請人少;當時要派兩人,三人申請,他是被錄取者之一。▶ 03:36

怎麼準備:英文、經濟、找老師 ⏱ 04:18

  • 英文:底子不好,又同時面臨專科醫師考試。建議提早準備;赴美通常考托福(TOEFL),去歐洲或英國通常考雅思(IELTS)。講者是在醫院最後期限才通過英檢。▶ 04:21
  • 經濟:除學費外英國住宿費非常貴;三軍總醫院在出國期間仍給予等同住院醫師的薪水。▶ 05:01
  • 找老師(講者個人經驗):
    1. 先聯絡倫敦 Queen Mary 的一位教授,對方很快提議合寫 review;但查了租金,兩房一廳每月約 8–9 萬(台幣),負擔過重而放棄。▶ 05:32
    2. 轉而考量科內老師的研究方向:蘇勝強主任做棕色脂肪(brown adipocyte)、郭主任做白色脂肪(臀部與腹部脂肪差異),因此決定找脂肪相關領域。▶ 06:23
    3. 用 Google 搜尋找到 William Cawthorn(主要老闆)與 Robert Semple(第二老闆)。Semple 當時是愛丁堡大學醫學院與獸醫學院研究所的所長;講者主動寄信,誠實表明沒有任何基礎實驗經驗,對方承諾「從頭帶起」,因此決定前往。▶ 06:44

研究背景:CR、BMAT、adiponectin ⏱ 07:33

講者的研究圍繞三個關鍵詞,探討它們如何影響代謝。▶ 07:33

1. 熱量限制(Caloric restriction, CR)

  • 減重的各種方式(168 斷食、總熱量限制、生酮飲食)以及 GLP-1 與 SGLT2 類藥物,都屬於熱量限制或其模擬劑。▶ 08:08
  • 投影片列出 CR 的益處:降低心血管風險、降低癌症風險、降低發炎、增加胰島素敏感性、降低體重、延長壽命。▶ 08:19

2. 骨髓脂肪組織(Bone marrow adipose tissue, BMAT)

  • 人體脂肪以白色脂肪(WAT)為主,約佔 85–90%,分布於皮下與內臟;棕色脂肪(BAT)約 0.5–4%,主要在頸部附近,富含粒線體、對能量代謝重要;BMAT 約佔 10%。▶ 08:39
  • 臨床上年輕人嚴重車禍造成長骨骨折,可能發生脂肪栓塞,反映骨內脂肪很多。講者老闆以 UK Biobank 大數據分析顯示,骨髓腔中脂肪佔據的比例(BMFF)依部位約 50–90%:投影片中脊椎約五成,股骨頭、全髖、骨幹接近九成,且男性高於女性。▶ 09:23
  • 研究量落差:BMAT 約佔人體 10%,但依 PubMed 搜尋僅約 2% 的文獻;投影片數字為 WAT 84.2%(96,877 篇)、BAT 13.5%(15,583 篇)、BMAT 2.2%(2,555 篇),總計 115,815 篇。講者認為此領域仍有發展潛力。▶ 09:53
圖示重建:三種脂肪組織的分布與研究量
脂肪類型占人體比例占文獻比例(PubMed)
白色脂肪 WAT85–90%84.2%(96,877 篇)
棕色脂肪 BAT0.5–4%13.5%(15,583 篇)
骨髓脂肪 BMAT約 10%2.2%(2,555 篇)

另有 UK Biobank 資料:BMFF(骨髓腔脂肪分數)在脊椎、股骨頭、全髖、骨幹四個部位,男性均高於女性(四處皆達統計顯著)。(Xu, Nat Commun 2025;Suchacki, Nat Commun 2020)

BMAT 占比與文獻量
BMAT 占比與文獻量

BMAT 與內分泌的關聯

  • 1970 年代已發現 BMAT 較多與骨密度呈負相關;講者老闆用 UK Biobank 大數據再次證實。▶ 10:10
  • 第二型糖尿病與脊椎 BMAT 呈正相關、與股骨 BMAT 呈負相關(投影片:Xu, Nat Commun 2025)。▶ 10:31
  • 老闆 2020 年(Suchacki, Nat Commun)的圖顯示:BMAT 是人體基礎狀態下吸收葡萄糖最多的組織之一(投影片:BMAT is a major site of basal glucose uptake in humans;SUV 以椎骨最高,高於骨骼肌與皮下脂肪)。這是講者決定前往的主因:現有降糖藥多作用於肝、脂肪或胰臟,很少有人針對 BMAT 研究。▶ 10:43
  • 會使 BMAT 增加的情況:老化、停經、糖尿病、肥胖、化療/放療、大量類固醇、thiazolidinedione 類糖尿病藥物,以及熱量限制。▶ 11:27
  • 矛盾點:CR 對身體有益卻增加 BMAT,肥胖與糖尿病也增加 BMAT,因此講者覺得題目有趣。▶ 11:57
圖示重建:BMAT 與骨密度、血糖的關係
  • 在脊椎、股骨頭、全髖、骨幹四處,標準化 BMFF 與骨密度(BMD)皆呈負相關。
  • 第二型糖尿病:脊椎 BMAT 正相關、股骨 BMAT 負相關。
  • 基礎葡萄糖攝取(SUV):椎骨最高,其次胸骨、鎖骨,股骨與肱骨較低,皮下脂肪最低。
  • 增加 BMAT 的因素:成長、老化、停經、CR、糖尿病、肥胖、化療/放療、類固醇過量、thiazolidinedione。
BMAT 與骨密度、血糖及增加因素
BMAT 與骨密度、血糖及增加因素

3. Adiponectin

  • 1995 年發現、由脂肪細胞分泌,是血液中最豐富的荷爾蒙;肥胖時下降,CR 時上升。▶ 12:20
  • 老闆 2014 年(Cawthorn, Cell Metab)文章指出:CR 時 adiponectin 可能主要來自 BMAT。講者在小鼠模型中也驗證,CR 組血中 adiponectin 明顯高於對照組。▶ 12:37
  • Adiponectin 的功能:改善胰島素敏感性、促進脂肪酸氧化等(投影片依器官列出:肝臟胰島素敏感性上升、糖質新生與脂質新生下降;肌肉脂肪酸氧化上升;脂肪組織葡萄糖攝取增加、發炎下降等,引自 Straub & Scherer, Nat Metab 2019)。▶ 13:07
圖示重建:Adiponectin 在 CR 下的血中濃度

野生型小鼠血漿 adiponectin(約 5–20 mg/L 區間)在 6 週內,CR 組(男、女)均高於自由進食組(AL);時間、性別、飲食皆有顯著影響,時間×飲食交互作用 P < 0.0001。(Cawthorn, Cell Metab 2014)

Adiponectin 資訊與 CR 下的上升
Adiponectin 資訊與 CR 下的上升

博士研究的整體架構 ⏱ 13:19

四個問題:▶ 13:19

  1. CR 如何影響代謝,是否存在性別差異。
  2. CR 為何增加 BMAT:不同骨骼部位、不同 CR 時間長短、性別是否影響其量。
  3. CR 增加的 BMAT 分泌物,對代謝有何影響。
  4. 在 adiponectin 基因剔除(knockout)小鼠中,進一步釐清 adiponectin 在 CR 代謝作用中的角色。

實驗規劃與「Learning by Doing」 ⏱ 14:37

  • 出國前只練習抓過一次老鼠,教的同事還被咬;老闆一開始手把手教。▶ 14:45
  • 小鼠實驗要為每隻小鼠排程:講者的 Google Calendar 全是小鼠行程(OGTT、抽血、身體組成分析、實驗終點的組織收集)。▶ 15:11
  • Knockout 小鼠育種更麻煩:不知何時出生,可能生出 heterozygous 而非 knockout,或要的是雄性卻一窩全是雌性;一出生就要請飼養人員確認性別並做基因型鑑定,再排定實驗,因此每天監看有無新生小鼠。▶ 15:44
  • 老年小鼠很乖、年輕小鼠操作困難。小鼠喝油(灌胃)實驗:原本用金屬管,但英國重視動物福祉,要求改塑膠管;小鼠可能咬斷管子,使用 knockout 小鼠時尤其痛苦。▶ 16:44
  • 小鼠身體組成分析不像人可用 InBody 或 DXA 躺著測,需誘導小鼠進入桶中再測,有學習曲線。▶ 17:56
  • 幸運之處:講者到時愛丁堡大學剛買了間接熱量分析儀,實驗室經費緊,老闆讓他以免費試用者身分使用,講者成為學校第一位使用者。▶ 18:29
  • 三軍總院同仁常說的「Learning by doing」,與「Growing by reflecting」,是講者剛去時把自己當成實習醫師重新開始的心態。▶ 19:07

實驗一:CR 對代謝的影響是否有性別差異 ⏱ 19:30

  • 設計:男、女各分自由進食(AL, ad libitum)與 CR(為 AL 攝取量的 70%)兩組,共四組;CR 或 AL 進行 4 週,開始時小鼠 9–10 週齡。▶ 19:30
  • 表型:CR 下女性體重下降幅度比男性小,且女性脂肪量不減反增(投影片:CR 下女性抗拒體重與脂肪量減少;Suchacki, eLife 2023,講者為共同作者)。▶ 19:49
  • 提出兩個問題:Q1 女性 CR 時的能量消耗(EE)是否低於男性?Q2 女性 CR 時的底物利用是否不同(葡萄糖、脂肪或蛋白質)?▶ 20:10
圖示重建:CR 下的體重與脂肪量變化

以體重(g)與脂肪量(g),及相對第 0 週的倍數,追蹤 6 週 CR 期間男/女、AL/CR 四組。講者的結論:CR 下雌性對體重與脂肪量的減少較有抗性(Female CR resist body mass & fat mass loss);各圖的時間、性別、飲食及其交互作用均達顯著。

CR 下男女體重與脂肪量曲線
CR 下男女體重與脂肪量曲線

間接熱量分析(Indirect calorimetry,Promethion Core)

  • 可量測 VO₂、VCO₂、能量消耗與呼吸商(RER),據此推估能量消耗與底物利用。第一位使用者名字仍列在機器的授權名單上;設備有來自日本的技術員協助。▶ 20:27
  • 測量安排兩次:體重變化最大的 CR 第一週,與體重趨於平緩的第二至第三週。▶ 21:21
  • RER = VCO₂ / VO₂。接近 0.7 代表以脂肪為主要能量來源;接近 1.0 代表以碳水化合物為主;RER 大於 1 代表可能在進行脂質新生(lipogenesis)。▶ 21:52
  • 禁食時 RER 約 0.7;給食後快速上升,甚至超過 1,進入餐後(postprandial)脂質新生階段,男女在此區間有差異。▶ 22:14
圖示重建:24 小時 RER 曲線

第一週 CR 小鼠 24 小時 RER:餵食前(白天早晨)約 0.7;餵食後快速升至約 1.1 並維持(餐後期);入夜後逐漸回落到約 0.7。RER 參考線:脂肪約 0.7、碳水化合物約 1.0;超過 1.0 為脂質新生。(引用 Bruss, 2010, Am J Physiol Endocrinol Metab)

RER 公式與 24 小時曲線
RER 公式與 24 小時曲線
  • 進一步分析:第一週 CR 時,女性餐後脂質新生比男性強,脂肪酸氧化(以公式計算)比男性低;兩者部分解釋為何 CR 時女性脂肪量改變不如男性劇烈。▶ 23:11
圖示重建:女性 CR 的底物利用
指標第 1 週(女 CR 對男 CR)
餐後 RER(脂質新生指標)女性較高
脂肪酸氧化(kcal)女性較低

到第 3 週兩性 RER 皆上升;具體數值與 P 值見原圖,此處不重寫。

第 1 週與第 3 週餐後 RER 與脂肪酸氧化
第 1 週與第 3 週餐後 RER 與脂肪酸氧化

愛丁堡大學與內科 ⏱ 23:26

  • 投影片「UOE & Internal Medicine」:愛丁堡大學醫學院校友包含最早辨識白血病的 John Hughes Bennett 教授、發現 Addison 病的 Thomas Addison(投影片紀念牌同列 Richard Bright 與 Thomas Hodgkin)。▶ 23:43
  • 講者另提到一位與航海者補充維生素 C 相關的發現者(口述不清,人名無法確認)。▶ 23:26
  • 國防醫學大學第一任校長林可勝(投影片:Robert Kho-Seng Lim),畢業於愛丁堡大學醫學院,今年在愛丁堡大學醫學院 300 週年中被選為重要科學家之一。▶ 23:57

生活:食衣住行 ⏱ 24:11

  • 食:不易去當地市場,主要去連鎖超市。依網站分級,較有錢者去 Waitrose,較節省去 Lidl 或 Aldi,中間為 Sainsbury's、Morrisons、Tesco。英國人常吃 fish and chips(講者覺得不好吃);蘇格蘭美食 haggis 是羊雜,超市買的非常難吃,餐廳點的相對好吃。▶ 24:16
  • 氣候與住:1 月與 3 月有時下雪,多數時間涼爽,夏天很舒服。愛丁堡大學提供進修者家庭式宿舍,費用相對便宜,需要搶;講者每 5 分鐘滑手機、一有空就寄信,搶了很多次才成功。▶ 25:25
  • 行:交通靠公車或自駕。搭一次公車約台幣 100 元。圓環(roundabout)需先看右側來車再進入,右轉要走內線、左轉走左側車道,走錯就要繞圈;路面標線不清楚,四出口圓環更困難。▶ 25:51

實驗二:CR 對 BMAT 的影響(micro-CT) ⏱ 27:43

  • 方法:將小鼠骨頭固定於 agarose,用微電腦斷層(micro-CT)掃描:小鼠脛骨長約 1.8 公分,可切出約 3,000 張切片;再以四氧化鋨(osmium tetroxide)染色,重金屬與脂肪結合,使 micro-CT 下可定量 BMAT 體積。▶ 27:50
  • 研究問題:BMAT 增加是否 site-specific?sex-dependent?duration-dependent?取肱骨(humerus)、脛骨(tibia)、股骨(femur),CR 1、2、4、6 週。▶ 28:30
  • 結果:▶ 29:00
    • 肱骨:CR 下 BMAT 變化不大。
    • 股骨:主要聚集在幹骺端(metaphysis),且有性別差異。
    • 脛骨:變化最大,從兩端向中間聚集。
    • 結論:具部位特異性(site-specific)與性別依賴性(sex-dependent)。
  • 時間:CR 後 BMAT 隨週數持續增加,約第 4 週達高原,因為此時骨髓腔已幾乎被填滿;同時可分析小梁骨與皮質骨。▶ 29:23
  • 同一研究也分析了 adiponectin、leptin、IGF-1、corticosterone 等荷爾蒙動態,因時間限制未呈現。▶ 29:49
圖示重建:三個骨骼部位的 CR 反應
部位CR 下 BMAT特徵
肱骨 Humerus變化有限(P = 0.1129;投影片註:此項在論文中、不在講者博士論文中)—
股骨 Femur上升主要在幹骺端;男女有差異
脛骨 Tibia明顯上升主要在兩端;隨 CR 週數增加
肱骨、股骨、脛骨的 BMAT 變化
肱骨、股骨、脛骨的 BMAT 變化
圖示重建:BMAT 隨 CR 時間變化

以 micro-CT 重建的脛骨影像顯示,CR 第 1、2、4、6 週的黃色/亮色(BMAT)訊號逐週增加,男女 CR 組皆如此,AL 組無明顯增加;總 BMAT 體積比例在第 4 週前後達高原。講者結論:duration-dependent。

CR 1、2、4、6 週的 BMAT 影像與定量
CR 1、2、4、6 週的 BMAT 影像與定量

生活中的衝擊與挫折 ⏱ 30:04

  • 英國火車常誤點,罷工頻繁:事前一週才通知孩子某天不用上學;清潔人員也會罷工,一次兩週,講者當時孩子還小、有許多尿布,兩週不能倒垃圾非常崩潰。▶ 30:04
  • 剛出國就遇家人健康問題,太太因此提早回台,講者獨自照顧孩子。▶ 30:42
  • 實驗反覆失敗:從細胞萃取細胞核做單核 RNA 定序(single nucleus RNA-seq)努力約半年,結果仍不理想。▶ 31:01
  • 沒有經費:剛去時老闆說已沒經費。講者的對策是自願免費試用間接熱量分析儀、不斷寄信向各組借儀器;同辦公室另一個很有錢的團隊借出很多東西(講者笑稱後來沒還)。▶ 31:15
  • 以歌詞「美麗眼淚掙脫過,都會帶走懦弱」呼應情境。▶ 31:56

實驗三:Adiponectin knockout 小鼠 ⏱ 32:11

  • 感謝東京大學博士後 Yoshikawa(投影片名字:Dr. Yoshiko Ikushima,兩者拼法不一致,以講者口述為準:Yoshikawa 博士),他在東京已是獨立研究員,因此講者等於有兩位 PI 等級的老師指導。▶ 32:11
  • 共 8 組;育種過程痛苦,因為常缺某一組;養鼠約兩年、幾乎每天都有事,CR 小鼠需自己餵食,每天固定排程。▶ 32:37
  • 流程:▶ 33:06
    1. 確認有 knockout 與 wild type 的雄雌小鼠,排進 Google Calendar。
    2. 小鼠單獨飼養(single housing)一週,每日觀察攝食量與體重。
    3. 隨機分為 CR 或 AL(ad libitum,隨意吃到飽)。
    4. 每週抽血(尾靜脈)與測身體組成。
    5. 兩個大 cohort:Cohort A 做胰島素耐受試驗(ITT,腹腔注射胰島素)與口服脂質耐受試驗(OLTT,灌油);Cohort B 做 ATT(投影片簡稱,意為與糖質新生能力相關的耐受試驗)與 GlyTT(同為評估糖質新生能力)以及兩次 Promethion 間接熱量分析。
    6. 取器官後做肝臟與肌肉的轉錄體分析(bulk RNA-seq),並做 qPCR、Western blot、肌肉橫切面積。
圖示重建:Adiponectin KO 小鼠實驗時程
階段(週齡)內容
第 −1 週(9 週齡)單獨飼養,飲食稱重
第 0 週(10 週齡)起分為 AL/CR 飲食;每週尾部採血與 TD-NMR 身體組成
第 2 週(12 週齡)Cohort A:ITT;Cohort B:ATT;另有 Promethion 熱量分析
第 4 週(14 週齡)Cohort A:OLTT;Cohort B:GlyTT;另有 Promethion
第 5 週(15 週齡)犧牲與解剖;後續肝、肌 RNAseq、qPCR、Western blot、肌肉橫切面積
Adiponectin KO 實驗設計時程
Adiponectin KO 實驗設計時程

發表成果與總結 ⏱ 34:25

  • 剛去時最先加入的實驗,與博士生 Benjamin Thomas 合作,講者為共同作者,發表於 eLife(講者說 eLife 現在沒有 impact factor,但認為是很好的期刊,接受稿件的方式與一般期刊不同)。▶ 34:30
  • Journal of Endocrinology 一篇:講者花很多時間完成,用特殊方式把小鼠約 1.6 公分的骨頭等分成 100 段,逐段分析 BMAT 變化,被認為是較新的 BMAT 分析方式。▶ 35:02
  • 與日本博士後合作,用 adiponectin knockout 小鼠探討對脂質、胺基酸與葡萄糖代謝物的影響,發表於 PLOS Biology。▶ 35:30
  • 結語:感謝師長,也感謝自己勇敢跳出舒適圈(歌詞:每個渺小的理由都困住自由);感謝 Cawthorn、Semple 與實驗室成員,以及三軍總院新陳代謝科師長與家人支持。▶ 35:50
給想出國者的經驗
  • 英文檢定與專科考試重疊,越早準備越好;英國看雅思、美國看托福。▶ 04:31
  • 找老師可主動寄信、誠實說明自己沒有基礎,並先評估當地租金與生活費。▶ 06:44
  • 沒經費時,主動承擔新設備的試用、向其他團隊借設備。▶ 31:15

現場 Q&A

(逐字稿至 36:33 皆為講者演講與致謝,未收錄現場 Q&A。)

關鍵詞

  • 熱量限制(Caloric restriction, CR):本研究中為自由進食(AL)攝取量的 70%,進行 4 週以上。
  • 骨髓脂肪組織(BMAT):佔人體脂肪約 10%,與骨密度呈負相關,CR 時增加。
  • Adiponectin:1995 年發現、脂肪細胞分泌的荷爾蒙,肥胖降低、CR 上升。
  • RER(respiratory exchange ratio):VCO₂/VO₂,約 0.7 為脂肪、約 1.0 為碳水化合物、大於 1 提示脂質新生。
  • 間接熱量分析(Indirect calorimetry):量 VO₂、VCO₂ 求能量消耗與底物利用。
  • Micro-CT 與四氧化鋨染色:高解析度 3D 影像,染色使脂肪可被定量。
  • ITT / OLTT / ATT / GlyTT:胰島素、口服脂質、糖質新生相關耐受試驗(ATT 與 GlyTT 全名投影片僅縮寫)。

臨床可執行要點

📝 隨堂測驗(點選項作答)
依講者所述,CR 小鼠的呼吸商 RER 超過 1 最可能代表什麼?
RER 約 0.7 代表以脂肪為主,約 1.0 代表以碳水化合物為主,大於 1 代表可能在進行脂質新生。
講者在 CR 實驗中發現女性小鼠相較於男性,第一週的底物利用有何不同?
第一週 CR 時女性餐後脂質新生較強、脂肪酸氧化較低,部分解釋女性脂肪量改變較小。
CR 誘發的 BMAT 增加在 micro-CT 實驗中呈現何種特徵?
肱骨變化有限,股骨集中於幹骺端,脛骨變化最大並向中間聚集;有性別差異,且隨週數增加,約第 4 週達高原。
由 Course2Notes 自動生成 · 內容為使用者自有課程的個人學習筆記