在后基因體時(shí)代，基因芯片 (microarray) 的出現(xiàn)讓研究人員得以宏觀的視野來探討分子機(jī)轉(zhuǎn)。在許多努力和資源投入到尋找新的疾病基因后，許多單基因疾病已成功地找出致病基因。然而，在復(fù)雜疾病 (例如高血壓、糖尿病及一些常見癌癥) 的研究上，收獲卻不如期待中的豐富。大多數(shù)復(fù)雜疾病的研究中都可找出分布在不同染色體上的致病基因，但其與疾病僅有小至中等的連結(jié) (linkage) 或關(guān)聯(lián)性 (association)，且只有極少數(shù)的致病基因能在大量人口資料中，仍對(duì)疾病的連結(jié)或關(guān)聯(lián)性具有顯著性。目前從復(fù)雜疾病研究找到的致病基因，大多數(shù)在跨研究的報(bào)告中皆不具重現(xiàn)性。

復(fù)雜疾病具異質(zhì)性、多源性
    以肥胖為例，在2004年Dr. Perusse1的研究發(fā)現(xiàn)：與人類肥胖相關(guān)的113個(gè)候選基因 (candidate gene) 在50個(gè)全基因掃描研究中，僅有18個(gè)基因在五個(gè)以上的研究提出一致的正面相關(guān)報(bào)導(dǎo)。另外，2005年Dr. Agarwal2 的評(píng)論提到 (如圖一所示)，25個(gè)高血壓基因在不同的連結(jié)或關(guān)聯(lián)性研究中，有9個(gè)基因在連結(jié)性研究中負(fù)面相關(guān)的報(bào)導(dǎo)多于正面相關(guān)的報(bào)導(dǎo)。而25個(gè)基因中，多數(shù)在關(guān)聯(lián)性研究中正面相關(guān)和負(fù)面相關(guān)的報(bào)導(dǎo)不相上下。
    文獻(xiàn)中將復(fù)雜疾病的致病基因在跨研究間缺乏重復(fù)性的現(xiàn)象，歸納出了幾點(diǎn)解釋。其中一個(gè)最廣為接受的看法是這些多因子疾病的異質(zhì)性 (heterogeneous)。另外，因在不同研究中，對(duì)各種表型 (phenotype，如血壓、血糖) 定義上的不同和量測(cè)的不精確、對(duì)環(huán)境危險(xiǎn)或保固因子 (如抽煙量，對(duì)污染物的攝取量) 的不同暴露程度以及不同人口之間基因背景的差異等因素，皆會(huì)遮蔽、加強(qiáng)或改變基因的作用并造成不同程度的疾病外顯率 (penetrance)。
    簡(jiǎn)而言之，由于復(fù)雜疾病患者病因的多源性，稀釋了任何一個(gè)基因變異的效果。所以，當(dāng)我們將許多病患集中在一起，試圖比較他們的基因和正常人有何不同時(shí)可能會(huì)發(fā)現(xiàn)不同的致病基因，甚至亦會(huì)發(fā)現(xiàn)跟疾病無關(guān)而是與病患其他特性相關(guān)的基因。

生物路徑叢 (Pathway Cluster) 概念
    目前在復(fù)雜疾病的研究上，一般以使用類似的表型以減少樣本間的異質(zhì)性。然而，表型的同質(zhì)化并不等于基因型的同質(zhì)化。再者，一個(gè)疾病可能只是多種表型類似，但起源（基因）不同的病征組合。這個(gè)概念雖曾在文獻(xiàn)中被提出過，但科學(xué)家所使用的簡(jiǎn)化表型方法并不盡理想。譬如在精神疾病領(lǐng)域，許多學(xué)者提出 ”endophenotype”，也就是「內(nèi)在生物表型」這個(gè)概念。但他們所提出的操作方法，僅只是簡(jiǎn)單化（或減化）表型，譬如：以解剖學(xué)、影像學(xué)，或癥兆定義上來減化，而沒有著眼在減化「參與病征發(fā)展的生化路徑」上。
    這個(gè)問題的主要瓶頸在于科學(xué)家對(duì)于疾病發(fā)展的機(jī)制還不夠了解。因此，中研院潘文涵教授3 提出以下建議：在現(xiàn)今大量產(chǎn)生的基因表現(xiàn)數(shù)據(jù)上，運(yùn)用「數(shù)據(jù)探勘 (data mining)」的方法，進(jìn)行群組分析 (cluster analysis)；將這些資料分成若干個(gè)群組內(nèi)相關(guān)，但群組間不相關(guān)的多個(gè)群組，每一個(gè)群組可能代表一兩個(gè)少數(shù)源頭基因、和一些他的下游基因的表現(xiàn)狀態(tài)。所得群組同構(gòu)型高且接近病原的潛在基因，因此可視為「生物路徑叢」的指針。
    我們首先用遺傳流行病學(xué)的方法學(xué)來檢驗(yàn)，這些群組是否具遺傳性，再用此表現(xiàn)群組所得的分?jǐn)?shù)（數(shù)量性狀）或再進(jìn)一步切割出來的 0/1 性質(zhì)來進(jìn)行基因定位，成功率必大為增加。 

高血壓研究案例
    本公司特約研究員林可軒博士在中研院潘文涵教授實(shí)驗(yàn)室服務(wù)期間，即在高血壓的研究上4運(yùn)用特殊的人工神經(jīng)網(wǎng)絡(luò) (artificial neural network) 模型，以華聯(lián)的人類表達(dá)譜芯片 (HOA, Human   OneArray®) 所產(chǎn)生的大量基因數(shù)據(jù)來實(shí)現(xiàn)「生物路徑叢」的概念。如圖二所示，基因數(shù)據(jù)自神經(jīng)網(wǎng)絡(luò)左方的輸入端進(jìn)入模型。藉由不同的聯(lián)機(jī)連接到中間的隱藏點(diǎn) (hidden node)。這些中間的隱藏點(diǎn)及代表不同的「生物路徑叢」。藉由聯(lián)機(jī)上不同的權(quán)重，決定各生物路徑叢包含的基因。最后，各生物路徑叢對(duì)各所屬基因加權(quán) 的結(jié)果決定是否送出影響輸出端 (output node) 做決策的信號(hào)。最后，輸出端對(duì)各生物路徑叢送出信號(hào)加權(quán)的結(jié)果決定是否誘發(fā)高血壓。林博士在文獻(xiàn)中詳述了決定各聯(lián)機(jī)的權(quán)重及生物路徑叢數(shù)量的方法。鑒于篇幅有限，本文中不予詳述。圖三顯示該文中以類神經(jīng)網(wǎng)絡(luò)所構(gòu)建之生物路徑叢與血壓的關(guān)系。圖中左方顯示高血壓病人的數(shù)據(jù)，右方顯示正常血壓者的數(shù)據(jù)。圖中由上而下分別為收縮壓、舒張壓、模型輸出端信號(hào)、模型隱藏點(diǎn)信號(hào)以及構(gòu)建的三個(gè)生物路徑叢中實(shí)際基因的表現(xiàn)量。從模型隱藏點(diǎn)信號(hào) (圖三(g)及(h)) 可看出三個(gè)生物路徑叢在高血壓病人及正常血壓者中呈現(xiàn)不同樣板。紅色樣板代表該生物路徑叢是處于表現(xiàn) (expressed) 的狀況，藍(lán)色樣板則代表該生物路徑叢是處于不 (或低) 表現(xiàn)的狀況。從圖中可看出，生物路徑叢一 (endophenotype 1) 是強(qiáng)保固的 (strongly protective)，生物路徑叢二是弱保固的 (weakly protective)，生物路徑叢三則是強(qiáng)危害的 (strongly risk)。這三個(gè)生物路徑叢將高血壓病人及正常血壓者分成幾個(gè)群組，不同群組中，含生物路徑叢三者血壓最高，含生物路徑叢二者血壓微降，含生物路徑叢一者血壓下降最多。即構(gòu)建的三個(gè)生物路徑叢對(duì)血壓調(diào)控有不同的角色。生物路徑叢亦可對(duì)高血壓病人做適當(dāng)?shù)姆秩骸?/FONT>